CN113991737B - 一种可再生能源并网的主动配电网鲁棒优化故障恢复方法 - Google Patents

一种可再生能源并网的主动配电网鲁棒优化故障恢复方法 Download PDF

Info

Publication number
CN113991737B
CN113991737B CN202111288027.1A CN202111288027A CN113991737B CN 113991737 B CN113991737 B CN 113991737B CN 202111288027 A CN202111288027 A CN 202111288027A CN 113991737 B CN113991737 B CN 113991737B
Authority
CN
China
Prior art keywords
distribution network
fault recovery
power distribution
power
constraint
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
CN202111288027.1A
Other languages
English (en)
Other versions
CN113991737A (zh
Inventor
马天祥
贾伯岩
庞宪海
罗蓬
段昕
贾静然
景皓
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111288027.1A priority Critical patent/CN113991737B/zh
Publication of CN113991737A publication Critical patent/CN113991737A/zh
Application granted granted Critical
Publication of CN113991737B publication Critical patent/CN113991737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于，所述方法包括以下步骤：步骤1，基于并网的所述可再生能源中不同出力方式的实际出力生成自然决策者的控制变量u2；步骤2，基于所述主动配电网的相关约束，生成系统决策者的控制变量u1；步骤3，以所述主动配电网的失电量最低为目标函数、以鲁棒优化为约束条件，基于所述自然决策者的控制变量、系统决策者的控制变量以及二者之间的均衡关系，实现主动配电网鲁棒优化的故障恢复模型的构建；步骤4，采用松弛法分别对两阶段的故障恢复模型进行求解，以得到最优的故障恢复方案。本发明方法，采用鲁棒优化模型，充分考虑到可再生能源出力最不利的情况，提高方案的适用性。

Description

一种可再生能源并网的主动配电网鲁棒优化故障恢复方法
技术领域
本发明涉及智能输配电领域，更具体地，涉及一种可再生能源并网的主动配电网鲁棒优化故障恢复方法。
背景技术
主动配电网(Active Distribution Network，ADN)能够将不同形式的分布式发电、储能设备、负荷进行集成，并辅之以能量管理系统、继电保护系统、监测控制系统进行管理，因此，对于提升分布式发电(Distributed Generation，DG)消纳水平以及系统运行经济性和可靠性有着重要意义。
随着配电网中可再生能源渗透率的提升，如何在故障恢复过程中计及可再生能源出力对其的影响，通过合理适用的模型制定故障恢复计划并提升系统供电可靠性已成为一门重要课题。具体来说，配电网故障恢复是指在系统发生支路故障时通过网络拓扑结构的调整，将故障点进行隔离的同时，调用分布式发电等手段最大程度恢复供电的过程。现有技术中，已有较多建立配电网故障恢复模型的技术方案。
这些技术方案中，一方面主要是针对传统配电网的故障恢复建模形成的。例如，《基于蚁群算法的配电网故障后恢复重构》，张雅等，电气应用26.009(2007):41-44.中不仅公开了将蚁群算法应用于非故障失电区域的供电恢复重构问题，而且提出了可操作开关集的概念，从而缩小了寻优空间。《基于待恢复树切割的配电网故障恢复实时算法》，吴文传等，电力系统自动化，第27卷第12期，2003年6月25日中提出了待恢复树的概念，充分利用失电区的网络呈辐射状的特点，把问题转化为待恢复树切割问题。另一方面则是针对含有分布式发电并网的配电网进行的故障恢复建模。例如，《基于不确定二层规划模型的主动配电网故障恢复方法》，马天祥等，电力系统保护与控制，第47卷第6期，2019年3月16日中公开了针对含分布式风力和光伏发电并网的主动配电网故障恢复问题，基于博弈论方法并采取混沌粒子群算法分别设计上层优化和下层优化的求解过程，得到配电网故障恢复方案。《考虑光伏及负荷时变型性的配电网故障恢复》，王雨婷等，电网技术，第40卷第9期，2016年9月中公开了配电网故障恢复二层规划模型，并通过上下层模型之间的关联实现了配电网故障恢复与孤岛划分整体寻优，同时采用蚁群算法和遗传算法对上下层模型进行求解。
除此之外，针对配电网故障恢复的求解，现有技术中也存在多种求解方法，例如启发式搜索和遗传算法、禁忌搜索算法、蚁群算法、多代理理论等等，都取得了较为良好的效果。
然而，随着主动配电网中可再生能源渗透率的提高，可再生能源出力的不确定性将对配电网的故障恢复结果起到较为显著的影响。传统的主动配电网故障恢复模型虽然计及到分布式发电出力，但其得出的故障恢复方案仅仅是考虑该不确定性得出的综合性方案。上述综合方案虽然能够在通常情况下保障供电的可靠性，却无法在可再生能源出力最不利的情况下，对于故障恢复的效果进行准确的预估。换言之，现有技术中的各类方法，并未充分考虑到可再生能源出力最不利的情况对故障恢复结果的影响。
针对上述问题，本发明中提出了一种可再生能源并网的主动配电网鲁棒优化故障恢复方法。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，采用鲁棒优化模型，将可再生分布式能源的出力作为自然决策者，与系统决策者同时选取合适的控制变量，使得故障恢复目标函数取值最优。
本发明的场景是考虑到故障恢复模型中可再生能源出力最不利的情况对故障恢复结果的影响，从而使得故障恢复方案的适用性和鲁棒性更优。这种场景适合基于鲁棒优化理论建立主动配电网故障恢复模型。
鲁棒优化是一种解决不确定性问题强有力的工具，通过区间形式描述变量的不确定性，可以使得约束条件在不确定性变量的取值范围内都能够满足。在鲁棒优化中，可以将可再生分布式能源的出力拟人化看作另一位决策者即自然决策者，其控制变量的选取目标是使得故障恢复目标函数取值最不优。同时，配电网故障恢复决策者看作是与可再生能源出力相对立的另一个决策者即系统决策者，其目标是使得故障恢复模型目标函数取值最优。两者的控制变量相互耦合和影响，形成一个动态的博弈过程。系统决策者的任务是考虑到可再生能源出力策略的情况下尽可能最优化系统的目标函数，也即需要考虑到自然决策者策略对自身影响最不利的情况下进行优化，是一个典型的鲁棒优化问题。
本发明基于鲁棒优化理论，针对含可再生能源并网的主动配电网建立故障恢复模型。首先建立主动配电网故障恢复基本模型，在此基础上考虑到模型区间不确定性建立鲁棒优化故障恢复模型。采用两阶段松弛法设计鲁棒优化模型的求解流程，并采用二进制粒子群-混沌粒子群混合智能算法进行求解。
本发明采用如下的技术方案。
一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其中，方法包括以下步骤：步骤1，基于并网的可再生能源中不同出力方式的实际出力生成自然决策者的控制变量u2；步骤2，基于主动配电网的网络拓扑约束、开关状态约束、系统功率平衡约束、分布式发电运行约束以及节点电压约束，生成系统决策者的控制变量u1；步骤3，以主动配电网的失电量最低为目标函数、以鲁棒优化为约束条件，基于自然决策者的控制变量、系统决策者的控制变量以及二者之间的均衡关系，实现主动配电网鲁棒优化的故障恢复模型的构建；步骤4，采用松弛法分别对两阶段的故障恢复模型进行求解，以得到最优的故障恢复方案，求解过程基于系统决策者的控制变量u1和自然决策者的控制变量u2的特征选择采用二进制粒子群算法、混沌粒子群算法或二者的混合。
优选地，步骤1中，分别获取时段t下的光伏实际出力和风电实际出力获得自然决策者的控制变量/>
优选地，基于主动配电网的相关约束，提取系统决策者的控制变量中的开关状态参量k1,k2,…,ki,…,kQ；其中，开关状态参量ki为故障恢复计划中总计Q个开关中第i个开关的开关状态，当ki＝1时，开关处于合位，当ki＝0时，开关处于分位；其中，基于配电网的网络拓扑约束g∈G获取故障恢复方案中的开关集合g＝1,2,…,i,…,Q；基于配电网的相关约束获得开关状态参量k1,k2,…,ki,…,kQ。
优选地，采用广度优先搜索法对求解过程中开关集合g是否满足配电网的网络拓扑约束g∈G进行验证。
优选地，基于主动配电网的系统功率平衡约束和分布式发电运行约束，提取系统决策者的控制变量中的单元出力PMT,PFC,Pgrid,PESS,PWT,PPV；其中，PMT为配电网中的微燃机出力，PFC为燃料电池出力，Pgrid为配电网与外网的交换功率，PESS为储能出力，PWT为风电消纳功率，PPV为光伏消纳功率；
系统功率平衡约束包括配电网主网络约束和所述配电网中孤岛部分约束；其中，时段t下，主网络约束为：
式中，MADN为配电网的主网络节点集合，为节点m在执行故障恢复后的实际运行功率，Ploss(t)为时段t下的主网络损耗功率；
时段t下，孤岛部分约束为：
式中，q为配电网中的孤岛编号，Mq为第q个孤岛的节点集合，为节点m在执行故障恢复后的实际运行功率，Ploss,q(t)为时段t下的第q个孤岛的网络损耗功率。
优选地，分布式发电运行约束包括微燃机的出力门限约束、燃料电池的出力门限约束、时段t下的剩余储能容量约束、时段t下的储能充放电功率约束、时段t下分布式光伏消纳功率PWT(t)约束以及时段t下分布式风电消纳功率PPV(t)约束。
优选地，基于主动配电网的网络拓扑约束、节点电压约束，提取系统决策者的控制变量中故障恢复后的节点功率其中，/>为第j个节点故障恢复后的功率，N为配电网中的节点数量。
优选地，节点电压约束为Uj*,min≤Uj*≤Uj*,max；其中，Uj*,min和Uj*,max分别为所述节点电压的最大值和最小值；节点电压基于节点的有功功率和无功功率计算，有
式中，j*为与第j个节点直接或间接相邻的其他节点，Pj*与Qj*分别为该节点的有功功率、无功功率，Uj*与Uj分别为第j*个节点和第j个节点电压幅值，Gj*j为j*与j节点之间的电导，Bj*j为j*与j节点之间的电纳，δj*j为j*与j节点之间的电压相位角之差。
优选地，主动配电网鲁棒优化的故障恢复模型为
其中，U1为系统决策者的可行策略集，U2为自然决策者的可行策略集，j(u1,u2)≤0为鲁棒优化的不等式约束；
与/>为鲁棒优化的目标函数，且有
uj(t)为时段t下第j个节点的失电系数，cj为第j个节点在配电网中的重要程度权重，Pj(t)为时段t下第j个节点的负荷水平。
优选地，采用松弛算法对最优解(u1,u2)和松弛函数f(u1,n,u2,n)-λnh(u1,n,u2,n)进行迭代计算，直到所述松弛函数满足收敛条件f(u1,n,u2,n)-λnh(u1,n,u2,n)≤σn+ξ为止；生成满足收敛条件时的最优解(u1,n,u2,n)作为最优的故障恢复方案；其中，n为迭代次数，u1,n和u2,n分别为第n次迭代获取的最优解u1和最优解u2，λn和σn分别为第n次迭代生成的对偶变量和辅助松弛变量，ξ为足够小的正数。
优选地，松弛算法的第一阶段故障恢复模型为
其中，λ为对偶变量，σ为辅助松弛变量，n为迭代次数，为满足第w个不等式约束的自然决策者的控制变量u2在前次迭代后的取值，x为鲁棒优化的不等式约束h(u1,u2)≤0的数量；
采用第n-1次迭代获取的控制参数(λn-1,σn-1)，对第一阶段进行第n次迭代求解，得到第n次迭代的最优解和控制参数(λn,σn)；
优选地，松弛算法的第二阶段故障恢复模型为
将第一阶段得到的最优解和控制参数(λn,σn)代入第二阶段公式，得到最优解和目标函数/>采用收敛条件对目标函数进行验证，以判断第n次迭代生成的目标函数是否满足收敛要求，若满足则结束迭代，并以第n次迭代生成的最优解(u1,n,u2,n)作为所述最优的故障恢复方案，若不满足则继续进行第n+1次迭代，直到生成最优的故障恢复方案。
优选地，第n次迭代过程中，结合二进制粒子群算法与混沌粒子群算法，以第一阶段的故障恢复模型作为目标函数进行求解，获得粒子适应度函数；其中，系统决策者的控制变量u1中的开关状态参量k1,k2,…,ki,…,kQ中的每一个作为二进制粒子群的粒子，采用二进制粒子群算法更新速度和位置；系统决策者的控制变量u1中的单元出力PMT,PFC,Pgrid,PESS,PWT,PPV和故障恢复后的节点功率中的每一个作为混沌粒子群的粒子，采用混沌粒子群算法更新速度和位置。
优选地，采用公式 对系统决策者的控制变量u1中的单元出力PMT,PFC,Pgrid,PESS,PWT,PPV和故障恢复后的节点功率/>中的每一个粒子进行速度和位置的更新；其中，/>为结合二进制粒子群算法与混沌粒子群算法mix的第i个粒子在第s代中的粒子位置。
优选地，基于第一阶段的故障恢复模型的粒子群算法获得第n次迭代生成的最优解和控制参数λn，以自然决策者的控制变量u2中的每一参量/>作为粒子，对第二阶段的故障恢复模型进行求解，以获得粒子适应度函数。
优选地，采用公式对自然决策者的控制变量u2中的每一个粒子/>进行速度和位置的更新；其中，/>采用二进制粒子群算法获得，/>采用公式/>获得。
优选地，采用混沌粒子群算法，以第二阶段的故障恢复模型作为目标函数进行求解，获得粒子适应度函数，并将的全局最优粒子作为自然决策者策略的故障恢复方案。
本发明的有益效果在于，与现有技术相比，本发明中的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，能够采用鲁棒优化模型，将可再生分布式能源的出力作为自然决策者，与系统决策者同时选取合适的控制变量，使得故障恢复目标函数取值最优。在对目标函数进行求解的过程中，本发明的方法采用二进制粒子群与混沌粒子群相结合的混合智能算法对目标函数进行求解，从而充分考虑到可再生能源出力最不利的情况对故障恢复结果的影响，使得故障恢复方案的适用性和鲁棒性更优。
本发明的有益效果还包括：
1、本发明中，功率平衡约束主要考虑了系统外的交换功率，系统内的微燃机、燃料电池出力、可再生能源的出力与消纳、储能的出力与消纳以及其他的网络损耗功率之和与各个主网络节点中供电功率之间的关联。由于这一项约束中，排除了一个或多个故障恢复后形成的孤岛的相关功率，因此充分的考量了故障恢复过程中，以及故障恢复后，根据故障恢复策略所形成的配电网中每一个局部网络中功率与消纳的平衡，充分防止了故障恢复后，由于现有技术的算法中鲁棒程度不高所导致的局部网络的供电不充分或不平衡的问题。
2、由于失电负荷量受到可再生能源出力的影响，配电网故障恢复的过程中，无论是高估还是低估了可再生能源出力，配电网系统都将面临较大的损失。因此，本发明中，将传统的能源出力与可再生能源出力的情况区分为两个向量，采用两个步骤，依次对于目标函数进行求解，从而使得计算结果较为准确，降低了配电网系统的损失。
3、由于配电网故障恢复模型测的控制变量中的开关状态集为0-1离散变量，同时还包含其他的连续控制变量，因此一般的智能算法难以适用于求解该问题。为了解决这一问题，本发明中采用了结合二进制粒子群与混沌粒子群的混合智能算法对所建立的鲁棒优化故障恢复模型进行第一层松弛算法求解。通过这种方法，合理的考虑到不同参数的自有特性，从而根据参数的特性对参数进行分类，并采用不同的粒子群算法针对不同特性的参数进行计算，从而通过混合的智能算法得到更加准确的故障恢复计算结果。
附图说明
图1为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的步骤流程示意图；
图2为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法中含高渗透率可再生能源并网的主动配电网的网络架构示意图；
图3为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法中故障恢复器件风电光伏区间上下限及负荷水平随时间变化的示意图；
图4为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的第一实施例中故障区间内分布式发电运行调整情况随时间变化的示意图；
图5为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的第二实施例中故障区间内分布式发电运行调整情况随时间变化的示意图；
图6为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的第一与第二实施例中失电负荷量与可再生能源渗透率之间关系的比较示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
需要说明的是，现有技术中建立的大多数主动配电网故障恢复模型并没有考虑到风光出力的不确定性。事实上，可再生能源出力作为自然决策者，将直接影响到故障恢复指标的达成甚至故障恢复方案的可行性，系统决策者在故障恢复模型中必须进行考虑。
图1为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的步骤流程示意图。如图1所示，本发明涉及一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其方法包括步骤1至步骤4。
首先，步骤1中，基于并网的可再生能源中不同出力方式的实际出力生成自然决策者的控制变量u2。
本发明中，将可再生能源出力作为自然决策者，本发明并未考虑所有并网的可再生能源类型，而是采用目前主要参与并网的光伏出力和风电出力作为可再生能源出力的典型方式，对控制变量u2的获取方式进行说明。
具体的，步骤1中，分别获取时段t下的光伏实际出力和风电实际出力/>以生成自然决策者的控制变量/>
一方面，光伏(Photo-voltaic，PV)出力的随机性在鲁棒优化中需要采用区间形式进行描述，具体如式(1)和式(2)所示。
式中，为配电网对分布式光伏在时段t的预测功率，/>表示分布式光伏在时段t的实际出力和预测功率的偏差；/>和/>分别表示该偏差的最小值和最大值。
另一方面，风电(Wind-turbine，WT)出力的随机性采用区间形式进行描述，具体如式(3)和式(4)表示。
式中，为配电网对分布式风电在时段t的预测功率，/>表示分布式风电在时段t的实际功率和预测功率的偏差；/>和/>分别表示该偏差的最小值和最大值。
需要说明的是，本发明中公式(2)和(4)分别为光伏出力与风电出力策略的约束条件。
其次，步骤2中，基于主动配电网的网络拓扑约束、开关状态约束、系统功率平衡约束、分布式发电运行约束以及节点电压约束，生成系统决策者的控制变量u1。
主动配电网故障恢复计划需要满足多种不同的约束条件，下文将分别针对这些约束条件的原则和内容进行说明。
第一，网络拓扑约束。主动配电网通常采用闭环设计但开环辐射状运行的方式。因此，故障恢复方案中的系统网络拓扑应当满足该约束。如果不满足该约束，则可能引起较大环流，从而导致继电保护误动或拒动等问题。
第二，开关状态约束。为了保障开关操作次数不会超过系统限定的额度，可以设计相应的约束条件，以防止系统内开关的操作符合预设要求。
第三，系统功率平衡约束。参考到故障恢复期间，配电网可能会形成孤岛，因此，可以针对配电网中的主网络部分，和各个孤岛部分分别进行系统层的功率平衡约束建模，从而获得相应的约束公式。
第四，分布式发电运行约束。主动配电网在运行期间，会对于可控的微电源的运行计划进行相应的调整。然而微电源的调节应当符合微电源的调节要求，例如，该调节应当与微燃机、燃料电池等系统内设备的出力限值相适应。对于存在储能调节的配电网还应当考虑储能的剩余容量、充放电功率限值，以及容量与功率之间的对应关系等。
第五，节点电压约束。主动配电网故障恢复后，每一个相关节点上的电压取值应当符合每一节点上的功率平衡。因此，可以根据功率平衡的潮流方程对于节点电压约束进行计算。
针对上述多种约束内容，本发明可以获得系统决策者的控制变量u1中的各项参数，以及各项参数自身，或者各项参数之间的约束关系。本发明的算法并不局限于上述五种约束方式，其他类型的配电网约束，也可以被增加至本发明的计算方法中。另一方面，为了减少算法的计算量，也可以减少约束方式至主要的几个约束条件。
具体的，基于主动配电网的相关约束，提取系统决策者的控制变量中的开关状态参量k1,k2,…,ki,…,kQ；其中，开关状态参量ki为故障恢复计划中总计Q个开关中第i个开关的开关状态，当ki＝1时，开关处于合位，当ki＝0时，开关处于分位。
配电网的辐射状网络约束公式为
g∈G (5)
式中，g为系统拓扑结构。G为满足该约束的故障恢复方案开关状态集合。本发明中，可以采用广度优先搜索法对求解过程中控制变量是否满足该约束进行验证。
根据上述内容可知，本发明方法可以首先基于配电网的网络拓扑约束g∈G获取故障恢复方案中的开关集合g＝1,2,…,i,…,Q；其次，在获得合适的开关集合后，对于上述开关集合中的每一个开关进行状态判断，例如，基于配电网的网络拓扑约束和开关状态约束Oi≤Oi,max和其他的相关约束获得所述开关状态参量k1,k2,…,ki,…,kQ。
对于开关状态约束Oi≤Oi,max来说，其中，Oi为配电网中第i个开关在执行故障恢复计划之后的累积操作次数，Oi,max为第i个开关的最大限制操作次数。本发明为了获得开关的状态参数，除了选用网络拓扑约束和开关状态约束之外，还会根据本发明中涉及的其他相关约束中对于节点功率或节点电压的要求，而根据系统决策者或自然决策者生成相应的选择，也就是相应的开关开断状态。
根据开关状态的约束可知，每一个开关状态参量k1,k2,…,ki,…,kQ均为二进制的取值中的0或1。因此，可以预见，对这样的状态参量采用混沌粒子群算法进行求解，其结果必然是不够准确的。为了实现对于开关状态参量的求解，本发明中采用了二进制粒子群算法。这部分内容将在后文中具体说明。
除了对于开关状态参量k1,k2,…,ki,…,kQ进行获取之外，本发明中还利用系统功率平衡约束和分布式发电运行约束提取了单元出力相关的参量。
具体的，基于主动配电网的系统功率平衡约束和分布式发电运行约束，提取系统决策者的控制变量中的单元出力PMT,PFC,Pgrid,PESS,PWT,PPV；其中，PMT为配电网中的微燃机(Micro-turbine，MT)出力，PFC为燃料电池(Fuel Cell，FC)出力，Pgrid为配电网与外网(Grid)的交换功率，PESS为储能(Energy Storage System，ESS)出力，PWT为风电消纳功率，PPV为光伏消纳功率。
考虑到故障恢复期间，主动配电网可能形成多个孤岛，因此功率平衡约束针对主网和可能的孤岛分别进行建模。因此，系统功率平衡约束中分别包括配电网主网络约束和配电网中孤岛部分约束。
其中，时段t下，主网络约束为：
式中，MADN为配电网的主网络节点集合，为节点m在执行故障恢复后的实际运行功率，Ploss(t)为时段t下的主网络损耗功率。
可见，对于该项约束，本发明中，主要考虑了系统外的交换功率，系统内的微燃机、燃料电池出力、可再生能源的出力与消纳、储能的出力与消纳以及其他的网络损耗功率之和与各个主网络节点中供电功率之间的关联。
由于这一项约束中，排除了一个或多个故障恢复后形成的孤岛的相关功率，因此充分的考量了故障恢复过程中，以及故障恢复后，根据故障恢复策略所形成的配电网中每一个局部网络中功率与消纳的平衡，充分防止了故障恢复后，由于现有技术的算法中鲁棒程度不高所导致的局部网络的供电不充分或不平衡的问题。
另一方面，时段t下，孤岛部分约束为：
式中，q为配电网中的孤岛编号，Mq为第q个孤岛的节点集合，为节点m在执行故障恢复后的实际运行功率，Ploss,q(t)为时段t下的第q个孤岛的网络损耗功率。
与上文中对主网络部分进行的系统功率平衡约束类似，本发明中，对于配电网中的每一个孤岛，也单独进行了相应的约束。在约束过程中，将每一孤岛看作为一个小型的配电网，其中也类似的包括孤岛q内系统与外部网络之间的交换功率Pgrid,q(t)、孤岛q内的微燃机出力PMT,q(t)、孤岛q内的燃料电池出力PFC,q(t)等等项目。将上述系统出力与系统储能或系统消纳求和，其结果应当与孤岛内部的每一节点的功率集合相等。
另一方面，分布式发电运行约束包括微燃机的出力门限约束、燃料电池的出力门限约束、时段t下的剩余储能容量约束、时段t下的储能充放电功率约束、时段t下分布式光伏消纳功率PWT(t)约束以及时段t下分布式风电消纳功率PPV(t)约束。
具体来说，根据配电网中微燃机的型号、出力限值等特征，可以获得微燃机的出力门限约束其中，/>为配电网中的微燃机的最大出力限值。同样的，燃料电池的出力门限约束为/>
另外，根据配电网中的储能设备的储能能力，也可以获得时段t下储能剩余容量EESS(t)的相关约束为其中，/>为储能最低放电深度，/>为储能最高充电深度。
第三，根据配电网中储能设备的充放电功率，可以得到储能充放电功率约束为其中，PESS(t)为时段t下储能的充电或放电功率，/>为储能的最小充放电功率门限，/>为储能的最大充放电功率门限。
第四，根据储能的自耗电系数，以及储能的充放电效率，可以获得储能设备的充放电功率与充放电容量之间的内部约束，该约束的公式为
在该公式中，时段t+1的起始时刻与时段t的起始时刻之间存在Δt长度的时间差。在Δt长度的时间内，可以假设充放电功率是恒定的，因此，根据储能的自耗电系数DESS、储能的当前容量QESS、储能的放电效率ηdis和充电效率ηch对于储能的实际容量的变化值进行求解，从而得出上述约束公式。
第五，分别考虑每一种可再生能源的并网状态，从而根据前文公式(1)和公式(2)所估计出来的光伏实际出力和风电实际出力，来约束本发明中分布式发电运行的光伏消纳功率PPV(t)和风电消纳功率PWT(t)。
另一方面，本发明中还基于主动配电网的网络拓扑约束、节点电压约束，提取系统决策者的控制变量中故障恢复后的节点功率其中，/>为第j个节点故障恢复后的功率，N为配电网中的节点数量。
可以理解的是，本发明中每一个节点的电压值均可以通过系统多个节点中注入的有功功率、无功功率，以及多个不同节点之间的电导、电纳、相角差进行获取。
系统的潮流方程为式(9)和(10)所示，
式中，j*为与第j个节点直接或间接相邻的其他节点，Pj*与Qj*分别为该节点的有功功率、无功功率，Uj*与Uj分别为第j*个节点和第j个节点电压幅值，Gj*j为j*与j节点之间的电导，Bj*j为j*与j节点之间的电纳，δj*j为j*与j节点之间的电压相位角之差。
节点电压可以基于上文中节点的有功功率和无功功率计算公式进行获取，然后采用节点电压约束公式，获得本项约束的具体内容。其中，节点电压约束公式为Uj*,min≤Uj*≤Uj*,max；Uj*,min和Uj*,max分别为节点电压的最大值和最小值。
基于主动配电网的网络拓扑约束、节点电压约束，提取系统决策者的控制变量中故障恢复后的节点功率其中，/>为第j个节点故障恢复后的功率，N为配电网中的节点数量。
根据上文中的相关约束，可知，本发明中实际涉及的相关参数的内容，可以被整理为如公式(11)所示，
如公式(15)所示，系统决策者的变量中的内容较多，即可以包括系统决策者在故障后，选择的系统中所具有的各个开关以及各个开关的状态，也包括各种产能或耗能的设备的功率值，同时还包括系统中所有的节点的功率值。根据上述三种参数的描述，系统决策者就可以充分的了解配电网的当前状态。
另外，自然决策者的相关控制变量的数量较少，本发明中由于只采用了风电和光伏两种可再生能源，因此，控制变量的数量为2，分别为两种可再生能源的出力。
本发明第三部分，步骤3中，以主动配电网的失电量最低为目标函数、以鲁棒优化为约束条件，基于自然决策者的控制变量、系统决策者的控制变量以及二者之间的均衡关系，实现主动配电网鲁棒优化的故障恢复模型的构建。
本发明中，需要对主动配电网鲁棒优化的故障恢复模型进行建模。在建模过程中，一方面需要考虑主动配电网中开关状态集的状态选择，另一方面也需要考虑微电源的出力以及可再生能源的消纳功率的调整。通过同时实现两个方面的擦做，使得配电网自动的从故障中恢复过来。
然而，对于主动配电网来说，其首要的目标仍然应当是恢复系统的总体供电。相比于功率紧张所引起的失电负荷损失，系统可优化的其他运行成本基本上可以忽略，因此以故障期间应当以失电损失量最低为目标函数，具体如式(16)所示：
在该公式中，N为主动配电网的负荷节点总数量；PLj(t)为t时段第j个负荷节点的失电系数，当PL(t)＝1时表示第j个负荷节点发生了失电，PLj(t)＝0时表示第j个负荷节点没有发生失电；cj为第j个负荷节点的重要程度权重，可以根据配电网的网络拓扑结构在系统中预先配置相应的取值；Pj(t)为第j个节点i时段的负荷水平。
事实上，失电负荷量受到可再生能源出力的影响，配电网故障恢复的过程中，无论是高估还是低估了可再生能源出力，配电网系统都将面临较大的损失。因此，本发明中，将传统的能源出力与可再生能源出力的情况区分为两个向量，采用两个步骤，依次对于目标函数进行求解，从而使得计算结果较为准确，降低了配电网系统的损失。
具体来说，本发明考虑到系统决策者和自然决策者之间的博弈，对式(16)中的故障恢复模型进行了鲁棒优化，从而获得如式(17)中所述的故障恢复模型：
其中，U1为系统决策者的可行策略集，U2为自然决策者的可行策略集，h(u1,u2)≤0为鲁棒优化的不等式约束；与/>为鲁棒优化的目标函数，且有PLj(t)为时段t下第j个节点的失电系数，cj为第j个节点在所述配电网中的重要程度权重，Pj(t)为时段t下第j个节点的负荷水平。
实际上故障恢复方案需要制定的是u1，而u2只是作为模拟自然条件不利情况的控制变量，因此模型(17)中的目标函数实际上为式(18)的形式。
可见，式(18)只是u2取值最大，也就是最不利的情况下，u1取值使得系统失电最少的情况。
当系统选择了策略u1∈U时，假设自然决策者是理性的，那么自然决策者对该策略的回应集如式(19)所示。
系统决策者知晓自然决策者的回应集，因此系统决策者将会调整自身的策略为u1 *∈U1，使得式(20)成立。
在系统选择策略u1 *∈U1下，自然决策者将会选择策略u2 *∈K(u1)，如果有则称(u1 *,u2 *)为该鲁棒优化的鞍点解(saddle-point solution)或纳什(Nash)均衡点。在该均衡点上则意味着决策双方均无法通过改变策略进一步优化自身的目标函数，即对于任意的(u1,u2)有如式(21)和式(22)所示的情况成立
本发明中，采用松弛算法对纳什均衡点进行求解。具体来说，采用松弛算法对最优解(u1,u2)和松弛函数f(u1,n,u2,n)-λnh(u1,n,u2,n)进行迭代计算，直到松弛函数满足收敛条件f(u1,n,u2,n)-λnh(u1,n,u2,n)≤σn+ξ为止；生成满足收敛条件时的最优解(u1,n,u2,n)作为所述最优的故障恢复方案；其中，n为迭代次数，u1,n和u2,n分别为第n次迭代获取的最优解u1和最优解u2，λn和σn分别为第n次迭代生成的对偶变量和辅助松弛变量，ξ为足够小的正数。
最后，步骤4中，采用松弛法分别对两阶段的故障恢复模型进行求解，可以理解的是，本发明中采用了两阶段松弛法设计求解流程，以得到最优的故障恢复方案，求解过程基于系统决策者的控制变量u1和自然决策者的控制变量u2的特征选择采用二进制粒子群算法、混沌粒子群算法或二者的混合。
其中，松弛算法的第一阶段故障恢复模型可以为系统决策者的视角，其计算公式为
其中，λ为对偶变量，σ为辅助松弛变量，n为迭代次数，为满足第w个不等式约束的自然决策者的控制变量u2的取值，x为鲁棒优化的不等式约束h(u1,u2)≤0的数量；采用第n-1次迭代获取的控制参数(λn-1,σn-1)，对第一阶段进行第n次迭代求解，得到第n次迭代的最优解/>和控制参数(λn,σn)。
对于第一阶段来说，可以在第一次迭代开始前，从策略集内采用随机选的方式实现对自然决策者的控制变量的初始化。另外，初始化时，还可以设置对偶变量的取值和辅助松弛变量的取值。
由于公式(23)中的不等式约束的数量为x，因此，对第一阶段进行的每一次迭代中，都需要重复的计算x次，并最终得到
松弛算法的第二阶段故障恢复模型可以为自然决策者的视角，计算公式为
将第一阶段得到的最优解和控制参数(λn,σn)代入第二阶段公式，得到最优解和目标函数/>采用收敛条件对目标函数进行验证，以判断第n次迭代生成的目标函数是否满足收敛要求，若满足则结束迭代，并以第n次迭代生成的最优解(u1,n,u2,n+1)作为最优的故障恢复方案，若不满足则继续进行第n+1次迭代，直到生成最优的故障恢复方案。
本发明中，获得的最优解(u1,n,u2,n+1)为鲁棒优化故障恢复模型的最优解。由于采用了二层松弛算法，该模型能够在有限的步骤内实现收敛。
由于配电网故障恢复模型测的控制变量中的开关状态集为0-1离散变量，同时还包含其他的连续控制变量，因此一般的智能算法难以适用于求解该问题。为了解决这一问题，本发明中采用了结合二进制粒子群与混沌粒子群的混合智能算法对所建立的鲁棒优化故障恢复模型进行第一层松弛算法求解。
具体来说，第n次迭代过程中，结合二进制粒子群算法与混沌粒子群算法，以第一阶段的故障恢复模型作为目标函数进行求解，获得粒子适应度函数；其中，系统决策者的控制变量u1中的开关状态参量k1,k2,…,ki,…,kQ中的每一个作为二进制粒子群的粒子，采用二进制粒子群算法更新速度和位置；系统决策者的控制变量u1中的单元出力PMT,PFC,Pgrid,PESS,PWT,PPV和故障恢复后的节点功率中的每一个作为混沌粒子群的粒子，采用混沌粒子群算法更新速度和位置。
具体来说，本发明采用二进制粒子群算法首先对于开关状态参量k1,k2,…,ki,…,kQ进行粒子速度更新和位置更新，从而获得二进制参数U(1)中第ibin个粒子在第s次粒子群迭代中的粒子位置 具体的计算公式为
式中，ibin为二进制算法的粒子编号，且有ibin＝1,2,…,Np，其中Np为总粒子数量，为第ibin个粒子第s次粒子群迭代中的历史最优值，/>为种群到第s次粒子群迭代的全局最优点，/>和/>分别为第ibin个粒子在第s+1次和第s次迭代中的速度；和/>分别为第ibin个粒子在第s+1次和第s次迭代中的位置；c1、c2是学习因子；r1、r2是[0,1]之间均匀分布的随机数。/>表示第ibin个粒子第d维在第s次迭代时的位置变量，r为随机数，位于区间[0,1]上。/>表示第ibin个粒子第d维在第s次迭代时的速度变量。
其中，Sigmoid()函数的计算公式为
另外，采用公式 对系统决策者的控制变量u1中的单元出力PMT,PFC,Pgrid,PESS,PWT,PPV和故障恢复后的节点功率/>中的每一个粒子进行速度和位置的更新；其中，/>为结合二进制粒子群算法与混沌粒子群算法mix的第i个粒子在第s代中的粒子位置。
具体来说，本发明在对开关状态参量进行求解后，还会采用混沌粒子群算法对于单元出力和继电功率进行粒子速度更新和位置更新，从而获得混沌参数U(2)中第imix个粒子在第s次粒子群迭代中的粒子位置
本发明中，这部分参数所采用的混沌粒子群算法的计算公式为
其中，ichs为混沌粒子群算法中的粒子编号，为第ichs个粒子第s次混沌迭代的个体极值点；/>为种群到第s次混沌迭代的全局极值点；/>和/>分别为第ichs个粒子在第s+1代和第s代的速度；/>和/>分别为第ichs个粒子在第s+1代和第s代的位置；c3、c4是学习因子；r3、r4是[0，1]之间的均匀分布随机数。
也就是说，本发明在每一步中针对当前全局最优粒子引入混沌搜索，即以式/>获得时，会对k1(imix,s),k2(imix,s),…,kj(imix,s),…,kQ(imix,s)参数的取值进行混沌搜索，从而获得/>中相应的参数的值。
本发明根据上述方法进行混合粒子群算法(本发明中记为mix)的迭代，从而更新全局最优粒子和每个粒子的历史最优取值。在每次迭代完成后，本发明都会对全局最优解进行判定，判定全局最优解是否收敛。如果全局最优解是收敛的，则将最优粒子的位置作为主动配电网故障恢复方案。如果全局最优解并未收敛，则继续迭代。
由于本发明的算法最初进行了初始化的过程，且在初始化的过程中，输入了负荷节点数目、网络拓扑结构、故障信息、粒子群算法的相关参数之后，还规定了最大的迭代次数。因此，在每次迭代完成后，都会判断当前是否到达了最大迭代次数，并在到达最大迭代次数后，直接将全局最优粒子作为结果输出。
由于松弛算法的第二阶段故障恢复模型中并不存在0-1变量，因此，第二阶段中，以第一步骤为基础采用一次混沌粒子群算法即可求解。
具体的，采用混沌粒子群算法(本发明中记为chaos)，以第二阶段的故障恢复模型作为目标函数进行求解，获得粒子适应度函数，并将的全局最优粒子作为自然决策者策略的故障恢复方案。
需要说明的是，本发明中，基于第一阶段的故障恢复模型的粒子群算法获得第n次迭代生成的最优解和控制参数λn，以自然决策者的控制变量u2中的每一参量/>作为粒子，对第二阶段的故障恢复模型进行求解，以获得粒子适应度函数。
具体来说，采用公式对自然决策者的控制变量u2中的每一个粒子/>进行速度和位置的更新；其中，/>采用二进制粒子群算法获得，/>采用公式/>获得。
与一般的混沌粒子群算法的步骤类似，本发明中会首先初始化混沌粒子群算法的粒子种群，粒子种群为然后，针对每一个粒子所对应的自然决策者策略计算目标函数，本发明中的目标函数可以为获取粒子适应度函数后，更新全局最优粒子和每个粒子的历史最优取值。
随后，采用公式对/> 中的粒子进行位置和速度的更新。当全局最优解收敛时，则输出全局最优粒子为自然决策者的策略。否则，继续迭代直到最大迭代次数，并输出当前的全局最优粒子。
为了对上述方法进行验证，本发明中通过仿真算例验证了所建立模型的有效性，并分析了可再生能源渗透率对故障恢复结果的影响。
图2为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法中含高渗透率可再生能源并网的主动配电网的网络架构示意图。如图2所示，河北省某地含可再生能源并网的主动配电网制定故障恢复系统中，包含42个负荷节点，有数量较多的馈线支路，其中支路22-5、支路28-9、支路31-34、支路38-8、支路42-19和支路7-18为联络线支路。主动配电网采用闭环设计，开环运行的原则，当配电网处于正常运行方式时，联络线支路断开，而在故障恢复时期需要调用这些联络线支路的供电容量。节点9和15分别并网接入光伏(photovoltaic cell，PV)PV1和PV2，其发电容量均为3.6MW。节点4和8并网接入风电(windturbine，WT)WT1和WT2，其发电容量均为4MW。此外，系统还分别在节点14、12、19并网接入微燃机(microturbine，MT)，燃料电池(fuel cell，FC)和储能设备(storage battery，SB)(本发明中，将其记录为储能系统ESS)在故障恢复期间提供功率支撑。配电网总负荷容量为37.38MVA，可再生能源的综合渗透率达到了40.66％。
各个负荷节点的重要程度权重cj如表1所示，设置如表2所示的两种方式支路永久性故障分别制定故障恢复方案。在故障恢复期间，可控微电源出力和可再生能源消纳以10min为一个时段进行动态调节，以适应系统运行工况的变化。
表1主动配电网负荷节点重要程度权重表
故障方式 故障支路 故障持续时长 故障起始时间
第一实施例 10-11 1h 11：00
第二实施例 4-5 1h 11：00
表2主动配电网故障场景设置
图3为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法中故障恢复器件风电光伏区间上下限及负荷水平随时间变化的示意图。如图3所示，故障恢复期间主动配电网的光伏发电出力区间、风电出力区间均具备不确定性。此外节点电压约束中的分别为主动配电网额定电压的95％和105％，线路单位阻抗为0.642+j0.101/km，储能充放电效率为95％，自放电系数为0.03。
本文采用二进制粒子群-混沌粒子群混合智能算法在matlab2012仿真平台上运行，计算机平台的CPU为AMD A8处理器，8GB内存，粒子种群数目为120，最大迭代次数为160代，两个学习因子均为2，惯性权重系数为0.6。
运行所建立的主动配电网鲁棒优化故障恢复模型，可以分别得到第一实施例和第二实施例下的系统故障恢复方案以及分布式发电运行方案。其中，系统在第一实施例的故障恢复计划如表3所示。
表3第一实施例中主动配电网故障恢复计划表
从表3中可以看出，第一实施例中故障支路10-11作为主动配电网供电主干路上的支路，发生故障对供电可靠性的影响较大。第一实施例中，故障恢复中心首先通过合上联络线支路7-18打通对节点11后续负荷节点的送电路径。由于联络线支路供电容量有限，配电网不得已需要对一些负荷节点进行失电。由于负荷节点11的重要程度权重较低，故障恢复中心通过断开支路11-12中断对节点11的供电。在联络线支路电源侧，为了节省供电容量，故障恢复中心同理通过断开支路9-10中断对节点10的供电。由于负荷节点30的重要权重程度较低，因此系统通过断开支路29-30和支路30-31使得节点30成为失电负荷节点，同时又由于节点31是一级负荷，其失电造成的破坏较为严重，因此故障恢复中心又合上了联络线支路34-31恢复对节点31的供电。在第一实施例中，配电网没有形成孤岛，这主要是因为该故障方式下配电网受到的影响还并不是最为严重的，通过对适当数目的负荷节点形成失电负荷节点，系统仍然能够在保持网络辐射状约束的前提下满足功率平衡约束。
第一实施例中的主动配电网分布式发电运行在故障恢复期间的调整计划如图3所示，其中第0个时段为故障发生前一个时段，第1时段到第6时段为故障恢复期间的时段。
图4为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的第一实施例中故障区间内分布式发电运行调整情况随时间变化的示意图。如图4所示，在第一实施例中，系统在制定开关状态集之后迅速调整分布式发电的出力情况。在第一时段，微燃机的出力由225kW迅速上升到650kW，燃料电池的出力由380kW迅速上升到了600kW。微燃机作为并网接在节点14运行的可控微电源，其出力的迅速调整提升了节点14及其附近节点的功率裕度，降低了节点13、节点15成为失电负荷节点的可能性。燃料电池并网接入节点12运行，尽管在第一实施例下节点11仍然成为了失电负荷节点，但是燃料电池出力的调整避免了节点29和节点13成为失电负荷节点，降低了配电网失电负荷量。事实上，在第一实施例中，系统失电负荷节点数目为3，系统在故障恢复期间的失电负荷量为2642.951kWh。
同样的，系统在第二实施例中的故障恢复计划如表4所示。
表4第二实施例中的主动配电网故障恢复计划表
如表4所示，由于第二实施例中的故障支路4-5距离主动配电网的公共耦合点更接近，因此发生永久性故障时对系统供电可靠性造成的影响相比于故障方式一要严重得多。当在第二实施例中，配电网的主要供电路径受到破坏，导致节点5之后的主干线路以及支路上均失电，故障恢复中心首先通过合上联络线开关22-5和28-8恢复对后续支路的供电。然而由于联络线供电容量有限，系统首先通过断开支路2-3和支路3-4对节点3进行失电。接着在链路23-28上，故障恢复中心通过断开支路24-25和26-27将重要程度较低的节点25、26进行失电，同时通过合上联络线28-9恢复对重要负荷节点27、28的供电。同理，针对链路29-31，故障恢复中心通过断开支路29-30和支路30-31使得节点30失电，而这主要是为了能够合上联络线支路34-31恢复一级重要程度的节点31供电，如果不对节点30失电，则一方面配电网无法有足够的容量通过节点30向节点31供电，另一方面合上支路34-31又使得系统不满足网络辐射状约束。接着，故障恢复中心考虑到系统功率紧张，一方面通过对次要节点10和11失电以便将功率供电给更加重要的节点，同时通过合上联络线7-18恢复对后续节点的送电路径。在故障恢复计划实行后，主动配电网通过断开支路18-19和支路41-42形成了唯一一个孤岛即孤岛(19，42)，该孤岛能够通过岛内储能进行供电，维持岛内的供电需求。通过形成孤岛，能够将储能设备和风电出力优先用于满足重要负荷节点19和42的供电，如果直接并网接入节点18运行，则分布式发电将会外送可能使得节点19和42重新成为失电负荷节点，同时又破坏了系统网络辐射状约束。通过该开关状态集方案，主动配电网发生失电的负荷节点有3，25，26，10，11，30，16，41，尽最大可能地降低了失电负荷量，减轻支路故障引起的不利影响。
图5为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的第二实施例中故障区间内分布式发电运行调整情况随时间变化的示意图。在第二实施例中，系统在故障恢复期间分布式发电出力调整计划如图5所示。
由于第二实施例相比于第一实施例更为严重，因此系统更加需要分布式发电的出力调节来维持系统功率平衡。在第一时段，微燃机的出力由225kW迅速上升到900kW，燃料电池的出力由380kW迅速上升到了700kW，直接达到了满载的状态。同样，微燃机作为并网接在节点14运行的可控微电源，其出力的迅速调整提升了节点14及其附近节点的功率裕度，降低了节点13、节点15成为失电负荷节点的可能性。燃料电池并网接入节点12运行，其出力调整降低了节点29、节点13成为失电负荷节点的可能。可控分布式发电出力相比于故障方式一调整程度更大，用于补充其余不能通过公共耦合点获取电能的负荷节点，降低了失电负荷量。事实上，在第二实施例中，系统失电负荷节点数目为7，系统在故障恢复期间的失电负荷量为6197.582kWh。
表5为两种故障方式下故障恢复指标对比表。如表5所示，第二实施例相比于第一实施例要更加严重，导致的失电负荷量更高同时故障恢复计划更加复杂。
故障方式 第一实施例 第二实施例
失电负荷量 2578.62kWh 6351.03kWh
失电负荷节点数 3 7
开关操作次数 10 18
形成孤岛数目 无 1
表5两种故障方式下故障恢复指标对比表
图6为本发明一种可再生能源并网的主动配电网鲁棒优化故障恢复方法的第一与第二实施例中失电负荷量与可再生能源渗透率之间关系的比较示意图。为了考察可再生能源渗透率对故障恢复结果的影响，分别在第一实施例和第二实施例下设置系统不同的可再生能源渗透率，得到系统失电负荷量与渗透率的关系如图6所示。
无论是第一实施例还是第二实施例，随着可再生能源渗透率的提升，系统制定的故障恢复方案下失电负荷量越低。然而随着渗透率的提高，失电负荷量的降低程度不断减少，这一方面是因为鲁棒优化故障恢复模型中对可再生能源的消纳方案更加保守，另一方面也是主动配电网支路传输容量限值导致的结果。
本发明的有益效果在于，与现有技术相比，本发明中的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，考虑到可再生能源接入主动配电网对故障恢复方案制定的影响，以故障期间失电负荷损失量最低为目标函数，计及各类约束条件建立主动配电网故障恢复基本模型，针对可再生能源出力采用区间形式建立其不确定性模型，从而将故障恢复中心和可再生能源出力作为系统决策者和自然决策者建立系统故障恢复鲁棒优化模型。另外，本发明考虑到了两者的博弈过程分析中鲁棒优化模型的纳什均衡点，并采用两阶段松弛法将鲁棒优化模型转化为可求解的有限步骤，从而充分考虑到可再生能源出力最不利的情况对故障恢复结果的影响，使得故障恢复方案的适用性和鲁棒性更优。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (15)

1.一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于，所述方法包括以下步骤：
步骤1，基于并网的所述可再生能源中不同出力方式的实际出力生成自然决策者的控制变量；
步骤2，基于所述主动配电网的相关约束，生成系统决策者的控制变量；
步骤3，以所述主动配电网的失电量最低为目标函数、以鲁棒优化为约束条件，基于所述自然决策者的控制变量、系统决策者的控制变量以及二者之间的均衡关系，实现主动配电网鲁棒优化的故障恢复模型的构建；步骤4，采用松弛法分别对两阶段的故障恢复模型进行求解，以得到最优的故障恢复方案，求解过程基于所述系统决策者的控制变量和自然决策者的控制变量/>的特征选择采用二进制粒子群算法、混沌粒子群算法或二者的混合；
并且，松弛算法的第一阶段故障恢复模型为
其中，为对偶变量，/>为辅助松弛变量，/>为迭代次数，/>为满足第/>个不等式约束的自然决策者的控制变量/>在前次迭代后的取值，/>为鲁棒优化的不等式约束的数量，/>为鲁棒优化的目标函数的计算公式，/>为系统决策者的可行策略集；
采用第次迭代获取的控制参数/>，对第一阶段进行第/>次迭代求解，得到第/>次迭代的最优解/>和控制参数/>；
所述松弛算法的第二阶段故障恢复模型为
；
其中，为自然决策者的可行策略集；
将第一阶段得到的最优解和控制参数/>代入第二阶段公式，得到最优解/>和目标函数/>；
采用收敛条件对目标函数进行验证，以判断第次迭代生成的目标函数是否满足收敛要求，若满足则结束迭代，并以第/>次迭代生成的最优解/>作为所述最优的故障恢复方案，若不满足则继续进行第/>次迭代，直到生成最优的故障恢复方案。
2.根据权利要求1中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
所述步骤1中，分别获取时段下的光伏实际出力/>和风电实际出力/>；
获得所述自然决策者的控制变量。
3.根据权利要求1中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
基于所述主动配电网的相关约束，提取所述系统决策者的控制变量中的开关状态参量；
其中，所述开关状态参量为故障恢复计划中总计/>个开关中第/>个开关的开关状态，当/>时，所述开关处于合位，当/>时，所述开关处于分位；
其中，基于所述配电网的网络拓扑约束获取所述故障恢复方案中的开关集合；
基于所述配电网的相关约束获得所述开关状态参量。
4.根据权利要求3中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
采用广度优先搜索法对求解过程中所述开关集合是否满足所述配电网的网络拓扑约束/>进行验证。
5.根据权利要求1中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
基于主动配电网的系统功率平衡约束和分布式发电运行约束，提取所述系统决策者的控制变量中的单元出力；
其中，为所述配电网中的微燃机出力，/>为燃料电池出力，/>为所述配电网与外网的交换功率，/>为储能出力，/>为风电消纳功率，/>为光伏消纳功率；
所述系统功率平衡约束包括所述配电网主网络约束和所述配电网中孤岛部分约束；其中，
时段下，所述主网络约束为：
式中，为所述配电网的主网络节点集合，/>为节点/>在执行故障恢复后的实际运行功率，/>为时段/>下的主网络损耗功率；
时段下，所述孤岛部分约束为：
式中，为所述配电网中的孤岛编号，/>为第/>个孤岛的节点集合，/>为节点/>在执行故障恢复后的实际运行功率，/>为时段/>下的第/>个孤岛的网络损耗功率。
6.根据权利要求5中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
所述分布式发电运行约束包括微燃机的出力门限约束、燃料电池的出力门限约束、时段下的剩余储能容量约束、时段/>下的储能充放电功率约束、时段/>下分布式光伏消纳功率/>约束以及时段/>下分布式风电消纳功率/>约束。
7.根据权利要求1中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
基于主动配电网的网络拓扑约束、节点电压约束，提取所述系统决策者的控制变量中故障恢复后的节点功率；
其中，为第/>个节点故障恢复后的功率，/>为所述配电网中的节点数量。
8.根据权利要求7中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
所述节点电压约束为；其中，/>和/>分别为所述节点电压的最大值和最小值；
所述节点电压基于所述节点的有功功率和无功功率计算，有
式中，为与第/>个节点直接或间接相邻的其他节点，/>与/>分别为该节点的有功功率、无功功率，/>与/>分别为第/>个节点和第/>个节点电压幅值，/>为/>与/>节点之间的电导，/>为/>与/>节点之间的电纳，/>为/>与/>节点之间的电压相位角之差。
9.根据权利要求1中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
所述主动配电网鲁棒优化的故障恢复模型为
其中，为鲁棒优化的不等式约束；
与/>为鲁棒优化的目标函数，且有
鲁棒优化的目标函数的计算公式，/>为时段/>下第/>个节点的失电系数，/>为第/>个节点在所述配电网中的重要程度权重，/>为时段/>下第个节点的负荷水平。
10.根据权利要求9中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
采用松弛算法对最优解和松弛函数/>进行迭代计算，直到所述松弛函数满足收敛条件/>为止；
生成满足收敛条件时的最优解作为所述最优的故障恢复方案；
其中，为迭代次数，/>和/>分别为第/>次迭代获取的最优解/>和最优解/>，/>和/>分别为第/>次迭代生成的对偶变量和辅助松弛变量，/>为足够小的正数。
11.根据权利要求10中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
第次迭代过程中，结合二进制粒子群算法与混沌粒子群算法，以第一阶段的故障恢复模型作为目标函数进行求解，获得粒子适应度函数；其中，
所述系统决策者的控制变量中的开关状态参量/>中的每一个作为二进制粒子群的粒子，采用二进制粒子群算法更新速度和位置；
所述系统决策者的控制变量中的单元出力/>和故障恢复后的节点功率/>中的每一个作为混沌粒子群的粒子，采用混沌粒子群算法更新速度和位置。
12.根据权利要求11中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
采用公式，对所述系统决策者的控制变量/>中的单元出力/>和故障恢复后的节点功率中的每一个粒子进行速度和位置的更新；
其中，为所述结合二进制粒子群算法与混沌粒子群算法/>的第/>个粒子在第/>代中的粒子位置。
13.根据权利要求12中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
基于第一阶段的故障恢复模型的粒子群算法获得第次迭代生成的最优解/>和控制参数/>，以自然决策者的控制变量/>中的每一参量/>作为粒子，对第二阶段的故障恢复模型进行求解，以获得粒子适应度函数。
14.根据权利要求13中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
采用公式，对所述自然决策者的控制变量/>中的每一个粒子/>进行速度和位置的更新；
其中，采用二进制粒子群算法获得，/>采用公式/>获得。
15.根据权利要求14中所述的一种可再生能源并网的主动配电网鲁棒优化故障恢复方法，其特征在于：
采用混沌粒子群算法，以第二阶段的故障恢复模型作为目标函数进行求解，获得粒子适应度函数，并将的全局最优粒子作为自然决策者策略的故障恢复方案。
CN202111288027.1A 2021-11-02 2021-11-02 一种可再生能源并网的主动配电网鲁棒优化故障恢复方法 Active CN113991737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111288027.1A CN113991737B (zh) 2021-11-02 2021-11-02 一种可再生能源并网的主动配电网鲁棒优化故障恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111288027.1A CN113991737B (zh) 2021-11-02 2021-11-02 一种可再生能源并网的主动配电网鲁棒优化故障恢复方法

Publications (2)

Publication Number Publication Date
CN113991737A CN113991737A (zh) 2022-01-28
CN113991737B true CN113991737B (zh) 2023-09-01

Family

ID=79745775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111288027.1A Active CN113991737B (zh) 2021-11-02 2021-11-02 一种可再生能源并网的主动配电网鲁棒优化故障恢复方法

Country Status (1)

Country Link
CN (1) CN113991737B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111948938A (zh) * 2019-05-15 2020-11-17 百度（美国）有限责任公司 规划用于自动驾驶车辆的开放空间轨迹的松弛优化模型
CN112909942A (zh) * 2021-04-22 2021-06-04 国网宁夏电力有限公司电力科学研究院 基于混合求解策略的主动配电网故障恢复方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9785130B2 (en) * 2014-04-10 2017-10-10 Nec Corporation Decentralized energy management platform
CN105140917B (zh) * 2015-09-06 2017-05-10 清华大学 适用于不确定性环境下的主动配电网鲁棒恢复控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111948938A (zh) * 2019-05-15 2020-11-17 百度（美国）有限责任公司 规划用于自动驾驶车辆的开放空间轨迹的松弛优化模型
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
CN112909942A (zh) * 2021-04-22 2021-06-04 国网宁夏电力有限公司电力科学研究院 基于混合求解策略的主动配电网故障恢复方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
弹性配电网分布式可再生能源电源最优配置模型;卞艺衡;别朝红;黄格超;周勤勇;;全球能源互联网(第03期);全文 *

Also Published As

Publication number Publication date
CN113991737A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
Qi et al. Distributed supervisory predictive control of distributed wind and solar energy systems
Niknam et al. Impact of thermal recovery and hydrogen production of fuel cell power plants on distribution feeder reconfiguration
Sun et al. Power compensation of network losses in a microgrid with BESS by distributed consensus algorithm
Faisal et al. Backtracking search algorithm based fuzzy charging-discharging controller for battery storage system in microgrid applications
Azizipanah-Abarghooee et al. Modified shuffled frog leaping algorithm for multi-objective optimal power flow with FACTS devices
CN112909942A (zh) 基于混合求解策略的主动配电网故障恢复方法及系统
CN107968430A (zh) 考虑风-储联合系统概率模型的储输协同随机规划方法
CN110676839A (zh) 一种交直流混合配电网可靠性评估方法及系统
Kaysal et al. Hierarchical energy management system with multiple operation modes for hybrid DC microgrid
CN107332277B (zh) 一种考虑源储荷运行特性的有源配电网孤岛运行方法
Liu et al. Fully distributed control to coordinate charging efficiencies for energy storage systems
CN111932012A (zh) 储能系统-分布式电源-电容器综合控制无功优化方法
Ahlawat et al. Optimal sizing and scheduling of battery energy storage system with solar and wind DG under seasonal load variations considering uncertainties
Bahmanifirouzi et al. A new hybrid HBMO-SFLA algorithm for multi-objective distribution feeder reconfiguration problem considering distributed generator units
CN107947183A (zh) 基于微分进化的含三端snop的配电网自适应优化方法
CN113078633B (zh) 一种含可再生能源的输配电耦合系统恢复力提升方法
CN111030149A (zh) 一种基于复合储能装置的微电网供电方法及电子设备
CN111180814A (zh) 基于多模块充电器的串联锂离子电池组充电控制方法
Krishnan et al. An efficient DLN2-CRSO approach based dynamic stability enhancement in micro-grid system
CN113991737B (zh) 一种可再生能源并网的主动配电网鲁棒优化故障恢复方法
CN109390971A (zh) 一种基于门当户对遗传算法的配电网多目标主动重构方法
CN117522014A (zh) 一种考虑多重不确定性的储配网联合规划方法
CN116544977A (zh) 考虑5g基站备用储能与可靠性的配电网重构方法
CN111489102A (zh) 一种基于条件风险价值模型的配电网电压安全性评估方法
CN116596119A (zh) 基于二阶锥规划的电力网与多微电网主从博弈方法

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