基于改进停电序列多状态模型...统故障恢复方案解析优选方法_闫涛.pdf

第 47 卷 第 2 期 电 网 技 术 Vol.47 No.2 2023 年 2 月 Power System Technology Feb.2023 文章编号：1000-3673（2023）02-0473-09 中图分类号：TM 74 文献标志码：A 学科代码：47040 基于改进停电序列多状态模型的新型配电系统 故障恢复方案解析优选方法 闫涛，李蕊，刘伟，盛万兴，孟晓丽（中国电力科学研究院有限公司，北京市 海淀区 100192）Analytic Optimization Method of Fault Recovery Scheme for New Distribution Network Based on Modified Multi-state Power Interruption Sequence Model YAN Tao,LI Rui,LIU Wei,SHENG Wanxing,MENG Xiaoli(China Electric Power Research Institute,Haidian District,Beijing 100192,China)ABSTRACT:This paper proposes a fault recovery scheme analytic optimization method for a new distribution network based on the modified multi-state power interruption sequence model,which may solve the scenario dimension disaster by reducing the time complexity.Firstly,the multi-state model of source-load-storage and their coupled operation state matrix are established.Then,the multi-state power interruption sequence model is modified and the calculation method of its state probability is given.Finally,the fault recovery scheme analytical optimization algorithm for the new distribution system is proposed.The illustrative example shows that the proposed method evaluates analytically a recovery scheme with 1023 different scenarios within 15min,and has an obvious algorithm performance advantage compared with the exhaustive search method and the stochastic optimization method.In addition,the effect of the dispersion degree of the generation-load-storage state on the precision and speed of the proposed method is analyzed.KEY WORDS:new distribution network;fault recovery scheme analytic optimization;modified multi-state power interruption sequence model 摘要：新能源不确定性引发的场景维数灾是新型配电系统优化分析的核心问题，但穷举搜索运算量大且耗时过长，随机优化则存在局部最优与收敛困难两大难题。鉴于此，提出了一种基于改进停电序列多状态模型的新型配电系统故障恢复方案解析优选方法，可通过降低时间复杂度来解决场景维数灾。首先，建立了源荷储多状态模型及其耦合运行状态矩阵；然后，改进停电序列多状态模型并给出了状态概率计算 基金项目：国家电网有限公司科技项目“高比例清洁能源县域配电网安全运行控制关键技术研究”(5400-202255279A-2-0-XG)。Project Supported by Science and Technology Foundation of SGCC“Key Technologies for Safe Operation and Control of High-proportion Clean Energies in County Distribution Network”(5400-202255279A-2-0-XG).方法；最后，提出了新型配电系统的故障恢复解析优选算法。算例分析中，所提方法不仅能在 15min 内完成千垓级(1023)场景的方案解析评估，而且比穷举搜索和随机优化具有更明显的算法性能优势。此外，算例还分析了源荷储状态的离散程度对算法精度和计算速度的影响。关键词：新型配电系统；故障恢复方案解析优选；改进停电序列多状态模型 DOI：10.13335/j.1000-3673.pst.2022.0185 0 引言 为实现碳达峰碳中和的战略目标，应大力发展以新能源为主体的新型配电系统，实现电力绿色低碳转型1。面对突发故障或重大灾害，新型配电系统可利用其多源网络结构和灵活可控特性构建孤岛自治系统，恢复故障下游重要用户的供电2。然而，源荷储单元的时空不确定性给孤岛安全运行带来功率失衡、电压越限、线路过载等运行风险，如何合理制定故障恢复方案，保证运行风险在可接受范围内的同时最大化恢复效果，是新型配电系统故障恢复优化的核心难点和研究热点。目前，国内外基于随机优化理论对多源配电系统故障恢复优化问题开展了大量研究工作，主要聚焦于数学模型与优化算法两方面。其中，模型方面多关注于将故障恢复优化问题转化为含目标函数和约束条件的凸或非凸优化模型，算法方面多关注于求解模型所采用的精确式算法或启发式算法。其中，凸优化模型是配电系统故障恢复的主要数学模型，如线性规划模型3-6、半正定规划模型7-8和二阶锥规划模型9-10，通常采用 Matlab、CPLEX 和MOSEK 等优化软件内置的精确式算法求解，如分支定界法、最速下降法和内点法。然而，凸优化模 474 闫涛等：基于改进停电序列多状态模型的新型配电系统故障恢复方案解析优选方法 Vol.47 No.2 型需将整数约束和潮流约束等非凸约束松弛为凸约束，且松弛过程必将造成一定程度的模型失真，故优化结果的正确性有待商榷。为避免模型失真，部分学者采用启发式算法求解非凸优化模型，如遗传算法11、粒子群算法12-13和蚁群算法14-16。然而，上述方法仅适用于新能源出力为时序曲线的确定性场景，当面对海量不确定性场景时，需先利用抽样技术将新能源出力处理为大小确定的时序曲线，再使用优化算法求解，但随机抽样过程必将引入收敛判断和局部最优两个新难题。针对海量不确定性场景下新型配电系统故障恢复优化问题，本文提出了一种基于改进停电序列多状态模型的故障恢复解析方案优选方法。首先提出源荷储多状态模型刻画源荷储的不确定性，然后构建源荷储耦合运行状态矩阵离散化孤岛运行的断面过程，其次改进停电序列多状态模型来描述所有可能发生的动态运行过程，再次提出新型配电系统的故障恢复方案解析优选算法，最后采用改造的RBTS Bus6 测试系统验证方法的可行性。1 考虑状态不确定性的源荷储多状态模型 新型配电系统的故障恢复效果受新能源出力、负荷大小以及储能充放电情况共同影响，故科学合理的源荷储数学模型是准确分析故障恢复效果的重要前提17。然而，新能源、负荷和储能运行状态的不确定性给其建模带来了一定困难，本节提出考虑发用电功率不确定性的源荷多状态模型与考虑荷电状态不确定性的储能组多状态模型。1.1 考虑发用电功率不确定性的源荷多状态模型 功率不确定是新能源和用电负荷的基本特征，本节提出计及功率不确定性的源荷多状态模型，以离散状态空间的形式刻画孤岛系统所有源荷单元的不确定性，如表 1 所示。表 1 t 时段源荷多状态模型 Table 1 Generation-load multi-state model in duration t 状态序号 状态集合 功率表征值概率集合 状态概率 1 1,1,1,1 P1 G1,P1 Gm,P1 L1,P1 Ln p1 G1,t,P1 Gm,t,P1 L1,t,P1 Ln,t pGL,t(1)2 1,1,1,2 P1 G1,P1 Gm,P1 L1,P2 Ln p1 G1,t,p 1 Gm,t,p 1 L1,t,p 2 Ln,t pGL,t(2).NGL rG1,rGm,rL1,rLn PrG1 G1,PrGm Gm,PrL1 L1,PrLn Lnp rG1 G1,t,p rGm Gm,t,p rL1 L1,t,p rLn Ln,t pGL,t(NGL)表 1 中：NGL为孤岛系统源荷状态的总数，数值等于 rG1*rGm*rL1*rLn；m 和 n 分别为孤岛系统中分布式电源和可控负荷组的总数量；rGi和 rLj分别为分布式电源i(i=1,m)和负荷j(j=1,n)的功率状态总数，为预设值且恒为常数；Pi Gj为分布式电源 j 处于状态 i 时的功率表征值，为预设值且恒为常数，本文根据预设的状态总数采用等比例分割状态范围来确定表征值，如某分布式电源出力范围为01MW，则状态总数为3的功率表征值分别为0、0.5 和 1 MW；pi Gj,t为该状态 t 时段对应的概率；Pi Lj为负荷 j 处于状态 i 时的功率表征值，计算方法与电源相同；pi Lj,t为该状态 t 时段对应的概率；pGL,t(i)为t 时段源荷处于状态 i 的概率值，计算公式为 G,L,GL,()kkk tk tiitk mk mpipp(1)式中：ik为孤岛系统源荷状态为 i 时分布式电源 k对应的状态序号；pik Gk,t为 t 时段电源 k 处于状态 ik时的概率；pik Lk,t为 t 时段负荷 k 处于状态 ik时的概率。例如，表 2 为含 1 个分布式电源(状态总数为 3)与1 个负荷(状态总数为 2)的孤岛源荷多状态模型。表 2 源荷多状态模型示例 Table 2 Example of generation-load multi-state model 状态序号状态集合功率表征值/MW 概率集合 状态概率1 1,1 0,0 0.4,0.6 0.24 2 1,2 0,1 0.4,0.4 0.16 3 2,1 1,0 0.5,0.6 0.30 4 2,2 1,1 0.5,0.4 0.20 5 3,1 2,0 0.1,0.6 0.06 6 3,2 2,1 0.1,0.4 0.04 1.2 考虑荷电状态不确定性的储能组多状态模型 储能荷电状态受新能源和负荷的不确定性影响亦被动地表现出不确定性，本节提出考虑荷电状态不确定性的储能组多状态模型，同样以离散状态空间的形式刻画孤岛系统所有储能系统荷电状态的不确定性，如表 3 所示。表 3 t 时段储能组多状态模型 Table 3 Storage-group multi-state model in duration t 状态序号状态集合 荷电状态表征值 概率集合 状态概率1 1,1 SOC1 1,SOC1 l p1 S1,t,p1 Sl,tpS,t(1).NS rS1,rSl SOCrS1 1,SOCrSl l p rS1 S1,t,p rSl Sl,tpS,t(NS)表 3 中：NS为孤岛系统储能组状态的总数，数值等于 rS1*rSl；l 为孤岛系统中储能系统