CN110854907B - 通信故障下配电网风电场的协同优化运行方法及系统 - Google Patents

Abstract

本发明公开了一种通信故障下配电网风电场的协同优化运行方法及系统，协同优化运行方法包括：步骤S1：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合；步骤S2：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型；步骤S3：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

Description

通信故障下配电网风电场的协同优化运行方法及系统

技术领域

本发明属于风电场并网控制与协同运行策略领域，具体特别涉及一种涉及通信失效时，考虑出力波动性制定优化运行策略方法的协同优化运行方法及系统。

背景技术

近些年来，国内外针对配电网通信失效建模，运行及其与物理系统耦合机制等方面进行了广泛的研究。现阶段针对信息通信系统故障对主动配电网影响的研究主要集中于可靠性、安全性及脆弱性几个方面。国内前沿理论建立了电网信息物理系统(CyberPhysical System，CPS)概念基本框架，基于典型马尔可夫链分析物理信息耦合关系描述了信息系统元件与通信网络故障时对CPS可靠性的影响。国内外前沿理论同样根据电力系统安全性特征建立例如考虑系统可观性与可控性影响分析，评估负荷控制策略等。目前随着电力系统与信息系统耦合作用进一步加强，考虑通信故障对于物理系统的影响机制及其级联故障分析也越来越引起国内外的重视。考虑目前我国电力体系特性，以及实际工况设施，其对应研究内容还存在如下问题：

一是现今考虑通信故障场景多较为局部，故障情况轻微，未考虑严重通信故障，例如通信中心遭到恶意攻击出现瘫痪等问题，关于此方面内容研究较少；二是在考虑风电场运行模式时往往采取集中式控制模式，缺少差异化，协调式本地控制方式，缺少对于不同风电场间联动配合特点的考虑。因此综上所述，基于不同风电场特征，建立严重通信故障场景中，多风电场差异化、协调式控制模式对于保护配电网系统，建立有效安全应急机制具有重要的意义。

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，本发明提供了一种通信故障下配电网风电场的协同优化运行方法，其中，包括：

步骤S1：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合；

步骤S2：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型；

步骤S3：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

上述的协同优化运行方法，其中，于所述步骤S1中包括：

步骤S11：根据配电网负荷特性、电源容量规模以及应用场合建立风电出力特性模型；

步骤S12：根据风电出力特性模型通过随机抽样法获得样本集合；

步骤S13：将样本集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

上述的协同优化运行方法，其中，于所述步骤S2中包括：

步骤S21：建立节点电压脆弱度指标；

步骤S22：建立支路潮流脆弱度指标；

步骤S23：基于用户结构介数对节点电压脆弱度指标及支路潮流脆弱度指标进行修正获得综合状态脆弱性指标模型。

上述的协同优化运行方法，其中，于所述步骤S3中包括：

步骤S31：考虑配电网基本结构特征，智能粒子各维速度向量对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，以获得每一最优典型场景下风电场的出力结果；

步骤S32：以综合状态脆弱性指标模型作为适应度函数，比较智能粒子运动前后对应指标变化情况以获得最优出力结果。

上述的协同优化运行方法，其中，于所述步骤S31中还包括：

针对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力。

本发明还提供一种通信故障下配电网风电场的协同优化运行系统，其中，包括：

最优典型场景集合获得单元：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合；

综合状态脆弱性指标模型获得单元：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型；

最优出力结果获得单元：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

上述的协同优化运行系统，其中，所述最优典型场景集合获得单元包括：

模型建立模块：根据配电网负荷特性、电源容量规模以及应用场合建立风电出力特性模型；

抽样模块：根据风电出力特性模型通过随机抽样法获得样本集合；

最优典型场景集合输出模块：将样本集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

上述的协同优化运行系统，其中，所述综合状态脆弱性指标模型获得单元包括：

第一脆弱度指标建立模块：建立节点电压脆弱度指标；

第二脆弱度指标建立模块：建立支路潮流脆弱度指标；

修正模块：基于用户结构介数对节点电压脆弱度指标及支路潮流脆弱度指标进行修正获得综合状态脆弱性指标模型。

上述的协同优化运行系统，其中，所述最优出力结果获得单元包括：

出力结果计算模块：考虑配电网基本结构特征，智能粒子各维速度向量对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，以获得每一最优典型场景下风电场的出力结果；

最优出力结果输出模块：以综合状态脆弱性指标模型作为适应度函数，比较智能粒子运动前后对应指标变化情况以获得最优出力结果。

上述的协同优化运行系统，其中，所述出力结果计算模块针对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力。

本发明的有益效果在于：发生严重通信故障情景时，考虑多种风电场运行特征，基于聚类算法进行多场景划分，识别典型场景，针对多个风电场设置差异化，协调式离线运行策略，建立配电网综合脆弱性指标，提高网络应对通信故障能力。

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为本发明协同优化运行方法的流程图；

图2为图1中步骤S1的分步骤流程图；

图3为图1中步骤S2的分步骤流程图；

图4为图1中步骤S3的分步骤流程图；

图5为风电场链式接入图；

图6为风电场辐射状接入图；

图7为风电场混联接入图；

图8为异步发电机的等效电路与功率传递关系；

图9为异步发电机简化等值电路；

图10为双馈电机等值电路；

图11为聚类流程图；

图12为本发明协同优化运行方法计算流程图；

图13为本发明协同优化运行系统的结构示意图。

其中，附图标记：

最优典型场景集合获得单元：11

模型建立模块：111

抽样模块：112

最优典型场景集合输出模块：113

综合状态脆弱性指标模型获得单元：12

第一脆弱度指标建立模块：121

第二脆弱度指标建立模块：122

修正模块：123

最优出力结果获得单元：13

出力结果计算模块：131

最优出力结果输出模块：132

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4，图1为本发明协同优化运行方法的流程图；图2为图1中步骤S1的分步骤流程图；图3为图1中步骤S2的分步骤流程图；图4为图1中步骤S3的分步骤流程图。如图1-图4所示，本发明的协同优化运行方法，包括：

步骤S1：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合。

其中，步骤S1中包括：

步骤S11：根据配电网负荷特性、电源容量规模以及应用场合建立风电出力特性模型。

具体地说，风电出力特性模型是依据不同的风电场类型，特性以及运行模式而建立，在本实施例中，风电场类型包括如图5所示的链式接入风电场、如图6所示的辐射状接入风电场以及如图7所示的混联接入风电场。风电出力特性模型包括：

一、风电机组有功出力模型可根据简化的风速-风机有功功率模型，简单表示为式(1)、式(2)、式(3)和式(4)：

式中，P_r为风力机额定输出功率；V_ci为切入风速；V_c0为切出风速；V_r为额定风速。本方法根据风机类型和具体的发电机模型，分别建立了恒速恒频风电机组和变速恒频风电机组的外特性模型和动态模型。

二、根据风电场的发电机理确定基于双馈电机的变速恒频风电机组外特性模型，其具体如式所示,在与定子磁场同步旋转的d-q坐标系上：

把以同步速旋转的坐标轴d放在定子磁场方向且忽略定子电阻，则：

此时功率方程为：

推导可得：

式中，X_ss＝x_s+x_m，转差率s可以根据风电机组的转速特性曲线求得。

风电机组注入系统的总有功功率P_e由两部分组成，一部分是由定子绕组发出的有功功率P_s，另一部分是转子绕组发出或消耗的有功功率P_r。根据等效电路中正方向的规定，转速高于同步速时，转子绕组发出有功功率，P_r＜0；转速低于同步速时，转子绕组吸收有功功率，P_r＞0。推导可得：

步骤S12：根据风电出力特性模型通过随机抽样法获得样本集合。

步骤S13：将样本集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

其中，考虑到在针对风电场随机抽样过程中将产生大量样本，而其对应波动性以及复杂性将对本发明的风电场运行特性计算带来较大影响。为了提高计算效率同时保持计算结果的有效性，本发明采用聚类算法对于样本集合处理。本发明以各初始场景到聚类中心距离作为总目标函数，引入自适应调整聚类类簇数以提高聚类精度。具体来说，将风电、光伏的随机出力抽样集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

步骤S2：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型。

其中，步骤S2中包括：

步骤S21：建立节点电压脆弱度指标；

步骤S22：建立支路潮流脆弱度指标；

步骤S23：基于用户结构介数对节点电压脆弱度指标及支路潮流脆弱度指标进行修正获得综合状态脆弱性指标模型。

具体地说，考虑风电场的高渗透率及随机出力分析系统脆弱性根源，结合风电场分布、源荷匹配性以及网络结构等因素影响。同时计及结构特征，建立表征脆弱节点和线路对用户影响程度的指标，形成综合状态脆弱性指标模型。

为了深入反映状态波动特征，引入统计学中偏度系数，作为样本分布偏斜方向和程度的度量。偏度系数的提出一般采用标准差或三阶中心矩形式。考虑到标准差易受样本众数大小影响，一般用于分组频数样本，因此其中选取三阶中心矩，以m个样本元素为例，其定义为：

由于通信中断时刻本身状态具有随机性，基于概率多场景的电压、潮流偏度表达式如式所示。

式(10)中，NS为预想场景集合，m为场景集合样本数目，U_i为场景i对应节点电压值，σ为电压标准差，U₀为节点电压额定值。随着电压波动范围扩大，其越限概率也快速增加，节点脆弱程度呈非线性上升，因此采用指数模型进行指标的归一化。

同理，式(11)中，P_j为场景j中对应支路传送功率，P_max为线路k最大传输功率，n为样本容量，σ为潮流标准差。计算样本集中支路潮流三阶中心矩能够直观表现支路功率上升对其承载能力所带来的严峻挑战。通过指数函数结合归一化之后得到最终单条支路潮流脆弱度表达式：

R_power,k表示k支路潮流脆弱度，范围在0-1之间。

上述基于节点电压和支路潮流的状态脆弱性表征了系统在某一运行断面下状态脆弱的程度，亦即恶化的可能性，但并未反应状态恶化的影响。而电网状态恶化对用户造成的影响表现为用户电压越限对设备的损坏，以及支流过载导致切负荷。为此，本方法借助“用户结构介数”的概念构建状态恶化影响指标，从而形成既表达可能性又兼顾影响的综合状态脆弱性指标。

考虑到复杂网络理论中，一般采用节点或支路的介数即被母线间最短路径所经过的次数来衡量某一节点或支路对能量传递影响程度。然而，该指标不能表达母线间多路径传输情景，同时也未刻画不同路径间传输量的差异。因此参考灵敏度分析思路，其中建立用户结构介数指标用以表达当某一元件脆弱时将对附近用户供电产生影响大小。其基本定义如下：

式中，B_u(i)为元件i对应用户结构介数，

为在负荷点s_j处施加单位负荷时在元件i中产生的状态响应，n_j为施加负荷影响处的用户数量大小，n₀为系统内所有网络内用户数量总和。用户结构介数B_u(i)可分为用户节点介数与用户线路介数。对用户节点介数而言，

为在s_j与负荷点施加单位负荷时节点i处抬升电压值；对于用户线路介数，

为在s_j与并网点处施加单位负荷时在线路i处经过的有功潮流值。

步骤S3：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

其中，于步骤S3中包括：

步骤S31：考虑配电网基本结构特征，智能粒子各维速度向量对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，以获得每一最优典型场景下风电场的出力结果；

步骤S32：以综合状态脆弱性指标模型作为适应度函数，比较智能粒子运动前后对应指标变化情况以获得最优出力结果。

1995年Eberhart博士和Kennedy博士基于鸟群觅食行为提出了粒子群优化算法(Particle Swarm Optimization,PSO).由于该算法概念简明、实现方便、收敛速度快、参数设置少,是一种高效的搜索算法,近年来受到学术界的广泛重视。为了提高计算效率，一些学者提出了智能单粒子算法(Intelligent single particle algorithm，ISPO)，该算法基于多维度搜索，以子矢量最优决定进化路径。考虑到ISPO算法易于陷入局部，本方法引入步长扰动因子，以高斯变异决策扰动量大小，从而扩大搜索范围和随机性，提高全局搜索精度。

具体地说，首先，根据运行场景聚类结果，在每个场景中，设置初始粒子运动位置向量表达式S包括各个控制周期内DG单元，储能充电，储能放电以及切负荷控制等步骤组合，而后基于单粒子算法进行求解。

基于配电系统实际结构，采用智能单粒子算法提出求解方法，在算法数据初始化中，考虑配电网基本结构特征，智能粒子各维速度向量v对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，当针对第i条分支线上风电场、储能单元时，其粒子速度表达式为：

v_i＝[ΔP_DGi...ΔP_ESSDi...ΔP_ESSCi...ΔP_cut]^T (15)

在每次求解粒子运动迭代过程中，改进算法提出了扰动因子的概念，针对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力，具体表达式为：

式中，μ(t)为高斯扰动因子系数，

为历史最优位置，maxcycle为最大循环次数，t为当前循环次数，rand服从[-0.5,0.5]内均匀分布，

为对应第i 条分支线第k次循环变量增量。

进化过程中，以综合脆弱性作为适应度函数，比较智能粒子运动前后对应指标变化情况选择更优结果即促进粒子主动配电网脆弱性减小方向运动，获得粒子运动变化方向。以第i条分支线，第k次迭代过程为例，

其中，L为学习因子，用以保存每次优化过程中有利于改善目标函数的运动轨迹，最终位置即为对应风电场出力结果。

请参照图8-图12，图8是异步发电机的等效电路与功率传递关系；图9是异步发电机简化等值电路；图10是双馈电机等值电路；图11是聚类流程图；图12为本发明协同优化运行方法应用流程图。结合图5-图12以一具体实施例对本发明协同优化运行方法进行说明。

为了有效求解严重通信故障过程中风电场运行策略，本发明考虑到以各抽样结果组合作为单位进行优化的计算速度是比较慢的，为了加快求解综合脆弱度的最优解，即是要求各电源在满足约束条件情况下能够实现综合目标函数最优前提下运行策略。同时，根据不同风电场并网位置及其特点，提出严重通信故障下基于多场景的风电场协同优化运行方法，其具体实施方法主要包括：

1)根据配电网负荷特性、电源容量规模以及应用场合的不同，建立典型并网出力特性，基于以上模型建立对应出力随机抽样方法，同时根据其概率类型，进一步提出风电场随机抽样方法。基于各电源抽样特性以及分布位置，采用聚类方法对抽样本集合进行分类计算，划分对应典型场景集合。

2)建立面向配电系统的综合脆弱性表征方法，考虑统计学指标建立针对节点与线路的状态脆弱性表征方法，同时基于所连负荷点用户数量以及不同拓扑位置连接特性，建立结构脆弱性表征方法，从而构造综合脆弱性。

3)考虑差异化，协调式运行模式，基于改进的单粒子智能算法求解对应高渗透率配电网通信故障期间风电场运行模式。

风电场的外特性模型

1.恒速恒频风电机组的外特性模型

恒速恒频风电机组的主要部件包括风轮机、传动机构(轮毂、传动轴和齿轮箱)和异步发电机。由风轮机获得的机械功率扣除机械损耗后即为传递到异步发电机转子上的机械功率P_Ω，并且由功率传递关系图8可得： P_M＝P_Ω-P_Cu2-P_Fe，P_e＝P_M-P_cu1，其中，P_Cu2为转子铜耗；P_Fe为铁心损耗；P_M为输入定子绕组的电磁功率；P_cu1为定子铜耗。

忽略定子电阻r₁和铁芯损耗P_Fe，且考虑x_m＞＞x₁(x_m为励磁电抗，x₁为定子电抗)，可将励磁支路移至电路首端，得到简化的异步发电机等效电路如图9所示。因此，注入电网的功率P_e就是电磁功率P_M，即电阻r₂/s上的电功率。

由图8-图9所示的电路关系可得：

式中x_k＝x₁+x₂。经计算得到：

由等效电路可见，异步发电机的功率因数角

与滑差s的关系为：

由此可知，异步发电机的无功功率Q_e与有功功率P_e之间的关系为：

2.基于双馈电机的变速恒频风电机组外特性模型

双馈电机的等效电路如下所示,在与定子磁场同步旋转的d-q坐标系上：

根据图10所示，把以同步速旋转的坐标轴d放在定子磁场方向且忽略定子电阻，则：

此时功率方程为：

推导可得：

式中，X_ss＝x_s+x_m，转差率s可以根据风电机组的转速特性曲线求得。

风电机组注入系统的总有功功率P_e由两部分组成，一部分是由定子绕组发出的有功功率P_s，另一部分是转子绕组发出或消耗的有功功率P_r。根据等效电路中正方向的规定，转速高于同步速时，转子绕组发出有功功率，P_r＜0；转速低于同步速时，转子绕组吸收有功功率，P_r＞0。推导可得：

变速恒频风电机组可采用恒功率因数和恒电压两种控制方式，其无功功率是由定子侧发出或吸收的无功功率与变流器在电机定子侧发出或吸收的无功功率组成的，然而由变流器吸收或发出的无功功率很小，忽略不计。则变速恒频风电机组的无功功率Q_e可以近似为定子绕组的无功功率Q_s。

当采用恒功率因数控制运行方式时，若风电机组功率因数设定值为

则有：

当采用恒电压控制运行方式，系统电压水平偏低时，变速恒频风电机向系统提供一定的无功功率，以调节系统电压。风电机组可以提供的无功功率受自身约束条件的限制，只能在一定的范围内调节。在风电机组无功调节范围内，风电机组节点可以看作PV节点，当所需无功越限时，则可以看作PQ节点。

对某一变速恒频风电机组，当风电机组定子侧电压不变时，它的无功功率调节范围受定子绕组热极限电流、转子绕组热极限电流和变流器最大电流的限制，但其中起主要作用的是变流器最大电流限制。若变流器最大电流限制为 I_rmax，则可得变速恒频风电机组的功率方程为：

类似的，抽象光伏对应等效电路图，最终得到其对应抽象出力表征。

请参照图11，考虑到在针对风电场随机抽样过程中将产生大量样本，而其对应波动性以及复杂性将对本方法的风电场运行特性计算带来较大影响。为了提高计算效率同时保持计算结果的有效性，本方法采用聚类算法对于样本集合处理。

本方法以各初始场景到聚类中心距离作为总目标函数，引入自适应调整聚类类簇数以提高聚类精度。具体来说，将风电、光伏的随机出力抽样集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。其中目标函数表示为，

式中

为平均聚类距离，N_c为聚类中心个数，X为S_j类簇中元素，Z_j为其聚类中心。通过本方法能将大量样本集合简化为一些固定典型场景，从而实现对计算过程的简化。

脆弱性是指在各种随机因素(人为干预、信息、计算、通信、内部故障、保护控制系统拒动或误动)作用下，系统不能维持正常运行的可能趋势及其影响。这一概念最早被应用于自然灾害领域的研究，用来描述系统本身及其组成易遭受影响和破坏的能力。随着电力系统的发展以及可再生能源大规模接入，其随机性和复杂性日益凸显，电网脆弱性逐步受到重视。

高渗透率主动配电网根据负荷和风电场出力预测信息，同时监测系统状态，优化控制分布式资源的出力，从而将系统的电气指标约束在安全范围内。而严重通信故障会导致多节点信息中断、主动配电网失去感知和控制能力。此时，大量风电场单元出力的随机性将引起节点电压与线路潮流的剧烈波动，电气指标越限，系统状态表现出强烈的状态脆弱性特征。可见，此时系统脆弱性根源来自于风电场的高渗透率及随机出力。此外状态脆弱性程度还受风电场分布、源荷匹配性以及网络结构等因素影响。由于脆弱性表达系统不能维持正常运行的可能趋势及其影响，本方法采用状态脆弱性指标表征通信故障下受发电随机性影响而导致系统不能正常运行的趋势，同时计及结构特征，建立表征脆弱节点和线路对用户影响程度的指标，形成综合状态脆弱性指标。

1)节点电压脆弱度

当主动配电网发生通信中断时，失去控制的风电场随机运行，导致节点电压剧烈波动、配电网电能质量下降，电网安全面临风险。为表征通信中断下，系统受风电场扰动引发的电压越上限或越下限的严重程度，本方法建立节点电压脆弱度指标。

为了深入反映状态波动特征，引入统计学中偏度系数，作为样本分布偏斜方向和程度的度量。偏度系数的提出一般采用标准差或三阶中心矩形式。考虑到标准差易受样本众数大小影响，一般用于分组频数样本，因此其中选取三阶中心矩，以m个样本元素为例，其定义为：

SK是无量纲的量，结果取值在-3～+3之间，绝对值越大，表明偏斜程度越大。当分布呈右偏态时，SK＞0，故也称正偏态；当分布为左偏态时，SK ＜0，故也称负偏态。本方法以三阶中心矩形式构造某一节点k电压偏度指标λ_k。由于通信中断时刻本身状态具有随机性，基于概率多场景的电压偏度表达式如式(2)。

式中，NS为预想场景集合，m为场景集合样本数目，U_i为场景i对应节点电压值，σ为电压标准差，U₀为节点电压额定值。随着电压波动范围扩大，其越限概率也快速增加，节点脆弱程度呈非线性上升，因此采用指数模型进行指标的归一化。

R_vol,k表示k节点电压脆弱度，范围在0-1之间。

2)支路潮流脆弱度

当主动配电网在规划运行阶段时，考虑加以灵活有效的协调控制技术对系统运行边界进行控制管理。在发生通信中断时，高渗透率主动配电网中风电场随机出力，引起潮流双向流动，而末端馈线容量相对较小，导致部分支路存在过载可能。因此，本方法提出潮流过载系数μ_k用以表征系统中线路k有功功率逼近线路允许最大有功功率的严重程度，定义为

式中，P_j为场景j中对应支路传送功率，P_max为线路k最大传输功率，n 为样本容量，σ为潮流标准差。计算样本集中支路潮流三阶中心矩能够直观表现支路功率上升对其承载能力所带来的严峻挑战。通过指数函数结合归一化之后得到最终单条支路潮流脆弱度表达式

R_power,k表示k支路潮流脆弱度，范围在0-1之间。

上述基于节点电压和支路潮流的状态脆弱性表征了系统在某一运行断面下状态脆弱的程度，亦即恶化的可能性，但并未反应状态恶化的影响。而电网状态恶化对用户造成的影响表现为用户电压越限对设备的损坏，以及支流过载导致切负荷。为此，本方法借助“用户结构介数”的概念构建状态恶化影响指标，从而形成既表达可能性又兼顾影响的综合状态脆弱性指标。

考虑到复杂网络理论中，一般采用节点或支路的介数即被母线间最短路径所经过的次数来衡量某一节点或支路对能量传递影响程度。然而，该指标不能表达母线间多路径传输情景，同时也未刻画不同路径间传输量的差异。因此参考灵敏度分析思路，其中建立用户结构介数指标用以表达当某一元件脆弱时将对附近用户供电产生影响大小。其基本定义如下：

式中，B_u(i)为元件i对应用户结构介数，

为在负荷点s_j处施加单位负荷时在元件i中产生的状态响应，n_j为施加负荷影响处的用户数量大小，n₀为系统内所有网络内用户数量总和。用户结构介数B_u(i)可分为用户节点介数与用户线路介数。对用户节点介数而言，

为在s_j与负荷点施加单位负荷时节点i处抬升电压值；对于用户线路介数，

为在s_j与并网点处施加单位负荷时在线路i处经过的有功潮流值。

考虑到用户结构介数能够表征结构特征对状态脆弱性影响，因此本方法将该参数作为系数相乘用以修正由源荷特性所导致的状态脆弱性。综上，i元件修正后状态脆弱度表示为：R_com,i＝B_u(i)·R_i。

如图12所示，在算法数据初始化中，考虑配电网基本结构特征，智能粒子各维速度向量v对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，当针对第i条分支线上风电场、储能单元时，其粒子速度表达式为：Pcut当电源用电不匹配措施

v_i＝[ΔP_DGi...ΔP_ESSDi...ΔP_ESSCi...ΔP_cut]^T (20)

在每次求解粒子运动迭代过程中，改进算法提出了扰动因子的概念，针对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力，具体表达式为：

式中，μ(t)为高斯扰动因子系数，

为历史最优位置，maxcycle为最大循环次数，t为当前循环次数，rand服从[-0.5,0.5]内均匀分布，

为对应第i 条分支线第k次循环变量增量。

进化过程中，以综合脆弱性作为适应度函数，比较智能粒子运动前后对应指标变化情况选择更优结果，即促进粒子主动配电网脆弱性减小方向运动，获得粒子运动变化方向。以第i条分支线，第k次迭代过程为例，

其中，L为学习因子，用以保存每次优化过程中有利于改善目标函数的运动轨迹，最终位置即为对应风电场最优出力结果。

请参照图13，图13为本发明协同优化运行系统的结构示意图。如图13所示，本发明协同优化运行系统，包括：

最优典型场景集合获得单元11：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合；

综合状态脆弱性指标模型获得单元12：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型；

最优出力结果获得单元13：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

进一步地，最优典型场景集合获得单元11包括：

模型建立模块111：根据配电网负荷特性、电源容量规模以及应用场合建立风电出力特性模型；

抽样模块112：根据风电出力特性模型通过随机抽样法获得样本集合；

最优典型场景集合输出模块113：将样本集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

再进一步地，综合状态脆弱性指标模型获得单元12包括：

第一脆弱度指标建立模块121：建立节点电压脆弱度指标；

第二脆弱度指标建立模块122：建立支路潮流脆弱度指标；

修正模块123：基于用户结构介数对节点电压脆弱度指标及支路潮流脆弱度指标进行修正获得综合状态脆弱性指标模型。

更进一步地，最优出力结果获得单元13包括：

出力结果计算模块131：考虑配电网基本结构特征，智能粒子各维速度向量对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，以获得每一最优典型场景下风电场的出力结果；

最优出力结果输出模块132：以综合状态脆弱性指标模型作为适应度函数，比较智能粒子运动前后对应指标变化情况以获得最优出力结果。

其中，出力结果计算模块针131对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力。

综上所述，本发明考虑以不同风电场出力为基础，通过聚类算法求解对应典型场景集合，在典型场景中调节风电场出力水平，以综合脆弱度作为适应度函数，求解最优出力策略，对各典型场景断面进行求解，得到最优出力集合，对其时序排列得到相应的出力优化策略，通过本发明，能够进一步提高严重通信故障过程中系统脆弱性，且简化计算步骤提高了计算效率。

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 (8)

1.一种通信故障下配电网风电场的协同优化运行方法，其特征在于，包括：

步骤S1：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合；

步骤S2：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型；其中包括：

步骤S21：建立节点电压脆弱度指标；

步骤S22：建立支路潮流脆弱度指标；

步骤S23：基于用户结构介数对节点电压脆弱度指标及支路潮流脆弱度指标进行修正获得综合状态脆弱性指标模型；

所述用户结构介数定义为：

式中，B_u(i)为元件i对应用户结构介数，

为在负荷点s_j处施加单位负荷时在元件i中产生的状态响应，n_j为施加负荷影响处的用户数量大小，n₀为系统内所有网络内用户数量总和；用户结构介数B_u(i)可分为用户节点介数与用户线路介数，用户节点介数中，

为在s_j与负荷点施加单位负荷时节点i处抬升电压值；用户线路介数中，

为在s_j与并网点处施加单位负荷时在线路i处经过的有功潮流值；

步骤S3：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

2.如权利要求1所述的协同优化运行方法，其特征在于，于所述步骤S1中包括：

步骤S11：根据配电网负荷特性、电源容量规模以及应用场合建立风电出力特性模型；

步骤S12：根据风电出力特性模型通过随机抽样法获得样本集合；

步骤S13：将样本集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

3.如权利要求1所述的协同优化运行方法，其特征在于，于所述步骤S3中包括：

步骤S31：考虑配电网基本结构特征，智能粒子各维速度向量对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，以获得每一最优典型场景下风电场的出力结果；

步骤S32：以综合状态脆弱性指标模型作为适应度函数，比较智能粒子运动前后对应指标变化情况以获得最优出力结果。

4.如权利要求3所述的协同优化运行方法，其特征在于，于所述步骤S31中还包括：

针对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力。

5.一种通信故障下配电网风电场的协同优化运行系统，其特征在于，包括：

最优典型场景集合获得单元：建立风电出力特性模型，根据风电出力特性模型进行抽样获得样本集合，根据聚类算法对样本集合进行处理获得最优典型场景集合；

综合状态脆弱性指标模型获得单元：建立表征脆弱节点和线路对用户影响程度的脆弱度指标，根据脆弱度指标形成综合状态脆弱性指标模型；

所述综合状态脆弱性指标模型获得单元包括：

第一脆弱度指标建立模块：建立节点电压脆弱度指标；

第二脆弱度指标建立模块：建立支路潮流脆弱度指标；

修正模块：基于用户结构介数对节点电压脆弱度指标及支路潮流脆弱度指标进行修正获得综合状态脆弱性指标模型；

所述用户结构介数定义为：

式中，B_u(i)为元件i对应用户结构介数，

为在负荷点s_j处施加单位负荷时在元件i中产生的状态响应，n_j为施加负荷影响处的用户数量大小，n₀为系统内所有网络内用户数量总和；用户结构介数B_u(i)可分为用户节点介数与用户线路介数，用户节点介数中，

为在s_j与负荷点施加单位负荷时节点i处抬升电压值；用户线路介数中，

为在s_j与并网点处施加单位负荷时在线路i处经过的有功潮流值；

最优出力结果获得单元：基于单粒子智能算法获得每一最优典型场景下风电场的出力结果，基于综合状态脆弱性指标模型对多个出力结果进行评价获得最优出力结果。

6.如权利要求5所述的协同优化运行系统，其特征在于，所述最优典型场景集合获得单元包括：

模型建立模块：根据配电网负荷特性、电源容量规模以及应用场合建立风电出力特性模型；

抽样模块：根据风电出力特性模型通过随机抽样法获得样本集合；

最优典型场景集合输出模块：将样本集合转化为多维坐标系的点集，各聚类中心对应代表每个类簇的典型场景参数，通过不断优化各类簇间距离函数获得最优典型场景集合。

7.如权利要求5所述的协同优化运行系统，其特征在于，所述最优出力结果获得单元包括：

出力结果计算模块：考虑配电网基本结构特征，智能粒子各维速度向量对应为主动配电网中不同电气物理分支线中对应风电场、储能单元功率优化方向，进行逐次修正，以获得每一最优典型场景下风电场的出力结果；

最优出力结果输出模块：以综合状态脆弱性指标模型作为适应度函数，比较智能粒子运动前后对应指标变化情况以获得最优出力结果。

8.如权利要求7所述的协同优化运行系统，其特征在于，所述出力结果计算模块针对不同循环阶段引入高斯扰动因子调整粒子运动速度，促使目标智能粒子多种角度进化增加全局搜索能力。

Images