CN112260271A - 一种配电网故障恢复策略的生成方法和装置 - Google Patents

一种配电网故障恢复策略的生成方法和装置 Download PDF

Info

Publication number
CN112260271A
CN112260271A CN202011077838.2A CN202011077838A CN112260271A CN 112260271 A CN112260271 A CN 112260271A CN 202011077838 A CN202011077838 A CN 202011077838A CN 112260271 A CN112260271 A CN 112260271A
Authority
CN
China
Prior art keywords
power
follows
scene
model
iteration
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
Application number
CN202011077838.2A
Other languages
English (en)
Other versions
CN112260271B (zh
Inventor
许寅
王颖
王小君
和敬涵
李猛
李晨
张佳宝
王维
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202011077838.2A priority Critical patent/CN112260271B/zh
Publication of CN112260271A publication Critical patent/CN112260271A/zh
Application granted granted Critical
Publication of CN112260271B publication Critical patent/CN112260271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明实施例提供了一种配电网故障恢复策略的生成方法和装置，所述方法包括：建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；通过场景采样方法，将所述随机规划模型转化为确定性规划模型；根据Benders分解法，对所述确定性规划模型进行求解，克服了风力发电机(WT)和光伏发电(PV)产生的不确定性从而可能导致孤岛功率不平衡，并进而导致重要负荷的二次断电的问题。

Description

一种配电网故障恢复策略的生成方法和装置
技术领域
本发明涉及配电网领域，尤其涉及一种配电网故障恢复策略的生成方法和装置。
背景技术
极端事件发生后，在配电网失去与大电网连接的情况下，配电系统可利用本地的可调度分布式电源(DG)，如柴油发电机和微型燃气轮机，以及不可调度的可再生能源发电资源，如风电(WT)和光伏(PV)等，对重要负荷进行供电恢复。重要负荷如医院、供水站、应急中心等，通过恢复供电维持其基本的社会功能，减小停电损失。在恢复过程中，控制中心根据系统信息和测量结果确定恢复策略，最终源网荷相互连接形成电气孤岛运行。恢复策略包括负荷的恢复状态(恢复或不恢复)、线路状态(连接或断开)和可调度DG功率输出。
配电网从停电后至大电网恢复供电之前，利用有限的发电资源进行负荷恢复所形成的、孤岛需要确保功率平衡并持续运行一段时间。WT和PV的出力不确定性波动是导致功率不平衡的直接原因。为了保持功率平衡，需要控制可调度DG跟踪WT和PV发电功率输出的变化。然而，可调度DG的功率调节能力是有限的，因此，可再生能源功率输出的显著波动可能会导致切负荷情况发生，即恢复后的重要负荷发生二次断电，产生巨大的次生损失。
切负荷可分为计划切负荷和非计划切负荷。WT/PV出力预测误差的不确定性可能增加非计划切负荷的风险。为了限制这种风险，需要可调度DG的备用能力。通过预留可调度DG的备用容量可以降低切负荷的风险，然而这种方式在一定程度上违背最大化恢复负荷的目的。
发明内容
本发明的实施例提供了一种配电网故障恢复策略的生成方法和装置，最大化恢复负荷的同时尽量减低切负荷风险。
一种配电网故障恢复策略的生成方法，包括：
建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
根据Benders分解法，对所述确定性规划模型进行求解。
一种配电网故障恢复策略的生成装置，包括：
模型建立单元，建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
转化单元，通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
求解单元，根据Benders分解法，对所述确定性规划模型进行求解。
由上述本发明的实施例提供的技术方案可以看出，通过建立考虑WT、PV出力不确定性的多时段恢复问题的两阶段混合整数线性规划模型，并将其通过场景采样的方法转化为确定性规划问题，最后提出基于Benders算法的求解算法，形成一种考虑可再生能源出力不确定性的配电网重要负荷恢复方法，可应用于在线恢复决策。该发明能够协调可再生能源和可调度DG，恢复更多的关键负荷同时尽量降低二次切负荷的风险。通过考虑切负荷惩罚，有效地减少了切负荷次数。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中配电网故障恢复策略的生成方法的流程示意图；
图2为本发明中改进的IEEE123节点测试算例的示意图；
图3为本发明中10个时间段内恢复的3个级别负荷的数量的示意图；
图4为本发明中调度DG的计划输出功率和备用功率的示意图；
图5为本发明中可调度DG的信息的示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
如图1所示，为本发明所述的一种配电网故障恢复策略的生成方法，包括：
步骤11，建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
步骤12，通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
步骤13，根据Benders分解法，对所述确定性规划模型进行求解。
所述步骤11包括：
第一阶段的问题具体为：
第一阶段问题的模型具体如下：
目标函数：
min-λ1F1+λ2F2+F3 (1)
Figure BDA0002717593050000041
Figure BDA0002717593050000042
Figure BDA0002717593050000043
变量：
Figure BDA0002717593050000044
Figure BDA0002717593050000045
Figure BDA0002717593050000046
Figure BDA0002717593050000047
Figure BDA0002717593050000048
Figure BDA0002717593050000049
αij∈{0,1},Fij，(i,j)∈ε；
Figure BDA00027175930500000410
约束条件：
Figure BDA00027175930500000411
Figure BDA00027175930500000412
Figure BDA00027175930500000413
Figure BDA00027175930500000414
Figure BDA00027175930500000415
Figure BDA00027175930500000416
Figure BDA00027175930500000417
Figure BDA00027175930500000418
Figure BDA00027175930500000419
Figure BDA00027175930500000420
Figure BDA00027175930500000421
其中，λ1和λ2为目标的权重因子，用来平衡目标的重要性，设置λ1>λ2>1；ε为线路的集合，
Figure BDA00027175930500000422
和
Figure BDA00027175930500000423
为时段集合和除第一时段以外的时段集合；
Figure BDA00027175930500000424
为所有节点和可调度分布式电源(DG)节点的集合；所有带t下标的字符表示相应含义在t时段的值；si,t为注入复功率，Sij,为两线间的传输功率，
Figure BDA0002717593050000051
为负荷复功率，
Figure BDA0002717593050000052
为可调度DG的复功率输出值，且
Figure BDA0002717593050000053
Figure BDA0002717593050000054
Figure BDA0002717593050000055
为WT/PV的输出功率预测值；
Figure BDA0002717593050000056
γi,t均为0-1整数变量，分别表示负荷是否恢复，1表示恢复，0表示未恢复，以及负荷是否被切，1表示切掉，0表示未切；mij为辅助变量；若i、j两线相连，则αij＝1，否则αij＝0；M记为一个正实数；vi,t为电压幅值的平方，vi,min、vi,max分别为vi,t的最小值和最大值；zij为线路阻抗；
Figure BDA0002717593050000057
和
Figure BDA0002717593050000058
为可调度DG的额定有功功率和额定无功功率；Fij表示线路的虚拟潮流；Di表示节点的虚拟需求，设置为1；
第二阶段问题具体为：
第二阶段问题的模型具体如下：
目标函数：
Figure BDA0002717593050000059
变量：
Figure BDA00027175930500000510
Figure BDA00027175930500000511
Figure BDA00027175930500000512
Figure BDA00027175930500000513
约束条件：
Figure BDA00027175930500000514
Figure BDA00027175930500000515
Figure BDA00027175930500000516
Figure BDA00027175930500000517
Figure BDA00027175930500000518
Figure BDA00027175930500000519
Figure BDA00027175930500000520
其中，
Figure BDA00027175930500000521
为可调度DG的上/下功率调整；
Figure BDA00027175930500000522
为WT/PV的复功率输出值，且
Figure BDA00027175930500000523
ε′为连接线路的集合。
步骤12包括：
步骤一：场景生成，具体包括：不确定性建模步骤、参数估计步骤和场景采样步骤；
其中，所述不确定性建模的步骤包括：
在恢复后形成的电气孤岛中，WT与PV在地理上相邻，其发电功率概率分布具有时空相关性；采用高斯混合GMM模型对WT和PV的联合发电概率密度函数进行建模，GMM是由加权高斯分量组成的概率密度函数，具体如下：
Figure BDA0002717593050000061
Figure BDA0002717593050000062
Figure BDA0002717593050000063
Figure BDA0002717593050000064
其中，φw为分量的权重系数；Nw(·)表示多元高斯分量的概率分布；随机向量
Figure BDA0002717593050000065
表示WT和PV的实际输出功率，且u中的元素按周期排序；μw、∑w分别为分量的期望和协方差矩阵；W为GMM的组成部分数量；GMM通过调整参数φw、μw和∑w来表征任意连续的概率分布，并且∑w反映了WT与PV的时空相关性；
所述参数估计步骤具体为：利用WT/PV输出功率的历史数据，采用期望最大化(EM)算法估计GMM的参数；
所述场景采样步骤具体为：
基于多变量分布的Cholesky分解的随机抽样方法，在前一步得到的GMM的基础上，生成场景；每个场景都有相同的概率，即
Figure BDA0002717593050000066
σn为场景n的概率，σn为采样场景的集合；
步骤二：进行问题重构：该步骤具体为：
在第一阶段问题中，使用上述方法生成的场景，调整F3，重写为可调度DGs的功率调整方案加权成本；将第一阶段问题的模型重新表述如下:
min-λ1F1+λ2F2+H (28)
Figure BDA0002717593050000067
约束条件：(5)—(15)
在第二阶段问题中，用采样输出功率代替随机输出功率，将模型重新表述如下：
Figure BDA0002717593050000071
约束条件：
Figure BDA0002717593050000072
Figure BDA0002717593050000073
Figure BDA0002717593050000074
Figure BDA0002717593050000075
Figure BDA0002717593050000076
Figure BDA0002717593050000077
Figure BDA0002717593050000078
其中，
Figure BDA0002717593050000079
为WT/PV的采样输出功率。
所述根据Benders分解法，对所述确定性规划模型进行求解的步骤包括：
主问题(MP)和子问题(SPs)定义如下：
MP：
min-λ1F1+λ2F2+θ (38)
约束条件：(5)—(15)
SP：
目标函数:(30)
约束条件：(31)—(37)
通过变量θ在迭代中使用外线性化方法逼近(28)中的函数H；在每一次迭代中，MP通过分枝-切割算法求解，通过MP得到可行解对每个场景求解对偶SP；SP对偶问题产生最优切割和可行性切割并将其添加到MP中；在下一次迭代中，再次求解基于前一次迭代更新后的MP，得到新的可行解；利用每次迭代中MP和SPs的目标值分别更新下界B和上界
Figure BDA00027175930500000710
直到最优性公差满足收敛标准
Figure BDA00027175930500000711
则问题解决。
步骤13包括：
第一步：初始化上界
Figure BDA0002717593050000081
下界B＝-∞；使用MP的初始可行解作为输入，在第一次迭代求解SPs，设
Figure BDA0002717593050000082
θ0＝-∞、迭代数τ＝0、最优容差标准ε＝10-6；
第二步：令τ＝τ+1，求解SPs；在算法中增加了最优切割和可行性切割，用
Figure BDA0002717593050000083
更新
Figure BDA0002717593050000084
第三步，求解MP；用B＝max{B,-λ1F1 (τ)+λ2F2 (τ)+θ(τ)}更新B；
第四步，当
Figure BDA0002717593050000085
时，停止迭代过程；否则，返回第二步。
以下描述本发明的应用场景。
本发明大停电后考虑可再生能源出力的不确定性，提出了一种配电网故障恢复策略生成方法，主要有以下步骤：
1)建立考虑风力发电机(WT)和光伏发电机(PV)发电不确定性的多时段重要负荷恢复问题的两阶段混合整数随机规划模型；也就是说，考虑风电和光伏发电不确定性的多时段重要负荷恢复问题的两阶段混合整数随机规划，并分别建立数学模型。
2)通过场景采样方法将模型转化为确定性规划问题；
3)提出Benders分解法对模型进行求解。
其中建立了考虑WT和PV发电不确定性的多时段重要负荷恢复问题的两阶段混合整数随机规划模型的步骤具体为：
1)第一阶段问题
第一阶段问题的模型具体如下：
目标包括最大化重要负荷累计供电时间，最小化切负荷损失，以及最小化第二阶段问题的目标函数期望值。采用最小-最大归一化方法对目标进行归一化。
目标函数：
min-λ1F1+λ2F2+F3 (1)
Figure BDA0002717593050000091
Figure BDA0002717593050000092
Figure BDA0002717593050000093
变量：
Figure BDA0002717593050000094
Figure BDA0002717593050000095
Figure BDA0002717593050000096
Figure BDA0002717593050000097
Figure BDA0002717593050000098
Figure BDA0002717593050000099
αij∈{0,1},Fij，(i,j)∈ε；
Figure BDA00027175930500000910
约束条件：
Figure BDA00027175930500000911
Figure BDA00027175930500000912
Figure BDA00027175930500000913
Figure BDA00027175930500000914
Figure BDA00027175930500000915
Figure BDA00027175930500000916
Figure BDA00027175930500000917
Figure BDA00027175930500000918
Figure BDA00027175930500000919
Figure BDA00027175930500000920
Figure BDA00027175930500000921
其中，λ1和λ2为目标的权重因子，用来平衡目标的重要性，本文设置λ1>λ2>1；ε为线路的集合，
Figure BDA00027175930500000922
和
Figure BDA00027175930500000923
为时段集合和除第一时段以外的时段集合；
Figure BDA00027175930500000924
为所有节点和可调度分布式电源(DG)节点的集合；所有带t下标的字符表示相应含义在t时段的值；si,t为注入复功率，Sij,为两线间的传输功率，
Figure BDA00027175930500000925
为负荷复功率，
Figure BDA00027175930500000926
为可调度DG的复功率输出值，且
Figure BDA00027175930500000927
Figure BDA0002717593050000101
Figure BDA0002717593050000102
为WT/PV的输出功率预测值；
Figure BDA0002717593050000103
γi,t均为0-1整数变量，分别表示负荷是否恢复(1表示恢复，0表示未恢复)以及负荷是否被切(1表示切掉，0表示未切)；mij为辅助变量；若i、j两线相连，则αij＝1，否则αij＝0；M记为一个较大的正实数；vi,t为电压幅值的平方，vi,min、vi,max分别为vi,t的最小值和最大值；zij为线路阻抗；
Figure BDA0002717593050000104
和
Figure BDA0002717593050000105
为可调度DG的额定有功功率和额定无功功率；Fij表示线路的虚拟潮流；Di表示节点的虚拟需求，可设置为1。式
Figure BDA0002717593050000106
为负荷节点集合，
Figure BDA0002717593050000107
和
Figure BDA0002717593050000108
为时段集合和除第一时段以外的时段集合。
约束(5)-(7)表示忽略线路损耗的线性潮流方程。约束(5)为各节点的潮流平衡约束。约束(6)定义了节点注入功率，包括来自可调度DG、WT/PV和负荷的功率。约束(7)是欧姆定律的变形。约束(8)-(9)表示可调度DG的有功和无功输出不超过其限制。约束(10)确保每个节点的电压都在预先设定的范围内。约束(11)为切负荷变量与负荷恢复状态变量的关系。约束(12)确保负荷状态在第一个时段确定后不会发生多次变化，以避免频繁地恢复和切除相同的负荷。约束(13)-(15)为辐射状拓扑约束。
2)第二阶段问题
第二阶段问题的模型具体如下：
目标函数：
第二阶段问题定义为在不同WT和PV功率输出场景下的运行目标，其目标是使可调度DG的功率调整成本最小化。
Figure BDA0002717593050000109
式中，带“(ξ)”后缀的变量是随机变量；c±为可调度DG的上/下功率调整成本；
Figure BDA00027175930500001010
为可调度DG的上/下功率调整。
变量：
Figure BDA00027175930500001011
Figure BDA00027175930500001012
Figure BDA00027175930500001013
Figure BDA00027175930500001014
约束条件：
Figure BDA0002717593050000111
Figure BDA0002717593050000112
Figure BDA0002717593050000113
Figure BDA0002717593050000114
Figure BDA0002717593050000115
Figure BDA0002717593050000116
Figure BDA0002717593050000117
其中，
Figure BDA0002717593050000118
为可调度DG的上/下功率调整；
Figure BDA0002717593050000119
为WT/PV的复功率输出值，且
Figure BDA00027175930500001110
ε′为连接线路的集合。
约束(17)-(19)表示线性潮流约束。约束(20)-(21)根据可调度DG提供的备用功率限制最大上/下功率调整。约束(22)限制可调度DG的无功输出。约束(23)限制每个节点上的电压。
步骤二为提出基于场景采样的方法将两阶段混合整数随机规划转化为确定性规划，也就是说，将两阶段混合整数随机规划转化为基于采样场景的确定性规划，提出了一种场景生成方法和问题重构。
具体如下：
1)场景生成方法
场景的生成分为三个步骤:不确定性建模、参数估计和场景采样。
(1)不确定性建模
在恢复后形成的电气孤岛中，WT与PV在地理上相邻，其发电功率概率分布具有时空相关性。本文采用高斯混合(GMM)模型对WT和PV的联合发电概率密度函数进行建模，GMM是由加权高斯分量组成的概率密度函数，具体如下：
Figure BDA00027175930500001111
Figure BDA00027175930500001112
Figure BDA00027175930500001113
Figure BDA00027175930500001114
其中，φw为分量的权重系数；Nw(·)表示多元高斯分量的概率分布；随机向量
Figure BDA0002717593050000121
表示WT和PV的实际输出功率，且u中的元素按周期排序；μw、∑w分别为分量的期望和协方差矩阵；W为GMM的组成部分数量。GMM可以通过调整参数φw、μw和∑w来表征任意连续的概率分布，并且∑w反映了WT与PV的时空相关性。
(2)参数估计
利用WT/PV输出功率的历史数据，采用期望最大化(EM)算法估计GMM的参数。
(3)场景采样
基于多变量分布的Cholesky分解的随机抽样方法，在前一步得到的GMM的基础上，生成场景。每个场景都有相同的概率，即σn＝1/|S|，σn为场景n的概率，σn为采样场景的集合。
2)问题重构
在第一阶段问题中，使用上述方法生成的场景，调整F3，重写为可调度DGs的功率调整方案加权成本。将第一阶段问题的模型重新表述如下:
min-λ1F1+λ2F2+H (28)
Figure BDA0002717593050000122
约束条件：(5)—(15)
在第二阶段问题中，用采样输出功率代替随机输出功率，将模型重新表述如下：
Figure BDA0002717593050000123
约束条件：
Figure BDA0002717593050000124
Figure BDA0002717593050000125
Figure BDA0002717593050000126
Figure BDA0002717593050000127
Figure BDA0002717593050000131
Figure BDA0002717593050000132
Figure BDA0002717593050000133
其中，
Figure BDA0002717593050000134
为WT/PV的采样输出功率。
步骤三为采用Benders分解法对确定性模型进行求解，减少大量场景所带来的计算量大的难题。
主问题(MP)和子问题(SPs)定义如下：
MP：
min-λ1F1+λ2F2+θ (38)
约束条件：(5)—(15)
SP：
目标函数:(30)
约束条件：(31)—(37)
其主要思想是通过变量θ在迭代中使用外线性化方法逼近(28)中的函数H。在每一次迭代中，MP通过分枝-切割算法求解，通过MP得到可行解对每个场景求解对偶SP。SP对偶问题产生最优切割和可行性切割并将其添加到MP中。在下一次迭代中，再次求解基于前一次迭代更新后的MP，得到新的可行解。利用每次迭代中MP和SPs的目标值分别更新下界B和上界
Figure BDA0002717593050000135
直到最优性公差满足收敛标准
Figure BDA0002717593050000136
问题解决。
该算法由四个步骤组成：
第一步：初始化上界
Figure BDA0002717593050000137
下界B＝-∞；使用MP的初始可行解作为输入，在第一次迭代求解SPs，设
Figure BDA0002717593050000138
θ0＝-∞、迭代数τ＝0、最优容差标准ε＝10-6。
第二步：令τ＝τ+1，求解SPs。在算法中增加了最优切割和可行性切割，用
Figure BDA0002717593050000139
更新
Figure BDA00027175930500001310
第三步，求解MP。用
Figure BDA00027175930500001311
更新B。
第四步，当
Figure BDA0002717593050000141
时，停止迭代过程；否则，返回第二步。
本发明的大停电后考虑可再生能源出力不确定性的配电网故障恢复策略生成方法，配电网多时段负荷恢复问题的两阶段混合整数规划建模，并通过场景采样方法将模型转化为确定性规划问题，并基于Benders算法的求解算法，最后达到生成可靠的恢复策略的目的。
本发明主要包括三项内容，首先针对WT和PV发电不确定性的多时段重要负荷恢复策问题并提出了两阶段混合整数随机规划，然后通过场景采样方法将模型转化为确定性规划问题，最后提出Benders分解法求解算法。该发明能够协调可再生能源和可调度DG，恢复更多的关键负荷同时尽量降低二次切负荷的风险。通过考虑切负荷惩罚，有效地减少了切负荷次数。该方法有望帮助电网公司调度人员充分利用可再生能源的发电能力，制定配电网重要负荷恢复计划。
本发明旨在克服风力发电机(WT)和光伏发电(PV)产生的不确定性从而可能导致孤岛功率不平衡，并进而导致重要负荷的二次断电的问题。
以下通过利用IEEE 123节点测试算例验证所提发明的有效性。
图2是含有9个DG的改进IEEE 123节点测试系统，包括3个可调度DG、3个PV和3个WT。系统包含负荷共85个，总需求3490kW+j1920kVar。每个负荷的优先级分配如图2所示。线路(54,94)和(151,300)是停电前处于常开状态的联络线。可调度DG的信息列于图5。
10个时段内恢复的负荷数目如图3所示。所有一级和二级负荷可以在所有时期内恢复。有16个三级负荷未恢复，即负荷1、6、24、33、35、43、50、52、63、74、77、79、87、88、90和109。另外，三级负荷62、69、73在第6时段切除。对于恢复后的拓扑，线路(13,18)断开，其他线路闭合。可调度DG的计划功率输出和备用功率如图4所示。
本发明通过建立考虑WT、PV出力不确定性的多时段恢复问题的两阶段混合整数线性规划模型，并将其通过场景采样的方法转化为确定性规划问题，最后提出基于Benders算法的求解算法，形成一种考虑可再生能源出力不确定性的配电网重要负荷恢复方法，可应用于在线恢复决策。本发明合理的恢复策略，综合考虑和权衡可调度DG的容量分配，最大化恢复负荷的同时尽量减低切负荷风险了。
本发明还提供一种配电网故障恢复策略的生成装置，包括：
模型建立单元，建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
转化单元，通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
求解单元，根据Benders分解法，对所述确定性规划模型进行求解。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种配电网故障恢复策略的生成方法，其特征在于，包括：
建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
根据Benders分解法，对所述确定性规划模型进行求解。
2.如权利要求1所述的方法，其特征在于，所述建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型的步骤包括：
第一阶段的问题具体为：
第一阶段问题的模型具体如下：
目标函数：
min-λ1F1+λ2F2+F3 (1)
Figure FDA0002717593040000011
Figure FDA0002717593040000012
Figure FDA0002717593040000013
变量：
Figure FDA0002717593040000014
Figure FDA0002717593040000015
Figure FDA0002717593040000016
Figure FDA0002717593040000017
Figure FDA0002717593040000018
Figure FDA0002717593040000019
αij∈{0，1}，Fij，(i，j)∈ε；
Figure FDA00027175930400000110
约束条件：
Figure FDA00027175930400000111
Figure FDA00027175930400000112
Figure FDA0002717593040000021
Figure FDA0002717593040000022
Figure FDA0002717593040000023
Figure FDA0002717593040000024
Figure FDA0002717593040000025
Figure FDA0002717593040000026
Figure FDA0002717593040000027
Figure FDA0002717593040000028
Figure FDA0002717593040000029
其中，λ1和λ2为目标的权重因子，用来平衡目标的重要性，设置λ1＞λ2＞1；ε为线路的集合，
Figure FDA00027175930400000210
和
Figure FDA00027175930400000211
为时段集合和除第一时段以外的时段集合；
Figure FDA00027175930400000212
为所有节点和可调度分布式电源(DG)节点的集合；所有带t下标的字符表示相应含义在t时段的值；si，t为注入复功率，Sij，t为两线间的传输功率，
Figure FDA00027175930400000213
为负荷复功率，
Figure FDA00027175930400000214
为可调度DG的复功率输出值，且
Figure FDA00027175930400000215
Figure FDA00027175930400000216
Figure FDA00027175930400000217
为WT/PV的输出功率预测值；
Figure FDA00027175930400000218
γi，t均为0-1整数变量，分别表示负荷是否恢复，1表示恢复，0表示未恢复，以及负荷是否被切，1表示切掉，0表示未切；mij为辅助变量；若i、j两线相连，则αij＝1，否则αij＝0；M记为一个正实数；vi，t为电压幅值的平方，vi，min、vi，max分别为vi，t的最小值和最大值；zij为线路阻抗；
Figure FDA00027175930400000219
和
Figure FDA00027175930400000220
为可调度DG的额定有功功率和额定无功功率；Fij表示线路的虚拟潮流；Di表示节点的虚拟需求，设置为1；
第二阶段问题具体为：
第二阶段问题的模型具体如下：
目标函数：
Figure FDA00027175930400000221
变量：
Figure FDA00027175930400000222
Figure FDA00027175930400000223
Figure FDA0002717593040000031
Figure FDA0002717593040000032
约束条件：
Figure FDA0002717593040000033
Figure FDA0002717593040000034
Figure FDA0002717593040000035
Figure FDA0002717593040000036
Figure FDA0002717593040000037
Figure FDA0002717593040000038
Figure FDA0002717593040000039
其中，
Figure FDA00027175930400000310
为可调度DG的上/下功率调整；
Figure FDA00027175930400000311
为WT/PV的复功率输出值，且
Figure FDA00027175930400000312
ε′为连接线路的集合。
3.如权利要求1所述的方法，其特征在于，所述通过场景采样方法，将所述随机规划模型转化为确定性规划模型的步骤包括：
步骤一：场景生成，具体包括：不确定性建模步骤、参数估计步骤和场景采样步骤；
其中，所述不确定性建模的步骤包括：
在恢复后形成的电气孤岛中，WT与PV在地理上相邻，其发电功率概率分布具有时空相关性；采用高斯混合GMM模型对WT和PV的联合发电概率密度函数进行建模，GMM是由加权高斯分量组成的概率密度函数，具体如下：
Figure FDA00027175930400000313
Figure FDA00027175930400000314
Figure FDA00027175930400000315
Figure FDA00027175930400000316
其中，φw为分量的权重系数；Nw(·)表示多元高斯分量的概率分布；随机向量
Figure FDA00027175930400000317
表示WT和PV的实际输出功率，且u中的元素按周期排序；μw、∑w分别为分量的期望和协方差矩阵；W为GMM的组成部分数量；GMM通过调整参数φw、μw和∑w来表征任意连续的概率分布，并且∑w反映了WT与PV的时空相关性；
所述参数估计步骤具体为：利用WT/PV输出功率的历史数据，采用期望最大化(EM)算法估计GMM的参数；
所述场景采样步骤具体为：
基于多变量分布的Cholesky分解的随机抽样方法，在前一步得到的GMM的基础上，生成场景；每个场景都有相同的概率，即
Figure FDA0002717593040000041
σn为场景n的概率，σn为采样场景的集合；
步骤二：进行问题重构：该步骤具体为：
在第一阶段问题中，使用上述方法生成的场景，调整F3，重写为可调度DGs的功率调整方案加权成本；将第一阶段问题的模型重新表述如下：
min-λ1F1+λ2F2+H (28)
Figure FDA0002717593040000042
约束条件：(5)-(15)
在第二阶段问题中，用采样输出功率代替随机输出功率，将模型重新表述如下：
Figure FDA0002717593040000043
约束条件：
Figure FDA0002717593040000044
Figure FDA0002717593040000045
Figure FDA0002717593040000046
Figure FDA0002717593040000047
Figure FDA0002717593040000048
Figure FDA0002717593040000049
Figure FDA00027175930400000410
其中，
Figure FDA00027175930400000411
为WT/PV的采样输出功率。
4.如权利要求1所述的方法，其特征在于，所述根据Benders分解法，对所述确定性规划模型进行求解的步骤包括：
主问题(MP)和子问题(SPs)定义如下：
MP：
min-λ1F1+λ2F2+θ (38)
约束条件：(5)-(15)
SP：
目标函数：(30)
约束条件：(31)-(37)
通过变量θ在迭代中使用外线性化方法逼近(28)中的函数H；在每一次迭代中，MP通过分枝-切割算法求解，通过MP得到可行解对每个场景求解对偶SP；SP对偶问题产生最优切割和可行性切割并将其添加到MP中；在下一次迭代中，再次求解基于前一次迭代更新后的MP，得到新的可行解；利用每次迭代中MP和SPs的目标值分别更新下界B和上界
Figure FDA0002717593040000051
直到最优性公差满足收敛标准
Figure FDA0002717593040000052
则问题解决。
5.如权利要求4所述的方法，其特征在于，所述根据Benders分解法，对所述确定性规划模型进行求解的步骤包括：
第一步：初始化上界
Figure FDA0002717593040000053
下界B＝-∞；使用MP的初始可行解作为输入，在第一次迭代求解SPs，设
Figure FDA0002717593040000054
Figure FDA0002717593040000055
θ0＝-∞、迭代数τ＝0、最优容差标准ε＝10-6；
第二步：令τ＝τ+1，求解SPs；在算法中增加了最优切割和可行性切割，用
Figure FDA0002717593040000056
更新
Figure FDA0002717593040000057
第三步，求解MP；用
Figure FDA0002717593040000058
更新B；
第四步，当
Figure FDA0002717593040000059
时，停止迭代过程；否则，返回第二步。
6.一种配电网故障恢复策略的生成装置，其特征在于，包括：
模型建立单元，建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
转化单元，通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
求解单元，根据Benders分解法，对所述确定性规划模型进行求解。
CN202011077838.2A 2020-10-10 2020-10-10 一种配电网故障恢复策略的生成方法和装置 Active CN112260271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011077838.2A CN112260271B (zh) 2020-10-10 2020-10-10 一种配电网故障恢复策略的生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011077838.2A CN112260271B (zh) 2020-10-10 2020-10-10 一种配电网故障恢复策略的生成方法和装置

Publications (2)

Publication Number Publication Date
CN112260271A true CN112260271A (zh) 2021-01-22
CN112260271B CN112260271B (zh) 2022-08-12

Family

ID=74242466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011077838.2A Active CN112260271B (zh) 2020-10-10 2020-10-10 一种配电网故障恢复策略的生成方法和装置

Country Status (1)

Country Link
CN (1) CN112260271B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242560A (zh) * 2021-04-21 2021-08-10 南通大学 一种upf部署与ue调度多阶段规划方法、装置及设备
CN113346462A (zh) * 2021-06-02 2021-09-03 国网河北省电力有限公司电力科学研究院 一种基于预测电压幅值的花瓣型配电网联络线路保护方法
CN113346484A (zh) * 2021-05-28 2021-09-03 西安交通大学 一种考虑暂态不确定性的配电网弹性提升方法及系统
CN115995815A (zh) * 2023-03-23 2023-04-21 国网山西省电力公司电力科学研究院 一种基于多模块嵌套迭代的负荷故障恢复方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108964051A (zh) * 2018-08-27 2018-12-07 广西大学 一种电力系统预防调度与恢复调度协调优化策略构建方法
KR101951117B1 (ko) * 2017-09-06 2019-02-21 한양대학교 산학협력단 풍력 발전용 제어 시스템
US20200153273A1 (en) * 2018-11-13 2020-05-14 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Post-Disaster Resilient Restoration of Power Distribution System
CN111478358A (zh) * 2019-11-06 2020-07-31 南瑞集团有限公司 一种计及分布式电源不确定性的配电网鲁棒恢复决策方法
CN111555280A (zh) * 2020-05-29 2020-08-18 山东大学 基于电-气综合能源系统的弹性配电网灾后恢复控制方法
CN111711222A (zh) * 2019-12-31 2020-09-25 武汉大学 一种基于降压节能技术的配电网计划孤岛概率恢复方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101951117B1 (ko) * 2017-09-06 2019-02-21 한양대학교 산학협력단 풍력 발전용 제어 시스템
CN108964051A (zh) * 2018-08-27 2018-12-07 广西大学 一种电力系统预防调度与恢复调度协调优化策略构建方法
US20200153273A1 (en) * 2018-11-13 2020-05-14 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Post-Disaster Resilient Restoration of Power Distribution System
CN111478358A (zh) * 2019-11-06 2020-07-31 南瑞集团有限公司 一种计及分布式电源不确定性的配电网鲁棒恢复决策方法
CN111711222A (zh) * 2019-12-31 2020-09-25 武汉大学 一种基于降压节能技术的配电网计划孤岛概率恢复方法
CN111555280A (zh) * 2020-05-29 2020-08-18 山东大学 基于电-气综合能源系统的弹性配电网灾后恢复控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AMIN GHOLAMI ET AL.: "A Hierarchical Response-Based Approach to the Load Restoration Problem", 《IEEE TRANSACTIONS ON SMART GRID》 *
CHEN LI ET AL.: "Distributed Generation for Service Restoration Considering Uncertainties of Intermittent Energy Resources", 《2018 IEEE 8TH ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER)》 *
陈光宇等: "基于博弈策略含风电和机组运行极限约束的多目标优化调度模型及求解", 《太阳能学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242560A (zh) * 2021-04-21 2021-08-10 南通大学 一种upf部署与ue调度多阶段规划方法、装置及设备
CN113346484A (zh) * 2021-05-28 2021-09-03 西安交通大学 一种考虑暂态不确定性的配电网弹性提升方法及系统
CN113346462A (zh) * 2021-06-02 2021-09-03 国网河北省电力有限公司电力科学研究院 一种基于预测电压幅值的花瓣型配电网联络线路保护方法
CN113346462B (zh) * 2021-06-02 2022-06-24 国网河北省电力有限公司电力科学研究院 一种基于预测电压幅值的花瓣型配电网联络线路保护方法
CN115995815A (zh) * 2023-03-23 2023-04-21 国网山西省电力公司电力科学研究院 一种基于多模块嵌套迭代的负荷故障恢复方法
CN115995815B (zh) * 2023-03-23 2023-06-13 国网山西省电力公司电力科学研究院 一种基于多模块嵌套迭代的负荷故障恢复方法

Also Published As

Publication number Publication date
CN112260271B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN112260271B (zh) 一种配电网故障恢复策略的生成方法和装置
Chen et al. Multi-time step service restoration for advanced distribution systems and microgrids
Huang et al. Adaptive droop-based hierarchical optimal voltage control scheme for VSC-HVdc connected offshore wind farm
Huang et al. Distributed optimal co-multi-microgrids energy management for energy internet
Martins et al. Active distribution network integrated planning incorporating distributed generation and load response uncertainties
Nasrolahpour et al. A stochastic security constrained unit commitment model for reconfigurable networks with high wind power penetration
Zhou et al. Compartmentalization strategy for the optimal economic operation of a hybrid AC/DC microgrid
Zhao et al. Distributed risk-limiting load restoration for wind power penetrated bulk system
Chen et al. Stochastic dynamic economic dispatch of wind-integrated electricity and natural gas systems considering security risk constraints
CN111711184B (zh) 一种基于最坏场景辨识的电力系统鲁棒经济调度方法
Liu et al. Collaborative distribution system restoration planning and real-time dispatch considering behind-the-meter DERs
Cao et al. Chance-constrained optimal configuration of BESS considering uncertain power fluctuation and frequency deviation under contingency
Meng et al. Offshore transmission network planning for wind integration considering AC and DC transmission options
Tian et al. Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization
Igder et al. Service restoration through microgrid formation in distribution networks: A review
Ramesh et al. Reducing congestion-induced renewable curtailment with corrective network reconfiguration in day-ahead scheduling
Nakiganda et al. A stochastic-robust approach for resilient microgrid investment planning under static and transient islanding security constraints
Michaelson et al. A predictive energy management strategy with pre-emptive load shedding for an islanded PV-battery microgrid
Liu et al. Utilizing aggregated distributed renewable energy sources with control coordination for resilient distribution system restoration
Xu et al. Upgrading conventional distribution networks by actively planning distributed generation based on virtual microgrids
Kaluthanthrige et al. Evaluation of hierarchical controls to manage power, energy and daily operation of remote off-grid power systems
Hong et al. Under-frequency load shedding in a standalone power system with wind-turbine generators using fuzzy PSO
Zhang et al. Multiple sources restoration for soft open points in distribution networks with a two-stage accelerated algorithm
Nikoobakht et al. Flexible co-operation of TCSC and corrective topology control under wind uncertainty: An interval-based robust approach
Chen et al. Optimal placement of pv smart inverters with volt-var control in electric distribution systems

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