CN110797918A - 一种基于闭环控制的源网荷系统负荷恢复方法及系统 - Google Patents

Abstract

本发明公开了一种基于闭环控制的源网荷系统负荷恢复方法及系统，在引入模拟退火算法进行全局寻优时使用粒子群算法筛选出的粒子进行寻优，同时针对模拟退火算法全局寻优能力强、计算过程耗时长的特点，加入禁忌搜索算法更新Tabu表，对同一负荷节点禁止反复计算，缩短了算法的计算时间，保证在最短的时间内确定最优负荷供电恢复路径，尽可能快且多的恢复重要负荷。鉴于经验参数对负荷恢复计算的影响，建立了经验参数矩阵，通过改变经验参数值对比所求恢复路径，经反馈调整各算法的经验参数，根据系统各种恢复情况对各经验参数的阈值情况进行分类，自动更新学习。本发明可以避免单种智能算法的局限性，以防陷入局部最优以及算法历时长等缺陷。

Description

一种基于闭环控制的源网荷系统负荷恢复方法及系统

技术领域

本发明涉及源网荷系统负荷恢复技术领域，具体涉及一种基于闭环控制的源网荷系统负荷恢复方法及系统。

背景技术

随着电力电子技术、直流输电的迅速发展，特高压直流密集接入电力系统，系统频率调节能力持续降低。多直流馈入电网发生连续换相失败发生直流闭锁时将造成受端电网有功大幅缺额，电网频率急剧下降。此时，源网荷系统将切除部分负荷使系统频率达到允许波动范围，通过此种举措保护整个系统的频率、电压、潮流稳定。

作为电网功率瞬时平衡的一方，负荷特性及行为特征很大程度上决定着电网的安全性和经济性。不同负荷对供电可靠性要求是有区别的，随着需求侧的逐步开放，通过分时电价等政策激励用电侧资源进行主动的削峰填谷和平衡电力，将成为提高电力系统运行经济性和稳定性的重要手段；作为备用的另一种形式，可中断负荷是电网可调度的紧急备用“发电”容量资源。随着微网技术、分布式电源、电动汽车、储能等的广泛应用，新型柔性负荷具有发电或储能的特性，能够与电网进行能量的双向交互，可以根据电源、电网的动态变化实时切除，因此该类负荷既具有负荷特性，又具有电源特性，相当于随时、随地、随需投运的“虚拟电厂”，即在供电时相当于负荷，切除后相当电源。

电力系统恢复的根本目的是恢复对负荷的供电，这也是贯穿于整个恢复过程的优化目标，即系统恢复的每一阶段都存在负荷恢复的研究内容。见图1，当发生大停电事故时，系统处于“黑启动”状态(黑启动：整个系统因故障停运后，系统全部停电，不依赖别的网络帮助，通过系统中具有自启动能力的发电机组启动，带动无自启动能力的发电机组，逐渐扩大系统恢复范围，最终实现整个系统的恢复)，恢复初期负荷投入作为一种控制手段，其恢复速度应满足机组最大和最小爬坡能力曲线的约束限制，从这个角度看，该阶段针对单个变电站的最大负荷恢复量应作为约束上限；系统恢复的最后阶段，负荷投入作为主要的优化目标，其应在较短的时间内尽可能多地恢复负荷。负荷的完全恢复一般需要经历几个小时，常通过分批多次投入来完成。单次负荷恢复可能针对一条甚至多条线路的同时投入，其时间窗口应为秒级，加之恢复初期系统规模较小和大停电后的冷负荷启动特性，若单次投入的负荷量过大，可能引起电压、频率等问题；相反，如果单次投入的负荷量过小，则会增加操作次数，延缓恢复进程。因此，确定合适的负荷恢复步长对加快系统恢复进程具有重要意义。而随着源网荷的交互作用，电网的智能化水平不断提高，大停电事故发生的概率持续降低，因此本发明主要针对非黑启动情况或大停电事故后期，着力解决寻优最佳恢复供电路径，计算最佳恢复步长的问题。

实际恢复过程中，多个负荷点的总体恢复一般是在满足系统各种等式和不等式约束的前提下，根据各负荷点的大小、位置和重要性分阶段顺序进行的。无论从频率约束还是电压约束的角度，先投入的负荷都会对后续的负荷投入产生影响，且实际工程要求优先恢复重要程度高的负荷。此外，现阶段负荷恢复主要依赖调度运行人员的运行经验，在发生大停电事故时人为不确定性因素(调度员的心理素质、运行经验等)对负荷恢复最优化将产生很大影响。因此，简单的组合优化模型难以描述恢复后期多负荷点投入的实际工程问题。在解决收敛速度时，保证总负荷量最大且网损等经济指标最为合理，考虑到先恢复对后恢复的影响等，都有必要提出一种新型的综合有效的负荷恢复方案。

发明内容

针对现有技术的不足，本发明提供一种基于闭环控制的源网荷系统负荷恢复方法及系统，系统负荷恢复在短时间内恢复最多的重要负荷，找出最优路径。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于闭环控制的源网荷系统负荷恢复方法，包括步骤：

步骤1，根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；

步骤2，利用步骤1所述目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列；

步骤3，将步骤2初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大；

步骤4，将步骤3所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，转至步骤7；当达到预设的迭代步数收敛时，得到该经验参数下的最优负荷节点恢复路径；

步骤5，判断步骤4所述最优负荷节点恢复路径是否满足步骤1所述约束条件校验，若不满足约束条件，舍去该路径，返回执行步骤1；若满足约束条件，执行步骤6；

步骤6，判断是否达到改变经验参数次数预设值，若达到，转到步骤8；若未达到，转到步骤7；

步骤7，判断计算时间是否超过预设计算时间t_stop，若超过，输出所述最优负荷节点恢复路径，若没有，改变经验参数，跳转至步骤1；

步骤8，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最终的最优恢复路径进行输出，并将该路径对应的经验参数值更新到经验参数矩阵。

进一步的，所述经验参数包括：加速系数c₁、c₂，取值范围为[0,4]，目标函数中的开关总操作次数对应的系数z_c，取值范围[0,1]，惩罚函数系数z_f，取值范围[0,1]；若干组经验参数组成经验参数矩阵。

进一步的，根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，具体过程为：

粒子的位置和速度变化方程如下：

e是粒子的编号，e＝1,2，...，d，d为预设粒子个数，m为粒子迭代的次数，m＝1,2…,n，n为系统待恢复负荷节点数目，

表示第m次迭代时粒子e的更新迭代速度；c₁和c₂为加速系数，取值范围为[0，4]；ξ、η是在[0，1]内的均匀分布的伪随机数；

表示第m次迭代时粒子e所处的负荷节点位置；

和

分别为第m次迭代时第e个粒子迭代中恢复路径的目标函数值最大对应的负荷节点序列和种群迭代中恢复路径的目标函数值最大对应的负荷节点序列；迭代计算n次后，每个粒子对应一条负荷恢复初始路径。

所述步骤1中的约束条件为：

式中，q(k)中的参数k表示负荷节点投入顺序，q(k)值对应该顺序下负荷节点的编号i，q(k)＝i，k＝1,2,…,N_x；N_x为实际投入的负荷节点数，存在如下关系：

x_i表示负荷节点i是否投入，取值为1或0，n为待恢复负荷点的总数；l_q(k)表示第q(k)个负荷节点的负荷量，j为投入的第j个负荷节点，函数f(l_q(k))表示投入l_q(k)时的频率最低值，l_cur,k表示进行第k次负荷节点投入前的负荷量，f_min为投入l_q(k)时允许的频率最低值；V_tr(l_q(k))表示投入l_q(k)时的暂态电压下降的最低电压值，V_set为暂态电压下降可接受的电压最低值；P_max为系统恢复期间已并网机组最大允许出力之和；V_i,max，V_i,min分别为前k次负荷投入后，稳态潮流下负荷节点i的电压值、负荷节点i的电压允许最大值、负荷节点i的电压允许最小值；S_ij，S_ij,max，S_ij,min分别为负荷节点i与负荷节点j之间的线路i-j的有功功率、有功功率允许最大值、有功功率允许最小值；

所述目标函数f为：

式中，ω_i为负荷节点i的重要程度，取值范围[0,1]；l_i为负荷节点i负荷量大小；参数C_i表示已有网架下投入负荷节点i需增加的开关操作次数；z_c为开关总操作次数对应的系数；R_i为投入负荷节点i增加的线路阻值；P_i、Q_i分别为线路至负荷节点i的有功和无功功率值；U_i为负荷节点i的电压值；F[q(k)]为反映第k次负荷投入的惩罚函数，z_f为惩罚函数系数。

进一步的，利用步骤1所述目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列，包括：

①计算出群体中每个粒子的目标函数值f_e，e＝1，2，…，d，e表示第e个粒子，d为粒子群粒子个数；

②计算出每个粒子e被遗传到下一代群体中的概率

③计算出每个粒子的累计概率

q_e为粒子e的目标函数值f_e的累计概率；

④在[0，1]区间内产生一个均匀分布的伪随机数r；

⑤若r<q_e，则选择粒子e，否则，选择粒子s，s＝1,2，...，d,s≠e，使得：q_s-1<r≤q_s成立；q_s为粒子s的累计概率，q_s-1为粒子s恢复到前一负荷节点的累计概率；

⑥重复④、⑤共d次，选出累计概率最大的粒子，确定该粒子对应的恢复路径作为初始负荷节点序列。

进一步的，步骤3，将步骤2初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大，包括：

在初始预设温度T₀下，由粒子当前负荷节点位置y₁向周围待恢复节点进行恢复，恢复至新的负荷节点位置y₂，恢复负荷节点y₂前后对应的路径目标函数值分别为f(y₁)和f(y₂)，若f(y₂)>f(y₁)，则在原恢复路径加入负荷节点位置y₂形成一条新的负荷恢复路径，记为P_e0；否则判断是否满足Metropolis接受准则规定的概率p_r＝exp[(f(y₁)-f(y₂))/βT₀]，其中β为Boltzmann常数，若满足，恢复y₂负荷节点形成一条新的负荷恢复路径，记为P_e0，若不满足，迭代步数σ+1，判断迭代步数σ是否到达内循环次数θ，若未到达重新选择当前负荷节点位置y₁周围待恢复节点继续计算，若已到达，输出未恢复新负荷节点的原恢复路径作为负荷恢复路径，记为P_e0；

负荷节点的状态量包括：负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损。

进一步的，步骤4，将步骤3所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，转至步骤7；当达到预设的迭代步数收敛时，得到该经验参数下的最优负荷节点恢复路径；包括：

①取步骤3所得恢复路径中最后一个负荷节点，命名为y_h0，置当前解y_h＝y_h0、当前最优解y_g＝y_h0以及禁忌表TL＝φ；设经过粒子群算法和模拟退火算法已恢复节点数目为N₀，则此时搜索范围为负荷节点未恢复区域，计算的负荷节点数为n-N₀；

②判断是否达到设定的最大迭代步数，如没有达到，则继续步骤③，若达到，则判断是否收敛，若不收敛，转至步骤7；若收敛，则输出该经验参数下的负荷恢复最优路径P_g；

③以当前负荷节点为中心，搜寻该负荷节点周围待恢复的负荷节点，形成集合N(y_h)，将其确定为候选解集；

④判断是否有候选解满足藐视准则，若存在，则用满足藐视准则|f(y_h)-f(y_*)|<ε₁的最佳候选解y_*替代y_h成为新的当前解，即y_h＝y_*，并替换当前最优解，即y_g＝y_*，ε₁为一较小正实数，同时更新禁忌表TL，迭代步数+1后转步骤②；否则，继续步骤⑤；

⑤判断各候选解禁忌属性，选择候选解集N(y_h)中非禁忌的最佳候选解y’替代y_h成为新的当前解，即y_h＝y’，同时更新禁忌表TL，迭代步数+1后转步骤②。

进一步的，经验参数改变方法为：

ξ、η是步骤1中粒子群算法在[0，1]内的均匀分布的伪随机数。

进一步的，更新经验参数矩阵，包括：

矩阵由4行3列构成，每行表示一个经验参数，共计4个经验参数，每列表示一组经验参数；每个矩阵第一列是人为设定的初始经验值，设统计次数初始值为ρ＝0，其他两列初始值为0；

①更新时，判断统计次数ρ是否小于3次，若是，直接将要更新的经验参数存入经验参数矩阵A中；否则，继续步骤②；

②将需要更新的经验参数数据作为第4列数据参与到平均值计算中，计算每个参数的偏差值

形成偏差矩阵|Δ_ab|，继续步骤③；

其中，Δ_ab表示矩阵中第a行第b列元素与平均值的偏差，x_ab表示经验矩阵中第a行第b列元素；

③标记每行偏差最大值Δ_max所在的位置，遍历1-3列，记录每列Δ_max的个数，记为h_b，继续步骤④；

④选中Δ_max个数最多的一列作为第b列，将需要更新的经验参数数据替换掉第b列的经验参数。

进一步的，负荷恢复情况分为四种：大范围重要负荷：减供负荷7％以上、一级负荷占总负荷10％以上；小范围重要负荷：减供负荷7％以下、一级负荷占总负荷10％以上；大范围非重要负荷：减供负荷7％以上、一级负荷占总负荷10％以下；小范围非重要负荷：减供负荷7％以下、一级负荷占总负荷10％以下；经验参数矩阵按照四种负荷恢复情况设定为四个。

一种基于闭环控制的源网荷系统负荷恢复系统，其特征在于，包括：

负荷恢复初始路径模块，用于根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；

轮盘赌计算模块，用于利用目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列；

模拟退火计算模块，用于将初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大；

禁忌算法计算模块，用于将所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，执行预设计算时间判断模块；当达到预设的迭代步数收敛时，得到该经验参数下的最优负荷节点恢复路径；

约束条件校验模块，用于判断所述最优负荷节点恢复路径是否满足所述约束条件校验，若不满足约束条件，舍去该路径，回执行负荷恢复初始路径模块；若满足约束条件，执行改变经验参数次数判断模块内容；

改变经验参数次数判断模块，判断是否达到改变经验参数次数预设值，若达到，执行最优恢复路径输出模块；若未达到，执行预设计算时间判断模块；

预设计算时间判断模块，判断计算时间是否超过预设计算时间t_stop，若超过，输出所述最优负荷节点恢复路径，若没有，改变经验参数，执行负荷恢复初始路径模块；

最优恢复路径输出模块，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最终的最优恢复路径进行输出，并将该路径对应的经验参数值更新到经验参数矩阵。

本发明的有益效果：

(1)本发明提供了一种结合粒子群算法-模拟退火-禁忌搜索算法的混合算法计算负荷恢复路径；三种算法能够满足负荷恢复速度快、全局寻优的要求，相较传统调度人员自行恢复负荷的方法，能够突破恢复负荷用电时调度人员的心理主观因素以及过度依赖调度运行经验的局限性，减小了主观因素对判断结果的影响，提高了工作效率，使用智能算法使得该计算方法更加准确化、快速化和智能化。

(2)考虑顺序、网损、开关操作次数的目标函数。相较传统负荷恢复的目标函数，着重强调了负荷恢复的顺序要求，使重要的大负荷首先得到恢复，以减小经济损失和社会影响，此外考虑了网损、开关操作次数，使计算所得负荷恢复路径具有很好的经济效益。

(3)考虑了经验参数对计算结果即负荷恢复路径的影响。不同的经验参数对负荷恢复有很大的影响，通过影响负荷恢复顺序、开关操作次数直接影响负荷恢复的目标函数。本发明通过建立经验参数矩阵，使其自动学习、更新经验参数，针对不同的恢复情况自动选择相应的经验参数，提高了工作效率，同时避免了因人员技术不足导致判断错误，提高了负荷恢复的准确性和时效性。

附图说明

图1为大停电事故下系统恢复过程示意图；

图2为源网荷系统故障恢复后期寻优恢复路径寻优混合算法总体结构图；

图3为加入模拟退火算法-禁忌搜索算法的粒子群算法流程图；

图4轮盘赌算法选择累计概率示意图；

图5模拟退火算法流程示意图；

图6禁忌搜索算法的解空间、邻域解、搜索方向示意图；

图7初始解对禁忌搜索算法的影响：集中搜索区；

图8为禁忌搜索算法流程图；

图9为自动学习更新经验参数矩阵流程图；

图10为泰南子系统相关结构图；

图11为不同算法下目标函数值的变化曲线。

具体实施方式

为使本发明的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本新型发明。

本发明是一种基于闭环控制的具有自动调节、分类学习能力的多智能混合算法，是在粒子群算法的基础上进行改进，充分融合各种算法的优势，经计算给出负荷最优恢复路径。主要包括以下几个内容：

(1)粒子群算法经轮盘赌选择某一确定的粒子，将该粒子对应的负荷节点序列的最后一个负荷点的状态量(包括负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损)给入模拟退火算法作为其初始值，模拟退火算法具有较好的全局搜索能力，但由于需要多次“降温”以扩大负荷恢复范围，如此反复迭代，算法耗时长。由于系统恢复要求尽可能快，因此加入禁忌搜索算法加快计算速度。禁忌搜索算法同样具有良好的全局寻优能力，该算法建立的Tabu表(禁忌表)，将计算过的负荷节点进行锁定，防止对某一节点的反复计算，加快了迭代速度。

(2)根据经典自动控制原理，闭环控制系统的反馈效应可以达到较为理想的控制结果。建立经验参数矩阵，初始状态下由有经验的技术专家给出，在控制过程中通过反馈进行调节，并按系统不同的故障恢复情况进行分类，对每种分类经验参数的阈值进行统计，自动实现学习功能，以便下次使用该计算方法时直接给出较为合理的经验参数。

(3)经粒子群算法、模拟退火算法与禁忌搜索法的相互配合完成了最优恢复路径的计算，通过闭环自动控制系统自动调整经验参数使计算结果能够满足工程实际的需求，最大程度内恢复至系统最优运行状态，并储存最优恢复路径对应的一组经验参数值，通过统计阈值内参数的分布概率，为之后系统负荷恢复提供较优参数，使该计算方法具备学习自动更新统计的功能。

在机组与变电站恢复供电后，电力系统基本骨架已初步形成，此时这个阶段最主要的工作就是尽可能快的给尽可能多的负荷供电，且重要的一二级负荷应首先恢复供电。在恢复过程中，先恢复的负荷对整个系统的频率、节点电压、潮流流向均有影响，从而直接影响后续恢复负荷，因此需考虑恢复顺序对恢复过程的影响。此外，在快、准、稳的同时，要求尽可能优，即：使系统网损ΔP尽可能小，联络开关、断路器等操作次数尽可能少的达到恢复供电的目的。

实施例1：

如图2，一种基于闭环控制的源网荷系统负荷恢复方法，包括以下步骤：

步骤1，根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；

步骤2，利用步骤1所述目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列；

步骤3，将步骤2初始负荷节点序列的最后一个负荷节点的状态量(包括负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损)作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点且使恢复路径的目标函数值最大；

步骤4，将步骤3所得负荷节点状态量(负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损)作为禁忌算法的初始解，弱化禁忌算法对初始解的依赖性，通过禁忌负荷节点(锁定已计算过的负荷节点，避免重复计算影响收敛速度)对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，转至步骤7；当达到预设的迭代步数收敛时，得到负荷节点恢复序列，即该经验参数组合下的最优负荷节点恢复路径；

步骤5，判断步骤4所述最优负荷节点恢复路径是否满足步骤1所述约束条件校验，若不满足约束条件，舍去该路径，返回执行步骤1；若满足约束条件，执行步骤6；

步骤6，判断是否达到改变经验参数次数预设值，若达到，转到步骤8；若未达到，转到步骤7。

步骤7，判断计算时间是否超过预设计算时间t_stop，若超过，输出该路径，若没有，改变经验参数，跳转至步骤1；

步骤8，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最终的最优恢复路径进行输出，并将该路径对应的经验参数值存入经验参数矩阵。

所述步骤1中的约束条件为：

式中，q(k)中的参数k表示负荷节点投入顺序，q(k)值对应该顺序下负荷节点的编号i，表示第k次投入的负荷为负荷节点i，即q(k)＝i，k＝1,2,…,N_x。N_x为实际投入的负荷节点数，存在如下关系：

x_i表示负荷节点i是否投入，取值为1或0，n为待恢复负荷点的总数；l_q(k)表示第q(k)个负荷节点的负荷量，j为投入的第j个负荷节点，函数f(l_q(k))表示投入l_q(k)时的频率最低值，l_cur,k表示进行第k次负荷节点投入前的负荷量，即初始负荷l_ini和前k-1次负荷投入总量的加和，f_min为投入l_q(k)时允许的频率最低值；V_tr(l_q(k))表示投入l_q(k)时的暂态电压下降的最低电压值，V_set为暂态电压下降可接受的电压最低值，V_tr(l_q(k))≥V_set反映负荷投入时暂态电压下降的约束满足情况；P_max为系统恢复期间已并网机组最大允许出力之和(为了保证有足够的机组备用)；

V_i,max，V_i,min分别为前k次负荷投入后，稳态潮流下负荷节点i的电压值、负荷节点i的电压允许最大值、负荷节点i的电压允许最小值；S_ij，S_ij,max，S_ij,min分别为负荷节点i与负荷节点j之间的线路i-j的有功功率、有功功率允许最大值、有功功率允许最小值。

所述目标函数：

综合考虑负荷投入顺序、网损、开关操作次数等因素，恢复路径的目标函数如下：

该目标函数表征第k次投入负荷后，恢复路径的优秀程度，目标函数f值越大，说明该恢复路径能够满足最先恢复重要负荷、网损小、开关次数少的综合指标，更符合恢复要求。负荷恢复为多目标函数，本发明考虑了负荷恢复顺序、尽可能小的网损和尽量少的开关次数，分别对应目标函数的三个多项式。式中，q(1)，q(2)......q(N_x)分别对应第1，2......N_x次恢复的负荷节点的编号；ω_i为负荷节点i的重要程度，由一级负荷所占比例决定，一级负荷比例越大，表征负荷节点i越重要，则ω_i的值越大，取值范围[0,1]；l_i为负荷节点i负荷量大小。参数C_i表示已有网架下投入负荷节点i需增加的开关操作次数，包括负荷、线路和变电站的投入操作，实际优化过程中应考虑先投入的操作对后续投入操作的影响，即投入负荷节点i需增加的操作次数应随恢复进程动态变化(如：恢复负荷节点2供电，需先恢复负荷节点1的供电。若恢复2之前1已恢复，开关操作次数为1；若恢复2之前1未恢复，则需先恢复1的供电，再恢复2，开关操作次数为2。由此可见先投入的负荷会对之后的负荷恢复产生影响)；z_c为开关总操作次数对应的系数，其大小应根据实际优化目标对操作次数和操作时间的要求进行选取；R_i为投入负荷节点i增加的线路阻值；P_i、Q_i分别为线路至负荷节点i的有功和无功功率值；U_i为负荷节点i的电压值。

F[q(k)]为反映第k次负荷投入的惩罚函数，z_f为惩罚函数系数；

实际系统恢复中，应优先恢复重要等级较高、有功功率较大的负荷，为了在优化过程中考虑这种影响，将反映恢复顺序因素的惩罚函数F[q(k)]定义如下：

式中，W_q(k)定义为第q(k)个负荷点的加权负荷量，即为ω_q(k)l_q(k)，ω_q(k)为第k次投入的负荷重要度等级；α为限定系数，当先恢复的负荷比后恢复的负荷加权负荷量小时，其取值为1，即对于函数产生一个负的惩罚值；否则α为0。由此看出，惩罚函数F[q(k)]反映了当前优化中由于恢复顺序未按照加权负荷量进行排序所产生的总惩罚值大小，通过该部分使得数学模型在朝目标函数优化的过程中，重要性高、有功功率大的负荷点优先得到恢复。

步骤1，根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；具体过程为：

获取系统待恢复负荷节点数目n，对负荷节点进行编号i(i＝1,2，...，n)，获取负荷节点i的重要程度ω_i(取值范围[0,1])、负荷节点i的负荷量l_i，预设粒子个数d(一般取20–40)，恢复方法的计算时间t_stop(分钟级)，通过经验参数矩阵(取数据相对集中的经验参数值的平均值)获取预设经验参数值，包括：加速系数c₁，c₂，取值范围为[0,4]，目标函数中的开关总操作次数对应的系数z_c(取值范围[0,1])，惩罚函数系数z_f(取值范围[0,1])。

对粒子进行编号e(e＝1,2，...，d)，粒子的位置和速度变化方程如下：

m为粒子迭代的次数，m＝1,2…,n；v_e表示粒子e的更新迭代速度，

表示第m次迭代时粒子e的更新迭代速度；c₁和c₂称为加速系数，取值范围为[0，4]，通常取值为2(学习因子使粒子向自己历史最优点和种群粒子最优点学习并向其靠拢)；ξ、η是在[0，1]内的均匀分布的伪随机数；

表示第m次迭代时粒子e的位置，即所处的负荷节点位置；

和

分别为第m次迭代时第e个粒子迭代中恢复路径的目标函数值最大对应的负荷节点序列和种群迭代中恢复路径的目标函数值最大对应的负荷节点序列。

本发明使用具有顺序特征的负荷节点序列描述恢复路径，即待求最优恢复路径为“依次恢复该序列负荷节点编号”所形成的开式网(辐射网)拓扑图。

迭代计算n次后，每个粒子得到一条负荷恢复的初始路径，由于粒子群算法本身的缺陷，其计算结果容易陷入局部最优，此时迭代速度与迭代位置几乎不发生变化，但为找出最优恢复路径，需进行全局范围内的寻优，因此将该初始路径作为负荷恢复的初始解，利用模拟退火跳出局部最优，加快收敛速度，计算全局最优负荷恢复路径，如图3所示。

步骤2，通过轮盘赌算法和步骤1得到的目标函数值，选择一个初始恢复路径作为初始负荷节点序列，具体过程为：

轮盘赌算法又称比例选择方法，其基本思想是：粒子被选中的概率与其优劣程度(目标函数值大小)成正比。

粒子群算法为多粒子并行计算，模拟退火算法与禁忌算法为单一粒子串行计算，为方便进行之后的运算，需选取步骤1中计算所得的一条最优路径。本步骤中，使用轮盘赌算法进行选取。选取步骤为：

①计算出群体中每个粒子的目标函数值f_e(e＝1，2，…，d)，d为群体大小，即粒子群粒子个数；

②计算出每个粒子e被遗传到下一代群体中的概率

e表示第e个粒子，f_e表示第e个粒子的目标函数值；

③计算出每个粒子的累计概率

见图4，q_e称为粒子e的目标函数值f_e(e＝1,2,…,d)的累积概率；

④在[0，1]区间内产生一个均匀分布的伪随机数r；

⑤若r<q_e，则选择粒子e，否则，选择粒子s(s＝1,2，...，d,s≠e)，使得：q_s-1<r≤q_s成立；q_s为粒子s的累计概率；q_s-1为粒子s恢复到前一负荷节点的累计概率；

⑥重复④、⑤共d次，选出累计概率最大的粒子，确定该粒子对应的恢复路径作为初始恢复路径，即初始负荷节点序列；

步骤3，将步骤2初始负荷节点序列的最后一个负荷节点的状态量(负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损)作为模拟退火算法的初始状态量进行计算，通过模拟退火算法计算，得到一个最优新恢复的负荷节点且使恢复路径的目标函数值最大，具体过程为：

模拟退火算法初始温度预设为T₀(足够大，取10³⁰)，见图5，在温度T₀下，由粒子当前负荷节点位置y₁向周围待恢复节点进行恢复，恢复至新的负荷节点位置y₂，恢复负荷节点y₂前后对应的优化路径目标函数值分别为f(y₁)和f(y₂)，若f(y₂)>f(y₁)，则用加入负荷节点位置y₂的恢复路径替换包含原负荷节点位置y₁的恢复路径，形成一条新的负荷恢复路径，记为P_e0；否则判断是否满足Metropolis接受准则规定的概率p_r＝exp[(f(y₁)-f(y₂))/βT₀]，其中β为Boltzmann(玻尔兹曼)常数，若满足，恢复y₂负荷节点形成一条新的负荷恢复路径，记为P_e0，若不满足，迭代步数σ+1，判断迭代步数σ是否到达内循环次数θ，若未到达重新选择当前负荷节点位置y₁周围待恢复节点(即图6中的邻域解)继续计算，若已到达，输出未恢复新负荷节点的原始路径(即步骤2中的初始负荷节点序列也称为原始解)作为负荷恢复路径，也记为P_e0。

通过模拟退火算法，可以得到邻域解内恢复的最优负荷节点；或通过Metropolis接受准则以一定概率接受较差的负荷节点，以跳出局部最优，进行全局寻优；当达到内循环次数时，直接将该原始解输出。

使用模拟退火算法可以跳出粒子群算法陷入的局部最优情况，进行全局寻优。在不考虑计算时间的条件下，逐步降低模拟退火算法的温度，可以使算法得到全局最优解。但在负荷恢复过程中，我们希望尽可能快的恢复供电，以减小经济损失和社会影响，提高用户用电舒适度，因此需要一种更快的收敛算法进行全局寻优。

禁忌算法可通过锁定已计算过的负荷节点，避免同一状态下对某一负荷节点的重复访问计算，可以加快收敛速度进行全局寻优。但由于禁忌搜索算法对初始解要求较高，因此在负荷恢复问题提出时，不可直接采用禁忌算法，避免初始解的选取不当造成算法不收敛或求解不理想。在经过粒子群算法与模拟退火算法的初始计算后，恢复路径已具备成为较优恢复路径的资格，可以作为禁忌算法的初始解，此时运用禁忌算法求解全局最优恢复路径具有可行性。

步骤4，将步骤3所得负荷恢复路径P_e0最后一个负荷节点状态量(负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损)作为禁忌算法的初始解，弱化禁忌算法对初始解的依赖性，通过禁忌负荷节点(锁定已计算过的负荷节点，避免重复计算影响收敛速度)对剩余待恢复所有负荷节点进行全局快速寻优，得到负荷节点恢复序列，即该经验参数组合下的最优负荷节点恢复路径；具体过程为：

①取步骤3所得恢复路径P_e0序列中最后一个负荷节点，命名为y_h0，置当前解(即当前负荷节点位置)y_h＝y_h0、当前最优解(即最优负荷节点)y_g＝y_h0以及禁忌表TL＝φ；设经过粒子群算法和模拟退火算法已恢复节点数目为N₀，则此时搜索范围为负荷节点未恢复区域，计算的负荷节点数为n-N₀；

②判断是否满足禁忌算法终止准则，即判断是否达到设定的最大迭代步数，如没有达到，则继续步骤③，若达到，则判断是否收敛，若不收敛，转至步骤7；若收敛，则输出该经验参数组合下的负荷恢复最优路径P_g。收敛标准为连续30次计算结果相差不大，表示为f(y_h)-f(y_h-30)<ε₀(ε₀为一较小正实数，取值为0.01)，y_h-30表示为当前负荷节点前第30次的计算的负荷节点位置，f(y_h)表示当前负荷节点所在恢复路径的目标函数值，f(y_h-30)表示当前负荷节点前第30次的计算的负荷节点所在恢复路径的目标函数值；

③如图6，以当前负荷节点为中心，搜寻该负荷节点周围待恢复的负荷节点，形成集合N(y_h)，将其确定为候选解集；

④判断是否有候选解满足藐视准则，若存在，则用满足藐视准则|f(y_h)-f(y_*)|<ε₁(ε₁为一较小正实数，应用到负荷恢复中取其值为0.05)的最佳候选解y_*替代y_h成为新的当前解，即y_h＝y_*，并替换当前最优解，即y_g＝y_*，同时更新禁忌表TL(如禁忌表中禁忌对象采用先进先出方式，则用与y_*对应的禁忌对象替换最早进入禁忌表的禁忌对象)，迭代步数+1后转步骤②；否则，继续步骤⑤；已计算的负荷节点就作为禁忌对象放入禁忌表中；

⑤判断各候选解禁忌属性，选择候选解集N(y_h)中非禁忌的最佳候选解y’替代y_h成为新的当前解，即y_h＝y’，同时更新禁忌表TL，迭代步数+1后转步骤②。最佳候选解y’即选择一个非禁忌负荷节点加入原有恢复路径使得恢复路径的目标函数值最大；

通过禁忌搜索算法遍寻待恢复负荷节点，逐一恢复待恢复节点，形成负荷节点恢复序列，即该经验参数下最优的负荷恢复路径P_g。

禁忌搜索算法要求有较优的初始解作为初始输入状态，如图7，使其更快更准的找到最优恢复路径，因此使用步骤1--步骤3求得可靠的初始解，然后进行大范围的全局寻优。禁忌搜索算法的流程图如图8所示。

步骤5，判断步骤4所述负荷节点恢复路径是否满足步骤1所述约束条件校验，若不满足约束条件，舍去该路径，回到步骤1；若满足约束条件，继续步骤6；具体过程为：

经上述粒子群-轮盘赌-退火-禁忌搜索的混合算法计算已得出该经验参数组合下的负荷恢复最优路径P_g，判断该路径是否满足步骤1所述约束条件，防止频率下降、暂态电压下降程度剧大再次破坏系统稳定性。若满足约束条件，进行步骤6，否则舍去该路径，返回步骤1。经上述计算所得解集既是粒子群算法种群最优点的有序序列，也是想要得到的负荷顺序恢复的路径。

步骤6，判断是否达到改变经验参数次数预设值，若达到，转到步骤8；若未达到，转到步骤7；具体过程为：

预设变量times用于表示储存改变经验参数的次数，初始值为0，默认设定该值为1，每改变一次经验参数，times＝times+1。判断times是否为1，若不为1，说明未改变过经验参数组合，转至步骤7，否则转到步骤8；

步骤7，判断计算时间是否超过预设计算时间t_stop，若超过，输出该路径，若没有，改变经验参数，times＝times+1＝1，跳转至步骤1；经验参数改变方法的具体过程为：

ξ、η是步骤1中粒子群算法在[0，1]内的均匀分布的伪随机数，

步骤8，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最优恢复路径进行输出，并将该路径对应的经验参数值存入经验参数矩阵，替换掉偏离正常参数值最多的一组经验参数，其替换流程如图9。

所述步骤8中的经验参数矩阵具有自动学习的功能，其实现原理如下：

在负荷恢复的情况中，可以分为四种：大范围(减供负荷7％以上)重要负荷(一级负荷占总负荷10％以上)、小范围(减供负荷7％以下)重要负荷(一级负荷占总负荷10％以上)、大范围(减供负荷7％以上)非重要负荷(一级负荷占总负荷10％以下)、小范围(减供负荷7％以下)非重要负荷(一级负荷占总负荷10％以下)，在不同情况下，可以对负荷恢复顺序、暂态电压下降等放松约束，因此经验参数值、权重系数等应当做适当改变以适应对负荷的快速大量恢复。为了适应各种恢复情况，解决经验参数取值范围波动大的问题，本发明通过反馈调节统计各种恢复情况下经验参数的分布概率，形成经验参数矩阵：

A₁,A₂,A₃,A₄分别为上述四种负荷恢复情况(大范围重要负荷、小范围重要负荷、大范围非重要负荷、小范围非重要负荷)下的经验参数矩阵。

现将该矩阵分布情况说明如下：

矩阵中，目标函数中的开关总操作次数对应的系数z_c(取值范围[0,1])，z_f为惩罚系数(取值范围[0,1])，位于目标函数f的惩罚函数中；c₁、c₂为粒子群算法学习因子(加速系数)，取值范围[0,4]；涉及经验参数的选取可通过自动学习避开人工输入，降低经验参数选取不当对运算时间和运算结果的影响。在进行恢复计算时，读取经验参数矩阵中该恢复情况下，取经验参数相对集中的数据的平均值作为本次计算的经验参数，可以更好更快地求解最优恢复路径。

每个矩阵由4行3列构成，每行表示一个经验参数，共计4个经验参数，每列表示一组经验参数。每个矩阵共有3列，每个矩阵第一列是人为设定的初始经验值，设统计次数初始值为ρ＝0，其他两列初始值为0；

如图9所示，经验参数矩阵更新具体过程为：

①更新时，判断统计次数ρ是否小于3次，若是，直接将该组经验参数存入经验参数矩阵A中；否则，继续步骤②；

②将需要更新的经验参数数据作为第4列数据参与到平均值计算中，计算每个参数的偏差值

形成偏差矩阵|Δ_ab|，继续步骤③；

其中，Δ_ab表示矩阵中第a行第b列元素与平均值的偏差，x_ab表示经验矩阵中第a行第b列元素；

③标记每行偏差最大值Δ_max所在的位置，遍历1-3列，记录每列Δ_max的个数，记为h_b，继续步骤④；

④选中Δ_max个数最多(记为h_bmax)的一列作为第b列，将需要更新的经验参数数据替换掉第b列的经验参数。

通过读取、更改、替换经验参数矩阵，可以更快更准地计算出负荷恢复路径，降低经验参数选取不当对运算时间和运算结果的影响。

实施例2：

一种基于闭环控制的源网荷系统负荷恢复系统，其特征在于，包括：

负荷恢复初始路径模块，用于根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；

轮盘赌计算模块，用于利用目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列；

模拟退火计算模块，用于将初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大；

禁忌算法计算模块，用于将所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，执行预设计算时间判断模块；当达到预设的迭代步数收敛时，得到该经验参数下的最优负荷节点恢复路径；

约束条件校验模块，用于判断所述最优负荷节点恢复路径是否满足所述约束条件校验，若不满足约束条件，舍去该路径，回执行负荷恢复初始路径模块；若满足约束条件，执行改变经验参数次数判断模块内容；

改变经验参数次数判断模块，判断是否达到改变经验参数次数预设值，若达到，执行最优恢复路径输出模块；若未达到，执行预设计算时间判断模块；

预设计算时间判断模块，判断计算时间是否超过预设计算时间t_stop，若超过，输出所述最优负荷节点恢复路径，若没有，改变经验参数，执行负荷恢复初始路径模块；

最优恢复路径输出模块，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最终的最优恢复路径进行输出，并将该路径对应的经验参数值更新到经验参数矩阵。

实施例3：

以江苏电网为例，根据系统恢复时的分区原则，将泰州和南通划为一个子系统(泰南子系统)。大停电发生后，泰兴热电厂#1机组成功启动后，首先向泰州厂#3机组供电，并恢复该地区重要变电站供电。由于通州厂#1机组的辅机容量较大，需等待泰兴热电厂#2和泰州厂#4机组并网后，方可恢复通州厂#1机组，待其并网后，可进行大规模的负荷投入操作。通州厂#1机组并网后的初期主干网架如图10所示(虚线表示相应线路还未充电)。该时期子系统并网机组信息如表1-1所示。其中，P_ini表示当前机组的发电功率，S_n为机组的额定容量，R_p表示系统恢复过程中机组应预留的旋转备用容量与机组额定容量的比值。

表1-1泰南子系统的并网机组信息

通州厂#1机组并网后，泰州南通子系统主干目标网架基本恢复，需进行大规模的负荷投入操作，假定此时待恢复负荷点的信息如表1-2所示，其重要性由一级负荷所占比例来决定，额外增加的操作次数为投入负荷点数、增加投入的变压器和增加投入的线路条数之和。例如南通站的负荷仅需投入相应负荷点，认为其操作次数为1，而启东站的负荷需要投入通州厂至启东站的线路、启东站的变压器和对应的负荷点，认为其增加的操作次数为3。实际优化过程中应考虑先投入的操作对后续投入操作的影响，因此，表1-2中的操作次数为初始数值，进行多负荷点顺序恢复时，该值应随负荷点的投入动态变化，若前面负荷点恢复时已投入相同线路或变压器，后续相同站点负荷投入时仅计及负荷点的投入操作。

表1-2待恢复负荷节点数据

针对表1-2中多负荷点的恢复优化问题，分别采用固定参数的PSO算法和本发明混合算法对其进行求解。由表1-2已知粒子长度为78，粒子群规模取为20，对应目标函数中系数z_f和z_c分别设定为0.2和0.1。为了防止由于随机因素造成的单次优化误差，对两种算法分别进行了20次的优化仿真，比较结果如表1-3所示。选择其中典型的仿真结果，其目标函数值值变化曲线对比如图11所示。由表1-3和图11结果看出两种算法下优化结果差别不大，而混合算法具有更快的收敛速度，相应的计算时间完全可以满足实际大规模负荷恢复的要求。

表1-3不同算法下的优化结果对比

图11中混合算法对应的负荷投入顺序为：21 4 8 14 15 19 30 29 2 31 33 7 517。由于在模型中考虑了恢复顺序的影响，因此结果中重要性高、有功功率大的负荷优先得到恢复，能够有效反映实际系统恢复中的负荷投入过程。

为了比较系数z_f和z_c对仿真结果的影响，表1-4中列出了两系数的几种赋值方案，固定优化次数为600次，其对应的优化结果如表1-5所示。

表1-4权重系数设置方案

从表1-5中方案3、5和6的对比结果看出，随着z_c取值增大，操作次数对结果的影响也增大，使得优化结果中负荷的投入数目呈现减小的趋势。从前4种方案的优化结果可知，若不考虑投入顺序的影响(方案1即z_f＝0)，则负荷的投入顺序是随机的，与其它三种结果差别较大；而方案2至4的负荷投入顺序差别不大，重要性高、有功功率大的负荷均优先投入，这说明只要z_f取值为正，其最终优化方向基本一致，具有相似的全局最优解。

表1-5不同方案下的优化结果

针对方案2、3、4的优化过程，取其在进行100次迭代后的负荷投入顺序，如表1-6所示。通过该中间结果看出，z_f越大，反映顺序的惩罚函数值F[q(k)]越大，说明优化初始阶段更偏重于负荷投入顺序。分析可知，z_f的不同可能造成局部收敛解的不同，因此，z_f的取值不宜过大或过小(一般应在0.1-0.4范围内)，具体情况需结合工程实际进行确定。如果当前待优化负荷点的重要性差异不大，且对多个负荷投入顺序前后的要求不高时，此时z_f可取范围内的较小值；相反，z_f应取范围内的较大值。

表1-6三方案下的中间优化结果

注：表中加权负荷总量为负荷重要性与负荷量标幺值的乘积总和。

从上面的分析可知，由于z_f对局部收敛解的影响，实际工程中应根据需要选择合适的取值；而系数z_c的选取应结合实际的恢复要求，若需减少操作次数以便尽快地投入负荷，则应增大z_c的取值。经验参数的取值很重要，本发明通过经验参数矩阵自动学习修改调节。

本发明公开了一种基于闭环控制的源网荷系统负荷恢复方法及系统，在引入模拟退火算法进行全局寻优时使用粒子群算法筛选出的粒子进行寻优，同时针对模拟退火算法全局寻优能力强、计算过程耗时长的特点，加入禁忌搜索算法更新Tabu表，对同一负荷节点禁止反复访问计算，缩短了算法的计算时间，保证在最短的时间内确定最优负荷供电恢复路径，尽可能快且多的恢复重要负荷。此外，构建闭环自动控制系统，通过改变经验参数值对比所求恢复路径，经反馈调整各算法的经验参数，根据系统各种恢复状况对各经验参数的阈值情况进行分类，自动更新学习，使得计算所得恢复路径最优化。本发明可以避免单种智能算法的局限性，以防陷入局部最优以及算法历时长等缺陷，在保证时间短、恢复负荷量多的情况下，实现减少开关操作次数、优化网络潮流分布、减小网损等优化指标，同时通过反馈学习统计各种情况下经验参数的阈值分布情况，择最大概率的最优经验参数进行计算，在提高运行效率的同时，极大地提高了混合算法的可靠程度。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，包括步骤：

步骤1，根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；

步骤2，利用步骤1所述目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列；

步骤3，将步骤2初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大；

步骤4，将步骤3所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，转至步骤7；当达到预设的迭代步数收敛时，得到所述经验参数下的最优负荷节点恢复路径；

步骤5，判断步骤4所述最优负荷节点恢复路径是否满足步骤1所述约束条件校验，若不满足约束条件，舍去该路径，返回执行步骤1；若满足约束条件，执行步骤6；

步骤6，判断是否达到改变经验参数次数预设值，若达到，转到步骤8；若未达到，转到步骤7；

步骤7，判断计算时间是否超过预设计算时间t_stop，若超过，输出所述最优负荷节点恢复路径，若没有，改变经验参数，跳转至步骤1；

步骤8，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最终的最优恢复路径进行输出，并将该路径对应的经验参数值更新到经验参数矩阵。

2.根据权利要求1所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，

所述经验参数包括：加速系数c₁、c₂，取值范围为[0,4]，目标函数中的开关总操作次数对应的系数z_c，取值范围[0,1]，惩罚函数系数z_f，取值范围[0,1]；若干组经验参数组成经验参数矩阵。

3.根据权利要求1所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，步骤1，根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，具体过程为：

粒子的位置和速度变化方程如下：

e是粒子的编号，e＝1,2，...，d，d为预设粒子个数，m为粒子迭代的次数，m＝1,2…,n，n为系统待恢复负荷节点数目，

表示第m次迭代时粒子e的更新迭代速度；c₁和c₂为加速系数，取值范围为[0，4]；ξ、η是在[0，1]内的均匀分布的伪随机数；表示第m次迭代时粒子e所处的负荷节点位置；

和

分别为第m次迭代时第e个粒子迭代中恢复路径的目标函数值最大对应的负荷节点序列和种群迭代中恢复路径的目标函数值最大对应的负荷节点序列；迭代计算n次后，每个粒子对应一条负荷恢复初始路径；

所述步骤1中的约束条件为：

式中，q(k)中的参数k表示负荷节点投入顺序，q(k)值对应该顺序下负荷节点的编号i，q(k)＝i，k＝1,2,…,N_x；N_x为实际投入的负荷节点数，存在如下关系：

x_i表示负荷节点i是否投入，取值为1或0，n为待恢复负荷点的总数；l_q(k)表示第q(k)个负荷节点的负荷量，j为投入的第j个负荷节点，函数f(l_q(k))表示投入l_q(k)时的频率最低值，l_cur,k表示进行第k次负荷节点投入前的负荷量，f_min为投入l_q(k)时允许的频率最低值；V_tr(l_q(k))表示投入l_q(k)时的暂态电压下降的最低电压值，V_set为暂态电压下降可接受的电压最低值；P_max为系统恢复期间已并网机组最大允许出力之和；

V_i,max，V_i,min分别为前k次负荷投入后，稳态潮流下负荷节点i的电压值、负荷节点i的电压允许最大值、负荷节点i的电压允许最小值；S_ij，S_ij,max，S_ij,min分别为负荷节点i与负荷节点j之间的线路i-j的有功功率、有功功率允许最大值、有功功率允许最小值；

所述目标函数f为：

式中，ω_i为负荷节点i的重要程度，取值范围[0,1]；l_i为负荷节点i负荷量大小；参数C_i表示已有网架下投入负荷节点i需增加的开关操作次数；z_c为开关总操作次数对应的系数；R_i为投入负荷节点i增加的线路阻值；P_i、Q_i分别为线路至负荷节点i的有功和无功功率值；U_i为负荷节点i的电压值；F[q(k)]为反映第k次负荷投入的惩罚函数，z_f为惩罚函数系数。

4.根据权利要求1所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，步骤2，利用步骤1所述目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列，包括：

①计算出群体中每个粒子的目标函数值f_e，e＝1，2，…，d，e表示第e个粒子，d为粒子群粒子个数；

②计算出每个粒子e被遗传到下一代群体中的概率

③计算出每个粒子的累计概率

q_e为粒子e的目标函数值f_e的累计概率；

④在[0，1]区间内产生一个均匀分布的伪随机数r；

⑤若r<q_e，则选择粒子e，否则，选择粒子s，s＝1,2，...，d,s≠e，使得：q_s-1<r≤q_s成立；q_s为粒子s的累计概率，q_s-1为粒子s恢复到前一负荷节点的累计概率；

⑥重复④、⑤共d次，选出累计概率最大的粒子，确定该粒子对应的恢复路径作为初始负荷节点序列。

5.根据权利要求1所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，步骤3，将步骤2初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大，包括：

在初始预设温度T₀下，由粒子当前负荷节点位置y₁向周围待恢复节点进行恢复，恢复至新的负荷节点位置y₂，恢复负荷节点y₂前后对应的路径目标函数值分别为f(y₁)和f(y₂)，若f(y₂)>f(y₁)，则在原恢复路径加入负荷节点位置y₂形成一条新的负荷恢复路径，记为P_e0；否则判断是否满足Metropolis接受准则规定的概率p_r＝exp[(f(y₁)-f(y₂))/βT₀]，其中β为Boltzmann常数，若满足，恢复y₂负荷节点形成一条新的负荷恢复路径，记为P_e0，若不满足，迭代步数σ+1，判断迭代步数σ是否到达内循环次数θ，若未到达重新选择当前负荷节点位置y₁周围待恢复节点继续计算，若已到达，输出未恢复新负荷节点的原恢复路径作为负荷恢复路径，记为P_e0；

负荷节点的状态量包括：负荷量、一级负荷所占比例、开关操作次数、恢复该负荷节点增加的网损。

6.根据权利要求1所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，步骤4，将步骤3所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，转至步骤7；当达到预设的迭代步数收敛时，得到该经验参数下的最优负荷节点恢复路径；包括：

①取步骤3所得恢复路径中最后一个负荷节点，命名为y_h0，置当前解y_h＝y_h0、当前最优解y_g＝y_h0以及禁忌表TL＝φ；设经过粒子群算法和模拟退火算法已恢复节点数目为N₀，则此时搜索范围为负荷节点未恢复区域，计算的负荷节点数为n-N₀；

②判断是否达到设定的最大迭代步数，如没有达到，则继续步骤③，若达到，则判断是否收敛，若不收敛，转至步骤7；若收敛，则输出该经验参数下的负荷恢复最优路径P_g；

③以当前负荷节点为中心，搜寻该负荷节点周围待恢复的负荷节点，形成集合N(y_h)，将其确定为候选解集；

④判断是否有候选解满足藐视准则，若存在，则用满足藐视准则|f(y_h)-f(y_*)|<ε₁的最佳候选解y_*替代y_h成为新的当前解，即y_h＝y_*，并替换当前最优解，即y_g＝y_*，ε₁为一较小正实数，同时更新禁忌表TL，迭代步数+1后转步骤②；否则，继续步骤⑤；

⑤判断各候选解禁忌属性，选择候选解集N(y_h)中非禁忌的最佳候选解y’替代y_h成为新的当前解，即y_h＝y’，同时更新禁忌表TL，迭代步数+1后转步骤②。

7.根据权利要求1所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，经验参数改变方法为：

ξ、η是步骤1中粒子群算法在[0，1]内的均匀分布的伪随机数。

8.根据权利要求2所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，更新经验参数矩阵，包括：

矩阵由4行3列构成，每行表示一个经验参数，共计4个经验参数，每列表示一组经验参数；每个矩阵第一列是人为设定的初始经验值，设统计次数初始值为ρ＝0，其他两列初始值为0；

①更新时，判断统计次数ρ是否小于3次，若是，直接将要更新的经验参数存入经验参数矩阵A中；否则，继续步骤②；

②将需要更新的经验参数数据作为第4列数据参与到平均值计算中，计算每个参数的偏差值

形成偏差矩阵|Δ_ab|，继续步骤③；

其中，Δ_ab表示矩阵中第a行第b列元素与平均值的偏差，x_ab表示经验矩阵中第a行第b列元素；

③标记每行偏差最大值Δ_max所在的位置，遍历1-3列，记录每列Δ_max的个数，记为h_b，继续步骤④；

④选中Δ_max个数最多的一列作为第b列，将需要更新的经验参数数据替换掉第b列的经验参数。

9.根据权利要求2所述的一种基于闭环控制的源网荷系统负荷恢复方法，其特征在于，负荷恢复情况分为四种：大范围重要负荷：减供负荷7％以上、一级负荷占总负荷10％以上；小范围重要负荷：减供负荷7％以下、一级负荷占总负荷10％以上；大范围非重要负荷：减供负荷7％以上、一级负荷占总负荷10％以下；小范围非重要负荷：减供负荷7％以下、一级负荷占总负荷10％以下；经验参数矩阵按照四种负荷恢复情况设定为四个。

10.一种基于闭环控制的源网荷系统负荷恢复系统，其特征在于，包括：

负荷恢复初始路径模块，用于根据预设的经验参数，由粒子群算法计算得到满足约束条件下的每个粒子对应的一条负荷恢复初始路径，并计算投入负荷节点后恢复路径的目标函数值；

轮盘赌计算模块，用于利用目标函数值计算每个粒子的累计概率，通过轮盘赌算法选取一个粒子对应的初始路径作为初始负荷节点序列；

模拟退火计算模块，用于将初始负荷节点序列的最后一个负荷节点的状态量作为模拟退火算法的初始状态量，通过模拟退火算法计算，得到一个最优新恢复的负荷节点使恢复路径的目标函数值最大；

禁忌算法计算模块，用于将所得负荷节点状态量作为禁忌算法的初始解，通过禁忌负荷节点对剩余待恢复所有负荷节点进行全局快速寻优，当达到预设的迭代步数不收敛时，执行预设计算时间判断模块；当达到预设的迭代步数收敛时，得到该经验参数下的最优负荷节点恢复路径；

约束条件校验模块，用于判断所述最优负荷节点恢复路径是否满足所述约束条件校验，若不满足约束条件，舍去该路径，回执行负荷恢复初始路径模块；若满足约束条件，执行改变经验参数次数判断模块内容；

改变经验参数次数判断模块，判断是否达到改变经验参数次数预设值，若达到，执行最优恢复路径输出模块；若未达到，执行预设计算时间判断模块；

预设计算时间判断模块，判断计算时间是否超过预设计算时间t_stop，若超过，输出所述最优负荷节点恢复路径，若没有，改变经验参数，执行负荷恢复初始路径模块；

最优恢复路径输出模块，比较计算所有所得恢复路径的目标函数值，取目标函数值最大的恢复路径作为最终的最优恢复路径进行输出，并将该路径对应的经验参数值更新到经验参数矩阵。

Images