一种配电网故障恢复策略的生成方法和装置制造方法及图纸

本发明专利技术实施例提供了一种配电网故障恢复策略的生成方法和装置，所述方法包括：建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；通过场景采样方法，将所述随机规划模型转化为确定性规划模型；根据Benders分解法，对所述确定性规划模型进行求解，克服了风力发电机(WT)和光伏发电(PV)产生的不确定性从而可能导致孤岛功率不平衡，并进而导致重要负荷的二次断电的问题。负荷的二次断电的问题。负荷的二次断电的问题。

【技术实现步骤摘要】
一种配电网故障恢复策略的生成方法和装置


[0001]本专利技术涉及配电网领域，尤其涉及一种配电网故障恢复策略的生成方法和装置。

技术介绍

[0002]极端事件发生后，在配电网失去与大电网连接的情况下，配电系统可利用本地的可调度分布式电源(DG)，如柴油发电机和微型燃气轮机，以及不可调度的可再生能源发电资源，如风电(WT)和光伏(PV)等，对重要负荷进行供电恢复。重要负荷如医院、供水站、应急中心等，通过恢复供电维持其基本的社会功能，减小停电损失。在恢复过程中，控制中心根据系统信息和测量结果确定恢复策略，最终源网荷相互连接形成电气孤岛运行。恢复策略包括负荷的恢复状态(恢复或不恢复)、线路状态(连接或断开)和可调度DG功率输出。
[0003]配电网从停电后至大电网恢复供电之前，利用有限的发电资源进行负荷恢复所形成的、孤岛需要确保功率平衡并持续运行一段时间。WT和PV的出力不确定性波动是导致功率不平衡的直接原因。为了保持功率平衡，需要控制可调度DG跟踪WT和PV发电功率输出的变化。然而，可调度DG的功率调节能力是有限的，因此，可再生能源功率输出的显著波动可能会导致切负荷情况发生，即恢复后的重要负荷发生二次断电，产生巨大的次生损失。
[0004]切负荷可分为计划切负荷和非计划切负荷。WT/PV出力预测误差的不确定性可能增加非计划切负荷的风险。为了限制这种风险，需要可调度DG的备用能力。通过预留可调度DG的备用容量可以降低切负荷的风险，然而这种方式在一定程度上违背最大化恢复负荷的目的。

技术实现思路
/>[0005]本专利技术的实施例提供了一种配电网故障恢复策略的生成方法和装置，最大化恢复负荷的同时尽量减低切负荷风险。
[0006]一种配电网故障恢复策略的生成方法，包括：
[0007]建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
[0008]通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
[0009]根据Benders分解法，对所述确定性规划模型进行求解。
[0010]一种配电网故障恢复策略的生成装置，包括：
[0011]模型建立单元，建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
[0012]转化单元，通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
[0013]求解单元，根据Benders分解法，对所述确定性规划模型进行求解。
[0014]由上述本专利技术的实施例提供的技术方案可以看出，通过建立考虑WT、PV出力不确定性的多时段恢复问题的两阶段混合整数线性规划模型，并将其通过场景采样的方法转化为确定性规划问题，最后提出基于Benders算法的求解算法，形成一种考虑可再生能源出力
不确定性的配电网重要负荷恢复方法，可应用于在线恢复决策。该专利技术能够协调可再生能源和可调度DG，恢复更多的关键负荷同时尽量降低二次切负荷的风险。通过考虑切负荷惩罚，有效地减少了切负荷次数。
[0015]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术中配电网故障恢复策略的生成方法的流程示意图；
[0018]图2为本专利技术中改进的IEEE123节点测试算例的示意图；
[0019]图3为本专利技术中10个时间段内恢复的3个级别负荷的数量的示意图；
[0020]图4为本专利技术中调度DG的计划输出功率和备用功率的示意图；
[0021]图5为本专利技术中可调度DG的信息的示意图。
具体实施方式
[0022]下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0023]为便于对本专利技术实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本专利技术实施例的限定。
[0024]如图1所示，为本专利技术所述的一种配电网故障恢复策略的生成方法，包括：
[0025]步骤11，建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；
[0026]步骤12，通过场景采样方法，将所述随机规划模型转化为确定性规划模型；
[0027]步骤13，根据Benders分解法，对所述确定性规划模型进行求解。
[0028]所述步骤11包括：
[0029]第一阶段的问题具体为：
[0030]第一阶段问题的模型具体如下：
[0031]目标函数：
[0032]min-λ1F1+λ2F2+F3ꢀꢀ
(1)
[0033][0034][0035][0036]变量：
[0037][0038][0039][0040][0041][0042]α
ij
∈{0,1},F
ij
，(i,j)∈ε；
[0043][0044]约束条件：
[0045][0046][0047][0048][0049][0050][0051][0052][0053][0054][0055][0056]其中，λ1和λ2为目标的权重因子，用来平衡目标的重要性，设置λ1>λ2>1；ε为线路的集合，和为时段集合和除第一时段以外的时段集合；为所有节点和可调度分布式电源(DG)节点的集合；所有带t下标的字符表示相应含义在t时段的值；s
i,t
为注入复功率，S
ij,
为两线间的传输功率，为负荷复功率，为可调度DG的复功率输出值，且为可调度DG的复功率输出值，且为可调度DG的复功率输出值，且为WT/PV的输出功率预测值；γ
i,t
均为0-1整数变量，分别表示负荷是否恢复，1表示恢复，0表示未恢复，以及负荷是否被切，1表示切掉，0表示未切；m
ij
为辅助变量；若i、j两线相连，则α
ij
＝1，否则α
ij
＝0；M记为一个正实数；v
i,t
为电压幅值的平方，v
i,min
、v
i,max
分别为v
i,t
的最小值和最大值；z
ij
为线路阻抗；和为可调度
DG的额定有功功率和额定无功功率；F
ij
表示线路的虚拟潮流；D
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网故障恢复策略的生成方法，其特征在于，包括：建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型；通过场景采样方法，将所述随机规划模型转化为确定性规划模型；根据Benders分解法，对所述确定性规划模型进行求解。2.如权利要求1所述的方法，其特征在于，所述建立考虑风力发电机WT和光伏发电机PV发电不确定性的多时段负荷恢复问题的两阶段混合整数随机规划模型的步骤包括：第一阶段的问题具体为：第一阶段问题的模型具体如下：目标函数：min-λ1F1+λ2F2+F3ꢀꢀꢀꢀꢀꢀ
(1)(1)(1)变量：变量：变量：变量：变量：变量：α
ij
∈{0，1}，F
ij
，(i，j)∈ε；约束条件：约束条件：约束条件：约束条件：约束条件：约束条件：约束条件：
其中，λ1和λ2为目标的权重因子，用来平衡目标的重要性，设置λ1＞λ2＞1；ε为线路的集合，和为时段集合和除第一时段以外的时段集合；为所有节点和可调度分布式电源(DG)节点的集合；所有带t下标的字符表示相应含义在t时段的值；s
i，t
为注入复功率，S
ij，t
为两线间的传输功率，为负荷复功率，为可调度DG的复功率输出值，且为可调度DG的复功率输出值，且为可调度DG的复功率输出值，且为WT/PV的输出功率预测值；γ
i，t
均为0-1整数变量，分别表示负荷是否恢复，1表示恢复，0表示未恢复，以及负荷是否被切，1表示切掉，0表示未切；m
ij
为辅助变量；若i、j两线相连，则α
ij
＝1，否则α
ij
＝0；M记为一个正实数；v
i，t
为电压幅值的平方，v
i，min
、v
i，max
分别为v
i，t
的最小值和最大值；z
ij
为线路阻抗；和为可调度DG的额定有功功率和额定无功功率；F
ij
表示线路的虚拟潮流；D
i
表示节点的虚拟需求，设置为1；第二阶段问题具体为：第二阶段问题的模型具体如下：目标函数：变量：变量：变量：变量：约束条件：约束条件：约束条件：约束条件：约束条件：约束条件：约束条件：
其中，为可调度DG的上/下功率调整；为WT/PV的复功率输出值，且ε
′
为连接线路的集合。3.如权利要求1所述的方法，其特征在于，所述通过场景采样方法，将所述随机规划模型转化为确定性规划模型的步骤包括：步骤一：场景生成，具体包括：不确定性建模步骤、参数估计步骤和场景采样步骤；其中，所述不确定性建模的步骤包括：在恢复后形成的电气孤岛中，WT与PV在地理上相邻，其发电功率概率分布具有时空相关性；采用高斯混合GMM模型对WT和PV的联合发电概率密度函数进行建模，GMM是由加权高斯分量组成的概率密度函数，具体如下：斯分量组成的概率密度函数，具体如下：斯分量组成的概率密度函数，具体如下：斯分量...

【专利技术属性】
技术研发人员：许寅，王颖，王小君，和敬涵，李猛，李晨，张佳宝，王维，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：