CN110826780B - 分布式电源通信故障时的注入上限优化方法及系统 - Google Patents

分布式电源通信故障时的注入上限优化方法及系统 Download PDF

Info

Publication number
CN110826780B
CN110826780B CN201911016656.1A CN201911016656A CN110826780B CN 110826780 B CN110826780 B CN 110826780B CN 201911016656 A CN201911016656 A CN 201911016656A CN 110826780 B CN110826780 B CN 110826780B
Authority
CN
China
Prior art keywords
upper limit
communication fault
optimization
link
scene
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.)
Active
Application number
CN201911016656.1A
Other languages
English (en)
Other versions
CN110826780A (zh
Inventor
刘文霞
杨梦瑶
马铁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201911016656.1A priority Critical patent/CN110826780B/zh
Publication of CN110826780A publication Critical patent/CN110826780A/zh
Application granted granted Critical
Publication of CN110826780B publication Critical patent/CN110826780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种分布式电源通信故障时的注入上限优化方法及系统，注入上限优化方法包括：步骤S1：根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；步骤S2：基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；步骤S3：采用区间潮流和粒子群智能优化算法对双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化。

Description

分布式电源通信故障时的注入上限优化方法及系统
技术领域
本发明属于分布式电源领域，特别涉及一种分布式电源通信故障时的注入上限优化方法及系统。
背景技术
大量分布式电源(DG)接入配电网，出力的随机波动性迫使配电网必须进行主动运行管理，致使电网运行状态对通信与控制产生依赖。随着DG渗透率的提高，负荷对DG的依赖和电网运行状态对控制的依赖程度都不断提高。此时，若发生通信故障，必然会导致一个或多个DG失去可观可控性，引起系统控制性能下降，导致电压越限、潮流过载，致使电网运行风险显著提高。为此，制定通信故障下失联分布式电源的注入上限，对主动配电系统(ADS)运行的经济性与可靠性有重要意义。
现有研究表明，信息系统的故障会透过信息物理系统间的耦合环节波及到物理电网，对电网运行状态造成较大影响。随着DG渗透率的增加，系统运行对主动控制的依赖程度提高，状态风险将面临更为严峻的挑战。目前，根据IEEE 1547-2018规定，发生通信故障的DG应当采取脱网运行的注入上限。基于该导则，当发生较严重信息系统故障时，负荷将失去DG的功率支撑，引起过载，电压偏低等问题，恶化系统状态。如果通过增加一次性系统的冗余来防止此类事件的发生，无疑降低了系统的经济性。为此，通信故障时各DG采用差异化注入上限策略，既有助于提高系统运行的经济性，又可减少负荷停电，降低系统运行风险。
为了实现优化失联分布式电源的注入上限(注入上限策略)，对注入上限优化提出如下要求：
1)注入上限优化需要考虑通信故障不确定性；
2)注入上限优化需要考虑分布式电源出力及负荷波动情况；
3)注入上限优化需要以降低系统运行风险为目标，确保各通信故障场景下系统运行的综合风险最小。
4)失联DG注入上限优化需要考虑通信故障场景下正常分布式电源的最优出力。
因此，有必要开发一种克服上述缺陷且实现上述要求的分布式电源通信故障时的注入上限优化方法及系统。
发明内容
为实现上述目的，本发明提供了一种分布式电源通信故障时的注入上限优化方法，其中，包括：
步骤S1：根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；
步骤S2：基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；
步骤S3：采用区间潮流和粒子群智能优化算法对所述双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化。
上述的注入上限优化方法，其中，于所述步骤S1中包括：
步骤S11：建立三角矩阵描述通信网络的拓扑结构；
步骤S12：基于所述三角矩阵利用故障枚举法获得初始通信故障场景及对应所述初始通信故障场景的概率；
步骤S13：对所述初始通信故障场景与链路状态进行对应性分析，获得初始通信故障场景与各链路状态的对应关系；
步骤S14：依据链路失效状态的一致性进行场景削减，得到最终通信故障场景、最终概率以及对应的链路有效性状态表。
上述的注入上限优化方法，其中，于所述步骤S13中，基于FMEA搜索确定所述初始通信故障场景下各通信链路的失效状态，从而得到所述通信故障场景与各链路状态的对应关系。
上述的注入上限优化方法，其中，所述双层多目标优化模型包括上层模型及下层模型，根据所述下层模型获得可控DG的最优出力，所述上层模型根据可控DG的最优出力循环迭代实现失联DG差异化注入上限的优化。
上述的注入上限优化方法，其中，于所述步骤S3中包括：
步骤S31：在任一个最终通信故障场景下，计算所有粒子的风险值，并选出全局最优和局部最优粒子；
步骤S32：更新当前最终通信故障场景下可控DG的出力，满足迭代终止条件后，输出所述最终通信故障场景下可控DG的最优出力，并计算出此时的综合风险；
步骤S33：在所有最终通信故障场景下执行下层模型优化操作，并按照最终通信故障场景的概率进行综合风险加权，并计算出所有粒子的综合风险值后，选出全局最优和局部最优粒子；
步骤S34：进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
本发明还提供一种分布式电源通信故障时的注入上限优化系统，其中，包括：
通信故障场景与链路有效性状态表获得单元，根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；
双层多目标优化模型构建单元，基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；
最优注入上限输出单元，采用区间潮流和粒子群智能优化算法对所述双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化。
上述的注入上限优化系统，其中，所述通信故障场景与链路有效性状态表获得单元包括：
矩阵建立模块，建立三角矩阵描述通信网络的拓扑结构；
初始通信故障场景获得模块，基于所述三角矩阵利用故障枚举法获得初始通信故障场景及对应所述初始通信故障场景的概率；
对应关系获得模块，对所述初始通信故障场景与链路状态进行对应性分析，获得初始通信故障场景与各链路状态的对应关系；
链路有效性状态表获得模块，依据链路失效状态的一致性进行场景削减，得到最终通信故障场景、最终概率以及对应的链路有效性状态表。
上述的注入上限优化系统，其中，所述对应关系获得模块基于FMEA搜索确定所述初始通信故障场景下各通信链路的失效状态，从而得到所述通信故障场景与各链路状态的对应关系。
上述的注入上限优化系统，其中，所述双层多目标优化模型包括上层模型及下层模型，根据所述下层模型获得可控DG的最优出力，所述上层模型根据可控DG的最优出力循环迭代实现失联DG差异化注入上限的优化。
上述的注入上限优化系统，其中，所述最优注入上限输出单元包括：
第一计算模块：在任一个最终通信故障场景下，计算所有粒子的风险值，并选出全局最优和局部最优粒子；
最优出力获得模块，更新当前最终通信故障场景下可控DG的出力，满足迭代终止条件后，输出所述最终通信故障场景下可控DG的最优出力，并计算出此时的综合风险；
第二计算模块，在所有最终通信故障场景下执行下层模型优化操作，并按照最终通信故障场景的概率进行综合风险加权，并计算出所有粒子的综合风险值后，选出全局最优和局部最优粒子；
最优注入上限获得模块，进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
本发明的有益效果在于，本发明有益效果是旨在优化失联DG的差异化注入上限，量化系统运行风险，为ADS通信故障下的运行策略提供有效的理论支撑，且有助于提高配网设备资产的利用效率，提升系统安全与经济运行能力。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明注入上限优化方法的流程图；
图2为图1中步骤S1的分步骤流程图；
图3为图1中步骤S3的分步骤流程图；
图4为无通信设备故障时的M阵示意图；
图5为双层多目标优化模型示意图；
图6为失联DG注入上限优化流程图；
图7为本发明注入上限优化系统的结构示意图。
其中，附图标记：
通信故障场景与链路有效性状态表获得单元：11
矩阵建立模块：111
初始通信故障场景获得模块：112
对应关系获得模块：113
链路有效性状态表获得模块：114
双层多目标优化模型构建单元：12
最优注入上限输出单元：13
第一计算模块：131
最优出力获得模块：132
第二计算模块：133
最优注入上限获得模块：134
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述：
参见图1-图3，图1为本发明注入上限优化方法的流程图；图2为图1中步骤S1的分步骤流程图；图3为图3中步骤S1的分步骤流程图。如图1-图3所示，本发明的分布式电源通信故障时的注入上限优化方法，包括：
步骤S1：根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；
步骤S2：基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；
步骤S3：采用区间潮流和粒子群智能优化算法对所述双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化。
进一步地，于步骤S1中包括：
步骤S11：建立三角矩阵描述通信网络的拓扑结构；
步骤S12：基于三角矩阵利用故障枚举法获得初始通信故障场景及对应所述初始通信故障场景的概率；
步骤S13：对初始通信故障场景与链路状态进行对应性分析，获得初始通信故障场景与各链路状态的对应关系；其中，于本步骤S13中，基于FMEA搜索确定初始通信故障场景下各通信链路的失效状态，从而得到通信故障场景与各链路状态的对应关系；
步骤S14：依据链路失效状态的一致性进行场景削减，得到最终通信故障场景、最终概率以及对应的链路有效性状态表。
需要说明的是，削减合并之前是通信故障场景(哪些通信设备故障)、概率、链路有效性的关系表，削减合并之后是只有故障场景(编号123，不包含通信故障设备情况)、概率和链路有效性的关系表。
具体地说，首先基于故障后果的一致性，联合故障后果一致的通信设备，组成终端设备集T，即光线路终端设备(OLT)、光纤分支器(POS)、光网络单元(ONU)、智能电子设备(IED)，基于故障后果一致性，将同一通信通道上的ONU、IED和部分光纤线路联合，建立终端设备集T(如图4所示，T1-T3分别为1-3号分布式电源的终端设备集)，建立下三角矩阵M(N×N)描述通信网络的拓扑结构。然后考虑多种通信设备故障，利用故障枚举法获得初始通信故障场景及对应初始通信故障场景的概率。
其次，基于FMEA搜索确定故障场景下各通信链路的失效状态，从而得到故障场景与各链路状态的对应关系，再依据链路失效状态的一致性进行场景削减，得到故障场景、概率以及对应的链路有效性状态表。
当通信设备i(1≤i≤N)故障时，按照式修改M阵。
M(i,i)＝0 (1)
搜索过程中通信链路有效性的评判标准为：当第i条通信链路搜索路径上的元素满足式-式时，则该通信链路有效。
Figure GDA0003628821540000061
Figure GDA0003628821540000062
Figure GDA0003628821540000063
式中，NOLT为OLT数量，NPOS为POS数量，NDG为终端设备数量，即DG数量。式表示终端设备T正常；式表示存在与该终端设备相连且正常工作的POS；式表示存在与该POS相连且正常工作的OLT。
再进一步地，双层多目标优化模型包括上层模型及下层模型，根据下层模型获得可控DG的最优出力，上层模型根据可控DG的最优出力循环迭代实现失联DG差异化注入上限的优化。
更进一步地，于步骤S3中包括：
步骤S31：在任一个最终通信故障场景下，计算所有粒子的风险值，并选出全局最优和局部最优粒子；
步骤S32：更新当前最终通信故障场景下可控DG的出力，满足迭代终止条件后，输出最终通信故障场景下可控DG的最优出力，并计算出此时的综合风险；
步骤S33：在所有最终通信故障场景下执行下层模型优化操作，并按照最终通信故障场景的概率进行综合风险加权，并计算出所有粒子的综合风险值后，选出全局最优和局部最优粒子；
步骤S34：进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
具体地说，基于通信故障场景与链路有效性状态的对应关系表，进行失联DG的差异化注入上限优化。通信故障时，部分DG失联，采用注入上限运行，其他可控DG可参与优化。此时，综合状态风险主要为运行状态风险(包括电压越限风险)和潮流过载风险(失负荷风险)。风险的大小不仅与失联DG的注入上限有关，还与源荷随机性以及主动运行密切相关。因此，本发明以失联DG的注入限值为控制变量，以降低综合风险为目标，建立了多目标差异化注入上限双层优化模型。
模型求解应用区间潮流和粒子群智能优化算法。其中，基于仿射运算的区间潮流算法的基本思想为：
1)计算潮流变量的初始仿射形式。将极坐标潮流方程中的变量Vi和δi表示成仿射形式。
Figure GDA0003628821540000071
Figure GDA0003628821540000072
式中，Vi,0和δi,0为注入功率区间中点处的潮流解。根据灵敏度系数的定义，可得到噪声元系数的表达式：
Figure GDA0003628821540000081
Figure GDA0003628821540000082
式中，ΔPj，ΔQj分别为节点有功功率、无功功率区间的半径，偏导-数的值均在注入功率区间中点处的潮流解处获得，即为雅克比矩阵的逆。
2)计算节点功率的仿射形式。将电压的仿射形式带入节点功率表达式，进行乘法非仿射运算，合并同类项，整理得到节点有功功率和无功功率的仿射形式。
Figure GDA0003628821540000083
Figure GDA0003628821540000084
3)节点有功功率和无功功率的仿射形式可用下式表达：
f(X)＝AX+B (9)
式中，
Figure GDA0003628821540000085
Figure GDA0003628821540000086
Figure GDA0003628821540000091
4)缩减噪声元的范围，得到最终的潮流解。
AX＝fSP-B＝C (13)
Figure GDA0003628821540000092
式中，A是一个实数矩阵，问题被转化成求解一个线性区间数学的问题，线性优化模型如下所示，可用GUROBI求解。
Figure GDA0003628821540000093
Figure GDA0003628821540000094
Figure GDA0003628821540000095
Figure GDA0003628821540000096
由此可得最终的潮流解为
Figure GDA0003628821540000101
请参照图4-图6，图4为无通信设备故障时的M阵示意图；图5为双层多目标优化模型示意图；图6为失联DG注入上限优化流程图。以下结合图4-图6对本发明注入上限优化方法进行具体说明。
如图4所示，图中箭头JT1、JT2、JT3的指向分别代表通信链路1、2、3的搜索过程。基于M矩阵，对各通信链路进行搜索并判定其有效性，具体步骤如下：
1)数据初始化。输入M矩阵，设定故障重数a为1；
2)a重通信故障场景枚举。枚举
Figure GDA0003628821540000102
个通信故障场景，得到各故障场景下的故障设备及相应的概率，设定故障场景序号s为1；
3)M阵更新。根据第s个故障场景下的设备故障情况，更新M阵，
4)通信故障与链路状态的对应性分析。对各通信链路进行a重通信故障与链路有效性的对应性分析，得到第s个通信故障场景下的链路状态。
5)s＝s+1，若
Figure GDA0003628821540000103
则重复步骤3)和步骤4)，否则，a＝a+1，若a<N，重复步骤2)～步骤4)。
如图5所示，模型的上层基于多场景优化失联DG的注入上限(注入上限)，下层考虑失联DG的注入上限优化可控DG在各故障场景下的优化出力，将可控DG的最优出力传递给上层，循环迭代实现失联DG差异化注入上限的优化。
上层失联DG的注入上限优化模型可表示为：
Figure GDA0003628821540000104
式中，f(·)为模型的目标函数，代表综合风险值，其中f1代表电压越限风险，f2代表潮流过载风险；xi为失联DG的注入上限；h(·)≥0为考虑DG容量的不等式约束；g(·)＝0为考虑控制特性的等式约束，物理系统网络约束，如节点功率平衡。
综合风险包含电压越限f1和潮流过载f2两个风险目标，考虑失联DG的差异化注入上限和可控DG的最优出力进行风险目标的求解。
目标函数1：电压越限风险f1最小
满足电能质量要求的电压波动区间为[0.95，1.05]，电压波动偏离该区间越大，则电压越限程度越高，风险越严重。因此，基于电压幅值的波动区间，电压越限风险计算公式如式(19)和式(20)所示：
Figure GDA0003628821540000111
Figure GDA0003628821540000112
目标函数2：潮流过载风险(失负荷)f2最小
无通信故障时，DG正常出力以满足负荷需求，通信故障时，限制DG出力必然会导致系统产生功率缺额，由此引发负荷削减。因此潮流过载(失负荷)风险可按式(21)计算。
Figure GDA0003628821540000113
构造如下选择函数，将多目标优化问题转变为求单目标优化问题。
Figure GDA0003628821540000114
Figure GDA0003628821540000115
式中，N_ob为目标个数，wi为权重系数，采用熵权法进行权重赋值，满足式(23)；fi为第i个目标函数值，
Figure GDA0003628821540000116
为第i个目标的最优值。
则综合风险值可表示为：
Figure GDA0003628821540000117
式中，N_scene为通信故障场景数量，Fi为第i个场景下的综合风险值，Pi为第i个通信故障场景的概率。
下层模型仍以综合风险最小为目标，以可控DG的出力为变量，模型可表达为：
Figure GDA0003628821540000121
式中，NDG_control为可控DG的数量。
综合风险仍包括电压越限f1和潮流过载f2两个风险目标，电压越限f1和潮流过载f2的求解和多目标向单目标的转化与上层模型一致，不同的是，综合风险值表示为：
f＝F (26)
如图6所示，模型采用经典智能优化算法——粒子群算法进行模型求解。
下层模型优化可控DG的运行，考虑失联DG的注入上限，在第s个通信故障场景下，计算所有粒子(可控DG出力策略)的风险值，然后选出全局最优和局部最优粒子，按下式更新当前通信故障场景下可控DG的出力，满足迭代终止条件后，输出第s个通信故障场景下可控DG的最优出力，并计算此时的综合风险。
上层模型优化失联DG的注入上限，在所有通信故障场景下执行下层模型优化操作，并按照场景概率进行综合风险加权。在求得所有粒子(失联DG注入上限)的综合风险值后，选出全局最优和局部最优粒子(，按下式进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
vi(t+1)＝w·vi(t)+c1·Rand()·(pi(t)-xi(t))+c2·Rand()·(pg(t)-xi(t)) (27)
xi(t+1)＝xi(t)+vi(t) (28)
式中，c1、c2为学习因子，非负值，赋予粒子总结自身和学习种群中优秀个体的能力，逐步迭代使得粒子逐步收敛于自身最优和全局最优位置。Rand()为随机取值函数，取值范围[0，1]，pg为全局最优个体，pb为局部最优个体。
请参照图7，图7为本发明注入上限优化系统的结构示意图。如图7所示，本发明注入上限优化系统包括：通信故障场景与链路有效性状态表获得单元11、双层多目标优化模型构建单元12及最优注入上限输出单元13；通信故障场景与链路有效性状态表获得单元11根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；双层多目标优化模型构建单元12基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；最优注入上限输出单元13采用区间潮流和粒子群智能优化算法对所述双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化。
其中，双层多目标优化模型包括上层模型及下层模型，根据下层模型获得可控DG的最优出力，上层模型根据可控DG的最优出力循环迭代实现失联DG差异化注入上限的优化
进一步地，通信故障场景与链路有效性状态表获得单元包括11：矩阵建立模块111、初始通信故障场景获得模块112、对应关系获得模块113及链路有效性状态表获得模块114；矩阵建立模块111建立三角矩阵描述通信网络的拓扑结构；初始通信故障场景获得模块112基于三角矩阵利用故障枚举法获得初始通信故障场景及对应所述初始通信故障场景的概率；对应关系获得模块113对初始通信故障场景与链路状态进行对应性分析，获得初始通信故障场景与各链路状态的对应关系；链路有效性状态表获得模块114依据链路失效状态的一致性进行场景削减，得到最终通信故障场景、最终概率以及对应的链路有效性状态表。
其中，对应关系获得模块113基于FMEA搜索确定所述初始通信故障场景下各通信链路的失效状态，从而得到所述通信故障场景与各链路状态的对应关系。
更进一步地，最优注入上限输出单元13包括：第一计算模块131、最优出力获得模块132、第二计算模块133及最优注入上限获得模块134；第一计算模块131在任一个最终通信故障场景下，计算所有粒子的风险值，并选出全局最优和局部最优粒子；最优出力获得模块132更新当前最终通信故障场景下可控DG的出力，满足迭代终止条件后，输出所述最终通信故障场景下可控DG的最优出力，并计算出此时的综合风险；第二计算模块133在所有最终通信故障场景下执行下层模型优化操作，并按照最终通信故障场景的概率进行综合风险加权，并计算出所有粒子的综合风险值后，选出全局最优和局部最优粒子；最优注入上限获得模块134进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
综上所述，本发明基于区间潮流方法，考虑通信故障场景和源荷的不确定性，以综合风险最小为优化目标，提出一种通信故障下失联DG差异化注入上限的优化方法，实现了通信故障下DG的就地控制和主动配电系统的安全经济运行，为ADS通信故障下的运行策略提供有效的理论支撑，且有助于提高配网设备资产的利用效率，提升系统安全与经济运行能力。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种分布式电源通信故障时的注入上限优化方法，其特征在于，包括：
步骤S1：根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；
步骤S2：基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；
步骤S3：采用区间潮流和粒子群智能优化算法对所述双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化；
其中，所述双层多目标优化模型包括上层模型及下层模型，根据所述下层模型获得可控DG的最优出力，所述上层模型根据可控DG的最优出力循环迭代实现失联DG差异化注入上限的优化；
所述步骤S3中包括：
步骤S31：在任一个最终通信故障场景下，计算所有粒子的风险值，并选出全局最优和局部最优粒子；
步骤S32：更新当前最终通信故障场景下可控DG的出力，满足迭代终止条件后，输出所述最终通信故障场景下可控DG的最优出力，并计算出此时的综合风险；
步骤S33：在所有最终通信故障场景下执行下层模型优化操作，并按照最终通信故障场景的概率进行综合风险加权，并计算出所有粒子的综合风险值后，选出全局最优和局部最优粒子；
步骤S34：进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
2.如权利要求1所述的注入上限优化方法，其特征在于，于所述步骤S1中包括：
步骤S11：建立三角矩阵描述通信网络的拓扑结构；
步骤S12：基于所述三角矩阵利用故障枚举法获得初始通信故障场景及对应所述初始通信故障场景的概率；
步骤S13：对所述初始通信故障场景与链路状态进行对应性分析，获得初始通信故障场景与各链路状态的对应关系；
步骤S14：依据链路失效状态的一致性进行场景削减，得到最终通信故障场景、最终概率以及对应的链路有效性状态表。
3.如权利要求2所述的注入上限优化方法，其特征在于，于所述步骤S13中，基于FMEA搜索确定所述初始通信故障场景下各通信链路的失效状态，从而得到所述通信故障场景与各链路状态的对应关系。
4.一种分布式电源通信故障时的注入上限优化系统，其特征在于，包括：
通信故障场景与链路有效性状态表获得单元，根据故障模式后果分析法，建立通信故障场景与链路有效性状态的对应性模型，获得通信故障场景与链路有效性状态表；
双层多目标优化模型构建单元，基于通信故障场景与链路有效性状态表，建立分布式电源差异化注入上限的双层多目标优化模型；
最优注入上限输出单元，采用区间潮流和粒子群智能优化算法对所述双层多目标优化模型进行循环迭代实现失联DG差异化注入上限的优化；
其中，双层多目标优化模型包括上层模型及下层模型，根据所述下层模型获得可控DG的最优出力，所述上层模型根据可控DG的最优出力循环迭代实现失联DG差异化注入上限的优化；
所述最优注入上限输出单元包括：
第一计算模块：在任一个最终通信故障场景下，计算所有粒子的风险值，并选出全局最优和局部最优粒子；
最优出力获得模块，更新当前最终通信故障场景下可控DG的出力，满足迭代终止条件后，输出所述最终通信故障场景下可控DG的最优出力，并计算出此时的综合风险；
第二计算模块，在所有最终通信故障场景下执行下层模型优化操作，并按照最终通信故障场景的概率进行综合风险加权，并计算出所有粒子的综合风险值后，选出全局最优和局部最优粒子；
最优注入上限获得模块，进行失联DG注入上限的更新，满足迭代终止条件后，输出失联DG的最优注入上限。
5.如权利要求4所述的注入上限优化系统，其特征在于，所述通信故障场景与链路有效性状态表获得单元包括：
矩阵建立模块，建立三角矩阵描述通信网络的拓扑结构；
初始通信故障场景获得模块，基于所述三角矩阵利用故障枚举法获得初始通信故障场景及对应所述初始通信故障场景的概率；
对应关系获得模块，对所述初始通信故障场景与链路状态进行对应性分析，获得初始通信故障场景与各链路状态的对应关系；
链路有效性状态表获得模块，依据链路失效状态的一致性进行场景削减，得到最终通信故障场景、最终概率以及对应的链路有效性状态表。
6.如权利要求5所述的注入上限优化系统，其特征在于，所述对应关系获得模块基于FMEA搜索确定所述初始通信故障场景下各通信链路的失效状态，从而得到所述通信故障场景与各链路状态的对应关系。
CN201911016656.1A 2019-10-24 2019-10-24 分布式电源通信故障时的注入上限优化方法及系统 Active CN110826780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911016656.1A CN110826780B (zh) 2019-10-24 2019-10-24 分布式电源通信故障时的注入上限优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911016656.1A CN110826780B (zh) 2019-10-24 2019-10-24 分布式电源通信故障时的注入上限优化方法及系统

Publications (2)

Publication Number Publication Date
CN110826780A CN110826780A (zh) 2020-02-21
CN110826780B true CN110826780B (zh) 2022-06-17

Family

ID=69550376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911016656.1A Active CN110826780B (zh) 2019-10-24 2019-10-24 分布式电源通信故障时的注入上限优化方法及系统

Country Status (1)

Country Link
CN (1) CN110826780B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8401709B2 (en) * 2009-11-03 2013-03-19 Spirae, Inc. Dynamic distributed power grid control system
CN106815657B (zh) * 2017-01-05 2020-08-14 国网福建省电力有限公司 一种考虑时序性和可靠性的配电网双层规划方法
CN107959307A (zh) * 2017-12-07 2018-04-24 国家电网公司 一种计及配电网运行风险成本的dg优化配置方法

Also Published As

Publication number Publication date
CN110826780A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110729765A (zh) 一种考虑sop的配电网灵活性评估指标体系和优化调度方法
CN110266038B (zh) 一种多虚拟电厂分布式协调调控方法
CN111817286B (zh) 一种用于直流微电网集群的虚假数据注入攻击的检测方法
CN103219743B (zh) 基于风电功率波动概率特性的主导节点选择方法
CN114217524A (zh) 一种基于深度强化学习的电网实时自适应决策方法
Oboudi et al. A feasible method for controlled intentional islanding in microgrids based on PSO algorithm
CN108110769A (zh) 基于灰狼算法的主动配电网电压协调控制策略
Liu et al. Fully distributed control to coordinate charging efficiencies for energy storage systems
CN104281978A (zh) 一种基于概率潮流的可用输电能力计算方法
CN110826780B (zh) 分布式电源通信故障时的注入上限优化方法及系统
Saric et al. Optimal DG allocation for power loss reduction considering load and generation uncertainties
CN111767621A (zh) 一种基于知识迁移q学习算法的多能源系统优化调度方法
CN111146815B (zh) 一种智能配电网分布式发电规划配置方法
CN115277109B (zh) 一种面向虚假数据注入攻击的智能微网分布式动态跟踪技术
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
Liu et al. A novel multi-agent based control approach for frequency stabilization of islanded microgrids
Liu et al. An Improved Active Section Splitting Method for Multi-Machine Power Systems Based on Multilayer Graph Segmentation Algorithm
Faruque et al. Optimized distributed generation planning for radial distribution system using particle swarm optimization algorithm
CN113240072A (zh) 一种用于直流微电网集群的基于深度学习的预测方法
CN117094537B (zh) 电网规划方法、装置、电子设备和存储介质
Doagou-Mojarrad et al. Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization
Mao et al. A distributed economic dispatch algorithm for islanding microgrid considering unreliable communication links
Mohiyodin et al. An Improved Northern Goshawk Optimization for Optimal Reconfiguration of Modern Electrical Distribution System for Loadability Enhancement.
He et al. EPON Communication Network Topology Optimization Based on Electrical Nodes’ Importance in Active Distribution Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant