CN114678881A - 一种v2g辅助支撑下的地震灾后电网快速恢复方法 - Google Patents

Abstract

本发明公开了一种V2G辅助支撑下的地震灾后电网快速恢复方法，包括如下步骤：建立配电网元件故障率模型，通过随机抽样生成地震灾害下的配电网故障场景；基于EV的出行特征与用户的出行需求，采用出行链理论拟合出行数据，在配电网故障场景的基础上搭建灾害前期EV调度模型；基于消费者心理学理论，将灾害前期EV调度模型纳入对EV用户灾后响应选择行为的考虑中，制定灾后反向输电激励响应机制，引导EV参与供电恢复，得到各V2G站出力；考虑配电网重构及V2G站反向充电，建立考虑二维锥约束的配网重构交流最优潮流模型；求解配网重构交流最优潮流模型，得到最优重构供电恢复方案。本发明提高地震灾后电网恢复力与供电恢复的经济性。

Description

一种V2G辅助支撑下的地震灾后电网快速恢复方法

技术领域

本发明属于电网领域，具体涉及一种V2G辅助支撑下的地震灾后电网快速恢复方法。

背景技术

现代社会的生产生活对“电”有着极高的依赖性，然而近年来全球自然灾害频发，其中地震给城市电网的安全稳定运行带来极大挑战，严重威胁到社会生产建设和人民的生命财产安全。

随着极端自然灾害逐渐增多，“弹性”概念的提出用于评价系统抵御扰动事件、适应及恢复的能力，对小概率-高损失事件具有较强恢复力稳定性的“弹性电网”受到越来越多关注。提升电网弹性意义重大，能显著减少国民经济生活和企业生产作业的停电损失。当前我国实际应用场景下的电网弹性提升方法中，一部分因系统自身电能资源有限且欠缺灵活性资源的应用造成弹性提升效果不佳，另一部分虽引入了移动电能资源，但过高的经济成本限制了其在弹性提升中的工程实际应用。

发明内容

本发明所要解决的技术问题是，提供一种V2G辅助支撑下的地震灾后电网快速恢复方法，生成灾后电网故障场景，基于该场景搭建灾害前期EV调度模型，将现有研究中受到较少关注的EV用户的自主选择行为及因此导致的时空分布特性纳入考虑范围；基于消费者心理学理论，制定灾后反向输电激励响应机制，引导V2G站内的EV参与供电恢复，考虑V2G可以提供一定量的快速响应资源，此举能够提高电网灾后恢复速度，同时充分利用了有限的电能资源，并且因减少移动电能资源的使用而降低了经济成本；建立考虑V2G反向输电和配网重构的经济性供电恢复模型并求解最优方案减少经济损失、提高响应速度和提升重要负荷恢复程度，提高了地震灾后电网的恢复力与供电恢复的经济性。

为解决上述技术问题，本发明采用的技术方案为：

一种V2G辅助支撑下的地震灾后电网快速恢复方法，包括如下步骤：

步骤1：建立配电网元件故障率模型，通过随机抽样生成地震灾害下的配电网故障场景；

步骤2：基于EV的出行特征与用户的出行需求，采用出行链理论拟合出行数据，在配电网故障场景的基础上搭建灾害前期EV调度模型；

步骤3：基于消费者心理学理论，将灾害前期EV调度模型纳入对EV用户灾后响应选择行为的考虑中，制定灾后反向输电激励响应机制，引导EV参与供电恢复，得到各V2G站出力；

步骤4：考虑配电网重构及V2G站反向充电，建立考虑二维锥约束的配网重构交流最优潮流模型；

步骤5：求解配网重构交流最优潮流模型，得到最优重构供电恢复方案。

进一步的，步骤1通过量化线路和杆塔受到地震的应力作用与故障率的关系以体现配电网元件受灾情况，采用非序贯蒙特卡洛模拟法生成配电网故障场景。

优先的，通过N-K原则筛选恶劣的故障场景，定义了系统故障场景中多重故障的阶数，K是固定值，根据决策需要进行调整，

K_min≤∑s_i≤K_max

其中，K_min和K_max分别为故障场景断线数的下限值和上限值，s_i是由非序贯蒙特卡洛模拟法采样生成的每条线路的状态，为0-1变量。

进一步的，步骤2包括如下步骤：

步骤2.1：建立基于出行需求的路网建模：

G＝(V,E)

其中，G为路网集合，V为路网节点的集合，E为路网节点连通关系的集合；

步骤2.2：建立路网与电网的耦合模型；

步骤2.3：将整个路网构成的节点划分为城区U和郊区S，再将城区U分为三种功能区：居民区R、工作区W、休闲区L，则：

V＝{U,S}

U＝{R,W,L}

其中，U代表路网中属于城区的节点集合，S代表路网中属于郊区的节点集合，R代表路网城区中的居民区节点集合，W代表路网城区中的工作区节点集合，L代表路网城区中的休闲区节点集合，

路网划分的主要目的在于：筛选出V2G受灾程度低的区域作为目标区域，筛选的主要条件为区域的空旷程度，将城市划分为城区和郊区，郊区就把他作为空旷程度高的目标区域；城区的情况会复杂一些，所以细分为三个功能区，在功能区内进行以空旷程度为筛选条件进行目标区域与无关区域的划分；

步骤2.4：构建出行链中行程的状态变量集合，为：

TC＝{L₀,L_f,P_0f,T₀,T_f,t_0f,T_s}

其中，TC为出行链中一段行程的状态变量集合，包含起点L₀、终点L_f、行驶路径P_0f、出发时间T₀、到达时间T_f、行驶时长T_0f、停驻时长T_s；

步骤2.5：对EV在目标区域和无关区域内的出行数据分别拟合，提取并判断灾害发生时每辆电动汽车的运行状态，搭建考虑用户出行行为的灾害前期EV 调度模型。

优选的，步骤2.3中出行链包括简单链和复杂链，简单链为2个节点，复杂链为3个节点。

进一步的，步骤3包括如下步骤：

步骤3.1：基于消费者心理学的激励-放电的不确定性建立响应过程的线性模型：

当经济激励水平为x时，用户m的V2G放电响应率上下界分别表示为：

其中，

和

分别为用户m的放电响应率上下界；

和

分别为不考虑和考虑不确定性情况下，放电响应率最小时的最低激励水平；

为用户m的最大V2G放电响应率；

步骤3.2：采用均匀分布描述某一经济激励水平下用户的V2G放电响应为：

其中，U表示均匀分布，

表示均匀分布描述下当经济激励水平为x时，用户m的V2G放电响应率；

步骤3.3：求解节点b处对应激励水平为x_m的N_b个EV用户的实际V2G响应出力：

其中，

表示节点b处对应激励水平为x_m的N_b个EV用户的实际V2G响应出力，

表示均匀分布描述下当经济激励水平为xm时，用户m的V2G放电响应率，

为经第一阶段到达节点b充电且剩余电量能够满足持续放电需求的EV数量，P^v2g为单辆电动汽车的反向充电功率；

步骤3.4：计算确定节点b处有意向参与配网供电恢复的EV数量：

其中，N_v2g表示节点b处有意向参与配网供电恢复的EV数量，

为与节点b耦合的V2G站额定放电功率，[]为取整符号。

进一步的，将灾后阶段划分为避难阶段和响应阶段，避难阶段是当灾害开始对电力系统造成破坏时，基于用户出行需求的EV自由调度停止，响应阶段是当灾害不再对电力系统造成破坏时，引导用户参与电力系统的灾后恢复过程，提出包含避难阶段和响应阶段的供电恢复引导补偿机制，响应阶段的供电恢复引导补偿机制参照基于消费者心理学的激励-放电的不确定性建立响应过程的线性模型；

在避难阶段的供电恢复引导机制，引入安全性驱动系数使灾前调度筛选出的目标区域与一般区域内可供避难的V2G站数量与之成正比例关系，

避难阶段实际响应并前往V2G站点避难的车辆数：

N^re＝σ¹N^road+N^station

其中，N^road为未发生灾害时在路网行驶的EV数量；N^station为在V2G站点停驻的EV数量；σ¹为响应引导并前往V2G站点避难的EV用户比例；N^re为实际响应并前往V2G站点避难的车辆数；

其中，σ¹受安全驱动系数影响：

σ¹＝kδ

其中，δ为安全驱动系数，k为比例因子，是大于0的常数，δ越大，σ¹越大；

参与V2G反向输电的EV用户能否有足够的电量持续为电网提供支撑十分关键，因此需要对站内的EV进行筛选：

其中，S_rem,t为能够参与供电恢复的EV剩余电量；

为V2G站点额定放电功率；T_Rescue为供电恢复抢修时间，停电到抢修恢复的时间由两部分组成。

进一步的，步骤4具体为：

将配网线路故障状态、各V2G站出力输入并更新配网系统拓扑结构，建立考虑二阶锥约束的配网重构交流最优潮流模型，制定V2G参与的灾后供电恢复方法，

其中，以最小化受灾配电网的切负荷损失为目标建立的考虑V2G反向输电和配网重构的经济性灾后恢复模型如下所示：

以考虑经济性的同时最小化受灾配电网的切负荷损失即失电量为目标函数：

i∈B^U

b_ΔLS,i(T_bv-T_res)

其中，α为比例系数；ω_i为节点i的重要负荷权重系数，系统中负荷按重要程度被划分为一级、二级和三级负荷；L_0,i为供电恢复前的切负荷量，

为节点 i供电恢复后的切负荷量；b_ΔLS,i为节点i恢复单位负荷的综合等效收益，l_LS,i为节点i单位时间内单位负荷因失电带来的经济损失，T_bv为供电恢复时长基准值，T_res为V2G参与供电恢复的响应时长，Q_basec为V2G引导机制补偿给用户的总成本；

考虑功率平衡、节点电压、支路电流和削负荷量等约束条件，并将它们松弛为二阶锥约束：

p_ij、q_ij分别为流过支路(i,j)的有功功率、无功功率，

是流过支路(i,j)的电流的平方，

是节点j上电压的平方。

本发明与现有技术相比，具有如下有益效果：

本发明所要解决的技术问题是，提供一种V2G辅助支撑下的地震灾后电网快速恢复方法，生成灾后电网故障场景，基于该场景搭建灾害前期EV调度模型，将现有研究中受到较少关注的EV用户的自主选择行为及因此导致的时空分布特性纳入考虑范围；基于消费者心理学理论，制定灾后反向输电激励响应机制，引导V2G站内的EV参与供电恢复，考虑V2G可以提供一定量的快速响应资源，此举能够提高电网灾后恢复速度，同时充分利用了有限的电能资源，并且因减少移动电能资源的使用而降低了经济成本；建立考虑V2G反向输电和配网重构的经济性供电恢复模型并求解最优方案减少经济损失、提高响应速度和提升重要负荷恢复程度，提高了地震灾后电网的恢复力与供电恢复的经济性。

1、本发明考虑灾害下EV出行特征及EV用户在灾害过程中的行为特征，建立了EV群体的灾害前期调度及灾后供电恢复响应模型，弥补了现有含EV的弹性电网研究中较少关注EV用户的自主选择行为及因此导致的时空分布特性的不足。

2、本发明将EV的灾前调度纳入对EV用户灾后响应选择行为的考虑中，提出包含避难阶段和响应阶段的供电恢复引导补偿机制，基于消费者心理学理论，制定灾后反向输电激励响应机制。本发明不考虑用户间竞争关系，选择剩余电能较多的EV参与供电恢复，提高电网灾后恢复速度，同时充分利用了有限的电能资源，并且因减少移动电能资源的使用而降低了经济成本。

3、本发明创造性的提出避难阶段的供电恢复引导机制，引入安全性驱动系数，使灾前调度筛选出的目标区域与一般区域内可供避难的V2G站数量与之成正比例关系。

附图说明

图1是本发明实施例中V2G辅助支撑下地震灾后电网快速恢复方法的流程图；

图2是本发明实施例中获得灾后供电恢复过程中V2G站出力的流程图；

图3是本发明实施例中各方案下失电量对比及500组配网故障场景下各方案失电量散点图；

图4是本发明实施例中各方案下等效成本对比及500组配网故障场景下各方案等效成本散点图；

图5是本发明实施例中各方案响应速度与重要负荷恢复程度对比；

图6是本发明实施例中包含重要负荷等级划分的改进的33节点配网系统示意图；

图7为本发明实施例中重构+V2G方案下一天内各小时等效成本和失电量变化曲线图；

图8为本发明实施例中确定断线场景下系统供电分布和范围示意图；

图9为本发明实施例中确定断线场景下EV群体聚集在居民/休闲区的系统供电分布和范围示意图。

具体实施方式

下面结合附图对本发明作更进一步地说明。

实际应用场景下的电网弹性提升方法的诸多灵活性资源中，电动汽车(EV,Electrical Vehicle)作为城市中广泛存在的分布式移动储能单元，能够以V2G (Vehicleto Grid，车辆到电网)的形式参与配网供电恢复的同时充分利用有限的电能资源并降低经济成本。考虑V2G可以提供一定量的快速响应资源，引入 V2G参与反向供电能够提高电网灾后恢复的速度。然而，现有研究较少关注EV 用户的自主选择行为及因此导致的时空分布特性。因此，本发明设计EV出行特征，考虑用户在灾害环境下选择行为的改变，研究灾后V2G辅助支撑的城市配电网弹性提升方法有着重要意义，未来EV应用范围必将不断扩大。

图1为本发明V2G辅助支撑下地震灾后电网快速恢复方法的流程图。如图 1所示，本发明V2G辅助支撑下地震灾后电网快速恢复方法，包括以下步骤：

S1：量化线路和杆塔受到地震的应力作用与故障率的关系以体现配电网元件受灾情况，采用非序贯蒙特卡洛模拟法生成配电网故障场景，并通过N-K原则筛选过于恶劣的故障场景。

具体的，采用导线和电线杆的故障率和受到的应力σ_g和M_T之间的关系式来定量刻画。

其中，p_fl为线路i的导线故障率，p_fp为线路i的电线杆故障率；μ₁和μ_p分别为导线和电线杆两元件强度的均值；δ_l和δ_p分别为导线和电线杆两元件强度的方差。式中导线和电线杆两元件强度的方差和均值都是由工程实际运行所得。

线路i正常工作的充要条件为线路上导线和电线杆都正常工作，因此，导线和电线杆可以理解为串联关系：

其中，p_f,i为线路i的故障率，m₁为线路i架设的电线杆数量。

接着，用非序贯蒙特卡洛模拟法采样配电网中每条线路的状态s_i:

其中，u_f,i是服从(0,1)均匀分布的随机数；s_i为0-1变量，s_i＝0表示线路i正常工作，s_i＝1表示线路发生故障。

最后，根据N-K原则对生成的故障场景进行筛选，即定义了系统故障场景中多重故障的阶数，这一参数可以根据决策需要进行调整。

K_min≤∑s_i≤K_max

其中，K_min和K_max分别为故障场景断线数的下限值和上限值。

S2：考虑电动汽车(EV)的出行特征，对区域路网及电网进行建模，基于该模型下用户的出行需求采用出行链理论针对路网内无关区域与V2G站受灾程度较低的目标区域分别描述灾害前期EV用户的调度行为。

其中，灾害前期EV调度模型中基于出行需求的出行链建模如下所示：

G＝(V,E)

将整个路网构成的区域划分为城区(U)和郊区(S)，再将城区分为三种功能区：居民区(R)、工作区(W)、休闲区(L)，并分别生成对应路网节点集合U，S，R，W 和L。可知，V＝{U,S}U＝{R,W,L}。

对路网与电网耦合建模，将两网耦合关系等效为路网、电网两层是否有层间节点连接。

ζ＝{E_αβ∈V_α×V_β}

式中，ζ为路网和电网间节点的连边集合，E_αβ路网与电网构成的耦合边集合，V_α为路网节点集合，V_β为电网节点集合，

为路网第i个节点，

为电网第 i个节点，若

则两网间路网节点i与电网节点j存在耦合关系。从能量传输上来看，两网耦合关系可以等效成路网上的站点从对应电网中的节点获取电能。

将行链分为简单链和复杂链两种，分别经过2和3个节点(包括终点)：

TC＝{L₀,L_f,P_0f,T₀,T_f,t_0f,T_s}

其中TC为出行链中一段行程的状态变量集合，包含起点(不一定是出发地) L₀、终点(不一定是目的地)L_f、行驶路径P_0f、出发时间T₀、到达时间T_f、行驶时长T_0f、停驻时长T_s。

对EV实时状态进行建模：

EVstatus＝{S_rem,t,w_t,P_t}

其中，EVstatus为在某时刻每辆EV实时状态信息的集合，包含该时刻每辆车的剩余电量S_rem,t、行驶状态w_t和离所在位置最近的V2G交互站编号P_t。

S3：将EV的灾前调度纳入对EV用户灾后响应选择行为的考虑中，提出包含避难阶段和响应阶段的供电恢复引导补偿机制，基于消费者心理学理论，制定灾后反向输电激励响应机制，引导V2G站内的EV参与供电恢复，得到各V2G 站出力。

其中，基于消费者心理学的激励-放电的不确定性响应过程的线性模型如下所示：

当经济激励水平为x时，用户m的V2G放电响应率上下界分别表示为：

其中，

和

分别为用户m的放电响应率上下界；

和

分别为不考虑和考虑不确定性情况下，放电响应率最小时的最低激励水平；

为用户m的最大V2G放电响应率。

采用均匀分布描述某一经济激励水平下用户的V2G放电响应：

节点b处对应激励水平为x_m的N_b个EV用户的实际V2G响应出力记为：

其中，

为经第一阶段到达节点b充电且剩余电量能够满足持续放电需求的EV数量，P^v2g为单辆电动汽车的反向充电功率。

由此可确定节点b处有意向参与配网供电恢复的EV数量：

其中，

为与节点b耦合的V2G站额定放电功率，[]为取整符号。本发明不考虑用户间竞争关系，选择剩余电能较多的EV参与供电恢复。

图2为本发明实施例中获得灾后供电恢复过程中V2G站出力的流程。如图2 所示，搭建灾害前期EV用户调度模型并制定灾后反向输电激励响应机制以得到 V2G站出力的方法为：

(1)基于图论对路网建模得出EV的最短路径行驶方案，将路网与电网的能量传输耦合关系等效成路网上的站点从对应电网中的节点获取电能；

(2)将城市划分为城区与郊区，再细分城区的功能区并分别生成对应路网节点集合，考虑对城区中三种功能区各分类讨论的结果与郊区，生成目标避难区域；

(3)采用出行链理论分别拟合该目标区域与路网中无关区域内每辆电动汽车一天内的出行数据，提取并判断灾害发生时每辆电动汽车的运行状态，搭建灾害前期EV调度模型。

(4)提出避难阶段的供电恢复引导机制，引入安全性驱动系数使灾前调度筛选出的目标区域与一般区域内可供避难的V2G站数量与之成正比例关系；

(5)在此阶段以安全性为主要导向原则进行舆论宣传引导并筛选电量足以持续为电网提供支撑的EV用户；

(6)提出响应阶段的供电恢复补偿机制，以经济利益为主要导向原则激励用户响应，基于消费者心理学的激励-放电响应采用线性模型描述放电的不确定性响应过程；

(7)采用均匀分布描述某一经济激励水平下用户的V2G放电响应，确定有意向参与配网供电恢复的EV数量和V2G服务聚合商补偿给用户的成本；

(8)计及经济激励水平在各区域间稳定与无关区域安全性驱动系数较低所导致的EV用户响应率低的情况，受灾严重的节点可引入应急发电车(MEG)参与供电恢复。

S4：将配网线路故障状态、各V2G站出力输入并更新配网系统拓扑结构，建立考虑二阶锥约束的配网重构交流最优潮流模型，制定V2G参与的灾后供电恢复方法。

其中，以最小化受灾配电网的切负荷损失为目标建立的考虑V2G反向输电和配网重构的经济性灾后恢复模型如下所示：

以考虑经济性的同时最小化受灾配电网的切负荷损失即失电量为目标函数：

i∈B^U b_ΔLS,i(T_bv-T_res)

其中，α为比例系数；ω_i为节点i的重要负荷权重系数，系统中负荷按重要程度被划分为一级、二级和三级负荷，系数分别为ω_i＝5，ω_i＝3和ω_i＝1；L_0,i为供电恢复前的切负荷量，

为节点i供电恢复后的切负荷量；b_ΔLS,i为节点i恢复单位负荷的综合等效收益，l_LS,i为节点i单位时间内单位负荷因失电带来的经济损失，T_bv为供电恢复时长基准值(取人工抢修从故障发生到故障修复所用平均时间)，T_res为V2G参与供电恢复的响应时长，Q_basec为V2G引导机制补偿给用户的总成本。

考虑功率平衡、节点电压、支路电流和削负荷量等约束条件，并将它们松弛为二阶锥约束：

p_ij、q_ij分别为流过支路(i,j)的有功功率、无功功率，

是流过支路(i,j)的电流的平方，

是节点j上电压的平方。

S5：求解配电网供电恢复模型，得到地震灾后最优重构供电恢复方案。

本发明考虑地震与线路故障率关系，采用非序贯蒙特卡洛模拟法生成配电网断线场景；考虑灾害下EV出行特征及EV用户在灾害过程中的行为特征，建立了EV群体的灾害前期调度及灾后供电恢复响应模型，弥补了现有含EV的弹性电网研究中较少关注EV用户的自主选择行为及因此导致的时空分布特性的不足；考虑灾害故障场景下V2G反向出力求解最优供电恢复方法，该方法有利于提高配电网受灾后的恢复力与供电恢复的经济性。

为评估本方案的有益效果，我们选取了系统失电量、经济损失、响应速度与重要负荷恢复程度为评价指标。对所设计的三种方案进行仿真分析，仿真结果和数据分析如下：

1.系统失电量

如图3的表格所示，联络线重构对失电量的减少有一定帮助，能使灾后配网失电量降低28.26％；而引入V2G或MEG可以使失电量显著减少，配合联络线重构，可使灾后配网失电量分别降低60.18％和53.39％。

如图3所示，只重构方案的失电量分布较为分散，而重构+V2G与重构+MEG 的失电量分布大多集中在1MW以下，两者分布趋势差别不大。

由此可见，在考虑配电网联络线重构的基础上，引入V2G和引入MEG两种方案在失电量削减方面效果都较为显著，两者之间区别不大。

2.经济损失

如图4的表格所示，引入MEG的等效成本比只重构还高出43.70％，体现出 MEG参与供电恢复要付出极高的经济代价，符合如今主流弹性提升方案为尽快恢复重要负荷而不惜一切代价的情况；而引入V2G的等效成本比只重构降低了 14.68％，体现出V2G参与供电恢复有较高的经济性。

如图4所示，重构+MEG在所有场景下的等效成本都高于50000元，只重构与重构+V2G的大部分都低于50000元，但重构+V2G高于50000元的场景个数明显少于只重构的个数。

由此可见，在考虑配电网联络线重构的基础上，引入V2G的方案相比另外两方案在经济损失方面具有明显的优势。

3.响应速度与重要负荷恢复程度

如图5所示，重构和引入V2G相比引入MEG参与供电恢复响应明显更快。对于提高一级负荷恢复程度，运用联络线重构操作作用显著，只重构方案已然达到了很高的程度，引入V2G和MEG很难再有很大的提升。而对于提高二级负荷恢复程度，引入V2G相比只重构方案提高了21.98％，引入MEG相比只重构方案提高了10.70％。

由此可见，在响应速度方面，V2G与重构的方案相比引入MEG的方案有明显的优势；在重要负荷恢复程度方面，引入V2G配合联络线重构操作相比引入MEG 作用更显著。

综合上述多个评价指标的分析结果，能够验证该方法有利于提高配电网受灾后的经济性和恢复力。

采用改进的I EEE33节点配网系统和30节点路网系统为仿真场景。如图6所示，标出了V2G站接入节点的编号，负荷按照重要程度被分为一级、二级和三级负荷。

考虑EV时空特性对重构+V2G方案在灾后供电恢复过程中的影响，具体从改变灾害发生时间和选取典型的EV空间分布两方面进行探讨：

(1)灾害发生时间对重构+V2G方案在配网弹性提升中的影响

当EV群体数量恒定为300辆时，灾难发生在一天内各小时使用重构+V2G方案等效成本和失电量两指标变化如图7所示，可知重构+V2G方案受灾害发生时间影响明显，一天内不同时刻能提供的出力多少和经济性波动较大。

(2)EV空间分布对重构+V2G方案在配网弹性提升中的影响

选取确定断线场景下典型EV空间分布，研究EV聚集区域不同对供电恢复的影响。如图8所示为某确定断线场景下的系统供电分布和范围，如图9所示为在该断线场景下EV分别聚集在居民区和休闲区内时的系统供电恢复分布和范围，由此可知重构+V2G方案受EV空间分布影响明显，不同区域供电恢复效果差别较大，在EV聚集的区域系统各节点供电恢复效果较好。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于，包括如下步骤：

步骤1：建立配电网元件故障率模型，通过随机抽样生成地震灾害下的配电网故障场景；

步骤2：基于EV的出行特征与用户的出行需求，采用出行链理论拟合出行数据，在配电网故障场景的基础上搭建灾害前期EV调度模型；

步骤3：基于消费者心理学理论，将灾害前期EV调度模型纳入对EV用户灾后响应选择行为的考虑中，制定灾后反向输电激励响应机制，引导EV参与供电恢复，得到各V2G站出力；

步骤4：考虑配电网重构及V2G站反向充电，建立考虑二维锥约束的配网重构交流最优潮流模型；

步骤5：求解配网重构交流最优潮流模型，得到最优重构供电恢复方案。

2.根据权利要求1所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于：步骤1通过量化线路和杆塔受到地震的应力作用与故障率的关系以体现配电网元件受灾情况，采用非序贯蒙特卡洛模拟法生成配电网故障场景。

3.根据权利要求2所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于：通过N-K原则筛选恶劣的故障场景，定义了系统故障场景中多重故障的阶数，K是固定值，根据决策需要进行调整，

K_min≤∑s_i≤K_max

其中，K_min和K_max分别为故障场景断线数的下限值和上限值，s_i是由非序贯蒙特卡洛模拟法采样生成的每条线路的状态，为0-1变量。

4.根据权利要求1所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于，步骤2包括如下步骤：

步骤2.1：建立基于出行需求的路网建模：

G＝(V,E)

其中，G为路网集合，V为路网节点的集合，E为路网节点连通关系的集合；

步骤2.2：建立路网与电网的耦合模型；

步骤2.3：将整个路网构成的节点划分为城区U和郊区S，再将城区U分为三种功能区：居民区R、工作区W、休闲区L，则：

V＝{U,S}

U＝{R,W,L}

其中，U代表路网中属于城区的节点集合，S代表路网中属于郊区的节点集合，R代表路网城区中的居民区节点集合，W代表路网城区中的工作区节点集合，L代表路网城区中的休闲区节点集合，

路网划分的主要目的在于：筛选出V2G受灾程度低的区域作为目标区域，筛选的主要条件为区域的空旷程度，将城市划分为城区和郊区，郊区就把他作为空旷程度高的目标区域；城区的情况会复杂一些，所以细分为三个功能区，在功能区内进行以空旷程度为筛选条件进行目标区域与无关区域的划分；

步骤2.4：构建出行链中行程的状态变量集合，为：

TC＝{L₀,L_f,P_0f,T₀,T_f,t_0f,T_s}

其中，TC为出行链中一段行程的状态变量集合，包含起点L₀、终点L_f、行驶路径P_0f、出发时间T₀、到达时间T_f、行驶时长T_0f、停驻时长T_s；

步骤2.5：对EV在目标区域和无关区域内的出行数据分别拟合，提取并判断灾害发生时每辆电动汽车的运行状态，搭建考虑用户出行行为的灾害前期EV调度模型。

5.根据权利要求4所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于，步骤2.3中出行链包括简单链和复杂链，简单链为2个节点，复杂链为3个节点。

6.根据权利要求1所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于，步骤3包括如下步骤：

步骤3.1：基于消费者心理学的激励-放电的不确定性建立响应过程的线性模型：

当经济激励水平为x时，用户m的V2G放电响应率上下界分别表示为：

其中，

和

分别为用户m的放电响应率上下界；

和

分别为不考虑和考虑不确定性情况下，放电响应率最小时的最低激励水平；

为用户m的最大V2G放电响应率；

步骤3.2：采用均匀分布描述某一经济激励水平下用户的V2G放电响应为：

其中，U表示均匀分布，

表示均匀分布描述下当经济激励水平为x时，用户m的V2G放电响应率；

步骤3.3：求解节点b处对应激励水平为x_m的N_b个EV用户的实际V2G响应出力：

其中，

表示节点b处对应激励水平为x_m的N_b个EV用户的实际V2G响应出力，

表示均匀分布描述下当经济激励水平为xm时，用户m的V2G放电响应率，

为经第一阶段到达节点b充电且剩余电量能够满足持续放电需求的EV数量，P^v2g为单辆电动汽车的反向充电功率；

步骤3.4：计算确定节点b处有意向参与配网供电恢复的EV数量：

其中，N_v2g表示节点b处有意向参与配网供电恢复的EV数量，

为与节点b耦合的V2G站额定放电功率，[ ]为取整符号。

7.根据权利要求6所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于，将灾后阶段划分为避难阶段和响应阶段，避难阶段是当灾害开始对电力系统造成破坏时，基于用户出行需求的EV自由调度停止，响应阶段是当灾害不再对电力系统造成破坏时，引导用户参与电力系统的灾后恢复过程，提出包含避难阶段和响应阶段的供电恢复引导补偿机制，响应阶段的供电恢复引导补偿机制参照基于消费者心理学的激励-放电的不确定性建立响应过程的线性模型；

在避难阶段的供电恢复引导机制，引入安全性驱动系数使灾前调度筛选出的目标区域与一般区域内可供避难的V2G站数量与之成正比例关系，

避难阶段实际响应并前往V2G站点避难的车辆数：

N^re＝σ¹N^road+N^station

其中，N^road为未发生灾害时在路网行驶的EV数量；N^station为在V2G站点停驻的EV数量；σ¹为响应引导并前往V2G站点避难的EV用户比例；N^re为实际响应并前往V2G站点避难的车辆数；

其中，σ¹受安全驱动系数影响：

σ¹＝kδ

其中，δ为安全驱动系数，k为比例因子，是大于0的常数，δ越大，σ¹越大；

参与V2G反向输电的EV用户能否有足够的电量持续为电网提供支撑十分关键，因此需要对站内的EV进行筛选：

其中，S_rem,t为能够参与供电恢复的EV剩余电量；

为V2G站点额定放电功率；T_Rescue为供电恢复抢修时间，停电到抢修恢复的时间由两部分组成。

8.根据权利要求7所述的一种V2G辅助支撑下的地震灾后电网快速恢复方法，其特征在于，步骤4具体为：

将配网线路故障状态、各V2G站出力输入并更新配网系统拓扑结构，建立考虑二阶锥约束的配网重构交流最优潮流模型，制定V2G参与的灾后供电恢复方法，

其中，以最小化受灾配电网的切负荷损失为目标建立的考虑V2G反向输电和配网重构的经济性灾后恢复模型如下所示：

以考虑经济性的同时最小化受灾配电网的切负荷损失即失电量为目标函数：

i∈B^U

b_ΔLS,i(T_bv-T_res)

其中，α为比例系数；ω_i为节点i的重要负荷权重系数，系统中负荷按重要程度被划分为一级、二级和三级负荷；L_0,i为供电恢复前的切负荷量，

为节点i供电恢复后的切负荷量；b_ΔLS,i为节点i恢复单位负荷的综合等效收益，l_LS,i为节点i单位时间内单位负荷因失电带来的经济损失，T_bv为供电恢复时长基准值，T_res为V2G参与供电恢复的响应时长，Q_basec为V2G引导机制补偿给用户的总成本；

考虑功率平衡、节点电压、支路电流和削负荷量等约束条件，并将它们松弛为二阶锥约束：

p_ij、q_ij分别为流过支路(i,j)的有功功率、无功功率，

是流过支路(i,j)的电流的平方，

是节点j上电压的平方。

Images