CN117060400A - 一种城市配电网韧性恢复方法、系统、设备及介质 - Google Patents

一种城市配电网韧性恢复方法、系统、设备及介质 Download PDF

Info

Publication number
CN117060400A
CN117060400A CN202311065446.8A CN202311065446A CN117060400A CN 117060400 A CN117060400 A CN 117060400A CN 202311065446 A CN202311065446 A CN 202311065446A CN 117060400 A CN117060400 A CN 117060400A
Authority
CN
China
Prior art keywords
model
scheduling
recovery
renewable energy
distribution network
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
CN202311065446.8A
Other languages
English (en)
Inventor
李坚
黄琦
徐艺豪
邢雁凯
张光斗
白明金
胡维昊
易建波
蔡东升
井实
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202311065446.8A priority Critical patent/CN117060400A/zh
Publication of CN117060400A publication Critical patent/CN117060400A/zh
Pending legal-status Critical Current

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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/28—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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种城市配电网韧性恢复方法、系统、设备及介质，涉及配电网韧性恢复技术领域。该方法包括：根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；基于可再生能源的历史运行数据生成可再生能源预测数据；以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数；获取不确定性运行数据；基于信息间隙决策理论，根据可再生能源预测数据、不确定性运行数据、目标函数和多元分布式资源协同恢复模型，确定调度模型；对调度模型进行求解，得到全局最优调度恢复方案。本发明能够提高调度策略的准确性。

Description

一种城市配电网韧性恢复方法、系统、设备及介质
技术领域
本发明涉及配电网韧性恢复技术领域，特别是涉及一种城市配电网韧性恢复方法、系统、设备及介质。
背景技术
韧性是指在极端事件后快速恢复电力系统的能力，这对现代电力供应具有重要影响。自然灾害和网络攻击都可能对电力系统造成严重破坏。尽管已经采取了一些措施来增强韧性，例如物理方法(如线路加固、树枝裁剪)，在发电侧建立具有快速恢复能力的燃料供应系统(分布式电源、移动储能等)和电网互联(多馈线、多回路)，在输电侧建立智能调度和智能电网，在配电侧采用分布式发电和分布式能量储存等。但还应充分利用已有多元分布式资源，构建协同调度策略以确保资源充分利用同时实现快速恢复和高恢复率。
城市电网连接大电网与用电用户，分为次输电系统和配电系统。极端事件下对输电、发电造成故障将导致从外部发电到城市负荷中心以及相邻地区的电力输送能力不足，城市电网面临电压崩溃，频率振荡以及停电风险。位于电网最末端的城市配电网向下直接与用户相连，同时向上连接输电网络与大量可再生能源设备，兼具向上辅助供电设备启动，向下恢复关键负载的能力。随着电网智能化发展，现有的配电网馈线上部署了远程可控制自动开关以及配电监控系统，这些设备的灵活使用是极端事件后实现电网重构的关键。提升城市配电网应对HILP事件时的抵抗力和复原力是构建韧性城市电网必然要求。城市配电网兼顾配电网与用户之间的协调互动，通过调动可用的分布式资源调整其自身的源-负荷分配，可实现关键负荷用电需求。
为了保障配电网电力的稳定供应，人们对提升电网韧性的方案进行了广泛的研究。通过使用包括电动汽车和应急电源车在内的可移动设备来快速恢复电力供应。Wu等人基于混合整数线性模型，利用电动公交车建立了一个考虑公交车服务需求的调度框架。结果表明，电动公交车可参与电网的韧性恢复。Ding等人提出了一种协调修复人员、移动应急电源车与软开关划分微网的调度模型。该研究更多地考虑了移动资源的实际行程和修复时间约束。M.Nazemi等人考虑了应急电源车的连接、路由、电能调度约束，以及配电网拓扑、功率平衡约束，模型将联合概率概念应用到随机优化公式之中。Shao等人基于配电网和储能车移动路网的双网融合，构建了复杂场景下的规划、调控联合优化模型。
然而，无论用于恢复的手段和资源如何，增强电力系统的韧性恢复是一项复杂的任务，涉及多种复杂的情况。现有的利用多种资源完成恢复任务的研究缺乏考虑电动汽车用户的充电需求或实际时空特征，涉及类似复杂因素的分析研究中没有协调不同的可移动资源。此外，已有研究中的恢复策略鲜有考虑电能质量问题，而关键母线上不稳定或不符合要求的频率和电压可能导致系统再次停电。另外，极端事件下造成的可再生能源出力、负荷需求的不确定性在恢复策略中直接难以处理，影响调度策略的准确性。
发明内容
本发明的目的是提供一种城市配电网韧性恢复方法、系统、设备及介质，以提高调度策略的准确性。
为实现上述目的，本发明提供了如下方案：
一种城市配电网韧性恢复方法，包括：
根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；所述多元分布式资源协同恢复模型包括：应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型；
基于可再生能源的历史运行数据生成可再生能源预测数据；
以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数；
获取不确定性运行数据；所述不确定性运行数据包括：线路修复时间、道路通行时间、应急电源车容量区间和电动汽车接入状态；
基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型；
对所述调度模型进行求解，得到全局最优调度恢复方案；所述全局最优调度恢复方案包括：应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。
一种城市配电网韧性恢复系统，包括：
多元分布式资源协同恢复模型构建模块，用于根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；所述多元分布式资源协同恢复模型包括：应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型；
可再生能源预测数据生成模块，用于基于可再生能源的历史运行数据生成可再生能源预测数据；
目标函数确定模块，用于以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数；
不确定性运行数据获取模块，用于获取不确定性运行数据；所述不确定性运行数据包括：线路修复时间、道路通行时间、应急电源车容量区间和电动汽车接入状态；
调度模型确定模块，用于基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型；
调度模型求解模块，用于对所述调度模型进行求解，得到全局最优调度恢复方案；所述全局最优调度恢复方案包括：应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的城市配电网韧性恢复方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的城市配电网韧性恢复方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的城市配电网韧性恢复方法，根据极端事件下的城市配电网的调度特点，考虑并建模了参与城市配电网韧性恢复的应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型，并以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数，使调度策略能够同时满足关键负荷的快速恢复与电动汽车用户充电需求，此外还基于信息间隙决策理论确定最终的调度模型，考虑了极端事件下可再生能源预测数据的不准确性，能够进一步提高调度策略的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的城市配电网韧性恢复方法的流程图；
图2为包含电动汽车充电站、MPS和应急维修人员的策略框架图；
图3为约束条件和目标函数的关系示意图；
图4为基于IEEE33节点的改进城市配电网模型示意图；
图5为极端事件后城市配电网调度策略示意图；
图6为各级负荷恢复百分比曲线图；
图7为调度周期内MPS接入位置情况示意图；
图8为电动汽车充电站总充放电容量示意图；
图9为三种策略下不同等级负荷减载量比较图；
图10为考虑电能质量指标的电压波动示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
本发明的目的是提供一种城市配电网韧性恢复方法、系统、设备及介质，以提高调度策略的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明实施例提供一种城市配电网韧性恢复方法。如图1所示，该方法包括：
步骤S1：根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；所述多元分布式资源协同恢复模型包括：应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型。
其中，所述应急电源车运行模型基于应急电源车的移动和充放电特征建模得到；所述电动汽车充电站运行模型基于电动汽车充电站的集群特征建模得到；所述应急维修人员有序线路修复模型基于应急维修人员的移动和维修特征建模得到；所述功率平衡模型基于可再生能源的运行特征建模得到。
所构建的多元分布式资源协同恢复模型如图2所示，通过城市配电网(UrbanDistribution Network，UDN)运营商向应急维修人员(即维修工人)发出维护命令，向EV聚合商(EVA)发出应急响应需求。应急电源车(Mobile Power Sources，MPS)和电动汽车(Electric Vehicles，EV)作为小型储能系统，通过电动汽车充电站和应急接入站点中的充电基础设施与城市配电网实现能量传输，从而提高电网弹性。
根据极端事件下城市配电网的调度特点，分别对应急电源车的移动和充放电特征、应急维修人员的移动以及维修特征、电动汽车充电站的集群特征和可再生能源的运行特征进行建模。下面分别对上述各模型进行详细说明。
S1-1、MPS运行模型。所述应急电源车运行模型包括：应急电源车调度约束和应急电源车充放电约束。
在由极端事件引起的部分负荷损失期间，MPS会迅速离开车辆中心，并被派往紧急供电站(MPS access station，MAS)。它们的主要目标是立即为关键电力负载提供援助，特别是那些被孤立并需要紧急电力供应的负载。
MPS调度约束如下：
式中，T表示总调度周期。Nr表示路径集合。Lm代表城市配电网中的MEAS集合。Sn与En分别表示MPS移动到下一个站点可能的起点集合与可能的终点集合。tp为MPS车辆通过路径r之前的时刻。是允许在站点中连接的MPS总数。Nmps表示MPS车辆的集合。/>为二元变量，表示t时刻第m辆MPS是否连接到站点i。/>用于表示在t时刻通过站点之间路径r所需要的时间，/>表示调度的起始位置，表示第m辆MPS在初始时刻位于设定的起始站点i。/>表示t时刻第m辆MPS是否接入站点j，/>表示调度结束Td时刻第m辆MPS在节点i的接入状态。
其中，约束(1)用于表示MPS在路径中移动之前的时间tp。如果起始移动时刻在调度周期之外，则MPS访问的位置需要满足约束(2)，以确保MPS在时刻t时保持在其原始位置，不参与移动。约束(3)是考虑MPS移动所需的旅行时间，此约束可确保模型考虑MPS到达指定应急供应站所需的时间。约束(4)表示在调度结束时刻Td，MPS所处位置与初始时刻相同，即MPS调度结束后返回起始MAS。约束(5)表示每个MPS在任何计划时间只能访问一个站点。约束(6)表示在任何调度时刻允许连接到每个站点的MPS不超过MPS的总数。
MPS操作描述：MPS在任何时刻需满足上述约束限制，保证在站点之间正确的移动与接入动作。调度中心根据已经掌握的路况信息、可用车辆信息进行调度。车辆中心所有可用于调度的MPS构成了可调度集合Nmps。
MPS充放电约束如下：
式中，表示t时刻MPS的SOC状态，/>与/>分别表示MPS的充、放电功率，/>与/>分别表示MPS的充、放电效率。Δt表示单个调度周期时长，/>与t0分别表示MPS的最后调度时刻与初始调度时刻。/>和/>分别表示MPS的SOC下限和SOC上限。二元变量/>和/>分别表示MPS的充放电状态。/>表示MPS无功放电功率。/> 与/>分别表示有功充电功率最大值、有功放电功率最大值和无功充电功率最大值。/>与/>分别表示MPS的有功充电总量、有功放电总量和无功充电总量，M表示无穷大常数。
在本发明考虑的实际场景中，讨论的MPS在移动过程中使用燃料。因此，不考虑MPS移动过程中的电能消耗。这反映在约束条件(7)中，该约束条件描述了MPS充放电功率与充电状态(SOC)变化之间的关系。MPS的SOC取决于每个站之间的充放电行为。约束条件(8)表明MPS的SOC容量在调度开始和结束时刻保持不变。约束(9)确保了功率上下限范围，以保证MPS的安全使用。约束条件(10)确保了在每个调度时刻MAS中的每个MPS只能选择其中一种状态。约束(11)确保充放电调度功率在安全范围内。在约束条件(12)表示每个MPS在一个周期内所有站点之间有功功率的充放电总数。显然，根据约束(1)至(6)，每个MPS在单周期内只能接入一个站点，在约束条件(13)中采用了Big-M方法保证这一关系。
S1-2、EV充电站运行模型。所述电动汽车充电站运行模型包括：用户充电需求约束和电动汽车充放电约束。
该模型重点在于构建了EV充放电模型，同时考虑用户的充电满意度。充电满意度约束有助于量化和确定每辆电动汽车的充电和放电响应潜力。通过将用户满意度作为一个因素，可以确保电动汽车的响应能力符合用户在充电和放电过程中的偏好和要求。
EVCS中每辆EV的响应潜力受各种因素的影响，考虑到城市居民的用电习惯，电动汽车的到达和离开时间可以使用正态分布进行建模如下：
在等式(14)中，描述用户开始充电的时间，/>是用户结束充电的时间。假设业主在18:00下班，在8:00在上班，设置期望和标准差分别为：
用户充电需求约束如下：
式中，Lev表示电动汽车充电站。Nev表示每个电动汽车车站中的EV集合。为EV接入充电站的开始和结束时刻获取的二元变量，表示t时刻第k辆EV是否接入EV电站中。
为了最大限度地开发电动汽车充放电电位，使用决策变量表示每个时刻电动汽车充电应急状态指示。/>为单个电动汽车的充电效率，/>为电动汽车的容量，是用户预期的EV充电的最小充电容量，/>表示第k个EV在时间t连接到充电站i时的SOC水平，/>表示充电站的充电功率。约束(16)意味着在车辆离开之前，是否可以通过从当前时刻t开始充电来满足用户的最低充电需求。约束(17)为用户满意度限制，M为一个较大的正数以保证满意度大于零。
EV聚集商在EV用户接入充电站后，获取用户接入的车辆电量、预期充电容量以及预期离开时间，根据所获取信息对EV进行充放电调度。每辆EV需在满足上述约束的条件下进行充放电控制。以充电站中某辆EV1为例，若t1时刻EV1连接在充电站中，即有且不为0，在距离车辆离开剩余的时间/>中，若车辆在每个时间段均以充电功率/>充电能够满足用户最小充电容量需求/>(其服从均匀分布)，则/>为正数。在整个调度过程中为满足用户需求，/>应始终保持不小于0。
EV充放电约束如下：
由于电动汽车充电站作为一个整体向电网供电，而电动汽车作为一个独立的个体，其用户需求多种多样，因此有必要为每辆电动汽车构建一个电量模型，以衡量其与电动汽车充电站的关系，可表示如下：
式中，Nev表示第i个充电站中的EV车辆集合。在约束条件(18)中，为调度周期确定了电动汽车的初始接入值否则，充电桩的初始可调节容量与电动汽车的连接容量相匹配。在随后的时刻，每个充电桩的起始可调节容量/>与所连接电动汽车的起始容量一致。
与/>分别表示EV的充放电功率，/>与/>分别表示EV的充放电效率。在约束条件(19)中，考虑充放电功率和初始SOC等因素，确定每辆电动汽车的SOC。通过为SOC设定边界，以确保其保持在可接受的范围内。二元变量/>与/>分别表示EV处于充电或者放电模式。约束(20)确保EVA在电动汽车连接时间内的每个可调度时刻都能以充电或放电模式运行电动汽车。此外，约束条件(21)是整个电动汽车充电站的总有功输入Pt c,ev和输出Pt d,ev，EVA在不同时刻向充电桩施加的充电和放电功率由约束条件(22)限定，其中和/>分别为充电站充电和放电的快充和慢充功率。
S1-3、应急维修人员有序线路修复模型。
应急维修人员在极端事件后负责维护该地区的电力供应。调度中心获取城市配电网线路损坏位置后，维修人员从调度中心出发依次恢复各故障线路。用表示极端事件发生时故障线路的位置，为0表示线路出现故障，为1表示没有故障，该模型构建为：
Fmn,t＝max(Wmn,t-1-Wmn,t,0) (26)
为起始时间t0线路mn的故障状态，故障时为1，否则为0，Lf为故障线路的集合，Wmn,t为维修人员到达故障点的指示，Fmn,t指示故障线路修复是否及时完成。Tcon,mn为第i条线路的维修时间，该时间为定值，通过维修人员对不同线路的维修经验获得。约束(23)表示初始时刻线路开断状态。约束(24)用于确保维修人员在单个时间段内只能在一条线路上工作。约束(25)用于限制维修人员修复线路所需的时间。约束(26)用于指示线路是否修复完成。约束(27)用于将城市配电网线路状态与修复过程相联系。约束(28)用于保证维修人员在连续的时间中对单个故障进行修复。
确保维修人员快速协作恢复的拟议流程如下：
一，获取线路故障位置、修复时间等参数，并对初始化、修复分支数、修复时间和线路状态执行约束。
二、确定修复开始时间，如果无法在指定时间内完成修复，则开始维修时间设置为1。
三、从开始维修时间到紧急调度周期时间段结束的累计总维修时间为Tcmn，约束(28)表示在t时刻Tcmn始终保持大于0，如果该时刻不修复线路，则保证Tcmn与Tcon,mn相等。
S1-4、功率平衡模型。所述功率平衡模型包括：城市配电网拓扑约束、可再生能源运行安全约束和分支功率流约束。
所讨论的城市配电网拓扑结构为辐射状拓扑，需满足拓扑约束为：
式中，Zmn,t表示配电网中两个节点之间的连接状态，Ln是其他非故障分支的集合，NL为所有支路集合，是时间t发生线路故障后配电网中形成的孤岛数，NB是所有节点的集合。约束(29)和(30)确保配电网满足径向拓扑约束，无论它是构成包含独立源的隔离部分还是直接连接到主网络的部分，并且每个时间段内故障分支和正常状态分支的常数等于分支总数。
对于可再生能源其运行安全约束为：
式中，与/>分别表示风机及光伏有功、无功出力，/>为风机及光伏预测出力值，φid为功率因素。
所提出的策略使用光伏、风机、MPS、电动汽车充电站等电气设备，均在分支功率平衡约束下运行，基于DistFlow的潮流模型，包括电压约束在内的分支功率流约束如下：
约束(32)是有功和无功约束，和π(θ)分别表示流出节点和流入节点的集合。对于任何分支中的s∈NB节点，由于在极端事件后电源资源并不总是足够的，因此根据节点提供的负载的重要性级别为关键负载分配更多的电力资源。/>和/>分别表示可以从负载中恢复的有功功率量和无功功率量。/>与/>分别表示t时刻配电网发电机出力。约束(33)表示荷载可以在每个时间段中根据弃电率crulia,t弃电，/>分别表示t时段内节点i的有功和无功功率，Vi sqr表示t时刻节点s电压的平方，/>表示t时刻支路电流的平方，Ωl表示支路集合。约束(34)表示支路压降与潮流之间的关系，Rsr、Xsr、Ps,r,t与Qs,r,t分别表示支路阻抗、感抗、有功功率与无功功率。而约束(35)给出了分支中电压、电流上下限/>和/>有功/无功功率的上限和下限/>与/>Zij,t表示支路的连接状态。
步骤S2：基于可再生能源的历史运行数据生成可再生能源预测数据。
优选地，采用具有梯度惩罚的Wasserstein生成对抗网络，根据可再生能源的历史运行数据生成可再生能源的出力场景；采用k-medoids聚类算法，从所述可再生能源的出力场景中提取典型出力场景作为可再生能源预测数据。
在本策略中考虑了可再生能源风机、光伏的参与，然而由于极端事件破坏的随机性和可再生能源出力的不确定性，为实现多资源的功率分配和符合实际情况的协同调度策略造成困难，极端事件下基础设施遭受破坏，真实情况下的场景难以获得。获取不同时间下符合风能和太阳能输出分布特性的功率曲线，作为韧性调度策略的风光输入功率，对于配电网管理者生成准确、安全、可靠的配电网弹性恢复策略是必要的，生成对抗网络(GAN)因其优异的建模能力和数据生成能力在电力领域中被广泛使用。为生成符合风光特性的功率输出曲线，本策略采用具有梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)生成可再生能源的出力场景，该方法为基于GAN的改进方法。其中判别器D获取服从真实风光出力分布X～pr(x)的历史数据X，生成器G从服从高斯分布z～pz(z)的随机噪声数据中生成输入数据Z，服从分布pr(x)。
生成器G和判别器D之间的博弈关系模型表示为：
GAN的目的是生成具有噪声数据的样本，这些样本尽可能接近生成网络之后真实数据的分布。判别器的目标是区分数据的真实性。生成器G和判别器D的损失函数表示为：
在(37)中，通过改变给定判别器D下生成器G网络参数以最小化期望的分布，以实现生成数据样本接近真实数据分布。在(38)中，判别器D网络以正确判别输入数据来源为目标。E(·)表示期望的分布。
WGANGP方法将Wasserstein距离作为真实样本和生成样本之间相似性的度量，解决了传统GAN的梯度消失和训练不稳定性问题。它在判别器的损失函数中引入了梯度惩罚(GP)，以确保稳定的训练。本发明选取某一地区一年的风电机组和光伏数据，以每个月为条件生成符合该月风光特性的功率输出场景，为使生成的数据更具方向性，配电网管理者根据极端事件发生的时间选取可能的场景并采用k-medoids聚类算法提取典型的出力场景，作为调度方案的风光预测数据输入。模型转换为条件WGAN-GP，博弈问题表示为：
利用条件WGAN-GP模型作为场景生成分析工具，在指定时间生成未来可再生能源功率输出的多个代表性情景。这些出力场景将用于后续的计划优化调度过程，y表示不同条件类型的编码。
基于可再生能源(风机和光伏)的历史运行数据以单个月份为条件生成每个月的出力场景，作为调度方案的风光预测数据输入；根据维修工人修复经验以及日常交通拥堵情况，获取的线路维修时长和MAS站点之间的通行时间，作为恢复时间不确定性输入；满足EV用户充放电习惯分布特征的EV充电容量，接入容量数据，作为电动汽车接入状态数据输入；根据所建立极端事件下含应急电源车、应急维修人员、电动汽车充放电运行约束的多元分布式资源协同恢复模型，并在经济性、可靠性目标下将问题转化为混合整数优化调度问题，运行数据之间的关联如图3所示，其将不确定数据输入、各关键运行约束以及目标函数之间的变量关系通过连接线进行直观描述。
步骤S3：以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数。
其中，所述目标函数包括：经济性目标和可靠性目标；所述经济性目标包括：应急电源车折损费用、电动汽车运行成本和发电成本；所述可靠性目标包括：关键负荷恢复量、电压波动和总有序维修时间。
步骤S4：获取不确定性运行数据；所述不确定性运行数据包括：线路修复时间、道路通行时间、应急电源车容量区间和电动汽车接入状态。
步骤S5：基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型。其中，所述调度模型为IGDT风险规避型的混合整数线性规划模型。
优选地，将所述可再生能源预测数据和所述不确定性运行数据输入至所述多元分布式资源协同恢复模型中，并根据所述目标函数构建混合整数优化模型；基于信息间隙决策理论，对极端事件下的所述可再生能源预测数据进行不确定性建模，以将所述混合整数优化模型转换为调度模型。
在配电网运行过程中，由于极端事件的复杂性，风力、光伏、负荷的预测值不可避免的与实际之间存在差异，在运行过程中会为配电网运营者的调度运行带来风险。针对含不确定性问题的研究，主要依据概率场景进行不确定量的信息表述，从而得到运行规划的成本。但在实际规划工作中，规划方案通常受到预算成本的制约。IGDT作为一种风险感知方法被用于处理多种不确定性。
将步骤S1-4中所述的可再生能源出力值与电力负荷/>需求作为不确定性变量，构建极端事件后的不确定性集合为：
ψ＝λLαL+λPVαPV+λPWαPW (41)
式中，φ∈U(Ppre,α)表示不确定变量集合，不确定变量和/>分别代表风机、光伏的实际出力与负荷实际需求值，αL、αpv和αpw分别代表其不确定半径，为无量纲值。式(41)表示其综合不确定性半径，其中λL、λpv和λpw表示各自的权重系数，不同权重表示决策者对某种资源的侧重程度不同。步骤S1中所提出的协同恢复模型中不存在不确定参数的混合整数规划模型为：
其中g(x,d)和h(x,d)分别为步骤S1中的等式与不等式约束，目标函数f(x,d)包含经济性(Foc)和可靠性(For)两部分目标，经济性目标重点在于最小化资源调度相关的运营成本，可靠性目标重点在于保证中断负荷的快速、稳定恢复。其经济性目标表示如下：
minFoc＝Cmps+Cg+Cev (43)
可靠性目标表示如下：
minFor＝Ccrul,t+γ1Cv+γ2Ct (47)
等式(44)表示调度MPS的成本，考虑了MPS连接到电网后充电(Cch)和放电(Cdch)的老化折旧费用。等式(45)表示城市配电网运营商发电成本Cg。在调度过程中，EVA旨在激励EV用户参与应急响应。等式(46)代表电动汽车用户的充电总支出Cev，与/>分别表示电动汽车车站的充放电电价。等式(48)中，Ccrul,t是负载削减损耗量，wi是临界负载的优先级。等式(49)表示电压偏差，Vref是参考电压，其标幺值为1。等式(50)旨在保证最短的运行周期内完成应急调度。γ1与γ2分别为电压偏差与调度时间目标的折扣因子。目标函数表示为f(x,d)＝Foc+For。
尽管步骤S2中按照每月的风光出力特点生成了典型的出力曲线尽可能地逼近实际的情况，但与实际任存在偏差。IGDT可以模拟不确定变量的预测月实际值之间的偏差，以此获得不确定性情景下的决策解。根据决策者对待风险的不同态度，将IGDT分为两种策略，分别为机会寻求型与风险规避型策略。极端事件作为破坏性的事件，会给电网造成较高的风险，机会寻求型策略目的在于从不确定性参数中获取更多利润，并不适用降低极端事件产生的风险。本方法采用风险规避型策略解决不确定性参数对协同策略调度结果造成的消极后。将等式(42)转变为IGDT风险规避型模型，表述为：
f1是引入不确定性参数后的最差目标值，f0为确定性情况下目标函数的最优值，即结合公式(42)有f0＝f(x,d)。δ为鲁棒偏差因子，表示当前目标f1与预期目标f0的偏差程度。δ越大模型对优化目标变化的容忍度越大，鲁棒性越强，g(x,d)和h(x,d)分别为步骤S1中的等式与不等式约束。
步骤S6：对所述调度模型进行求解，得到全局最优调度恢复方案；所述全局最优调度恢复方案包括：应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。具体地，利用CPLEX求解器对所述调度模型进行求解，得到全局最优调度恢复方案。
该方法通过最大化不确定变量的不利波动，即以最大化不确定性半径ψ为目标建立鲁棒模型，确保所得解始终保持在配电网运营者预期允许的成本波动范围之内，且对不确定性变量在所求解的不确定性半径内的任意波动该决策都是可行的。该模型为混合整数线性规划模型，利用cplex求解得到全局最优调度恢复方案，得到应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。
下面提供一个具体实施例，以对本发明作进一步详细的说明。
使用改进的IEEE33节点测试系统来验证所提出的城市配电网韧性恢复策略。如图4所示，该系统模拟了由极端事件引起的部分线路断开。1-2、2-19、6-7和27-28线出现四个线路故障。三个MPS站点分别连接到总线3、12和30。
电动汽车和MPS的参数如下：
EV充放电电价：1、T＝1至12，充电电价＝0.8元/kWh，放电电价＝0.9元/kWh。2、T＝13至24，充电电价＝0.35元/kWh，放电电价＝0.1元/kWh。EV最低充电/放电功率：3.5kW。EV最大充电/放电功率：10kW/7.5kW。EV/MPS容量：30kWh/1000kWh。EV/MPS运行效率：0.9/0.92。
在模拟的极端事件场景中，由于分支线1-2被切断，城市配电网会断开连接，从而导致形成四个孤岛。根据每条故障线路的估计维修时间，恢复过程分为四个阶段。在调度开始时，所有MPS单元都位于总线3的调度中心。一组应急工人与MPS和电动汽车充电站合作恢复每个岛屿的负载。城市配电网恢复的每个阶段的调度操作如图5所示，该协同恢复策略中，维修工人在故障发生后T＝3～5时刻位于支路1-2进行维修，而后依次在T＝6～8时刻前往支路6-7，T＝9～10时刻前往支路27-28，T＝11～12时刻前往支路2-19。经过四个阶段的调度，在将城市配电网从孤岛重新连接到主网的过程中，实现了关键负载的能量供应。每个资源的建议最佳调度和关键负载的恢复率如图6所示。在图6中，第二阶段的恢复率从T＝7时的75.77％下降到T＝8时的73.63％，显示出局部下降趋势。为了优先考虑二次负荷，在T＝7-8期间，减少更多的三级负荷，导致三级负荷恢复率下降(从43.5％下降到41.17％)，二级负荷恢复率增加(从76.3％提高到79.17％)。调度周期内MPS位置变化如图7所示。图8为电动汽车充电站总充放电容量，其显示了整个紧急调度周期内EVCS的总充放电功率。在T＝2时，配电网发生大故障，EVCS所在的Area4负荷断开。充电站的电动汽车开始对外放电，直到电改中心在T＝8时修复6-7号线路。从T＝9到11，EVA调度车辆充电以满足最低充电需求。在此期间，流入EVCS的净功率分别增至466.29kW、506.45kW和573.9kW。
为验证不同资源使用策略对UDN恢复的影响。在考虑经济性与经济性情况下考虑了三种策略：策略1：城市配电网弹性恢复优化调度策略。策略2：无维修人员的情况下优化调度。策略3：无电动汽车充电站参与情况下优化调度，负荷恢复效果比较如表1所示。
表1负荷恢复情况对比
在策略1中，在对负荷恢复没有严格要求的情况下，可以牺牲少量关键负荷，显著降低城市配电网运营商的调度成本。MPS总放电量从策略1中的1120kW减少到268.25kW，MPS与电网的交互时间相比非经济场景从14小时显著减少到8小时。有助于缓解由于频繁充电和放电导致的MPS老化折损成本，UDN运营商的成本从235.826降低到55.2，在考虑经济目标时减少了约76.6％。然而，这种成本降低是以减载为代价的，与非经济情景相比，一级负载累计减载7.5kW，二级负载额外减载1255kW。在这种经济情景中，减少的MPS交互使EVA能够更频繁地调度EV以进行孤岛修复，从而为EV用户带来可观的收益。电动汽车用户的总体收益比非经济情景高约5.6倍。综上所述，经济情景在降低EV用户的充电费用和UDN成本的同时，导致一级和二级负荷的更多减载。
在策略2中，维修人员的维修顺序由随机序列表示。在非经济场景中，比较策略1和策略2，考虑维修人员的最佳恢复路径对关键负载恢复具有明显优越的效果。总减载累计减少9476kW，表明恢复效果显著提高。
在策略3中，考虑了没有电动汽车充电站参与应急响应的场景。与策略1相比，策略3在非经济场景中导致额外的减载。本次减载发生在故障后T＝2和T＝7时隔离区4节点9的一级负荷，减载量分别为56.276kW和50.875kW，相同的MPS调度下，缺乏EV充电站参与导致区域4的负载减少更多。电动汽车充电站不参与应急响应会导致额外的减载和不太理想的恢复结果。
如图9所示，比较3种策略下的负载总体与不同等级的恢复速率，无有序工人恢复顺序的恢复方案对故障后8h内的整体负载恢复影响有限，总体恢复率平均值为32.16％。无电动汽车充电站策略的整体回收率平均值为56.5％，而多元协同恢复策略的整体恢复率平均值为60.2％，恢复效果最好。对比分析突出了所提出的多元协同恢复策略在孤岛与主网重新连接顺序和可调度资源高效利用和分配方面的明显优势。此策略可确保最高的整体负载恢复率，并最大限度地减少同一恢复周期内关键负载的减载。
如图10所示，在所述恢复策略中考虑电压合格率时，在设定的极端场景下，恢复过程中的电能质量更好，可以提高配电网的运行安全性能。
上述观察结果突出了拟议策略在确保关键负载的容量需求和电力供应分配方面的有效性。通过动态分配资源和中断非关键负载，该策略在能源可用性有限的情况下优化关键负载的电源。这是通过密切协调和合理分配多种资源来实现的，从而产生高效可靠的电力供应，以满足应急情况下关键负载的需求。
本实施例中，历史数据来源于renewables.ninja提供的2019年全年四川省成都市32台风电机组及光伏发电量数据。本实施例中选取1月份生成的场景，采用k-medoids聚类方法选取典型场景。该方法选取的所需月份下的典型场景充分反映历史数据的真实分布，作为弹性恢复调度的输入数据，保证调度方案的可靠性。
为进一步验证风险规避型IGDT策略下调度策略的优越性，选取4辆MPS，同时在33节点和21节点分别部署光伏和风机。不同偏差因子δ对应的调度成本如表2所示。
表2不同偏差因子δ对应的调度成本
δ 0 0.01 0.05 0.07
αpv 0 0.213 0.224 0.356
αpw 0 0.309 0.665 1
运营商总投入(Rmb) 460606 465212 483637 492849
移动储能折损(Rmb) 8612 8611 8616 8878
负荷损失(Rmb) 122734 127084 133229 135993
EV用户收入(Rmb) 413 418 419 421
观察上表结果可知，在偏差因子逐步升高的情况下，运营商总投入成本随之上升。根据运营商所允许的投资成本限度可灵活选择不同的偏差因子从而确定风力、光伏出力允许的波动范围。所允许的波动范围越大，为弥补风光出力的不足，相应的移动储能出力增加导致其运行折损逐步升高，而EV充电站中更多用户参与应急响应用户收入有所提升。在风险规避策略下，调度决策者通过牺牲部分经济性，尽可能确保韧性恢复策略的安全运行。
综上所述，本发明提供了一种考虑可再生能源出力不确定性以及电动汽车用户充电需求的配电网多元协同韧性恢复方法，包括：根据极端事件下城市配电网的调度特点，分别构建可移动应急电源车、应急维修人员、电动汽车充电站和可再生能源运行模型；建立满足运行安全约束，电动汽车用户充放电需求条件以及经济性、可靠性目标下的混合整数优化模型；根据可再生能源(风机和光伏)的历史运行数据利用具有梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)，以单个月份为条件生成每个月的出力场景，并采用k-medoids聚类算法提取典型的出力场景，作为调度方案的风光预测数据输入；基于混合整数优化模型、可再生能源预测数据与满足运行分布特征的电动汽车接入数据，建立极端事件下含应急电源车、应急维修人员、电动汽车充放电协同的调度方法，得到应急电源车在各可接入电站中的最佳充放电量及移动路径、应急维修人员的修复路径及各电动汽车在充电站中的充放电量；针对极端事件下可能存在的可在生能源预测不确定性问题，采用信息间隙决策理论对风能、光伏预测输入进行不确定性建模，构建风险规避型鲁棒调度模型，保证在风、光出力预测数据与实际情况存在较大偏差时，原调度模型的可靠性；利用CPLEX求解器得到全局最优调度恢复方案。
与现有技术相比，本发明具有以下有益效果：
(1)考虑并建模了参与城市配电网韧性恢复的三种模型，包括MPS、电动汽车充电站和应急维修人员。
(2)所提出的协同恢复策略，同时满足了关键负荷的快速恢复与电动汽车用户充电需求。
(3)在协同恢复策略的基础上，利用条件WGAN-GP算法得到了具有每月出力特征的风光出力场景。针对预测结果在极端事件存在预测不准确的问题，构建基于风险规避策略的IGDT鲁棒恢复模型。结果表明协同恢复策略在允许的运营成本范围内，不确定性变量在允许的波动半径之内。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种城市配电网韧性恢复系统，该系统包括：
多元分布式资源协同恢复模型构建模块，用于根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；所述多元分布式资源协同恢复模型包括：应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型。
可再生能源预测数据生成模块，用于基于可再生能源的历史运行数据生成可再生能源预测数据。
目标函数确定模块，用于以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数。
不确定性运行数据获取模块，用于获取不确定性运行数据；所述不确定性运行数据包括：线路修复时间、道路通行时间、应急电源车容量区间和电动汽车接入状态。
调度模型确定模块，用于基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型。
调度模型求解模块，用于对所述调度模型进行求解，得到全局最优调度恢复方案；所述全局最优调度恢复方案包括：应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。
实施例三
本发明实施例还提供一种电子设备，包括存储器和处理器，该存储器用于存储计算机程序，该处理器用于运行计算机程序以使电子设备执行实施例一中的城市配电网韧性恢复方法。所述电子设备可以是服务器。
另外，本发明还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一中的城市配电网韧性恢复方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种城市配电网韧性恢复方法，其特征在于，包括：
根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；所述多元分布式资源协同恢复模型包括：应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型；
基于可再生能源的历史运行数据生成可再生能源预测数据；
以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数；
获取不确定性运行数据；所述不确定性运行数据包括：线路修复时间、道路通行时间、应急电源车容量区间和电动汽车接入状态；
基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型；
对所述调度模型进行求解，得到全局最优调度恢复方案；所述全局最优调度恢复方案包括：应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。
2.根据权利要求1所述的城市配电网韧性恢复方法，其特征在于，所述应急电源车运行模型基于应急电源车的移动和充放电特征建模得到；所述电动汽车充电站运行模型基于电动汽车充电站的集群特征建模得到；所述应急维修人员有序线路修复模型基于应急维修人员的移动和维修特征建模得到；所述功率平衡模型基于可再生能源的运行特征建模得到；所述应急电源车运行模型包括：应急电源车调度约束和应急电源车充放电约束；所述电动汽车充电站运行模型包括：用户充电需求约束和电动汽车充放电约束；所述功率平衡模型包括：城市配电网拓扑约束、可再生能源运行安全约束和分支功率流约束。
3.根据权利要求1所述的城市配电网韧性恢复方法，其特征在于，基于可再生能源的历史运行数据生成可再生能源预测数据，具体包括：
采用具有梯度惩罚的Wasserstein生成对抗网络，根据可再生能源的历史运行数据生成可再生能源的出力场景；
采用k-medoids聚类算法，从所述可再生能源的出力场景中提取典型出力场景作为可再生能源预测数据。
4.根据权利要求1所述的城市配电网韧性恢复方法，其特征在于，所述目标函数包括：经济性目标和可靠性目标；所述经济性目标包括：应急电源车折损费用、电动汽车运行成本和发电成本；所述可靠性目标包括：关键负荷恢复量、电压波动和总有序维修时间。
5.根据权利要求1所述的城市配电网韧性恢复方法，其特征在于，基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型，具体包括：
将所述可再生能源预测数据和所述不确定性运行数据输入至所述多元分布式资源协同恢复模型中，并根据所述目标函数构建混合整数优化模型；
基于信息间隙决策理论，对极端事件下的所述可再生能源预测数据进行不确定性建模，以将所述混合整数优化模型转换为调度模型。
6.根据权利要求1所述的城市配电网韧性恢复方法，其特征在于，所述调度模型为IGDT风险规避型的混合整数线性规划模型。
7.根据权利要求1所述的城市配电网韧性恢复方法，其特征在于，对所述调度模型进行求解，得到全局最优调度恢复方案，具体包括：
利用CPLEX求解器对所述调度模型进行求解，得到全局最优调度恢复方案。
8.一种城市配电网韧性恢复系统，其特征在于，包括：
多元分布式资源协同恢复模型构建模块，用于根据极端事件下的城市配电网的调度特点，构建多元分布式资源协同恢复模型；所述多元分布式资源协同恢复模型包括：应急电源车运行模型、电动汽车充电站运行模型、应急维修人员有序线路修复模型和功率平衡模型；
可再生能源预测数据生成模块，用于基于可再生能源的历史运行数据生成可再生能源预测数据；
目标函数确定模块，用于以最小化资源调度的运营成本和保证中断负荷的快速稳定恢复为目标确定目标函数；
不确定性运行数据获取模块，用于获取不确定性运行数据；所述不确定性运行数据包括：线路修复时间、道路通行时间、应急电源车容量区间和电动汽车接入状态；
调度模型确定模块，用于基于信息间隙决策理论，根据所述可再生能源预测数据、所述不确定性运行数据、所述目标函数和所述多元分布式资源协同恢复模型，确定调度模型；
调度模型求解模块，用于对所述调度模型进行求解，得到全局最优调度恢复方案；所述全局最优调度恢复方案包括：应急电源车在各可接入电站中的最佳充放电量和移动路径、应急维修人员的修复路径以及各电动汽车在充电站中的充放电量。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的城市配电网韧性恢复方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的城市配电网韧性恢复方法。
CN202311065446.8A 2023-08-22 2023-08-22 一种城市配电网韧性恢复方法、系统、设备及介质 Pending CN117060400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311065446.8A CN117060400A (zh) 2023-08-22 2023-08-22 一种城市配电网韧性恢复方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311065446.8A CN117060400A (zh) 2023-08-22 2023-08-22 一种城市配电网韧性恢复方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN117060400A true CN117060400A (zh) 2023-11-14

Family

ID=88655097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311065446.8A Pending CN117060400A (zh) 2023-08-22 2023-08-22 一种城市配电网韧性恢复方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN117060400A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559445A (zh) * 2024-01-10 2024-02-13 国网辽宁省电力有限公司经济技术研究院 一种基于电力流动与稳定性分析的配电管理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559445A (zh) * 2024-01-10 2024-02-13 国网辽宁省电力有限公司经济技术研究院 一种基于电力流动与稳定性分析的配电管理方法及系统
CN117559445B (zh) * 2024-01-10 2024-03-26 国网辽宁省电力有限公司经济技术研究院 一种基于电力流动与稳定性分析的配电管理方法及系统

Similar Documents

Publication Publication Date Title
Wong et al. Review on the optimal placement, sizing and control of an energy storage system in the distribution network
Farzin et al. Role of outage management strategy in reliability performance of multi-microgrid distribution systems
Singh et al. Distributed power generation planning for distribution networks using electric vehicles: Systematic attention to challenges and opportunities
Kumar et al. V2G capacity estimation using dynamic EV scheduling
Martins et al. Active distribution network integrated planning incorporating distributed generation and load response uncertainties
Vosoogh et al. An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
Sun et al. Improving the restorability of bulk power systems with the implementation of a WF-BESS system
Carrión et al. Scheduling isolated power systems considering electric vehicles and primary frequency response
Yuvaraj et al. Enhancing Indian Practical Distribution System Resilience Through Microgrid Formation and Integration of Distributed Energy Resources Considering Battery Electric Vehicle
Chamana et al. Buildings participation in resilience enhancement of community microgrids: Synergy between microgrid and building management systems
CN117060400A (zh) 一种城市配电网韧性恢复方法、系统、设备及介质
Rostami et al. Optimal operating strategy of virtual power plant considering plug‐in hybrid electric vehicles load
CN110070210B (zh) 一种多微电网系统能量管理与贡献度评估方法和系统
Saadatmandi et al. Smart electric vehicle charging for reducing photovoltaic energy curtailment
Sun et al. Two-Stage Robust Voltage Control Strategy for Seaport Microgrids with Health-Aware All-Electric Ships
Luna et al. Generation and demand scheduling for a grid-connected hybrid microgrid considering price-based incentives
Meydani et al. Optimizing Microgrid Energy Management: Metaheuristic versus Conventional Techniques
CN116562542A (zh) 考虑社区电动汽车有序充电的配电网优化运行方法和系统
Sui et al. A two-stage electric energy scheduling strategy for pelagic island microgrid clusters
Chouaf et al. Optimal energy management for a connected microgrid using dynamic programming method
Rawat et al. Planning renewables in distribution system with electric vehicles to improve hosting capacity and energy losses: Two-stage stochastic optimization framework
Ji et al. Coordinating distribution system resources for co-optimized participation in energy and ancillary service transmission system markets
Jin et al. Multi-objective look-ahead reactive power control for active distribution networks with composite loads
Sasaki et al. Dynamic economic load dispatch with emergency demand response for microgrid system operation

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