CN114818379A - 考虑多维不确定性的信息物理主动配电系统互动规划方法 - Google Patents

Abstract

本发明涉及考虑多维不确定性的信息物理主动配电系统互动规划方法，属于信息物理主动配电系统技术领域，从三个层面剖析了CPADS的整体架构组成，引出了通信链路失效对于CPADS的潜在威胁；充分考虑主动控制设备的选址或选型、投资约束和运行控制约束，计及潮流约束、系统安全约束等，实现了基于信息‑物理强耦合交互的且旨在最小化年度投资‑运行综合成本的CPADS协调规划整体建模；对于模型中所存在的调度决策变量‑规划决策变量‑通信链路有效性决策变量连续相乘的非线性项，基于big‑M法将其逐层线性化；构建了来自信息域和物理域的多维不确定性集合，基于以通信链路失效为代表的典型信息系统故障场景等。实现信息物理主动配电系统的协调规划和落地应用。

Description

考虑多维不确定性的信息物理主动配电系统互动规划方法

技术领域

本发明属于信息物理主动配电系统技术领域，具体涉及考虑多维不确定性的信息物理主动配电系统互动规划方法。

背景技术

近年来，随着智能配电网建设不断推进发展，信息系统与配电物理系统持续加深耦合，信息流和能量流正趋向于协同互动，传统配电网正逐渐演变为信息-物理主动配电系统(cyber-physical active distribution system,CPADS)。信息系统的广泛普及和融合应用为配电网物理域实现主动控制以及消纳清洁能源提供了坚实的技术支撑。但与此同时，信息系统的固有缺陷特性以及当前所应用技术方案的尚未成熟也为电网带来了一系列来自信息域的不确定性，其与高渗透分布式电源带来的不确定性相互加持，正为配电网的规划与运行带来新的挑战。鉴于此，如何有机统筹配电系统考虑信息域-物理域的多维不确定性，实现CPADS的协调规划和落地应用是当前亟需解决的关键科学问题。

发明内容

本发明目的在于提供考虑多维不确定性的信息物理主动配电系统互动规划方法，用于解决上述现有技术中存在的技术问题，信息系统的固有缺陷特性以及当前所应用技术方案的尚未成熟也为电网带来了一系列来自信息域的不确定性，其与高渗透分布式电源带来的不确定性相互加持，正为配电网的规划与运行带来新的挑战。

为实现上述目的，本发明的技术方案是：

考虑多维不确定性的信息物理主动配电系统互动规划方法，包括以下步骤：

S1、分析信息物理主动配电系统整体架构和通信链路失效情况；

S2、考虑主动控制设备的选址或选型、投资约束和运行控制约束；计及支路潮流约束、系统安全约束、变电站功率约束、分布式电源功率约束、失负荷约束、网络辐射性和连通性约束，实现基于信息-物理强耦合交互的且旨在最小化年度投资-运行综合成本的CPADS协调规划整体建模；

S3、对模型中所存在的调度决策变量、规划决策变量、通信链路有效性决策变量连续相乘的非线性项，基于big-M法将进行逐层线性化；

S4、构建来自信息域和物理域的多维不确定性集合：基于以通信链路失效为代表的典型信息系统故障场景，提出考虑故障概率分布的信息域N-k不确定性集合，而对于物理域中风力发电、光伏发电和负荷需求的不确定性则以盒式不确定性集合来表征；

S5、将CPADS协调规划模型重构为一个数据驱动下的两阶段鲁棒优化数学框架，并将其分解成一个主问题和两个分步子问题后借助CCG算法迭代求解，两个分步子问题分别用SP-1和SP-2表示，其中SP-1旨在得到物理域最恶劣的场景，SP-2旨在得到信息域最恶劣的场景。

进一步的，所述步骤S1中信息物理主动配电系统整体架构如下：

由信息系统和物理系统构成；其中，

信息系统分为三个层次结构：应用层、通信层和接入层；应用层包括配电自动化中心、数据采集与监控服务器、管理信息系统服务器；通信层包括无线Mesh网络、以太网无源光网络以及基于光纤同步数字体系或多业务传输平台的的环形主干网，其中主干网承接应用层和各个配电子站服务器；在智能终端的辅助下，接入层在维持物理系统中各类主动控制设备与上层信息系统之间的实时通信方面履行着重要的职责；

所述步骤S1中通信链路失效如下：

应用层和接口层之间的信息传输信道称之为通信链路，物理系统中主动控制设备的可用性被等效为接入层FRTU的工作状态，ILF对于物理系统的主动控制存在潜在威胁，信息域和物理域相互叠加的多维不确定性存在导致通信链路失效的可能性。

进一步的，所述步骤D2中CPADS协调规划模型的目标函数：

以总成本C^Total最小化的目标函数，包含信息物理主动配电系统总投资成本C^Inv和年总运行成本C^Ope；

C^Total＝C^Inv+C^Ope

(1)所述总投资成本包括主动控制设备、电容器组、开关的投资成本以及与各类主动控制设备相匹配FRTU的投资成本；

式中：r为贴现率；TL_ESS、TL_CB、TL_Switch分别表示ESS、CB和开关的经济使用年限；j为系统节点；l为设备型号标识；B^ESS、B^CB分别为待规划ESS和CB候选节点集合，E^Switch为待规划开关候选支路集合；Ω^ESS、Ω^Switch分别为ESS和开关设备型号集合；

c^CB、

c^FRTU,CB、

分别为ESS、CB、开关、ESS所需FRTU、CB所需FRTU和开关所需FRTU的单位投资成本；

均为0-1决策变量，其中

和

分别表示节点j处是否配置ESS和CB，

表示支路ij处是否配置开关；

表示节点j处配置CB的个数；

(2)所述年总运行成本涉及网损成本、弃风成本、弃光成本以及失负荷成本；

式中：β表示运行成本与投资成本之间的净现值转化因子；t为时段，T为时段集合，Δt表示单位时间间隔长度；

表示支路ij的电流平方值；r_ij表示支路ij的电阻；

分别为风电出力、光伏出力和失负荷有功功率大小；

分别为风电光伏预测出力；

分别为网损价格、弃风价格、弃光价格、失负荷补偿价格。

进一步的，所述步骤S2中CPADS协调规划模型的投资约束：

式中：第一个和第三个约束分别表示每一个ESS候选节点和开关候选支路处只能配置一种型号的ESS设备；第三个约束表示开关候选支路处只能配置一种型号的开关设备；第二个约束表示每一个CB候选节点处能配置的CB数目不能超过M^CB；

所述步骤步骤S2中CPADS协调规划模型的运行控制约束包括ESS运行约束、CB运行约束和开关运行约束；其中，

(1)ESS运行约束：

式中：0-1决策变量

分别表示ESS充、放电状态；

表示型号l的ESS在一个调度周期内充放电控制次数的上限；

P _l ^ESS分别表示ESS充放电功率的上、下限；

表示ESS的容量，

分别表示l型号的ESS容量上、下限；

分别表示ESS充、放电系数；0-1决策变量

表示节点j处ESS的FRTU在第t时段通信链路的有效性，

表示发生通信链路失效，

则表示无ILF发生，即通信链路有效；

(2)CB运行约束：

式中：

表示CB投运组数；

表示每组CB的单位无功补偿功率；0-1决策变量

分别表示CB增、减控制状态，

表示增加一个单位的CB投运，

反之；

表示CB在一个调度周期内控制次数的上限；0-1决策变量

表示节点j处CB的FRTU在第t时段通信链路的有效性；

(3)开关运行约束：

式中：0-1决策变量

分别表示开关开、断控制状态，

表示开关闭合，

反之；

表示型号l的开关在一个调度周期内控制次数的上限；0-1决策变量

表示支路ij处开关的FRTU在第t时段通信链路的有效性。

进一步的，所述步骤步骤S2中对模型中所存在的调度决策变量、规划决策变量、通信链路有效性决策变量连续相乘的非线性项，基于big-M法的线性化过程如下：

(1)首先，引入新的0-1变量：

然后，令：

最后，转化为线性表达：

(2)首先，引入新的0-1变量：

整数变量：

然后，令：

最后，转化为线性表达：

(3)首先，引入新的0-1变量：

然后，令：

最后，转化为线性表达：

(4)以上非线性项可通过big-M法进一步线性化，以

为例，线性化过程如下：

进一步的，所述步骤S4中信息域N-k不确定性集合：

(1)全终端不确定性集合：

式中：

分别为ESS、CB和开关发生ILF的概率；Λ表征不确定性集合的范围，其值越小，该范围越大，决策越保守；

(2)单终端不确定性集合：

式中：整数参数χ^ESS、χ^CB、χ^Switch分别为归属于某个ESS、CB或开关的同一台FRTU在一个调度周期内发生ILF的最大次数。

进一步的，所述步骤S4中物理域盒式不确定性集合：

式中：

分别表示风电预测出力的上、下限；

分别表示光伏预测出力的上、下限；

分别表示负荷预测有功(无功)功率的上、下限；ξ^WTG、ξ^PVG、ξ^Load分别表示风电、光伏、负荷的不确定性集合。

进一步的，所述步骤S5中两阶段鲁棒优化及其求解方法：

以规划决策变量和调度决策变量作为第一阶段变量，用{μ}表示，其在固定不确定性参数后才能被调节；以剩余非连续变量和连续变量作为第二阶段变量，分别用{v}和{y}表示，其在固定不确定性参数和第一阶段变量后才能被调节；原问题如下；

在求解过程中，将原问题数学框架分解为主问题和子问题；主问题在已知最恶劣的场景(即{γ^*}和{ξ^*})下求解第一阶段变量{μ}；

在主问题求解出第一阶段变量后，子问题基于{μ^*}求解最恶劣的场景，即求解{γ}和{ξ}；

显然，子问题是一个“max-min”问题，可通过对内层“min”问题求对偶转化为单层“max”问题进行求解；将子问题分解为两步求解：第一步求解对偶问题SP-1，第二步求解对偶问题SP-2；首先，固定信息域不确定性参数，基于主问题求得的{μ^*}，求解SP-1，得到物理域最恶劣的场景，即{ξ^*}的值，并将其传递给SP-2；然后，基于SP-1求得的{ξ^*}和MP求得的{μ^*}，求解SP-2，得到信息域最恶劣的场景，即{γ^*}的值；

SP-1求解过程如下；

对于式中的非线性项ξ^TI^Tπ′₃，由于使用的是盒式不确定集表征物理域的不确定性，且SP-1是一个凸问题，通过引入新的0-1变量向量κ基于big-M法线性化求解；

首先，令：

则非线性项ξ^TI^Tπ′₃转化为线性表达：

对于新产生的非线性项κ^TI^Tπ′₃，引入新的变量向量θ，令θ＝κ^TI^Tπ′₃；

最后，非线性项κ^TI^Tπ′₃基于big-M法线性转化：

SP-2求解过程如下；

显然，SP-2中依然存在的非线性项γ^TE^Tπ″₂；直接采用big-M法线性化处理；

最后，在求解完SP-1和SP-2后，得到信息域和物理域最恶劣的场景，将其传递给主问题，即继续求解第一阶段变量{μ}，基于CCG算法迭代求解该鲁棒优化问题；在迭代过程中在对偶间隙基本保持不变时迭代结束；因此，定义以下指标：

ε＝|(UB_s-LB_s)-(UB_s-1-LB_s-1)|

式中：ε表示第s次迭代过程中的对偶间隙和第s+1次迭代过程中的对偶间隙之间的差值；UB_s、LB_s分别表示第s次迭代过程中的上、下界；当ε小于给定的预设值ε₀时迭代结束。

进一步的，所述步骤S5中CCG算法：

(1)令：LB₀＝0，UB₀＝+∞，迭代索引s＝1；

(2)求解MP，得到优化结果：[

(即首次求解MP得到的信息域初始最恶劣场景)}]，更新下界：

固定

求解SP：

(3)a)固定

求解SP-1，得到优化结果：

b)固定

求解SP-2，得到优化结果：

以及最优目标值：f^SP,2*；

c)更新上界：UB_s＝min{UB_s-1,f^SP,2*}；

(4)若ε≤ε₀，迭代终止并返回优化结果，否则更新s＝s+1并转至步骤5；

(5)传递

和

至MP，求解MP得到优化结果：

更新下界：

转至步骤3。

考虑多维不确定性的信息物理主动配电系统互动规划系统，包括考虑多维不确定性的信息物理主动配电系统互动规划-运行架构；考虑多维不确定性的信息物理主动配电系统互动规划-运行架构包括状态检测模块、信息存储模块、规划方案决策模块、储能控制决策模块、电容器组控制决策模块、开关控制决策模块、信息系统控制运行模块、变电站决策模块、风电决策模块、光伏决策模块，负荷削减决策模块；

所述状态检测模块：用于检测配电网可再生能源出力数据、负荷需求实时数据、通信链路有效性监测数据，并将其存储在信息存储模块；

所述信息存储模块：用于存储可再生能源、负荷需求、通信链路有效性历史数据；

所述规划或运行方案决策模块：根据如权利要求1-9任一项所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，为配网规划研究人员提供合理的规划或调度方案；

所述储能控制决策模块：根据相应的调度方案模拟或制定储能的控制指令；

所述电容器组控制决策模块：根据相应的调度方案模拟或制定电容器组的控制指令；

所述开关控制决策模块：根据相应的调度方案模拟或制定开关的控制指令；

所述信息系统控制运行模块：模拟测试信息系统和物理系统的互动时的信息链路有效性，或传递和远程下发上级调度指令；

所述变电站决策模块：根据相应的调度方案模拟或制定变电站控制指令；

所述风电决策模块：根据相应的调度方案模拟或制定风电控制指令；

所述光伏决策模块：根据相应的调度方案模拟或制定光伏控制指令；

所述负荷削减决策模块：根据相应的调度方案模拟或制定可控负荷削减控制指令。

与现有技术相比，本发明所具有的有益效果为：

本方案其中一个有益效果在于，从应用层、通信层、接入层三个层面剖析了CPADS的整体架构组成，引出了通信链路失效对于CPADS的潜在威胁；充分考虑主动控制设备的选址或选型、投资约束和运行控制约束，计及潮流约束、系统安全约束等，实现了基于信息-物理强耦合交互的且旨在最小化年度投资-运行综合成本的CPADS协调规划整体建模；对于模型中所存在的调度决策变量-规划决策变量-通信链路有效性决策变量连续相乘的非线性项，基于big-M法将其逐层线性化；构建了来自信息域和物理域的多维不确定性集合——基于以通信链路失效为代表的典型信息系统故障场景，提出了一种考虑故障概率分布的信息域N-k不确定性集合，而对于物理域中风力发电、光伏发电和负荷需求的不确定性则以盒式不确定性集合来表征；将所提规划模型重构为一个数据驱动下的两阶段鲁棒优化数学框架，并将其分解成一个主问题和两个分步子问题(SP-1和SP-2)后借助CCG算法迭代求解，其中SP-1旨在得到物理域最恶劣的场景，SP-2旨在得到信息域最恶劣的场景。实现信息物理主动配电系统的协调规划和落地应用。

附图说明

图1为本申请实施例的方法步骤总体框图。

图2为本申请实施例的典型CPADS的主要架构示意图。

具体实施方式

下面结合本发明的附图1-附图2，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

近年来，随着智能配电网建设不断推进发展，信息系统与配电物理系统持续加深耦合，信息流和能量流正趋向于协同互动，传统配电网正逐渐演变为信息-物理主动配电系统(cyber-physical active distribution system,CPADS)。信息系统的广泛普及和融合应用为配电网物理域实现主动控制以及消纳清洁能源提供了坚实的技术支撑。但与此同时，信息系统的固有缺陷特性以及当前所应用技术方案的尚未成熟也为电网带来了一系列来自信息域的不确定性，其与高渗透分布式电源带来的不确定性相互加持，正为配电网的规划与运行带来新的挑战。

实施例：

如图1和图2所示，提出典型的CPADS由信息系统和物理系统构成。其中，信息系统可分为三个层次结构：应用层、通信层和接入层。应用层主要包括配电自动化中心、数据采集与监控(supervisory control and data acquisition,SCADA)服务器、管理信息系统((management information system,MIS))服务器。通信层包括无线Mesh网络、以太网无源光网络(ethernet passive optical network,EPON)以及基于光纤同步数字体系(synchronous digital hierarchy,SDH)或多业务传输平台的(multi-service transferplatform,MSTP)的环形主干网，其中主干网承接了应用层和各个配电子站服务器。在馈线智能远动终端(feeder remote terminal units,FRTU)等智能终端的辅助下，接入层在维持物理系统中各类主动控制设备与上层信息系统之间的实时通信方面履行着重要的职责。

所述通信链路失效如下：

应用层和接口层之间的信息传输信道称之为通信链路，受传输功率不足、通信阻塞、协议错误、外力挤压或自然灾害毁坏所引起的信道环境恶化等因素的影响导致信息不能在通信链路中正常传输的现象被定义为ILF。通常，CPADS应用层的服务器维护频率高，保护措施完善，而通信层的环形主干网、无线Mesh网络以及有线组网中使用率较高的“双链”EPON可以在通信链路中的某个信道中断时快速启用并切换到备用信道恢复通讯，保障通信的可靠性。综上，应用层和通信层引起ILF的概率极低。本文研究重点关注于信息系统的故障对物理系统的影响。不难看出，只有当通信链路有效时来自应用层的控制指令才能被物理系统中的主动控制设备即时响应。换言之，主动控制设备的可用性是表征信息系统和物理系统产生交互作用时发生ILF的关键。因此，在本文研究中，这些物理系统中主动控制设备的可用性被等效为接入层FRTU的工作状态。显然，ILF对于物理系统的主动控制有着潜在威胁，信息域和物理域相互叠加的多维不确定性势必会对CPADS规划和运行带来重大挑战。

所述CPADS协调规划模型以总成本C^Total最小化的目标函数，包含信息物理主动配电系统总投资成本C^Inv和年总运行成本C^Ope。

C^Total＝C^Inv+C^Ope

(1)所述投资成本包括主动控制设备(储能(energy storage system,ESS)、电容器组(capacitor banks,CB)、开关)的投资成本以及与各类主动控制设备相匹配FRTU的投资成本。

式中：r为贴现率；TL_ESS、TL_CB、TL_Switch分别表示ESS、CB和开关的经济使用年限；j为系统节点；l为设备型号标识；B^ESS、B^CB分别为待规划ESS和CB候选节点集合，E^Switch为待规划开关候选支路集合；Ω^ESS、Ω^Switch分别为ESS和开关设备型号集合；

c^CB、

c^FRTU,CB、

分别为ESS、CB、开关、ESS所需FRTU、CB所需FRTU和开关所需FRTU的单位投资成本；

均为0-1决策变量，其中

和

分别表示节点j处是否配置ESS和CB，

表示支路ij处是否配置开关；

表示节点j处配置CB的个数。

(2)所述运行成本涉及网损成本、弃风成本、弃光成本以及失负荷成本。

式中：β表示运行成本与投资成本之间的净现值转化因子；t为时段，T为时段集合，Δt表示单位时间间隔长度；

表示支路ij的电流平方值；r_ij表示支路ij的电阻；

分别为风电出力、光伏出力和失负荷有功功率大小；

分别为风电光伏预测出力；

分别为网损价格、弃风价格、弃光价格、失负荷补偿价格。

所述CPADS协调规划模型的投资约束：

式中：第一(三)个约束表示每一个ESS候选节点(开关候选支路)处只能配置一种型号的ESS(开关)设备；第二个约束表示每一个CB候选节点处能配置的CB数目不能超过M^CB。

所述支路潮流约束：

式中：B表示系统所有节点的集合，E表示系统所有支路的集合；δ(j)为j为首端节点的支路末端节点的集合，π(j)表示以节点j为末端节点的支路首端节点的集合；x_ij表示支路ij的电抗；

分别表示变电站节点有功、无功注入功率；

分别表示ESS充、放电有功功率；

表示CB无功注入功率；

分别表示负荷预测有功、无功功率大小；

分别表示风电、失负荷无功功率；P_ij,t、Q_ij,t分别表示支路ij的有功功率和无功功率；

表示节点电压的平方值。

所述系统安全约束：

式中：

V _j分别表示节点电压的上、下限；

I _ij分别表示支路电流的上、下限；0-1决策变量σ_ij,t表示支路ij在第t时段的连断状态，σ_ij,t＝0表示支路ij处于断开状态，σ_ij,t＝1则表示处于连通状态。

所述变电站功率约束：

式中：

分别表示变电站节点有功(无功)注入功率的上、下限。

所述分布式电源功率约束：

式中：

分别表示风电无功功率的上、下限。

所述失负荷约束：

式中：

分别表示有功、无功失负荷系数。

所述网络辐射性和连通性约束：

式中：N^Bus、N^Sub分别为系统节点总数和变电站节点总数；

均为虚拟潮流辅助变量，

分别表示其上、下限。第一个约束保证了网络辐射性，但在含有分布式电源接入的配电系统中，仅靠辐射性约束难以排除环网和孤岛同时存在的情况出现，因此需要补充第二个网络连通性约束式。连通性约束构建思想为将同一个待优化拓扑网络中所有非变电站节点的注入功率设置为一个虚拟单位负荷

构建单位负荷响应下的潮流表达式。

所述CPADS协调规划模型的运行控制约束包括ESS运行约束、CB运行约束和开关运行约束。

(1)ESS运行约束：

式中：0-1决策变量

分别表示ESS充、放电状态；

表示型号l的ESS在一个调度周期内充放电控制次数的上限；

P _l ^ESS分别表示ESS充放电功率的上、下限；

表示ESS的容量，

分别表示l型号的ESS容量上、下限；

分别表示ESS充、放电系数；0-1决策变量

表示节点j处ESS的FRTU在第t时段通信链路的有效性，

表示发生了通信链路失效(information link failure,ILF)，

则表示无ILF发生，即通信链路有效。

(2)CB运行约束：

式中：

表示CB投运组数；

表示每组CB的单位无功补偿功率；0-1决策变量

分别表示CB增、减控制状态，

表示增加一个单位的CB投运，

反之；

表示CB在一个调度周期内控制次数的上限；0-1决策变量

表示节点j处CB的FRTU在第t时段通信链路的有效性。

(3)开关运行约束：

式中：0-1决策变量

分别表示开关开、断控制状态，

表示开关闭合，

反之；

表示型号l的开关在一个调度周期内控制次数的上限；0-1决策变量

表示支路ij处开关的FRTU在第t时段通信链路的有效性。

所述模型中存在的调度决策变量-规划决策变量-通信链路有效性决策变量连续相乘的非线性项，基于big-M法的线性化过程如下：

(1)首先，引入新的0-1变量：

然后，令：

最后，转化为线性表达：

(2)首先，引入新的0-1变量：

整数变量：

然后，令：

最后，转化为线性表达：

(3)首先，引入新的0-1变量：

然后，令：

最后，转化为线性表达：

(4)以上非线性项可通过big-M法进一步线性化，以

为例，线性化过程如下：

所述信息域N-k不确定性集合：

(1)全终端不确定性集合：

式中：

分别为ESS、CB和开关发生ILF的概率；Λ表征不确定性集合的范围，其值越小，该范围越大，决策越保守。

(2)单终端不确定性集合：

式中：整数参数χ^ESS、χ^CB、χ^Switch分别为归属于某个ESS、CB或开关的同一台FRTU在一个调度周期内发生ILF的最大次数。

所述物理域盒式不确定性集合：

式中：

分别表示风电预测出力的上、下限；

分别表示光伏预测出力的上、下限；

分别表示负荷预测有功(无功)功率的上、下限；ξ^WTG、ξ^PVG、ξ^Load分别表示风电、光伏、负荷的不确定性集合。

所述两阶段鲁棒优化及其求解方法：

以规划决策变量(如

等)和调度决策变量(如

等)作为第一阶段变量，用{μ}表示，其在固定不确定性参数后才能被调节；以剩余非连续变量(如

等)和连续变量(如

等)作为第二阶段变量，分别用{v}和{y}表示，其在固定不确定性参数和第一阶段变量后才能被调节。

原问题如下。

在求解过程中，将原问题数学框架分解为主问题(master problem,MP)和子问题(subproblem,SP)。MP在已知最恶劣的场景(即{γ^*}和{ξ^*})下求解第一阶段变量{μ}。

在MP求解出第一阶段变量后，SP基于{μ^*}求解最恶劣的场景，即求解{γ}和{ξ}。

显然，SP是一个“max-min”问题，可通过对内层“min”问题求对偶转化为单层“max”问题进行求解。然而，由于信息域不确定性集合和物理域不确定性集合在构造形式上截然不同，使得来自信息域最恶劣得场景和来自物理域最恶劣得场景很难同时得到，故而需要分别求取。因此，将SP分解为两步求解：第一步求解对偶问题SP-1，第二步求解对偶问题SP-2。首先，固定信息域不确定性参数(即固定{γ}为{γ^*})，基于MP求得的{μ^*}，求解SP-1，得到物理域最恶劣的场景，即{ξ^*}的值，并将其传递给SP-2。然后，基于SP-1求得的{ξ^*}和MP求得的{μ^*}，求解SP-2，得到信息域最恶劣的场景，即{γ^*}的值。

SP-1求解过程如下。

对于式中的非线性项ξ^TI^Tπ′₃，由于本方法使用的是盒式不确定集表征物理域的不确定性，且SP-1是一个凸问题，可通过引入新的0-1变量向量κ基于big-M法线性化求解。

首先，令：

则非线性项ξ^TITπ′₃转化为线性表达：

对于新产生的非线性项κ^TI^Tπ′₃，引入新的变量向量θ，令θ＝κ^TI^Tπ′₃。

最后，非线性项κ^TI^Tπ′₃基于big-M法线性转化：

SP-2求解过程如下。

显然，SP-2中依然存在的非线性项γ^TE^Tπ″₂。然而，由于γ^T本身就是一个由0-1变量组成的向量，不必引入新的向量，可直接采用big-M法线性化处理。

最后，在求解完SP-1和SP-2后，可得到信息域和物理域最恶劣的场景(即{γ^*}和{ξ^*}的值)，将其传递给MP，即可继续求解第一阶段变量{μ}，基于CCG算法迭代求解该鲁棒优化问题。然而，SP-2依然是一个混合整数二阶锥规划问题，故而该对偶问题仅具备弱对偶性，求解过程中上下界之间的对偶间隙不可避免。在迭代过程中可以在对偶间隙基本保持不变时迭代结束。因此，需要定义以下指标：

ε＝|(UB_s-LB_s)-(UB_s-1-LB_s-1)|

式中：ε表示第s次迭代过程中的对偶间隙和第s+1次迭代过程中的对偶间隙之间的差值；UB_s、LB_s分别表示第s次迭代过程中的上、下界。当ε小于给定的预设值ε₀时迭代结束。

所述CCG算法：

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，包括以下步骤：

S1、分析信息物理主动配电系统整体架构和通信链路失效情况；

S2、考虑主动控制设备的选址或选型、投资约束和运行控制约束；计及支路潮流约束、系统安全约束、变电站功率约束、分布式电源功率约束、失负荷约束、网络辐射性和连通性约束，实现基于信息-物理强耦合交互的且旨在最小化年度投资-运行综合成本的CPADS协调规划整体建模；

S3、对模型中所存在的调度决策变量、规划决策变量、通信链路有效性决策变量连续相乘的非线性项，基于big-M法将进行逐层线性化；

S4、构建来自信息域和物理域的多维不确定性集合：基于以通信链路失效为代表的典型信息系统故障场景，提出考虑故障概率分布的信息域N-k不确定性集合，而对于物理域中风力发电、光伏发电和负荷需求的不确定性则以盒式不确定性集合来表征；

S5、将CPADS协调规划模型重构为一个数据驱动下的两阶段鲁棒优化数学框架，并将其分解成一个主问题和两个分步子问题后借助CCG算法迭代求解，两个分步子问题分别用SP-1和SP-2表示，其中SP-1旨在得到物理域最恶劣的场景，SP-2旨在得到信息域最恶劣的场景。

2.如权利要求1所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤S1中信息物理主动配电系统整体架构如下：

由信息系统和物理系统构成；其中，

信息系统分为三个层次结构：应用层、通信层和接入层；应用层包括配电自动化中心、数据采集与监控服务器、管理信息系统服务器；通信层包括无线Mesh网络、以太网无源光网络以及基于光纤同步数字体系或多业务传输平台的的环形主干网，其中主干网承接应用层和各个配电子站服务器；在智能终端的辅助下，接入层在维持物理系统中各类主动控制设备与上层信息系统之间的实时通信方面履行着重要的职责；

所述步骤S1中通信链路失效如下：

应用层和接口层之间的信息传输信道称之为通信链路，物理系统中主动控制设备的可用性被等效为接入层FRTU的工作状态，ILF对于物理系统的主动控制存在潜在威胁，信息域和物理域相互叠加的多维不确定性存在导致通信链路失效的可能性。

3.如权利要求2所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤D2中CPADS协调规划模型的目标函数：

以总成本C^Total最小化的目标函数，包含信息物理主动配电系统总投资成本C^Inv和年总运行成本C^Ope；

C^Total＝C^Inv+C^Ope

(1)所述总投资成本包括主动控制设备、电容器组、开关的投资成本以及与各类主动控制设备相匹配FRTU的投资成本；

式中：r为贴现率；TL_ESS、TL_CB、TL_Switch分别表示ESS、CB和开关的经济使用年限；j为系统节点；l为设备型号标识；B^ESS、B^CB分别为待规划ESS和CB候选节点集合，E^Switch为待规划开关候选支路集合；Ω^ESS、Ω^Switch分别为ESS和开关设备型号集合；

c^CB、

c^{FRTU ,CB}、

分别为ESS、CB、开关、ESS所需FRTU、CB所需FRTU和开关所需FRTU的单位投资成本；

均为0-1决策变量，其中

和

分别表示节点j处是否配置ESS和CB，

表示支路ij处是否配置开关；

表示节点j处配置CB的个数；

(2)所述年总运行成本涉及网损成本、弃风成本、弃光成本以及失负荷成本；

式中：β表示运行成本与投资成本之间的净现值转化因子；t为时段，T为时段集合，Δt表示单位时间间隔长度；

表示支路ij的电流平方值；r_ij表示支路ij的电阻；

分别为风电出力、光伏出力和失负荷有功功率大小；

分别为风电光伏预测出力；

分别为网损价格、弃风价格、弃光价格、失负荷补偿价格。

4.如权利要求3所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤S2中CPADS协调规划模型的投资约束：

式中：第一个和第三个约束分别表示每一个ESS候选节点和开关候选支路处只能配置一种型号的ESS设备；第三个约束表示开关候选支路处只能配置一种型号的开关设备；第二个约束表示每一个CB候选节点处能配置的CB数目不能超过M^CB；

所述步骤步骤S2中CPADS协调规划模型的运行控制约束包括ESS运行约束、CB运行约束和开关运行约束；其中，

(1)ESS运行约束：

式中：0-1决策变量

分别表示ESS充、放电状态；

表示型号l的ESS在一个调度周期内充放电控制次数的上限；

P _l ^ESS分别表示ESS充放电功率的上、下限；

表示ESS的容量，

分别表示l型号的ESS容量上、下限；

分别表示ESS充、放电系数；0-1决策变量

表示节点j处ESS的FRTU在第t时段通信链路的有效性，

表示发生通信链路失效，

则表示无ILF发生，即通信链路有效；

(2)CB运行约束：

式中：

表示CB投运组数；

表示每组CB的单位无功补偿功率；0-1决策变量

分别表示CB增、减控制状态，

表示增加一个单位的CB投运，

反之；

表示CB在一个调度周期内控制次数的上限；0-1决策变量

表示节点j处CB的FRTU在第t时段通信链路的有效性；

(3)开关运行约束：

式中：0-1决策变量

分别表示开关开、断控制状态，

表示开关闭合，

反之；

表示型号l的开关在一个调度周期内控制次数的上限；0-1决策变量

表示支路ij处开关的FRTU在第t时段通信链路的有效性。

5.如权利要求4所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤步骤S2中对模型中所存在的调度决策变量、规划决策变量、通信链路有效性决策变量连续相乘的非线性项，基于big-M法的线性化过程如下：

(1)首先，引入新的0-1变量：

然后，令：

最后，转化为线性表达：

(2)首先，引入新的0-1变量：

整数变量：

然后，令：

最后，转化为线性表达：

(3)首先，引入新的0-1变量：

然后，令：

最后，转化为线性表达：

(4)以上非线性项可通过big-M法进一步线性化，以

为例，线性化过程如下：

6.如权利要求5所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤S4中信息域N-k不确定性集合：

(1)全终端不确定性集合：

式中：

分别为ESS、CB和开关发生ILF的概率；Λ表征不确定性集合的范围，其值越小，该范围越大，决策越保守；

(2)单终端不确定性集合：

式中：整数参数χ^ESS、χ^CB、χ^Switch分别为归属于某个ESS、CB或开关的同一台FRTU在一个调度周期内发生ILF的最大次数。

7.如权利要求6所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤S4中物理域盒式不确定性集合：

式中：

分别表示风电预测出力的上、下限；

分别表示光伏预测出力的上、下限；

分别表示负荷预测有功(无功)功率的上、下限；ξ^WTG、ξ^PVG、ξ^Load分别表示风电、光伏、负荷的不确定性集合。

8.如权利要求7所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤S5中两阶段鲁棒优化及其求解方法：

以规划决策变量和调度决策变量作为第一阶段变量，用{μ}表示，其在固定不确定性参数后才能被调节；以剩余非连续变量和连续变量作为第二阶段变量，分别用{v}和{y}表示，其在固定不确定性参数和第一阶段变量后才能被调节；原问题如下；

在求解过程中，将原问题数学框架分解为主问题和子问题；主问题在已知最恶劣的场景(即{γ^*}和{ξ^*})下求解第一阶段变量{μ}；

在主问题求解出第一阶段变量后，子问题基于{μ^*}求解最恶劣的场景，即求解{γ}和{ξ}；

显然，子问题是一个“max-min”问题，可通过对内层“min”问题求对偶转化为单层“max”问题进行求解；将子问题分解为两步求解：第一步求解对偶问题SP-1，第二步求解对偶问题SP-2；首先，固定信息域不确定性参数，基于主问题求得的{μ^*}，求解SP-1，得到物理域最恶劣的场景，即{ξ^*}的值，并将其传递给SP-2；然后，基于SP-1求得的{ξ^*}和MP求得的{μ^*}，求解SP-2，得到信息域最恶劣的场景，即{γ^*}的值；

SP-1求解过程如下；

对于式中的非线性项ξ^TI^Tπ′₃，由于使用的是盒式不确定集表征物理域的不确定性，且SP-1是一个凸问题，通过引入新的0-1变量向量κ基于big-M法线性化求解；

首先，令：

则非线性项ξ^TI^Tπ′₃转化为线性表达：

对于新产生的非线性项κ^TI^Tπ′₃，引入新的变量向量θ，令θ＝κ^TI^Tπ′₃；

最后，非线性项κ^TI^Tπ′₃基于big-M法线性转化：

SP-2求解过程如下；

显然，SP-2中依然存在的非线性项γ^TE^Tπ″₂；直接采用big-M法线性化处理；

最后，在求解完SP-1和SP-2后，得到信息域和物理域最恶劣的场景，将其传递给主问题，即继续求解第一阶段变量{μ}，基于CCG算法迭代求解该鲁棒优化问题；在迭代过程中在对偶间隙基本保持不变时迭代结束；因此，定义以下指标：

ε＝|(UB_s-LB_s)-(UB_s-1-LB_s-1)|

式中：ε表示第s次迭代过程中的对偶间隙和第s+1次迭代过程中的对偶间隙之间的差值；UB_s、LB_s分别表示第s次迭代过程中的上、下界；当ε小于给定的预设值ε₀时迭代结束。

9.如权利要求8所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，其特征在于，所述步骤S5中CCG算法：

(1)令：LB₀＝0，UB₀＝+∞，迭代索引s＝1；

(2)求解MP，得到优化结果：

更新下界：

固定

求解SP：

(3)a)固定

求解SP-1，得到优化结果：

b)固定

求解SP-2，得到优化结果：

以及最优目标值：f^SP,2*；

c)更新上界：UB_s＝min{UB_s-1,f^SP,2*}；

(4)若ε≤ε₀，迭代终止并返回优化结果，否则更新s＝s+1并转至步骤5；

(5)传递

和

至MP，求解MP得到优化结果：

更新下界：

转至步骤3。

10.考虑多维不确定性的信息物理主动配电系统互动规划系统，其特征在于，包括考虑多维不确定性的信息物理主动配电系统互动规划-运行架构；考虑多维不确定性的信息物理主动配电系统互动规划-运行架构包括状态检测模块、信息存储模块、规划方案决策模块、储能控制决策模块、电容器组控制决策模块、开关控制决策模块、信息系统控制运行模块、变电站决策模块、风电决策模块、光伏决策模块，负荷削减决策模块；

所述状态检测模块：用于检测配电网可再生能源出力数据、负荷需求实时数据、通信链路有效性监测数据，并将其存储在信息存储模块；

所述信息存储模块：用于存储可再生能源、负荷需求、通信链路有效性历史数据；

所述规划或运行方案决策模块：根据如权利要求1-9任一项所述的考虑多维不确定性的信息物理主动配电系统互动规划方法，为配网规划研究人员提供合理的规划或调度方案；

所述储能控制决策模块：根据相应的调度方案模拟或制定储能的控制指令；

所述电容器组控制决策模块：根据相应的调度方案模拟或制定电容器组的控制指令；

所述开关控制决策模块：根据相应的调度方案模拟或制定开关的控制指令；

所述信息系统控制运行模块：模拟测试信息系统和物理系统的互动时的信息链路有效性，或传递和远程下发上级调度指令；

所述变电站决策模块：根据相应的调度方案模拟或制定变电站控制指令；

所述风电决策模块：根据相应的调度方案模拟或制定风电控制指令；

所述光伏决策模块：根据相应的调度方案模拟或制定光伏控制指令；

所述负荷削减决策模块：根据相应的调度方案模拟或制定可控负荷削减控制指令。

Images