CN114709816A - 一种冰灾场景下能源互联配电系统韧性恢复方法 - Google Patents

一种冰灾场景下能源互联配电系统韧性恢复方法 Download PDF

Info

Publication number
CN114709816A
CN114709816A CN202210072564.0A CN202210072564A CN114709816A CN 114709816 A CN114709816 A CN 114709816A CN 202210072564 A CN202210072564 A CN 202210072564A CN 114709816 A CN114709816 A CN 114709816A
Authority
CN
China
Prior art keywords
energy storage
energy
load
power supply
power
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.)
Pending
Application number
CN202210072564.0A
Other languages
English (en)
Inventor
刘文霞
王月汉
姚齐
王丽娜
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 CN202210072564.0A priority Critical patent/CN114709816A/zh
Publication of CN114709816A publication Critical patent/CN114709816A/zh
Pending legal-status Critical Current

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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种冰灾场景下能源互联配电系统韧性恢复方法，基于深度学习理论提取历史数据特征生成冰灾天气下的光伏出力场景，建立各分布式资源的时序模型，通过多阶段调度可移动储能、固定储能、综合能源等配电网灵活性资源，在满足应急微电网组网约束与负荷用电特性的前提下，给出最优的储能配置方案与分布式电源出力，最大化恢复重要负荷供电，提升配电网韧性。本发明的方法不仅可减少应急物资的大量储备，而且有利于提高物资应用的灵活性，实现能量的时空优化调度。

Description

一种冰灾场景下能源互联配电系统韧性恢复方法
技术领域
本发明属于配电系统应急恢复领域，特别涉及一种冰灾场景下能源互联配电系统韧性恢复方法。
背景技术
为应对能源枯竭和环境污染的双重危机，大量分布式可再生能源、电能替代负荷接入配电网，同时为了提高能源利用效率，综合能源系统在配电网将得到大力发展。这些灵活性资源不仅可以有效提高系统可靠性，也为配电网的灾后负荷恢复提供了解决方案，如何在灾害发生时有效且充分利用这些灵活性资源提升配电网韧性受到了广泛关注。
目前国内外学者对利用分布式资源进行电网灾后恢复进行了广泛研究，主要包括孤岛微电网、应急发电机与可移动储能等方面。在孤岛微电网方面，文献[1]提出了一种利用分布式电源和远程控制开关在主电网瘫痪后恢复重要负荷的微电网形成机制。文献[2]在主网与部分配电线路故障导致负荷断电时，利用柴油发电机、固定储能与光伏电池恢复重要负荷，首先基于最小生成树算法确定网络结构，然后求解要恢复的负荷和电源出力。文献[3]提出了一种基于多个计划微电网的负荷恢复方法，在主电网供电中断时，各微电网对其固定储能、微型燃气轮机等资源进行滚动优化调度，然后有剩余发电能力的微网通过联络开关向有负荷削减的微网供电，使负荷削减和运行成本最小化。文献[4]针对配电线路故障导致负荷断电的场景，提出了考虑重要负荷分布与燃料型分布式电源选址定容的负荷恢复策略，首先基于成本预算与负荷类型确定灾前燃料电源的选址和规模，然后通过调度开关与电源出力使故障场景下的运行成本最小，减少了固定电源储备量。上述研究均为单阶段恢复，未考虑负荷的恢复持续时间，而且需要预先配置微电网或大量固定可控电源，然而由于现阶段微网构建和控制成本较高，并且柴油发电机等电源的大量配置不利于碳减排，使得微电网大量普及受到影响。
随着研究的深入，除了考虑网架重构与固定位置的可控电源、微电网等静态调度资源，近期计及动态资源的故障优化恢复得到关注，而且电网公司已经将柴油发电车等可移动资源应用到电网恢复中，但数量和资源有限。文献[5]在灾前基于负荷优先级与需求规模将应急车预先放置于暂存位置，在配电网线路故障时通过调度应急柴油发电车形成微网来恢复重要负荷。文献[6]在失去主网供电的情况下，考虑部分线路受损情况，以失负荷量最小为目标优化移动式储能的接入位置，与就地光伏形成微电网。文献[7]提出了一种基于多阶段时空调度的恢复方法。在多个计划微电网的基础上，通过可移动储能的多阶段调度使系统负荷中断成本与运行成本最小。上述研究利用可移动电源独立或与固定资源配合开展恢复负荷，恢复策略的优化过程较少考虑故障场景和源荷不确定性，以及其对微电网持续运行的影响。而且随着综合能源的快速发展，它不仅能提高能源利用效率，而且可以在灾害情况下与可移动储能快速组建微电网，利用资源间的互补耦合降低故障损失。
综上可见，合理且有效利用可移动储能、综合能源系统等灵活性资源，对提升配电系统韧性和应急资源配置效率具有重要意义。
参考文献：
[1]Chen C,Wang J,Qiu F,et al.Resilient Distribution System byMicrogrids Formation After Natural Disasters[J].IEEE Transactions on SmartGrid,2016,7(2):958-966.
[2]Wang Y,Xu Y,He J,et al.Coordinating Multiple Sources for ServiceRestoration to Enhance Resilience of Distribution Systems[J].IEEETransactions on Smart Grid,2018.
[3]Bian Y,Bie Z.Multi-Microgrids for Enhancing Power SystemResilience in Response to the Increasingly Frequent Natural Hazards[J].IFAC-PapersOnLine,2018,51(28):61-66.
[4]Shi Q,Li F,Kuruganti T,et al.Resilience-Oriented DG Siting andSizing considering Stochastic Scenario Reduction[J].IEEE Transactions onPower Systems,2020,PP(99):1-12.
[5]Lei S,Wang J,Chen C,et al.Mobile Emergency Generator Pre-Positioning and Real-Time Allocation for Resilient Response to NaturalDisasters[J].IEEE Transactions on Smart Grid,2018,9(3):2030-2041.
[6]任郡枝,陈健,姜心怡,等.考虑可移动式储能与网络重构的弹性配电网灾后恢复策略[J].电力建设,2020,v.41；No.474(03):88-94.
[7]Yao S,Wang P,Liu X,et al.Rolling Optimization of Mobile EnergyStorage Fleets for Resilient Service Restoration[J].IEEE Transactions onSmart Grid,2019.
发明内容
针对上述问题，本发明提出了一种冰灾场景下能源互联配电系统韧性恢复方法，基于深度学习理论提取历史数据特征生成冰灾天气下的光伏出力场景，建立各分布式资源的时序模型，通过多阶段调度可移动储能、综合能源等配电网灵活性资源，在满足应急微电网组网约束与负荷用电特性的前提下，给出最优的储能配置方案与分布式电源出力，最大化恢复重要负荷供电，提升配电网韧性。
本发明提出一种冰灾场景下能源互联配电系统韧性恢复方法，包括：
步骤1：基于深度学习理论提取历史数据特征，生成冰灾天气下的光伏出力场景；
步骤2：根据电源的动静态特性建立固定与可移动储能时空状态模型与综合能源系统时序模型；
步骤3：考虑应急微电网组网约束与负荷用电特性，以最大化应急负荷的持续供电时间为目标，建立能源互联配电系统多阶段韧性恢复模型；
步骤4：采用锥优化和大M方法将模型线性化并求解。
在本发明中，利用条件生成对抗网络的方法，在生成器与判别器输入端引入条件输入项，使得生成器能够有效应用于具有特定数据需求场景；采用Wasserstein距离表征生成数据与真实数据之间的差距，同时引入梯度惩罚项来替换传统WGAN的梯度截断策略。
步骤1具体包括：
步骤1.1：光伏历史出力数据预处理，初始化神经网络参数；
步骤1.2：冰冻天气下的光伏预测出力与实际出力数据分别作为生成器神经网络与判别器神经网络的输入，训练神经网络；
步骤1.3：将光伏日前预测出力数据作为生成器神经网络的输入，生成光伏出力场景；
步骤1.4：利用k-medoids聚类算法进行光伏出力场景缩减，采用轮廓系数法评估聚类效果，生成冰灾天气下的光伏出力场景。
在步骤2中，建立移动储能的时空调度模型、固定储能的时空调度模型、以及综合能源系统的能源时序耦合模型。
可移动储能的控制变量为t时刻的充电功率
Figure BDA0003482655150000045
放电功率
Figure BDA0003482655150000046
以及可移动储能i与节点j的连接状态
Figure BDA0003482655150000047
可移动储能接到调度指令后，若需要由节点j转移至节点k进行充放电能，首先基于Floyd算法计算两节点之间的交通道路最短距离Dj,k，考虑可移动储能的交通运输时间
Figure BDA0003482655150000041
与安装配置时间
Figure BDA0003482655150000042
则在可移动储能未到达节点k之前，即调度间隔△t小于
Figure BDA0003482655150000044
时，其与节点k的连接状态
Figure BDA0003482655150000043
始终为0。此外，还要满足以下约束：1)在任意时刻一个可移动储能最多连接一个节点；2)仅当可移动储能在某一调度时段内均处于连接状态时，其才可以进行充放电能；3)可移动储能的充放电功率、充放电状态与荷电状态约束。
固定位置储能在负荷恢复阶段，随调度指令变化在相应微电网内进行充放电能，其充放电功率、充放电状态和容量需要满足一定的约束条件。
假设综合能源系统内的天然气网络与设备未受冰冻灾害影响，故障发生后，天然气与热负荷用能可通过电、热、气耦合设备向电负荷用能转化，通过在各时段调度CHP机组与天然气热泵出力保障重要负荷供电，建立综合能源系统时序模型。调度指令为各个时段的电热负荷削减量与各机组出力，将CHP机组与天然气热泵的电热功率作为控制变量，引入天然气分配系数σ，在单位时间输入综合能源系统的天然气量一定的情况下，通过调节各时段的天然气分配系数可以间接控制综合能源系统内机组的出力。
在步骤3中，系统在灾害过程中的功能曲线中的恢复阶段分为三个时段，在第一时段，通过远程控制设备进行故障的快速识别与隔离；在第二时段，通过调度灵活性资源实现电能在时间和空间上的合理分配，提升系统韧性；在第三时段，通过抢修故障设备将系统韧性恢复至正常水平。所以建立多阶段优化恢复模型，以可移动储能的定点位置
Figure BDA0003482655150000051
可控电源出力
Figure BDA0003482655150000052
与供电负荷功率
Figure BDA0003482655150000053
为控制变量，以最大化应急负荷的持续供电时间为目标，给出最优的综合能源、固定储能、可移动储能可控分布式电源出力与切负荷策略。多阶段优化恢复模型约束条件包括负荷特性约束和应急微电网组网约束。负荷特性约束包括双可控电源供电约束、最小供电持续时间约束和最大供电中断次数约束。应急微电网组网约束包括拓扑连接约束、最低可控电源容量占比约束和潮流约束。
步骤4中利用锥优化和大M方法将模型线性化，并通过MATLAB工具箱进行求解。
发明的有益效果：本发明针对冰冻灾害，并利用改进的条件生成对抗网络辨识数据深度特征。本发明中基于电源的动静态特性，建立固定与可移动储能时空状态模型与综合能源系统时序模型，利用资源间的互补耦合降低故障损失；计及电源可控性与负荷用电特性，建立考虑光伏、可移动储能与综合能源等动静态资源的多阶段优化模型，求解最优的负荷恢复方案。本发明的方法不仅可减少应急物资的大量储备，而且有利于提高物资应用的灵活性，实现能量的时空优化调度。
附图说明
图1示出的是能源互联配电系统示意结构；
图2示出的是本发明方法中改进的生成对抗网络示意结构；
图3示出的是可移动储能系统的时空调度；
图4是综合能源系统示意结构；
图5是系统在灾害过程中的功能曲线；
图6是模型求解流程图。
具体实施方式
下面结合附图，对本发明作详细说明。
本发明从提升系统韧性的角度出发，综合考虑光伏、可移动储能、固定储能、综合能源系统与柴油发电机等应急资源，通过灵活性资源的多阶段优化调度最大化恢复重要负荷，图1示出的是能源互联配电系统示意结构。目前5G应用技术逐渐成熟，电力企业未来将通过先进的通信设备支撑分布式资源的通信控制要求。
本发明的一种冰灾场景下能源互联配电系统韧性恢复方法，包括：
步骤1：基于深度学习理论提取历史数据特征，生成冰灾天气下的光伏出力场景。
电力系统大停电故障大多由极端天气引起，而天气对光伏与综合能源出力具有较大影响。其中冰冻灾害影响面积广、发生的频次较高。在冰冻灾害场景下光伏受冰雪覆盖程度、温度等因素影响，其出力呈现很强的时序性和波动性，为适应该场景下光伏出力的不确定性，采用基于数据特征挖掘的光伏出力场景生成方法，挖掘冰冻灾害下光照强度、温度对区域光伏历史出力的影响特征，为了研究灾害场景下能源互联配电系统的负荷恢复策略，利用场景缩减技术提取光伏日前出力场景，构建精细化模型并使其具有更好的泛化能力。
(1)数据特征辨识
传统的场景生成方法如马尔科夫链、场景树生成法等难以描述天气、空间等隐含的数据特征。基于深度学习理论的生成对抗网络由于其具有数据特征挖掘、无监督学习的特点，逐渐被应用于可再生能源出力场景生成中，通过生成器与判别器两组神经网络的相互训练，辨识海量出力历史数据中的隐含特征，从而产生全新的出力场景。
原始的生成对抗网络在实际应用中仍存在一些缺点：模式崩塌，生成器在后续训练中仅生成判别器无法辨别的数据，无法应用于具有特定数据需求的场景；梯度消失，使用JS散度计算网络损失无法很好地度量生成数据与真实数据之间的距离，不利于神经网络的反向传播。
本发明提出一种改进的生成对抗网络来改进上述不足，其示意结构如附图2所示。一方面利用条件生成对抗网络的方法，在生成器与判别器输入端引入条件输入项，使得生成器能够有效应用于具有特定数据需求场景；另一方面采用Wasserstein距离表征生成数据与真实数据之间的差距，同时引入梯度惩罚项来替换传统WGAN的梯度截断策略，防止梯度消失爆炸问题，提高训练速度。改进的生成对抗网络的损失函数如下式所示。
Figure BDA0003482655150000071
Figure BDA0003482655150000072
其中，G表示生成器网络；D表示判别器网络；x表示真实数据；
Figure BDA0003482655150000073
表示生成器网络生成的数据；x表示真实数据与生成数据间的采样点；α为比例参数；y表示条件输入项；λ表示梯度惩罚参数；pr、pg与
Figure BDA0003482655150000074
分别表示真实数据、生成数据与采样点的分布函数。将区域光伏的历史出力数据作为真实数据输入改进生成对抗网络，通过多次训练，生成器网络将发掘出大量光伏出力历史数据中的隐含特征，如果将日前预测出力数据作为条件输入项，与一组随机噪声组合后输入生成器网络，其生成的数据可作为在该日前预测条件下的一个光伏出力场景。
(2)光伏出力场景缩减
大规模场景的缩减问题往往采用聚类算法来提高计算效率。在聚类算法中，K-means算法将同一类样本点的均值作为聚类中心，对异常数据和初始中心选择十分敏感，不利于灾害等极端场景的提取。而K-medoids算法以样本中心点为聚类中心，对离群点具有较好的鲁棒性，有效克服了K-means算法的不足。因此采用K-medoids算法进行光伏出力场景缩减，流程如下：
1)在N个数据对象中随机选择K个点，作为初始中心集；
2)计算每个非代表对象到各中心点的距离，将其分配给离其最近的簇中；
3)对于每个非中心对象，用当前点替换其中一个中心点，并计算替换所产生的代价函数，若为负，则替换中心点，否则还原中心点；
4)重复2)、3)过程2-4次至达到迭代次数或代价函数在一定范围内，最终得到K个中心点，重新划分所有数据对象；
基于以上结果，采用轮廓系数法评估K-medoids算法的聚类效果，从而优化出最佳的聚类中心个数。对一个样本i而言，轮廓系数由凝聚度和分离度组成，凝聚度指样本i到同一类其他样本点的距离的平均值，分离度指样本i到其他簇的平均距离的最小值。轮廓系数考虑了簇内和簇外两方面的因素，其值越接近于1，表明该样本的分类效果越好，越接近于-1，表明该样本可能被误分类。整体聚类效果的好坏可用各个样本的轮廓系数的平均值表示，其值越大表示聚类效果越好，簇内距离越近且簇间距离越远。单个样本点的轮廓系数可由下式表示：
Figure BDA0003482655150000081
其中，Si为样本i的轮廓系数；ai为凝聚度；bi为分离度；Ci为样本i所在簇；ni为样本i所在簇内的样本数量；Dis(j,i)为样本j与样本i之间的距离；K为样本个数。
步骤2：根据电源的动静态特性建立固定与可移动储能时空状态模型与综合能源系统时序模型。
为描述储能的时空特性，兼顾灾害情况下的调度时间尺度，将调度间隔设为1小时。
2.1针对可移动储能
可移动储能的时空调度示意如附图3。其控制变量为t时刻的充电功率
Figure BDA0003482655150000091
放电功率
Figure BDA0003482655150000092
以及可移动储能i与节点j的连接状态
Figure BDA0003482655150000093
可移动储能接到调度指令后，若需要由节点j转移至节点k进行充放电能，首先基于Floyd算法计算两节点之间的交通道路最短距离Dj,k，考虑可移动储能的交通运输时间
Figure BDA0003482655150000094
与安装配置时间
Figure BDA0003482655150000095
则在可移动储能未到达节点k之前，即调度间隔△t小于
Figure BDA0003482655150000096
时，其与节点k的连接状态
Figure BDA0003482655150000097
始终为0。此外，还要满足以下约束：1)在任意时刻一个可移动储能最多连接一个节点；2)仅当可移动储能在某一调度时段内均处于连接状态时，其才可以进行充放电能；3)可移动储能的充放电功率、充放电状态与荷电状态约束。
此时，可移动储能的时空调度模型描述为：
Figure BDA0003482655150000098
Figure BDA0003482655150000099
Figure BDA00034826551500000910
Figure BDA00034826551500000911
Figure BDA00034826551500000912
Figure BDA00034826551500000913
Figure BDA0003482655150000101
Figure BDA0003482655150000102
其中，ME为可移动储能的集合；
Figure BDA0003482655150000103
为可移动储能的交通运输速度；
Figure BDA0003482655150000104
为二进制变量，表示可移动储能的充电状态，1表示充电；
Figure BDA0003482655150000105
为二进制变量，表示可移动储能的放电状态，1表示放电；
Figure BDA0003482655150000106
为可移动储能的容量；
Figure BDA0003482655150000107
为可移动储能的充电效率；
Figure BDA0003482655150000108
为可移动储能的放电效率；
Figure BDA0003482655150000109
为可移动储能容量的上限；
Figure BDA00034826551500001010
为可移动储能容量的下限。公式(4)确定可移动储能i在节点j与节点k之间交通运输的最短时间；公式(5)表示当调度间隔小于运输时间与配置时间之和时，可移动储能在节点k的连接状态为0；公式(6)表示在同一时刻可移动储能i最多连接一个节点；公式(7)、(8)给定可移动储能充放电功率的上下限；公式(9)表示可移动储能充放电状态与空间状态的耦合关系，确保可移动储能在处于连接状态时进行充放电；公式(10)、(11)为可移动储能的荷电状态约束。
对式(9)所示非线性约束，采用线性化方法转化为下式：
Figure BDA00034826551500001011
其中，
Figure BDA00034826551500001012
为可移动储能i与节点j在调度时段t-t+1内的连接状态，1表示连接，0表示断开；B为节点的集合。
2.2针对固定位置储能
固定位置储能在t时刻的充电功率
Figure BDA00034826551500001013
与放电功率
Figure BDA00034826551500001014
为控制变量，在负荷恢复阶段，随调度指令变化在相应微电网内进行充放电能，其充放电功率、充放电状态和容量需要满足以下约束：
Figure BDA00034826551500001015
Figure BDA0003482655150000111
Figure BDA0003482655150000112
Figure BDA0003482655150000113
Figure BDA0003482655150000114
其中，E为固定储能的集合；
Figure BDA0003482655150000115
为二进制变量，表示固定储能的充电状态，1表示充电；
Figure BDA0003482655150000116
为二进制变量，表示固定储能的放电状态，1表示放电；
Figure BDA0003482655150000117
为固定储能的容量；
Figure BDA0003482655150000118
为固定储能的充电效率；
Figure BDA0003482655150000119
为固定储能的放电效率；
Figure BDA00034826551500001110
为固定储能容量的上限；
Figure BDA00034826551500001111
为固定储能容量的下限。
2.3针对综合能源系统
以含CHP机组、天然气热泵的小型综合能源系统为对象，示意结构见附图4。假设综合能源系统内的天然气网络与设备未受冰冻灾害影响，故障发生后，天然气与热负荷用能可通过电、热、气耦合设备向电负荷用能转化，通过在各时段调度CHP机组与天然气热泵出力保障重要负荷供电，因此建立综合能源系统时序模型。
在综合能源系统内电、气等不同形式能源通过耦合设备供给电、热负荷的转化关系可用以下矩阵形式表示：
Figure BDA00034826551500001112
其中，Le表示综合能源内输出的电负荷；Lt表示综合能源内输出的气负荷；Ee表示综合能源内输入的电能；Eg表示综合能源内输入的天然气能；耦合矩阵C描述输入与输出之间的能量转化关系，Cee表示电-电转化设备的能量转化效率，Cte表示气-电转化设备的能量转化效率，Cet表示电-气转化设备的能量转化效率，Ctt表示气-气转化设备的能量转化效率。
对附图4所示的综合能源系统，调度指令为各个时段的电热负荷削减量与各机组出力，将CHP机组与天然气热泵的电热功率作为控制变量，引入天然气分配系数σ，σEg表示CHP机组消耗的天然气量，(1-σ)Eg表示天然气热泵消耗的天然气量，因此在单位时间输入综合能源系统的天然气量一定的情况下，通过调节各时段的天然气分配系数可以间接控制综合能源系统内机组的出力，因此该综合能源系统的能源时序耦合模型可表示为：
Figure BDA0003482655150000121
其中，ηT表示变压器效率；
Figure BDA0003482655150000122
表示CHP机组的电转化效率；
Figure BDA0003482655150000123
表示CHP机组的热转化效率；ηHP表示天然气热泵的热效率。
步骤3：考虑应急微电网组网约束与负荷用电特性，以最大化应急负荷的持续供电时间为目标，建立能源互联配电系统多阶段韧性恢复模型。
在冰冻灾害导致配电网失去主网供电后，通过多阶段调度可移动储能，与综合能源系统、固定储能、光伏等固定电源建立应急微电网，以微电网恢复负荷供电。
在以往配电系统应急恢复阶段，故障设备抢修与应急电源调度为提升韧性的主要措施，但当大电网瘫痪时无法在短时间内恢复大量断电负荷。同时在较长持续时间的灾害场景下，负荷和电源的持续特性具有很大差异，导致时空不平衡。本方法主要针对系统在灾害过程中的功能曲线中的恢复阶段，如附图5所示的t3-t5时段。在t3-t4时段，与传统恢复策略相同，通过远程控制设备进行故障的快速识别与隔离；在t4-t5时段，通过调度可移动储能、综合能源、固定储能等灵活性资源实现电能在时间和空间上的合理分配，相较于传统恢复策略能显著提升系统韧性，如图中阴影区域所示。最后在t5-t6时段，可通过抢修故障设备将系统韧性恢复至正常水平。
因此，考虑可移动储能、综合能源等灵活性资源的多阶段时序性，计及灾害场景下光伏出力场景的不确定性，建立基于时空灵活性资源的多阶段优化恢复模型。
3.1多阶段优化恢复模型目标函数
在灾害情况下，通常目标函数、约束条件根据所提出的应急微电网组网策略与不同负荷的用电特性制定，以可移动储能的定点位置
Figure BDA0003482655150000131
可控电源出力
Figure BDA0003482655150000132
与供电负荷功率
Figure BDA0003482655150000133
为控制变量，以最大化应急负荷的持续供电时间为目标，给出最优的综合能源、固定储能、可移动储能等可控分布式电源出力与切负荷策略。其目标函数为：
Figure BDA0003482655150000134
其中，T为故障发生时段；B为节点的集合；wi为根据负荷类型确定的负荷权重。
3.2多阶段优化恢复模型约束条件
(1)负荷特性约束
负荷恢复过程中要考虑各类负荷的重要性和差异性。电力负荷按中断损失可分为一级负荷、二级负荷与三级负荷，其中一级负荷的重要程度最高，突然中断供电将会造成人身伤亡、经济上的巨大损失和社会秩序的严重混乱。根据负荷等级划分各电负荷节点权重wi，针对重要程度最高的一级负荷，考虑负荷的实际用电特性和供电可靠性，对重要用户供电恢复建立以下约束：
1)双可控电源供电约束
在灾害场景下，对于医院等影响人身安全的一级负荷，其所在的微电网k内应连接的可控电源个数不应小于2，保证整个故障恢复时段内的可靠供电。相较于光伏发电机组，柴油发电机、储能与热电联产机组具有出力稳定、可调等特点，可作为可控电源。其中可移动储能需直接与该类负荷相连才能作为可控电源。
Figure BDA0003482655150000135
其中，
Figure BDA0003482655150000136
为微电网k内应连接的可控电源个数。
2)最小供电持续时间约束
在灾害发生时，对于地下车站、消防通道等场所的应急照明等影响社会秩序的一级负荷，其持续时间应大于国标规定的最低连续供电时间，则负荷的供电状态应满足以下条件：
Figure BDA0003482655150000141
其中，
Figure BDA0003482655150000142
为负荷i的最低连续供电时间；
Figure BDA0003482655150000143
为负荷i的供电状态，1表示处于供电状态。
3)最大供电中断次数约束
负荷的停电次数是反映供电连续性与供电可靠率的重要指标，在应急场景下，其余对经济产生影响的一级负荷的供电中断次数不应大于最大供电中断次数，则负荷的供电状态应满足以下条件：
Figure BDA0003482655150000144
其中
Figure BDA0003482655150000145
为负荷i的最大供电中断次数。
(2)应急微电网组网约束
为了尽快恢复重要类型负荷供电，经济成本一般不作为灾后恢复的制约因素，但供电可靠性与安全性仍然是制定恢复策略的基本要求。因此基于以上微电网构成原则和负荷需求，建立应急微电网组网约束模型：
1)拓扑连接约束
在配电网拓扑重构时，其网络需要满足辐射状结构。基于图论理论，首先根据线路开关状态进行孤岛识别，即识别连通子图，然后求出各孤岛内各个节点的子节点与父节点集合，采用虚拟潮流的方法建立微电网内的连通性约束。
Figure BDA0003482655150000146
Figure BDA0003482655150000147
Figure BDA0003482655150000148
Figure BDA0003482655150000149
其中,αi,j,t为线路ij开关状态，1表示闭合；L为线路的集合；NB为节点总数；NS为节点总数；δ(i)为节点i的子节点集合；γ(i)为节点i的父节点集合；BS为连通子图中虚拟源节点的集合；Fi,j,t为线路ij上的虚拟功率流；
Figure BDA0003482655150000159
为各个源节点发出的虚拟功率；M为一个极大的数。
2)最低可控电源容量占比约束
为了使微电网的电压、频率稳定，在负荷恢复的整个时段内，各微电网中可控电源容量应占总体电源容量一定比例之上，因此形成可行微网的最低可控电源容量占比原则为：
Figure BDA0003482655150000151
其中,μ为可控电源占比；Si为微电网内第i个分布式电源的额定容量；Cj为第j个微电网内可控分布式电源的集合；Ui为第j个微电网内不可控分布式电源的集合；μmin为常数，表示可控电源容量最低占比，其范围为[0-1]。
3)潮流约束
对于辐射状配电网络，采用DistFlow潮流方程，由于网络拓扑结构随线路开关状态变化，因此引入大M法对传统DistFlow潮流模型中的电压方程进行松弛改进。对于电压、电流和功率之间的非线性约束，通过二阶锥优化方法将模型线性化。
Figure BDA0003482655150000152
Figure BDA0003482655150000153
Figure BDA0003482655150000154
Figure BDA0003482655150000155
Figure BDA0003482655150000156
Figure BDA0003482655150000157
Figure BDA0003482655150000158
Figure BDA0003482655150000161
Figure BDA0003482655150000162
Figure BDA0003482655150000163
Figure BDA0003482655150000164
其中,
Figure BDA0003482655150000165
为节点i处供电负荷的有功功率；
Figure BDA0003482655150000166
为节点i处分布式电源的有功出力；Pij,t为节点i流向节点j的有功功率；Qij,t为节点i流向节点j的无功功率；Smax为线路容量上限；
Figure BDA0003482655150000167
为节点i处供电负荷的无功功率；
Figure BDA0003482655150000168
为节点i处分布式电源的无功出力；
Figure BDA0003482655150000169
为节点i处节点电压幅值的平方项；
Figure BDA00034826551500001610
为支路ij上电流幅值的平方项；Rij为支路ij的电阻；Xij为支路ij的电抗。
步骤4：采用锥优化与大M方法将模型线性化，利用MATLAB求解模型。
附图6所示的是整个模型的求解流程图，如对于上述建立的多阶段优化模型，首先初始化网络参数与节点类型，采用pythorch框架构建并训练改进生成对抗网络，通过K-medoids聚类算法生成冰灾下光伏出力场景；基于光伏、可移动储能与综合能源系统元件模型建立多阶段优化模型的目标函数与约束条件，采用锥优化与大M法将模型线性化，然后调用MATLAB中YALMIP工具箱求解。
上述实施例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 (11)

1.一种冰灾场景下能源互联配电系统韧性恢复方法，包括：
步骤1：基于深度学习理论提取历史数据特征，生成冰灾天气下的光伏出力场景；
步骤2：根据电源的动静态特性建立固定与可移动储能时空状态模型与综合能源系统时序模型；
步骤3：考虑应急微电网组网约束与负荷用电特性，以最大化应急负荷的持续供电时间为目标，建立能源互联配电系统多阶段韧性恢复模型；
步骤4：采用锥优化和大M方法将模型线性化并求解。
2.根据权利要求1所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于，所述步骤1中，利用条件生成对抗网络的方法，在生成器与判别器输入端引入条件输入项，使得生成器能够有效应用于具有特定数据需求场景；采用Wasserstein距离表征生成数据与真实数据之间的差距，同时引入梯度惩罚项来替换传统WGAN的梯度截断策略。
3.根据权利要求1或2所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于，所述步骤1具体包括：
步骤1.1：光伏历史出力数据预处理，初始化神经网络参数；
步骤1.2：冰冻天气下的光伏预测出力与实际出力数据分别作为生成器神经网络与判别器神经网络的输入，训练神经网络；
步骤1.3：将光伏日前预测出力数据作为生成器神经网络的输入，生成光伏出力场景；
步骤1.4：利用k-medoids聚类算法进行光伏出力场景缩减，采用轮廓系数法评估聚类效果，生成冰灾天气下的光伏出力场景。
4.根据权利要求1所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于，可移动储能的时空调度模为：
Figure FDA0003482655140000021
Figure FDA0003482655140000022
Figure FDA0003482655140000023
Figure FDA0003482655140000024
Figure FDA0003482655140000025
Figure FDA0003482655140000026
Figure FDA0003482655140000027
Figure FDA0003482655140000028
其中，ME为可移动储能的集合；
Figure FDA0003482655140000029
为可移动储能的交通运输速度；
Figure FDA00034826551400000210
为二进制变量，表示可移动储能的充电状态，1表示充电；
Figure FDA00034826551400000211
为二进制变量，表示可移动储能的放电状态，1表示放电；
Figure FDA00034826551400000212
为可移动储能的容量；
Figure FDA00034826551400000213
为可移动储能的充电效率；
Figure FDA00034826551400000214
为可移动储能的放电效率；
Figure FDA00034826551400000215
为可移动储能容量的上限；
Figure FDA00034826551400000216
为可移动储能容量的下限。公式(1)确定可移动储能i在节点j与节点k之间交通运输的最短时间；公式(2)表示当调度间隔小于运输时间与配置时间之和时，可移动储能在节点k的连接状态为0；公式(3)表示在同一时刻可移动储能i最多连接一个节点；公式(4)、(5)给定可移动储能充放电功率的上下限；公式(6)表示可移动储能充放电状态与空间状态的耦合关系，确保可移动储能在处于连接状态时进行充放电；公式(7)、(8)为可移动储能的荷电状态约束。
对式(6)所示非线性约束，采用线性化方法转化为下式：
Figure FDA0003482655140000031
其中，
Figure FDA0003482655140000032
为可移动储能i与节点j在调度时段t-t+1内的连接状态，1表示连接，0表示断开；B为节点的集合。
5.根据权利要求4所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于，固定位置储能在t时刻的充电功率
Figure FDA0003482655140000033
与放电功率
Figure FDA0003482655140000034
为控制变量，在负荷恢复阶段，随调度指令变化在相应微电网内进行充放电能，其充放电功率、充放电状态和容量需要满足以下约束：
Figure FDA0003482655140000035
Figure FDA0003482655140000036
Figure FDA0003482655140000037
Figure FDA0003482655140000038
Figure FDA0003482655140000039
其中，E为固定储能的集合；
Figure FDA00034826551400000310
为二进制变量，表示固定储能的充电状态，1表示充电；
Figure FDA00034826551400000311
为二进制变量，表示固定储能的放电状态，1表示放电；
Figure FDA00034826551400000312
为固定储能的容量；
Figure FDA00034826551400000313
为固定储能的充电效率；
Figure FDA00034826551400000314
为固定储能的放电效率；
Figure FDA00034826551400000315
为固定储能容量的上限；
Figure FDA00034826551400000316
为固定储能容量的下限。
6.根据权利要求5所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于，综合能源系统的能源时序耦合模型可表示为：
Figure FDA00034826551400000317
其中，ηT表示变压器效率；
Figure FDA0003482655140000041
表示CHP机组的电转化效率；
Figure FDA0003482655140000042
表示CHP机组的热转化效率；ηHP表示天然气热泵的热效率；Le表示综合能源内输出的电负荷；Lt表示综合能源内输出的气负荷；Ee表示综合能源内输入的电能；Eg表示综合能源内输入的天然气能；σ表示天然气分配系数，σEg表示CHP机组消耗的天然气量，(1-σ)Eg表示天然气热泵消耗的天然气量。
7.根据权利要求1所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于：所述步骤3中，系统在灾害过程中的功能曲线中的恢复阶段分为三个时段，在第一时段，通过远程控制设备进行故障的快速识别与隔离；在第二时段，通过调度灵活性资源实现电能在时间和空间上的合理分配，提升系统韧性；在第三时段，通过抢修故障设备将系统韧性恢复至正常水平。
8.根据权利要求7所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于：以可移动储能的定点位置
Figure FDA0003482655140000043
可控电源出力
Figure FDA0003482655140000044
与供电负荷功率
Figure FDA0003482655140000045
为控制变量，以最大化应急负荷的持续供电时间为目标，给出最优的综合能源、固定储能、可移动储能可控分布式电源出力与切负荷策略，即多阶段优化恢复模型，其目标函数为：
Figure FDA0003482655140000046
其中，T为故障发生时段；B为节点的集合；wi为根据负荷类型确定的负荷权重。
9.根据权利要求8所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于：所述多阶段优化恢复模型约束条件包括负荷特性约束和应急微电网组网约束。
10.根据权利要求9所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于：所述负荷特性约束包括：
(1)双可控电源供电约束
Figure FDA0003482655140000051
其中，
Figure FDA0003482655140000052
为微电网k内应连接的可控电源个数。
(2)最小供电持续时间约束
Figure FDA0003482655140000053
其中，
Figure FDA0003482655140000054
为负荷i的最低连续供电时间；
Figure FDA0003482655140000055
为负荷i的供电状态，1表示处于供电状态。
(3)最大供电中断次数约束
Figure FDA0003482655140000056
其中
Figure FDA0003482655140000057
为负荷i的最大供电中断次数。
11.根据权利要求9所述的一种冰灾场景下能源互联配电系统韧性恢复方法，其特征在于：所述应急微电网组网约束包括：
(1)拓扑连接约束
Figure FDA0003482655140000058
Figure FDA0003482655140000059
Figure FDA00034826551400000510
Figure FDA00034826551400000511
其中,αi,j,t为线路ij开关状态，1表示闭合；L为线路的集合；NB为节点总数；NS为节点总数；δ(i)为节点i的子节点集合；γ(i)为节点i的父节点集合；BS为连通子图中虚拟源节点的集合；Fi,j,t为线路ij上的虚拟功率流；
Figure FDA00034826551400000512
为各个源节点发出的虚拟功率；M为一个极大的数；
(2)最低可控电源容量占比约束
Figure FDA0003482655140000061
其中,μ为可控电源占比；Si为微电网内第i个分布式电源的额定容量；Cj为第j个微电网内可控分布式电源的集合；Ui为第j个微电网内不可控分布式电源的集合；μmin为常数，表示可控电源容量最低占比，其范围为[0-1]；
(3)潮流约束
Figure FDA0003482655140000062
Figure FDA0003482655140000063
Figure FDA0003482655140000064
Figure FDA0003482655140000065
Figure FDA0003482655140000066
Figure FDA0003482655140000067
Figure FDA0003482655140000068
Figure FDA0003482655140000069
Figure FDA00034826551400000610
Figure FDA00034826551400000611
Figure FDA00034826551400000612
其中,
Figure FDA00034826551400000613
为节点i处供电负荷的有功功率；
Figure FDA00034826551400000614
为节点i处分布式电源的有功出力；Pij,t为节点i流向节点j的有功功率；Qij,t为节点i流向节点j的无功功率；Smax为线路容量上限；
Figure FDA0003482655140000071
为节点i处供电负荷的无功功率；
Figure FDA0003482655140000072
为节点i处分布式电源的无功出力；
Figure FDA0003482655140000073
为节点i处节点电压幅值的平方项；
Figure FDA0003482655140000074
为支路ij上电流幅值的平方项；Rij为支路ij的电阻；Xij为支路ij的电抗。
CN202210072564.0A 2022-01-21 2022-01-21 一种冰灾场景下能源互联配电系统韧性恢复方法 Pending CN114709816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210072564.0A CN114709816A (zh) 2022-01-21 2022-01-21 一种冰灾场景下能源互联配电系统韧性恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210072564.0A CN114709816A (zh) 2022-01-21 2022-01-21 一种冰灾场景下能源互联配电系统韧性恢复方法

Publications (1)

Publication Number Publication Date
CN114709816A true CN114709816A (zh) 2022-07-05

Family

ID=82167293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210072564.0A Pending CN114709816A (zh) 2022-01-21 2022-01-21 一种冰灾场景下能源互联配电系统韧性恢复方法

Country Status (1)

Country Link
CN (1) CN114709816A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115396294A (zh) * 2022-08-25 2022-11-25 天津大学 配网信息物理复合故障的多阶段信息物理协同恢复方法
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115396294A (zh) * 2022-08-25 2022-11-25 天津大学 配网信息物理复合故障的多阶段信息物理协同恢复方法
CN115396294B (zh) * 2022-08-25 2023-09-08 天津大学 配网信息物理复合故障的多阶段信息物理协同恢复方法
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
CN116911076B (zh) * 2023-09-12 2024-03-19 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Ghenai et al. Modelling and performance analysis of a stand-alone hybrid solar PV/Fuel Cell/Diesel Generator power system for university building
CN103441520B (zh) 微网分布式新能源储能系统
CN109919399B (zh) 一种综合能源系统日前经济调度方法及系统
CN104283308B (zh) 微电网智能中央策略控制系统
CN111555280B (zh) 基于电-气综合能源系统的弹性配电网灾后恢复控制方法
CN104319768B (zh) 一种微电网供电及监控方法
CN108233430B (zh) 一种计及系统能源波动性的交直流混合微网优化方法
CN103236712A (zh) 一种直流微网系统及其控制方法
CN114709816A (zh) 一种冰灾场景下能源互联配电系统韧性恢复方法
CN103236718A (zh) 一种智能微网的源-网-荷自动控制系统及控制方法
CN108281965B (zh) 黑启动供电恢复方法
CN109119992A (zh) 一种城市智能化调控电力系统
Bruno et al. Predictive dispatch across time of hybrid isolated power systems
CN110826854A (zh) 一种一流城市配电网灵活适应性评价指标计算方法
Zhang et al. A coordinated restoration method of electric buses and network reconfiguration in distribution systems under extreme events
CN110401229A (zh) 一种考虑微能源网支撑作用的配电网弹性提升方法
CN112785065A (zh) 基于混合人工鱼群算法的综合能源系统规划方法及系统
Wang et al. A hybrid transmission network in pelagic islands with submarine cables and all-electric vessel based energy transmission routes
Zhang et al. MPC-based co-optimization of an integrated PV-EV-Hydrogen station to reduce network loss and meet EV charging demand
CN113657619A (zh) 考虑故障连锁的关键弹性提升元件辨识及故障恢复方法
CN113131529A (zh) 一种计及多种灵活性资源的可再生能源承载力评估的方法
Liu et al. A multi-stage restoration strategy to enhance distribution system resilience with improved conditional generative adversarial nets
CN114759616B (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN115719967A (zh) 一种用于提高供电可靠性的有源配电网储能装置优化配置方法
Ramabhotla et al. A review on reliability of microgrid

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