CN110807590A - 基于概率可用传输能力的电网规划方法 - Google Patents
基于概率可用传输能力的电网规划方法 Download PDFInfo
- Publication number
- CN110807590A CN110807590A CN201911056134.4A CN201911056134A CN110807590A CN 110807590 A CN110807590 A CN 110807590A CN 201911056134 A CN201911056134 A CN 201911056134A CN 110807590 A CN110807590 A CN 110807590A
- Authority
- CN
- China
- Prior art keywords
- representing
- probability
- available transmission
- transmission capacity
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 230000035945 sensitivity Effects 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于概率可用传输能力的电网规划方法，所述方法包括：S1：建立电网规划面临的不确定因素的模型：所述不确定因素的模型包括发电机容量不确定模型、负荷增长不确定模型和线路故障不确定性模型；S2：建立基于概率可用传输能力的电网规划模型，所述电网规划模型包括目标函数和约束条件；S3：采用贪婪随机自适应搜索算法求解所述电网规划模型。本发明基于电网规划中面临的不确定因素，建立了考虑不确定因素和概率可用传输能力的电网规划方法，通过贪婪随机自适应搜索算法，获得满足约束的线路潮流越限概率、概率可用传输能力，以及在确定信息下满足“N‑1”安全性约束的电网规划方案，提高了电网网络的传输能力和安全可靠性。
Description
技术领域
本发明涉及电网规划领域，尤其涉及一种基于概率可用传输能力的电网规划方法。
背景技术
随着电力市场化改革的推进，以及国家政策、环境变化、能源需求以及全球经济发展周期性波动等不确定因素的影响，电网规划方案的制定面临众多的步确定因素，如发电机容量的不确定性、负荷不确定性，且不同的不确定性因素表现形式不同，如何先择合适的数学模型进行描述，是电网规划的技术难点之一；从电网角度触发，要求电网对未来外界环境具有尽可能高的适应性，即在已有负荷基础上具有尽可能高的可用传输能力，对于所有影响电网可用传输能力的外界因素的可能取值，但如何使当下的电网规划具有足够强大的能力“消化”或“无视”外界环境的变化，是电网规划的技术难点。
因此，亟需一种能准确描述电网规划面临的不确定因素且能使规划方案整体呈现的平均可用传输能力尽可能大的电网规划方法。
发明内容
有鉴于此，本发明提供一种基于概率可用传输能力的电网规划方法。
本发明提供一种基于概率可用传输能力的电网规划方法，其特征在于：所述方法包括：
S1：建立电网规划面临的不确定因素的模型：所述不确定因素包括：发电机容量的不确定性因素、负荷增长不确定性因素和线路故障的不确定性因素，所述不确定因素的模型包括发电机容量不确定模型、负荷增长不确定模型和线路故障不确定性模型；
所述发电机容量不确定模型采用离散概率分布表示：
其中，i表示规划期内新增的电源节点，M表示装机容量种类的数量，aik表示每一种装机容量出现的概率，PGik表示新增电源节点的装机容量；
所述负荷增长不确定模型采用正态分布的概率模型表示：
其中，j表示现有负荷节点，△PDj表示现有负荷节点的负荷的变化量，μj表示期望值，
表示方差；
所述线路故障不确定性模型采用“0-1”分布模型表示：
其中，P为该线路的强迫停运率，m表示变量；
S2：建立基于概率可用传输能力的电网规划模型，所述电网规划模型包括目标函数和约束条件；
S3：采用贪婪随机自适应搜索算法求解所述电网规划模型。
进一步，步骤S2所述的目标函数为：
Max PATC＝E(eTη) (4-2)
其中，v1表示总投资费用，Ω表示所有可增加线路的支路集合，cgh表示支路g-h间增加单条线路的投资成本，ngh表示支路g-h间实际增加线路的数量，PATC表示概率可用传输能力，E表示期望值算子，e表示l向量，η表示考虑网络概率可用传输能力时各个负荷节点可增加的有功功率列向量，T表示向量的转置。
进一步，步骤S2所述的约束条件有：
正常情况下的基尔霍夫第一定律约束：
sf1+g1+r1＝l (5-1)
其中，S表示节点支路关联矩阵，f1表示正常情况下的支路有功功率列向量，g1表示正常情况下的发电机有功出力列向量，r1表示正常情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量；
正常情况下的基尔霍夫第二定律约束：
其中，fgh1表示正常情况下的支路g-h间的有功功率，γgh表示支路g-h间单条线路的导纳，
表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，θg1表示正常情况下的节点g的相角，θh1表示正常情况下的节点h的相角；
正常情况下的系统线路越限概率约束：
其中，fgh1表示正常情况下的支路g-h间的有功功率，表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，kgh表示支路g-h间单条线路的有功传输负载率，
表示支路g-h间单条线路的有功传输极限，a表示过负荷概率值；
正常情况下的发电机出力限制约束：
0≤g1≤gmax (5-4)
其中，g1表示正常情况下的发电机有功出力列向量，gmax表示发电机有功出力上限列向量；
正常情况下的最小切负荷量限制约束：
0≤r 1≤l (5-5)
其中，r1表示正常情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量；
基于概率可用传输能力的基尔霍夫第一定律约束：
sf2+g2+r2＝l+η (5-6)
其中，S表示节点支路关联矩阵，f2表示考虑概率可用传输能力情况下的支路有功功率列向量，g2表示考虑概率可用传输能力情况下的发电机有功出力列向量，r1表示考虑概率可用传输能力情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量；
基于概率可用传输能力的基尔霍夫第二定律约束：
其中，fgh2表示考虑概率可用传输能力情况下的支路g-h间的有功功率，γgh表示支路g-h间单条线路的导纳，
表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，θg2表示考虑概率可用传输能力情况下的节点g的相角，θh2表示考虑概率可用传输能力情况下的节点h的相角；
基于概率可用传输能力的发电机出力限制约束：
0≤g2≤gmax (5-8)
其中，g2表示考虑概率可用传输能力情况下的发电机有功出力列向量，gmax表示发电机有功出力上限列向量；
基于概率可用传输能力的最小切负荷量限制约束：
0≤r2≤l+η (5-9)
其中，r2表示考虑概率可用传输能力情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量；
系统概率可用传输能力大于给定阈值概率约束：
Pr(eTη≥w)≥β (5-10)
其中，e表示预测得到的负荷有功列向量，T表示向量的转置，η表示考虑网络概率可用传输能力时各个负荷节点可增加的有功功率列向量，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，β表示网络可用传输能力大于最低阈值w的置信度；
输电走廊可架线路回数上限约束：
其中，ngh表示支路g-h间实际增加线路的数量，
表示支路g-h间最多可增加线路的数量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量。
进一步，步骤S3所述求解所述电网规划模块包括构造阶段和局部搜索阶段，所述构造阶段的目的是产生一个初始可行解，所述局部搜索阶段在所述构造阶段所得初始可行解的领域内进行局部搜索，得到初始可行解领域内的最优可行解。
进一步，所述构造阶段包括如下步骤：
a.令新增线路集合S＝{Φ}；
b.将所述集合S中的线路加入原始网架；
c.确定新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
d.判断是否同时满足：
其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，则进入步骤e；
若否，则进入步骤f；
e.
e1：将所有新增线路按成本由高到低排序，形成集合R；
e2：根据所述排序，减去排序在首位的新增线路，并将剩下的新增线路按成本由高到低排序，形成新的排序并更新集合R；
e3：计算减线后新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
e4：判断是否同时满足：其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，表示被减去的线路冗余，则去除所述被减去的线路；
若不满足，表示所述被减去的线路不冗余，保留所述被减去的线路；
e5：判断步骤e2所述更新集合R是否有元素，若有，则进入步骤e2；若无，则结束；
f：
f1：提取最小切负荷量处的负荷状态和网架结构；
f2：使用最小切负荷程序求解此负荷状态和网架结构下的最小切负荷量对各待选线路的灵敏度；
f3：将选线线路按灵敏度从大到小排列，选取前m条线路形成候选线路，并将所述m条线路添加到列表CL中；
f4：判断所述CL列表是否为空；若是，则进入步骤a；若否，则随机选取列表中一条线路加入到集合S中，并进入步骤b。
进一步，所述局部搜索阶段包括如下步骤：
a.计算局部搜索阶段可能的最优解L；
b.判断L>G是否满足，其中，L表示局部搜索阶段可能的最优解，G表示预设的当前最优投资成本；若是，则局部搜索阶段结束；若否，则进入下一步；
c.线路交换搜索；
d.计算减线后切负荷量对线路阻抗的灵敏度，并根据所述灵敏度的值选择可架线路径；
f.判断是否存在可选架线路径，若是，则进入下一步，若否，则则局部搜索阶段结束；
g.选择可选架线路径，判断S>G是否满足，其中，S表示交换搜索后的投资成本，G表示预设的当前最优投资成本，若满足，则进入步骤f,若否，则判断是否有重复搜索解，若是，则进入步骤f,若否，则进入下一步；
h:
h1：计算减线后新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
h2:判断是否同时满足：
其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，则进入步骤f；
若否，则令G＝S，并进入步骤f。
进一步，所述过负荷概率值a采用如下方法确定：
(1)设定总的抽样次数n，令b＝1,z＝0；
(2)对系统状态进行第b次抽样；
(3)计算得到确定性系统状态的最小切负荷量；
(4)判断最小切负荷量是否为零，若为零，则进入下一步，若不为零，则z＝z+1，并进入下一步；
(5)b＝b+1，判断b是否小于抽样次数n，若小于，则进入步骤(2)，若不小于，则输出过负荷概率值a，所述a采用如下方法确定，a＝1-z/n，其中，a表示过负荷概率值，z表示步骤(1)中的变量z，n表示步骤(1)中的抽样次数。
进一步，所述最小切负荷量采用求解最小切负荷量模型来确定，所述最小切负荷量模型如下：
其中，q表示系统各个节点的变量，r表示系统各节点最小切负荷列向量，B表示节点导纳矩阵的虚部，g3表示发电机有功出力列向量，l表示节点负荷列向量，θ表示系统节点功角列向量，A表示网络关联矩阵，Al表示各支路导纳对角矩阵，Pl表示各支路有功潮流的列向量，Plmax表示支路有功潮流上限，gmax表示发电机有功出力上限列向量。
进一步，所述灵敏度采用如下方法确定：
其中，u表示待选线路首端节点号，v表示待选线路末端节点号，
表示各个待选线路在最小切负荷情况下的灵敏度，表示首端节点的功率平衡方程对应的对偶变量，表示末端节点的功率平衡方程对应的对偶变量，θu表示节点u的相角，θv表示节点v的相角。
进一步，所述概率可用传输能力t采用如下方法确定：
其中，ATC表示可用传输能力，S表示节点支路关联矩阵，l表示负荷有功列向量，f表示线路潮流列向量，g3表示发电出力列向量，d考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量，γgh表示支路g-h间单条线路的导纳，ngh表示支路g-h间实际增加线路的数量，θg表示节点g的相角，θh表示节点h的相角，
表示支路g-h间单条线路的有功传输极限，
表示发电机有功出力上限列向量，g3表示发电机有功出力列向量。
本发明的有益技术效果：本发明的一种基于概率可用传输能力的电网规划方法，基于电网规划中面临的不确定因素，建立了考虑不确定因素和概率可用传输能力的电网规划方法，通过贪婪随机自适应搜索算法，获得满足约束的线路潮流越限概率、概率可用传输能力，以及在确定信息下满足“N-1”安全性约束的电网规划方案，提高了电网网络的传输能力和安全可靠性。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的构造阶段求解流程图。
图2为本发明的局部搜索阶段流程图。
图3为本发明的过负荷概率值的求解流程图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明：
本发明提供的一种基于概率可用传输能力的电网规划方法，其特征在于：所述方法包括：
S1：建立电网规划面临的不确定因素的模型：所述不确定因素包括：发电机容量的不确定性因素、负荷增长不确定性因素和线路故障的不确定性因素，所述不确定因素的模型包括发电机容量不确定模型、负荷增长不确定模型和线路故障不确定性模型；在本实施例中，选取对电网规划影响最大的三种不确定因素：负荷增长的不确定性、发电机容量的不确定性和线路故障的不确定性。这三种不确定因素涵盖了电力网络中的三个主要基本元件，具有较强的代表性。
所述发电机容量不确定模型采用离散概率分布表示：使用离散概率分布表示该点的发电装机容量的不确定性。对于规划期内可能出现的电源节点i，假设其成为新增电源节点的概率为p，且该点的发电装机容量服从离散概率分布。
其中，i表示规划期内新增的电源节点，M表示装机容量种类的数量，aik表示每一种装机容量出现的概率，PGik表示新增电源节点的装机容量；
所述负荷增长不确定模型采用正态分布的概率模型表示：使用基于正态分布的概率模型来表示负荷增长的不确定性。对于现有负荷节点j：原有负荷为PDj0在规划期间，该点负荷的变化量为ΔPDj为以随机变量，服从正态分布
则该点的负荷PDj＝PDj0+ΔPDj，对于规划期间内新增的负荷节点j,PDj0＝0,PDj＝ΔPDj，
其中，j表示现有负荷节点，△PDj表示现有负荷节点的负荷的变化量，μj表示期望值，
表示方差；
所述线路故障不确定性模型采用“0-1”分布模型表示：采用0-1分布模型来表示线路故障的不确定性，其中0表示线路处于故障状态，1表示线路处于正常运行状态。计算时，根据此概率分布进行抽样得到相应的线路运行状态。
其中，P为该线路的强迫停运率，m表示变量；
S2：建立基于概率可用传输能力的电网规划模型，所述电网规划模型包括目标函数和约束条件；
S3：采用贪婪随机自适应搜索算法求解所述电网规划模型。
上述技术方案，基于电网规划中面临的不确定因素，建立了考虑不确定因素和概率可用传输能力的电网规划方法，通过贪婪随机自适应搜索算法，获得满足约束的线路潮流越限概率、概率可用传输能力，以及在确定信息下满足“N-1”安全性约束的电网规划方案，提高了电网网络的传输能力和安全可靠性。
步骤S2所述的目标函数为：
Max PATC＝E(eTη) (4-2)
其中，v1表示总投资费用，Ω表示所有可增加线路的支路集合，cgh表示支路g-h间增加单条线路的投资成本，ngh表示支路g-h间实际增加线路的数量，PATC表示概率可用传输能力，E表示期望值算子，e表示l向量，η表示考虑网络概率可用传输能力时各个负荷节点可增加的有功功率列向量，T表示向量的转置。将网络概率可用传输能力(PATC)作为目标函数，并将网络可用传输能力大于给定阈值的概率作为模型的柔性约束，建立了考虑网络概率可用传输能力的电网灵活规划模型。机会约束规划主要用于约束条件中含有随机变量，且必须在观测到随机变量实现之前做出决策的优化问题。考虑到所作决策在一些比较极端的情况下可能不满足约束条件，而这些情况出现的概率很低，为避免由此引起的优化方案过于保守(如成本太高)，机会约束规划方法允许所作决策在一定程度上不满足约束条件，但该决策应使约束条件成立的概率不小于某一置信水平。上述技术方案通过机会约束规划来建立随机不确定性信息下电网灵活规划模型，该模型以线路的投资成本最小化为目标，允许所形成的规划方案在某些极端情况下不满足线路过负荷约束，但这种情况发生的概率必须小于某一置信水平。计及电力系统中的随机不确定因素，定义概率可用传输能力(Probabilistic Available Transfer Capability,PATC)如下：基于电力系统所具有的随机特征，通过模拟发输电设备的随机开断及负荷变化确定系统可能出现的运行方式，然后使用适当的优化算法求解这些运行方式下系统的可用传输能力(ATC)，最后综合分析各运行状态下的ATC，直到系统ATC值达到期望值。
步骤S2所述的约束条件有：
所述正常情况下指非“N-1”情况，即所有线路发电机可用状态，即没有发生故障的系统。
正常情况下的基尔霍夫第一定律约束：
sf1+g1+r1＝l (5-1)
其中，S表示节点支路关联矩阵，f1表示正常情况下的支路有功功率列向量，g1表示正常情况下的发电机有功出力列向量，r1表示正常情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量；
正常情况下的基尔霍夫第二定律约束：
其中，fgh1表示正常情况下的支路g-h间的有功功率，γgh表示支路g-h间单条线路的导纳，
表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，θg1表示正常情况下的节点g的相角，θh1表示正常情况下的节点h的相角；
正常情况下的系统线路越限概率约束：
其中，fgh1表示正常情况下的支路g-h间的有功功率，表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，kgh表示支路g-h间单条线路的有功传输负载率，表示支路g-h间单条线路的有功传输极限，a表示过负荷概率值；
正常情况下的发电机出力限制约束：
0≤g1≤gmax (5-4)
其中，g1表示正常情况下的发电机有功出力列向量，gmax表示发电机有功出力上限列向量；
正常情况下的最小切负荷量限制约束：
0≤r 1≤l (5-5)
其中，r1表示正常情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量；
基于概率可用传输能力的基尔霍夫第一定律约束：
sf2+g2+r2＝l+η (5-6)
其中，S表示节点支路关联矩阵，f2表示考虑概率可用传输能力情况下的支路有功功率列向量，g2表示考虑概率可用传输能力情况下的发电机有功出力列向量，r1表示考虑概率可用传输能力情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量；
基于概率可用传输能力的基尔霍夫第二定律约束：
其中，fgh2表示考虑概率可用传输能力情况下的支路g-h间的有功功率，γgh表示支路g-h间单条线路的导纳，表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，θg2表示考虑概率可用传输能力情况下的节点g的相角，θh2表示考虑概率可用传输能力情况下的节点h的相角；
基于概率可用传输能力的发电机出力限制约束：
0≤g2≤gmax (5-8)
其中，g2表示考虑概率可用传输能力情况下的发电机有功出力列向量，gmax表示发电机有功出力上限列向量；
基于概率可用传输能力的最小切负荷量限制约束：
0≤r2≤l+η (5-9)
其中，r2表示考虑概率可用传输能力情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量；
系统概率可用传输能力大于给定阈值概率约束：
Pr(eTη≥w)≥β (5-10)
其中，e表示预测得到的负荷有功列向量，T表示向量的转置，η表示考虑网络概率可用传输能力时各个负荷节点可增加的有功功率列向量，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，β表示网络可用传输能力大于最低阈值w的置信度；
输电走廊可架线路回数上限约束：
其中，ngh表示支路g-h间实际增加线路的数量，
表示支路g-h间最多可增加线路的数量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量。
在本实施例中，步骤S3所述求解所述电网规划模块包括构造阶段和局部搜索阶段，所述构造阶段的目的是产生一个初始可行解，所述局部搜索阶段在所述构造阶段所得初始可行解的领域内进行局部搜索，得到初始可行解领域内的最优可行解。
在本实施例中，所述构造阶段包括如下步骤：
a.计算原始网架在正常情况和“N-1”条件下的最小切负荷C1；令新增线路集合S＝{Φ}；一般来说原始网架在新增负荷后是肯定会失负荷或者不满足“N-1”安全性约束的，所以先对原始网架进行正常情况下的潮流计算和“N-1”下的安全性校验是为了对规划前的网架的整个潮流分布和失负荷情况有一个大致了解，也是对新建线路、发电机后的规划方案的一个对比。
b.将所述集合S中的线路加入原始网架；
c.确定新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
d.判断是否同时满足：其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，则进入步骤e；
若否，则进入步骤f；
e.
e1：将所有新增线路按成本由高到低排序，形成集合R；
e2：根据所述排序，减去排序在首位的新增线路，并将剩下的新增线路按成本由高到低排序，形成新的排序并更新集合R；
e3：计算减线后新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
e4：判断是否同时满足：
其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，表示被减去的线路冗余，则去除所述被减去的线路；
若不满足，表示所述被减去的线路不冗余，保留所述被减去的线路；由于在架线过程对架线线路选择的顺序不同，构造阶段所得的初始可行规划方案中可能存在冗余线路，因此需要对冗余线路进行筛选并剔除。具体步骤如下：首先，对所有新增线路按照架线成本由高到低的顺序排序；然后，从造价最高的新增线路开始，依次进行减线操作，若减线后的系统在正常情况和线路“N-1”故障情况下存在切负荷，则认为该新建线路不冗余，应当保留；否则，则认为该新建线路冗余，应当去除。
e5：判断步骤e2所述更新集合R是否有元素，若有，则进入步骤e2；若无，则结束；
f：
f1：提取最小切负荷量处的负荷状态和网架结构；
f2：使用最小切负荷程序求解此负荷状态和网架结构下的最小切负荷量对各待选线路的灵敏度；
f3：将选线线路按灵敏度从大到小排列，选取前m条线路形成候选线路，并将所述m条线路添加到列表CL中；
f4：判断所述CL列表是否为空；若是，则进入步骤a；若否，则随机选取列表中一条线路加入到集合S中，并进入步骤b。
在本实施例中，所述局部搜索阶段包括如下步骤：
a.计算局部搜索阶段可能的最优解L；所述局部搜索阶段可能的最优解L采用如下方法确定，在本实施例中，所述局部搜索阶段可能的最优解L采用1：1交换搜索准则，通过在初始可行规划方案中减少一个最贵的线路，增加一个最便宜的线路来得到。若交换后规划方案对应的投资成本仍大于现有的通过构造阶段得到的最优投资成本，则认为由构造阶段得出的初始可行规划方案在其邻域内的搜索结果肯定不会优于现有的最优规划方案，因此无需再继续对其进行局部搜索操作。
b.判断L>G是否满足，其中，L表示局部搜索阶段可能的最优解，G表示预设的当前最优投资成本；若是，则局部搜索阶段结束；若否，则进入下一步；
c.线路交换搜索；线路交换操作是对构造阶段的新增线路和所有其它不确定负荷条件下潮流越限概率不为0的走廊上的线路进行交换操作。所述交换搜索具体为：去除构造阶段添加的一条线路，同时在其它可增加路径上新增一条线路，简称为1∶1交换搜索准则；去除构造阶段增加的一条线路，同时在其它可增加路径上新增两条线路，简称为1∶2交换搜索准则。在本实施例中，采用1∶1交换所搜准则，为了说明局部搜索阶段的实现过程，以一个具有5条架线路径的规划网络为例，假定构造阶段所得初始可行规划方案中的新增线路为S＝[01011]。其中，S中的每个元素代表该条路径为可增线路径，以及S中每个元素的数值代表了每条架线路径中新增线路的数量，元素为0，则表示该路径没有新增线路，1则表示该条路径新增线路1条，2则表示该条路径新增线路2条，以此类推。假定每条架线路径都可以新增线路，在向量S表示的初始网架基础上进行局部搜索。采用1：1交换搜索准则，对于该向量S，从第二个元素开始，首先将第二个元素对应架线走廊处的架线条数减一，然后，将除第二个元素以外的其它元素依次加一。这样，在S的邻域内可能搜索到的四种规划方案分别为将第一条路径线路加一，其它路径线路不变，则S为S＝[10011]；第三条路径线路加一，其它路劲线路不变，则S＝[00111]，第四条路径线路加一，其它路劲线路不变，则S＝[00021]；第五条路径线路加一，其它路劲线路不变，则S＝[00012]。同样，对于S中的第四、第五个元素，也需要进行类似的线路交换操作以进一步搜索得到局部最优解。这样，对于本例，在局部搜索阶段过程中，共需在其邻域内搜索3*4＝12个规划方案才能得到其邻域内的局部最优规划方案。
d.计算减线后切负荷量对线路阻抗的灵敏度，并根据所述灵敏度的值选择可架线路径；在使用交换搜索准则搜索局部最优解的过程中，首先需要减少构造阶段所得规划方案中的一条新增线路，此时系统在线路“N-1”故障情况下的最小切负荷量必定大于0，在下一步选择新增架线路径之前，首先通过求解最小切负荷模型得到最小切负荷量对每条待选架线线路的灵敏度数值，然后根据灵敏度数值的大小直接排除掉一些无需选择的架线线路，以减少局部搜索阶段所需搜索的规划方案个数。在本实施例中，灵敏度数值为负数的架线走廊为可以架设线路的走廊；灵敏度数值为正数的架线走廊为无需架设线路的走廊。
f.判断是否存在可选架线路径，若是，则进入下一步，若否，则则局部搜索阶段结束；
g.选择可选架线路径，判断S>G是否满足，其中，S表示交换搜索后的投资成本，G表示预设的当前最优投资成本，若满足，则进入步骤f,若否，则判断是否有重复搜索解，若是，则进入步骤f,若否，则进入下一步；
h:
h1：计算减线后新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
h2:判断是否同时满足：
其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，则进入步骤f；
若否，则令G＝S，并进入步骤f。
在本实施例中，所述过负荷概率值a采用如下方法确定：
(1)设定总的抽样次数n，令b＝1,z＝0；
(2)对系统状态进行第b次抽样；
(3)计算得到确定性系统状态的最小切负荷量；确定性系统状态指的我每次在抽取负荷发电机线路状态后得到的确定状态；
(4)判断最小切负荷量是否为零，若为零，则进入下一步，若不为零，则z＝z+1，并进入下一步；
(5)b＝b+1，判断b是否小于抽样次数n，若小于，则进入步骤(2)，若不小于，则输出过负荷概率值a，所述a采用如下方法确定，a＝1-z/n，其中，a表示过负荷概率值，z表示步骤(1)中的变量z，n表示步骤(1)中的抽样次数。
在本实施例中，所述最小切负荷量采用求解最小切负荷量模型来确定，所述最小切负荷量模型如下：
其中，q表示系统各个节点的变量，r表示系统各节点最小切负荷列向量，B表示节点导纳矩阵的虚部，g3表示发电机有功出力列向量，l表示节点负荷列向量，θ表示系统节点功角列向量，A表示网络关联矩阵，Al表示各支路导纳对角矩阵，Pl表示各支路有功潮流的列向量，Plmax表示支路有功潮流上限，gmax表示发电机有功出力上限列向量。
在本实施例中，所述灵敏度采用如下方法确定：
其中，u表示待选线路首端节点号，v表示待选线路末端节点号，
表示各个待选线路在最小切负荷情况下的灵敏度，
表示首端节点的功率平衡方程对应的对偶变量，
表示末端节点的功率平衡方程对应的对偶变量，θu表示节点u的相角，θv表示节点v的相角。
在本实施例中，所述概率可用传输能力t采用如下方法确定：
其中，ATC表示可用传输能力，S表示节点支路关联矩阵，l表示负荷有功列向量，f表示线路潮流列向量，g3表示发电出力列向量，d考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量，γgh表示支路g-h间单条线路的导纳，ngh表示支路g-h间实际增加线路的数量，θg表示节点g的相角，θh表示节点h的相角，
表示支路g-h间单条线路的有功传输极限，
表示发电机有功出力上限列向量，g3表示发电机有功出力列向量。
计及电力系统中的随机不确定因素，定义概率可用传输能力(ProbabilisticAvailable Transfer Capability,PATC)如下：基于电力系统所具有的随机特征，通过模拟发输电设备的随机开断及负荷变化确定系统可能出现的运行方式，然后使用适当的优化算法求解这些运行方式下系统的ATC，最后综合分析各运行状态下的ATC值得到系统ATC值的期望值。本文使用蒙特卡罗模拟方法和线性规划方法相结合的方法来计算PATC的数值，计算过程中，对于每次抽样得到的确定性状态，使用确定性的基于线性规划模型的ATC计算方法。通过对模拟后的ATC数值的统计，即可得到PATC(模拟后得到的ATC的均值)。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于概率可用传输能力的电网规划方法，其特征在于：所述方法包括：
S1：建立电网规划面临的不确定因素的模型：所述不确定因素包括：发电机容量的不确定性因素、负荷增长不确定性因素和线路故障的不确定性因素，所述不确定因素的模型包括发电机容量不确定模型、负荷增长不确定模型和线路故障不确定性模型；
所述发电机容量不确定模型采用离散概率分布表示：
其中，i表示规划期内新增的电源节点，M表示装机容量种类的数量，aik表示每一种装机容量出现的概率，PGik表示新增电源节点的装机容量；
所述负荷增长不确定模型采用正态分布的概率模型表示：
其中，j表示现有负荷节点，△PDj表示现有负荷节点的负荷的变化量，μj表示期望值，
表示方差；
所述线路故障不确定性模型采用“0-1”分布模型表示：
其中，P为该线路的强迫停运率，m表示变量；
S2：建立基于概率可用传输能力的电网规划模型，所述电网规划模型包括目标函数和约束条件；
S3：采用贪婪随机自适应搜索算法求解所述电网规划模型。
2.根据权利要求1所述基于概率可用传输能力的电网规划方法，其特征在于：步骤S2所述的目标函数为：
Max PATC＝E(eTη) (4-2)
其中，v1表示总投资费用，Ω表示所有可增加线路的支路集合，cgh表示支路g-h间增加单条线路的投资成本，ngh表示支路g-h间实际增加线路的数量，PATC表示概率可用传输能力，E表示期望值算子，e表示l向量，η表示考虑网络概率可用传输能力时各个负荷节点可增加的有功功率列向量，T表示向量的转置。
3.根据权利要求1所述基于概率可用传输能力的电网规划方法，其特征在于：步骤S2所述的约束条件有：
正常情况下的基尔霍夫第一定律约束：
sf1+g1+r1＝l (5-1)
其中，S表示节点支路关联矩阵，f1表示正常情况下的支路有功功率列向量，g1表示正常情况下的发电机有功出力列向量，r1表示正常情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量；
正常情况下的基尔霍夫第二定律约束：
其中，fgh1表示正常情况下的支路g-h间的有功功率，γgh表示支路g-h间单条线路的导纳，
表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，θg1表示正常情况下的节点g的相角，θh1表示正常情况下的节点h的相角；
正常情况下的系统线路越限概率约束：
其中，fgh1表示正常情况下的支路g-h间的有功功率，表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，kgh表示支路g-h间单条线路的有功传输负载率，
表示支路g-h间单条线路的有功传输极限，a表示过负荷概率值；
正常情况下的发电机出力限制约束：
0≤g1≤gmax (5-4)
其中，g1表示正常情况下的发电机有功出力列向量，gmax表示发电机有功出力上限列向量；
正常情况下的最小切负荷量限制约束：
0≤r1≤l (5-5)
其中，r1表示正常情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量；
基于概率可用传输能力的基尔霍夫第一定律约束：
sf2+g2+r2＝l+η (5-6)
其中，S表示节点支路关联矩阵，f2表示考虑概率可用传输能力情况下的支路有功功率列向量，g2表示考虑概率可用传输能力情况下的发电机有功出力列向量，r1表示考虑概率可用传输能力情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量；
基于概率可用传输能力的基尔霍夫第二定律约束：
其中，fgh2表示考虑概率可用传输能力情况下的支路g-h间的有功功率，γgh表示支路g-h间单条线路的导纳，表示支路g-h间原有线路的数量，ngh表示支路g-h间实际增加线路的数量，θg2表示考虑概率可用传输能力情况下的节点g的相角，θh2表示考虑概率可用传输能力情况下的节点h的相角；
基于概率可用传输能力的发电机出力限制约束：
0≤g2≤gmax (5-8)
其中，g2表示考虑概率可用传输能力情况下的发电机有功出力列向量，gmax表示发电机有功出力上限列向量；
基于概率可用传输能力的最小切负荷量限制约束：
0≤r2≤l+η (5-9)
其中，r2表示考虑概率可用传输能力情况下的节点切负荷列向量，l表示预测得到的负荷有功列向量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量；
系统概率可用传输能力大于给定阈值概率约束：
Pr(eTη≥w)≥β (5-10)
其中，e表示预测得到的负荷有功列向量，T表示向量的转置，η表示考虑网络概率可用传输能力时各个负荷节点可增加的有功功率列向量，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，β表示网络可用传输能力大于最低阈值w的置信度；
输电走廊可架线路回数上限约束：
其中，ngh表示支路g-h间实际增加线路的数量，
表示支路g-h间最多可增加线路的数量，η表示考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量。
4.根据权利要求1所述基于概率可用传输能力的电网规划方法，其特征在于：步骤S3所述求解所述电网规划模块包括构造阶段和局部搜索阶段，所述构造阶段的目的是产生一个初始可行解，所述局部搜索阶段在所述构造阶段所得初始可行解的领域内进行局部搜索，得到初始可行解领域内的最优可行解。
5.根据权利要求4所述基于概率可用传输能力的电网规划方法，其特征在于：所述构造阶段包括如下步骤：
a.令新增线路集合S＝{Φ}；
b.将所述集合S中的线路加入原始网架；
c.确定新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
d.判断是否同时满足：其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，则进入步骤e；
若否，则进入步骤f；
e.
e1：将所有新增线路按成本由高到低排序，形成集合R；
e2：根据所述排序，减去排序在首位的新增线路，并将剩下的新增线路按成本由高到低排序，形成新的排序并更新集合R；
e3：计算减线后新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
e4：判断是否同时满足：
其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，表示被减去的线路冗余，则去除所述被减去的线路；
若不满足，表示所述被减去的线路不冗余，保留所述被减去的线路；
e5：判断步骤e2所述更新集合R是否有元素，若有，则进入步骤e2；若无，则结束；
f：
f1：提取最小切负荷量处的负荷状态和网架结构；
f2：使用最小切负荷程序求解此负荷状态和网架结构下的最小切负荷量对各待选线路的灵敏度；
f3：将选线线路按灵敏度从大到小排列，选取前m条线路形成候选线路，并将所述m条线路添加到列表CL中；
f4：判断所述CL列表是否为空；若是，则进入步骤a；若否，则随机选取列表中一条线路加入到集合S中，并进入步骤b。
6.根据权利要求4所述基于概率可用传输能力的电网规划方法，其特征在于：所述局部搜索阶段包括如下步骤：
a.计算局部搜索阶段可能的最优解L；
b.判断L>G是否满足，其中，L表示局部搜索阶段可能的最优解，G表示预设的当前最优投资成本；若是，则局部搜索阶段结束；若否，则进入下一步；
c.线路交换搜索；
d.计算减线后切负荷量对线路阻抗的灵敏度，并根据所述灵敏度的值选择可架线路径；
f.判断是否存在可选架线路径，若是，则进入下一步，若否，则则局部搜索阶段结束；
g.选择可选架线路径，判断S>G是否满足，其中，S表示交换搜索后的投资成本，G表示预设的当前最优投资成本，若满足，则进入步骤f,若否，则判断是否有重复搜索解，若是，则进入步骤f,若否，则进入下一步；
h:
h1：计算减线后新网架正常情况过负荷概率，确定概率可用传输能力，确定N-1情况下最小切负荷量的最大值；
h2:判断是否同时满足：其中，α表示过负荷概率，d表示预设的置信水平，t表示概率可用传输能力，w表示考虑网络概率可用传输能力情况下系统可用传输能力最低阈值，c表示确定N-1情况下最小切负荷量的最大值；
若满足，则进入步骤f；
若否，则令G＝S，并进入步骤f。
7.根据权利要求5所述基于概率可用传输能力的电网规划方法，其特征在于：所述过负荷概率值a采用如下方法确定：
(1)设定总的抽样次数n，令b＝1,z＝0；
(2)对系统状态进行第b次抽样；
(3)计算得到确定性系统状态的最小切负荷量；
(4)判断最小切负荷量是否为零，若为零，则进入下一步，若不为零，则z＝z+1，并进入下一步；
(5)b＝b+1，判断b是否小于抽样次数n，若小于，则进入步骤(2)，若不小于，则输出过负荷概率值a，所述a采用如下方法确定，a＝1-z/n，其中，a表示过负荷概率值，z表示步骤(1)中的变量z，n表示步骤(1)中的抽样次数。
8.根据权利要求5所述基于概率可用传输能力的电网规划方法，其特征在于：所述最小切负荷量采用求解最小切负荷量模型来确定，所述最小切负荷量模型如下：
其中，q表示系统各个节点的变量，r表示系统各节点最小切负荷列向量，B表示节点导纳矩阵的虚部，g3表示发电机有功出力列向量，l表示节点负荷列向量，θ表示系统节点功角列向量，A表示网络关联矩阵，Al表示各支路导纳对角矩阵，Pl表示各支路有功潮流的列向量，Plmax表示支路有功潮流上限，gmax表示发电机有功出力上限列向量。
9.根据权利要求5所述基于概率可用传输能力的电网规划方法，其特征在于：所述灵敏度采用如下方法确定：
其中，u表示待选线路首端节点号，v表示待选线路末端节点号，
表示各个待选线路在最小切负荷情况下的灵敏度，
表示首端节点的功率平衡方程对应的对偶变量，
表示末端节点的功率平衡方程对应的对偶变量，θu表示节点u的相角，θv表示节点v的相角。
10.根据权利要求6所述基于概率可用传输能力的电网规划方法，其特征在于：所述概率可用传输能力t采用如下方法确定：
其中，ATC表示可用传输能力，S表示节点支路关联矩阵，l表示负荷有功列向量，f表示线路潮流列向量，g3表示发电出力列向量，d考虑概率可用传输能力情况下的各个负荷节点可增加的有功功率列向量，γgh表示支路g-h间单条线路的导纳，ngh表示支路g-h间实际增加线路的数量，θg表示节点g的相角，θh表示节点h的相角，
表示支路g-h间单条线路的有功传输极限，
表示发电机有功出力上限列向量，g3表示发电机有功出力列向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911056134.4A CN110807590B (zh) | 2019-10-31 | 2019-10-31 | 基于概率可用传输能力的电网规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911056134.4A CN110807590B (zh) | 2019-10-31 | 2019-10-31 | 基于概率可用传输能力的电网规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807590A true CN110807590A (zh) | 2020-02-18 |
| CN110807590B CN110807590B (zh) | 2022-11-29 |
Family
ID=69489942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911056134.4A Active CN110807590B (zh) | 2019-10-31 | 2019-10-31 | 基于概率可用传输能力的电网规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807590B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113712630A (zh) * | 2021-08-30 | 2021-11-30 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的控制方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295875A (zh) * | 2008-06-03 | 2008-10-29 | 山东电力研究院 | 建立不确定性环境下输电网规划模型的方法 |
| CN103150629A (zh) * | 2013-03-11 | 2013-06-12 | 上海电力学院 | 基于相关机会二层规划模型的输电网规划方法 |
| CN104821578A (zh) * | 2015-04-20 | 2015-08-05 | 国家电网公司 | 计及可用输电能力的含大规模风电的输电系统规划方法 |
-
2019
- 2019-10-31 CN CN201911056134.4A patent/CN110807590B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295875A (zh) * | 2008-06-03 | 2008-10-29 | 山东电力研究院 | 建立不确定性环境下输电网规划模型的方法 |
| CN103150629A (zh) * | 2013-03-11 | 2013-06-12 | 上海电力学院 | 基于相关机会二层规划模型的输电网规划方法 |
| CN104821578A (zh) * | 2015-04-20 | 2015-08-05 | 国家电网公司 | 计及可用输电能力的含大规模风电的输电系统规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113712630A (zh) * | 2021-08-30 | 2021-11-30 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的控制方法和系统 |
| CN113712630B (zh) * | 2021-08-30 | 2023-10-17 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的控制方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807590B (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276532B (zh) | 一种研究基于负荷分块的配电网可靠性计算方法 | |
| CN113328437B (zh) | 一种智能配电网cps拓扑构建方法及故障恢复方法 | |
| Home-Ortiz et al. | PV hosting capacity assessment in distribution systems considering resilience enhancement | |
| CN112531655B (zh) | 一种配网馈线分段开关的快速优化配置方法及系统 | |
| CN110689186A (zh) | 基于风电出力随机性的配电网供电可靠性评估方法及系统 | |
| CN111211560A (zh) | 一种基于最优环路的微电网拓扑规划 | |
| Cai et al. | Two-stage mobile emergency generator dispatch for sequential service restoration of microgrids in extreme conditions | |
| CN110807590B (zh) | 基于概率可用传输能力的电网规划方法 | |
| CN118017586A (zh) | 基于鲸鱼优化算法的配电网一二次协同规划方法和系统 | |
| CN114925993B (zh) | 一种含新能源电力系统连锁故障搜索方法及系统 | |
| Oliveira et al. | An artificial immune approach for service restoration in smart distribution systems | |
| CN113629769B (zh) | 一种基于线路权重的电网分区搜索方法和系统 | |
| CN110807553B (zh) | 基于机会约束规划的电网规划方法 | |
| CN113589079A (zh) | 配电网自愈系统的测试方法、电子设备及存储介质 | |
| Junlakarn et al. | Toward implementation of the reconfiguration for providing differentiated reliability options in distribution systems | |
| Tarnate et al. | Maximizing service restoration in reliability optimization of radial distribution systems | |
| Kannaiah et al. | A genetic algorithm based multi objective service restoration in distribution systems | |
| Resende et al. | Metaheuristics applied to power systems | |
| CN118336735B (zh) | 一种面向终端用户可靠性需求的配电网终端配置方法 | |
| CN117996722B (zh) | 极端事件下配电系统应急资源韧性规划方法及系统 | |
| Rivas-Davalos | A genetic algorithm for power distribution system planning | |
| Li et al. | A study of distribution load transfer operation based on gis | |
| Sinha et al. | Distributed Grid restoration based on graph theory | |
| CN113193652A (zh) | 一种电力分析决策系统 | |
| Bongers et al. | Considering uncertainties in the evaluation of transmission grid reinforcements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |