一种考虑差异化场景的220kV电网网架结构规划方法与流程

本发明涉及一种网架规划方法，尤其涉及一种考虑差异化场景的220kv电网网架规划方法。

背景技术：

首先，我国大部分地区的220kv电网处于电压等级序列的中间位置，介于输电与配电功能的中间地带，对输配电网起着重要的承上启下作用。当前，在我国负荷密度较高的大城市，220kv电网功能已由传统的输送电能的输电网转变为主要作用为分配电能的高压配电网；但在负荷密度不高的城镇和广大乡村地区，220kv电网仍然是骨干输电网。正是由于220kv电网的承上启下作用，其结构研究就显得尤为重要。一方面，在负荷密度较高地区，220kv电网层面的短路电流问题已日益突出，成为影响电网安全运行的重要隐患，要求220kv电网结构能够尽量简单，分区运行；另一方面，在负荷密度不高地区，220kv电网作为重要供电电源，其供电可靠性问题又较为突出，要求220kv电网结构能尽量保证双电源，满足电网运行可靠性要求。220kv电网的可靠性可以用不同的指标来进行衡量。通常发输电系统可靠性评估是对发输电系统的充裕度(adequacy)和安全性(security)进行评估。由此可见，对于220kv电网进行规划，所考虑的场景参数范围取值较大。从供电半径，负荷密度和电网安全等级，以及新能源渗透率来看，涉及的场景较多。对于参数取值范围较大的220kv电网规划问题，目前还缺少差异化的多场景规划建模方法。

其次，在规划220kv电压等级的电网网架结构时，出于限制短路电流和避免电磁环网的目的，广泛采用的原则是分区分层，电网解环。虽然这样的做法牺牲了电网一定的安全裕度，但在理论设计的过程中，极大地减少了所要考虑系统的节点个数，从而规避了电力系统运算当中极易出现的维数灾问题。同时，考虑分层和区域化的220kv电网结构，也可以从设计上更加明确其与500kv系统衔接时的具体分工分配。现有220kv规划尚不能做到对短路电流在方案形成阶段进行先校验，因此在寻优方向上不够准确。

再次，就目前而言，国内外的许多电力部门广泛采用确定性方法对发输电系统可靠性进行分析和评价，例如广为使用的n-1准则。n-1准则由于其使用的简单和明确性，在进行电网可靠性分析时，可以直接迅速地产生各种故障状态，并在此基础上进行分析(contingencyanalysis)。由于n-1准则产生的故障状态是对电力系统中任意主要元件非计划退出运行的遍历，其故障状态在进行选择(contingencyfiltering)后，可以较好地代表电力系统中可能出现的重大典型故障。可以认为，n-1准则是判断电力系统可靠性的基本手段，在220kv电网的典型网架设计过程当中，无论是考虑送受端差异，还是考虑发展水平差异，n-1以至于n-2准则都是基础的，也是重要的规划原则。同时需要注意的是，在规划220kv等级网架结构时，n-1，n-2准则只是提供了故障态的便利手段，在考虑故障概率，在进一步进行差异化分析的过程当中，需要更多的量化标准来指导网架拓扑的设计与主要参数的选择。与此同时，日益增高的新能源渗透率使得n-1校验的计算必须并入更多的机会约束，而传统的建模和求解都相对复杂耗时。现阶段在进行电网规划时，对于考虑不确定因素的机会约束处理还没有成熟的手段，先校验的n-1原则并没有得到充分的应用。

针对背景技术中提到的问题以及现有技术的不足，具体有下述问题亟待解决：

1)对于220kv电网规划参数取值波动较大，送受端差异明显的特点，缺少差异化的网架生成方法。

2)对于220kv电网的短路电流水平限制的问题上，缺少先校验的规划方法，方案求解的准确性和寻优方向的精度较差。

3)对于220kv电网的n‐1原则校验上，缺少以lolp为指标，以先校验进行机会约束的停电事故风险校验。大规模风电并网规划中网架生成的灵活性不能得到保证。

技术实现要素：

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种考虑差异化场景的220kv电网网架规划方法，以达到差异化的网架生成目的。为此，本发明采取以下技术方案。

一种考虑差异化场景的220kv电网网架规划方法，其特征在于包括以下步骤：

1)根据电网可靠性水平差异和新能源接入比例差异，生成多个规划场景,包括低失负荷概率高渗透率规划场景、低失负荷概率低渗透率规划场景、高失负荷概率高渗透率规划场景、高失负荷概率低渗场景透率规划场景；

2)以综合投资最小为规划的目标函数，对规划的目标函数进行数学建模；

3)对于不同规划方案，生成不同的导纳矩阵；并应用遗传算法进行求解，排除不满足安全约束的网架结构；对满足安全约束的网架结构进行检验；其具体包括：

301)输入负荷数据，发电数据和算法参数；

302)应用floyd法产生初始网架规划方案；

303)应用warshall法校验系统连通性；当校验得到系统不连通时，则返回步骤302),当校验系统连通时，进入步骤304)；

304)将产生的规划方案划入待选规划集合；

305)应用二进制粒子群算法对网架结构求解；

306)应用凸优化算法对lolp约束和n-1约束进行校验；

307)若校验不通过，则返回至步骤302)；若校验通过则进入下一步；

4)获取最优网架序列。

本技术方案在考虑规划参数取值范围变化较大的复杂综合规划问题时，本发明可以将不同的因素以分场景的方式进行讨论，所用规划求解计算时间随典型场景数量线性增加，在中型和大型系统中均具有良好的适应性。

在考虑网架规划模型时，对于不同的求解步骤，应用不同的算法进行计算，使得综合计算成本较低。对于网架规划模型，采用粒子群算法进行求解。对于风电出力，采用蒙特卡罗法模拟，并由边缘概率分布结合copula函数求得其联合概率分布。对于lolp校验，采用凸优化算法进行快速求解。

在生成网架结构时，采用二进制粒子群算法，通过限制生成的规划方案数量来减少求解时间。同时采用warshall算法检验系统的连通性，防止出现电力孤岛，预防节点导纳矩阵奇异导致计算不收敛的情况。

作为对上述技术方案的进一步完善和补充，本发明还包括以下附加技术特征。

进一步的，所述规划的目标函数设定为投资ci，其包括一次或二次设备投入成本ic；运行成本co；故障成本cf。

进一步的，在步骤2)中，在确定目标函数后，模型的数学表达为：

minf(n(i,j))＝clcc

其中：n表示待选线路集合；c表示预想故障集合；l表示系统线路集合；b表示系统节点集合；t表示规划考虑连续时间集合；n(i,j)表示支路(i,j)间的规划待建线路条路；n(i,j),max表示支路(i,j)间的规划待建线路条路上限；n(i,j),max表示支路(i,j)间的原有线路条数；pd为预测得到的负荷有功功率列向量；pg,max为发电机有功出力上限列向量；s为节点支路关联矩阵；f表示正常情况下的支路有功功率列向量；f(i,j)表示支路(i,j)间的有功功率；f(i,j),max表示支路(i,j)间的有功功率上限；pg表示发电机有功出力列向量；θi、θj为节点i、j的相角；在短路电流约束当中，id表示短路电流，id,max表示短路电流上限，um表示故障处端口电压，zmm表示故障处对应节点阻抗矩阵的自阻抗；在n-1约束当中，fc为故障态下的线路潮流向量，pg,c为故障态下的发电机有功出力向量，sc为故障态下的节点-支路关联矩阵，f(i,j),c为故障态下的支路(i,j)间的有功功率，γ(i,j)表示支路(i,j)间的电纳。

进一步的，步骤302)具体步骤包括：假设网络图中有n个顶点，通过有向图的带权矩阵中插入顶点的方法来构造矩阵，最后得到的矩阵为网络图的距离矩阵，同时记录插入点以便得到两点间的最短路径；即定义一矩阵，其元素为其值根据网络图中各顶点间的连接关系确定；插入一个顶点，两点之间距离根据下式由确定；以此类推，直到确定为止

进一步的，步骤303)中，包括：

a)通过warshall法从图的邻接矩阵a推出可达矩阵p；得到可达矩阵p后通过查询矩阵中对应元素的值，求得子图的连通性；子图中节点数为n，线路数为l，则其邻接矩阵可以用两个数组ip和p2来表示；ip是一个n+1维的数组，第一个元素是0，将子图节点按节点号升序排列，之后的每一个元素代表子图的每一个节点在子图中相连的节点数，并将所相连的节点号按ip数组中节点的顺序存放在p2数组中，p2的维数则为2l；

b)对产生的备选方案进行连通性校验，计算连通性时，任意选择子图中的任意一个节点，查找其在图中的连通片，查找过程包括：a)将连通片节点自身放入连通片中，并查找其相连的节点，存放在连通片；b)查找连通片中的节点，若有其相连的节点不在连通片，将其加入连通片中，当没有新节点加入时，查找结束；c)若连通片的节点为子图的所有节点，子图连通，否则不连通。

进一步的，步骤305)中，二进制量子粒子群算法为：

更新过程简化为：

mbest表示平均最优位置；pbest表示局部最优位置；mbest表示全局最优位置；

m表示种群个数；pi表示位于局部最优pbest和全局最优gbest之间的随机位置；zid^k为第i个种群第k次迭代的更新距离；φ和μ为属于[0,1]之间的随机数；

α为收缩扩张系数，用来控制算法的收敛速度；zij^k+1表示第i个种群的第j位的更新位置；prij表示其相对于随机位置的变异概率；dh(*)为两个序列间的汉明距离。

进一步的，对于不确定性的模拟，考虑风电出力随机性带来的有功出力涨落；对于单风电场出力模拟，设风速服从韦伯分布：

其中，λ和k为对应节点风速韦伯分布的范围参数和形状参数；

设风机出力特性为：

上式中忽略风电场的尾流效应，风机可进行最大风能追踪，则可将整个风电场等效为等值风机；

其中：a为所有风机叶片迎风扫掠总面积；cp为风能转换效率，是桨距角和叶尖速比的函数；ρ为空气密度；pn为风机额定功率；vc为切入风速；vn为额定风速；vmax为切出风速。

对于多风电场接入的规划问题，采用copula函数法，将已知的同时序下单风电场出力概率分布作为边缘分布，得到多风电场出力的联合概率密度分布。

进一步的，规划目标需满足多场景条件下的约束，具体包括：系统热备用约束、机组发电功率约束、机群出力约束、可靠性约束及线路功率约束。

有益效果：1)在考虑规划参数取值范围变化较大的复杂综合规划问题时，本发明可以将不同的因素以分场景的方式进行讨论，所用规划求解计算时间随典型场景数量线性增加，在中型和大型系统中均具有良好的适应性。

2)在考虑网架规划模型时，对于不同的求解步骤，应用不同的算法进行计算，使得综合计算成本较低。对于网架规划模型，采用粒子群算法进行求解。对于风电出力，采用蒙特卡罗法模拟，并由边缘概率分布结合copula函数求得其联合概率分布。对于lolp校验，采用凸优化算法进行快速求解。

3)在生成网架结构时，采用二进制粒子群算法，通过限制生成的规划方案数量来减少求解时间。同时采用warshall算法检验系统的连通性，防止出现电力孤岛，预防节点导纳矩阵奇异导致计算不收敛的情况。

附图说明

图1为本发明的规划方法求解流程图；

图2为低失负荷概率高渗透率场景规划系统图；

图3为低失负荷概率低渗透率场景规划系统图；

图4为高失负荷概率高渗透率场景规划系统图；

图5为高失负荷概率低渗透率场景规划系统图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

本发明包括以下步骤：

1)根据电网可靠性水平差异和新能源接入比例差异，生成多个规划场景,包括低失负荷概率高渗透率规划场景、低失负荷概率低渗透率规划场景、高失负荷概率高渗透率规划场景、高失负荷概率低渗场景透率规划场景；

2)以综合投资最小为规划的目标函数，对规划的目标函数进行数学建模；

3)对于不同规划方案，生成不同的导纳矩阵，并应用遗传算法进行求解，排除不满足安全约束的网架结构；对满足安全约束的网架结构进行检验；如图1所示，其具体包括：

301)输入负荷数据，发电数据和算法参数；

302)应用floyd法产生初始网架规划方案；

303)应用warshall法校验系统连通性；当校验得到系统不连通时，则返回步骤302),当校验系统连通时，进入步骤304)；

304)将产生的规划方案划入待选规划集合；

305)应用二进制粒子群算法对网架结构求解；

306)应用凸优化算法对lolp约束和n-1约束进行校验；

307)若校验不通过，则返回至步骤302)；若校验通过则进入下一步输出最优网架序列；

4)获取最优网架序列。

本发明综合考虑了电力系统规划中约束条件的差异性。在不同场景各项约束指标波动范围较大时，本发明有更好的适应性。同时考虑了先校验的n-1原则和短路电流约束，规划方案可信度更高，在新能源大规模并网的背景下保证了网架生成的灵活性。

本技术方案考虑电网可靠性水平差异和新能源接入比例差异，以生成不同对应场景。对于电网可靠性水平差异，通过失负荷概率校验和n-1原则校验来保证；对于新能源渗透率差异，通过蒙特卡洛模拟方法来进行模拟。该差异化网架规划方法可以在约束条件取值较为宽泛的情况下给出典型的220kv电网网架序列，为系统规划提供参考。

规划的全周期成本目标函数为：

clcc＝m1+m2+m3+m4

m1为ci，即总投资成本，包括设备的置购成本和安装调试费用、方案整体的研究设计费用、工程前期准备费用如工程地块改造和购买费用、为满足环保要求而需额外花费的费用或者是支付的环保罚款，以及与上述投入成本有关的年度管理费用如运输费、监理费、公积金等。

m2为co，即运行成本，包括设备运行过程中不可避免的损耗和网损。

m3为直接故障成本。直接故障成本需要从全网缺电成本的角度进行考虑。缺电成本与许多因素有关，包括停电发生的时间、停电量、停电持续时间、停电频率以及用户类型等。

m4为间接故障成本。其中间接故障成本包括赔偿费用、对社会造成的不良影响以及公司信誉受损等，这一部分成本可以通过对历史数据的统计获得一个合理的比例。设定间接故障成本与直接故障成本的比例为a，a通常是取较大量值以突出故障所带来的社会影响，那么有m4＝am3。则故障总成本cf为：cf＝m3+m4。

在本实施例中，规划的目标函数设定为投资ci(comprehensiveinvestment)，其包括一次或二次设备投入成本ic(investmentcosts)；运行成本co(operationcosts)；故障成本cf(outageorfailurecosts)。

在确定目标函数后，模型的数学表达为：

minf(n(i,j))＝clcc

上述模型当中，

n表示待选线路集合；

c表示预想故障集合；

l表示系统线路集合；

b表示系统节点集合；

t表示规划考虑连续时间集合；

n(i,j)表示支路(i,j)间的规划待建线路条路；

n(i,j),max表示支路(i,j)间的规划待建线路条路上限；

n(i,j),max表示支路(i,j)间的原有线路条数；

pd为预测得到的负荷有功功率列向量；

pg,max为发电机有功出力上限列向量；

s为节点支路关联矩阵；

f表示正常情况下的支路有功功率列向量；

f(i,j)表示支路(i,j)间的有功功率；

f(i,j),max表示支路(i,j)间的有功功率上限；

pg表示发电机有功出力列向量；

θi、θj为节点i、j的相角；

在短路电流约束当中，

id表示短路电流；

id,max表示短路电流上限；

um表示故障处端口电压；

zmm表示故障处对应节点阻抗矩阵的自阻抗；

在n-1约束当中，

fc为故障态下的线路潮流向量；

pg,c为故障态下的发电机有功出力向量；

sc为故障态下的节点-支路关联矩阵；

f(i,j),c为故障态下的支路(i,j)间的有功功率；

γ(i,j)表示支路(i,j)间的电纳。

规划目标需满足多场景条件下的约束。具体包括：

系统热备用约束：

∑iu(t)pg≥pd(t)+ph(t)

机组发电功率约束：

pi,min≤pg(t)≤pi,max

机群出力约束：

可靠性约束：

lolp≤β

上式中失负荷概率lolp可以表达为：

lolp＝∑t∈τ∑i∈b∑l∈l∑c∈ce(r,t,i,l,c)

其中，e(r,t,i,l,c)表示系统失负荷概率的期望值在连续时间，选定节点和选定线路以及选定故障待选集中的迭代之和。

其线路功率约束为：

0≤n(i,j)≤n(i,j),max

sf+pg＝pd

其中，l表示线路集合，n(i,j)为决策变量，表示待选线路走廊的架线数目；n(i,j),max为架线数目最大值；n(i,j),0表示支路(i,j)间原有线路的条数；γ(i,j)表示支路(i,j)间单条线路的导纳；f(i,j),max表示支路(i,j)间单条线路的有功传输极限。

最重要的约束条件即为线路不过载，即网络能够满足安全输送电力的要求，为此模型采取逐条线路开断后的传输容量校验。当任意一条线路断开后能够引起系统其它线路出现过负荷或系统解列时，说明网络没有满足n-1检验。在这种情况下，必须应用某种电网规划方法进行网络扩展，直到满足n-1检验为止。

随着场景数量增多，规划方案求解难度只随场景数线性增长。

本实施例提供一种考虑差异化场景的220kv电网网架规划方法，在进行网架结构规划时，绝大多数情况下是在已有的网架结构上进行增改。即已经满足连通性，甚至满足n-1条件下连通性的拓扑结构在规划初期就已经由实际的电网基础所决定了。在规划新的送电线路时，或者舍弃已有的冗余线路时，对电力系统网络的邻接矩阵进行连通性判断，即而已得到满足连通性校验的拓扑结构。在基于上述情况下，具体的方法步骤为：

1)在生成待选拓扑结构时，本专利采用floyd最短路径算法。

floyd最短路径算法的具体实施步骤为：假设网络图中有n个顶点，它通过有向图的带权矩阵中插入顶点的方法来构造矩阵，最后得到的矩阵为网络图的距离矩阵，同时记录插入点以便得到两点间的最短路径。即定义一矩阵，其元素为其值根据网络图中各顶点间的连接关系可以确定；插入一个顶点，两点之间距离根据下式由确定；以此类推，直到确定为止

连通性算法采用warshall算法。通过该算法可以从图的邻接矩阵a推出可达矩阵p。得到可达矩阵p后通过查询矩阵中对应元素的值，求得子图的连通性。

子图中节点数为n(nunn)，线路数为l(l≤m)，则其邻接矩阵可以用两个数组ip和p2来表示。ip是一个n+1维的数组，第一个元素是0，将子图节点按节点号升序排列，之后的每一个元素代表子图的每一个节点在子图中相连的节点数，并将所相连的节点号按ip数组中节点的顺序存放在p2数组中，p2的维数则为2l。

接下来对产生的备选方案进行连通性校验，计算连通性时，任意选择子图中的任意一个节点，查找其在图中的连通片，查找过程如下：(1)将连通片节点自身放入连通片中，并查找其相连的节点，存放在连通片；(2)查找连通片中的节点，若有其相连的节点不在连通片，将其加入连通片中，当没有新节点加入时，查找结束；(3)若连通片的节点为子图的所有节点，子图连通，否则不连通。

在电力系统领域，连通性检验算法主要应用于输配电网络规划方法中，用于对输配电网规划方案的连通性进行检验，从而确定该方案是否可行。连通性检验算法可以和智能优化算法相结合，作为电网规划中连通性约束对优化问题进行求解。

差异化规划搜索的核心骨干网架，其数学模型同样需要满足基于图论的连通性约束，因此连通性检验算法可以应用于核心骨干网架的搜索，作为核心骨干网架中连通性约束的求解算法，与二进制量子粒子群优化算法和生物地理学优化算法相结合，实现核心骨干网架的搜索与构建。

2)由于本专利所涉及研究的优化问题包含约束条件较多，为了保证运算速度和最优性，优化算法采用遗传算法中的粒子群算法进行求解，用凸优化算法进行后校验。

二进制量子粒子群算法的更新表达式如下所示：

更新过程可简化为：

mbest表示平均最优位置；

pbest表示局部最优位置；

mbest表示全局最优位置；

m表示种群个数；

pi表示位于局部最优pbest和全局最优gbest之间的随机位置；

zid^k为第i个种群第k次迭代的更新距离；

φ和μ为属于[0,1]之间的随机数；

α为收缩扩张系数，用来控制算法的收敛速度；

zij^k+1表示第i个种群的第j位的更新位置；

prij表示其相对于随机位置的变异概率；

dh(*)为两个序列间的汉明距离。

二进制量子粒子群算法在0-1整数规划问题上拥有良好的收敛性，已经在多个领域得到应用并取得理想效果。在电力系统领域，二进制量子粒子群算法在智能电网多目标优化规划研究、电力系统无功优化及电力系统故障诊断等方面都得到了广泛应用，体现了计算简单、复杂性低、收敛速度快和稳定性好等优点。

差异化规划搜索的核心骨干网架，有别于单纯地筛选支路或支路重要性评估，更加强调其对整个系统的作用。针对差异化规划设计的要求，要在大电网中搜索出一个符合电网特性及图论连通性的核心骨干网架是一个np难题。因此，可以采用二进制量子粒子群算法进行核心骨干网架的搜索，建立了核心骨干网架的整体构建模型和流程。

3)对于不确定性的模拟，考虑风电出力随机性带来的有功出力涨落。对于单风电场出力模拟，设风速服从韦伯分布：

其中，λ和k为对应节点风速韦伯分布的范围参数和形状参数。

设风机出力特性为：

上式中忽略风电场的尾流效应，风机可进行最大风能追踪，则可将整个风电场等效为等值风机。

a为所有风机叶片迎风扫掠总面积；

cp为风能转换效率，是桨距角和叶尖速比的函数；

ρ为空气密度；

pn为风机额定功率；

vc为切入风速；

vn为额定风速；

vmax为切出风速。

对于多风电场接入的规划问题，采用copula函数法，将已知的同时序下单风电场出力概率分布作为边缘分布，可得到多风电场出力的联合概率密度分布。

下面结合具体实施方案进一步详细说明本实施例，本实施例采用ieee118节点系统进行仿真。此系统有118个节点，186条线路。其中有54个发电机，99个节点与负荷相连。系统包含9个变压器。总装机容量为9966.2mw，平均发电量4374.9mw，平均负载4242.0mw，网损132.86mw。对于此系统，分别针对失负荷概率为β1＝5.7078e-06和β2＝1.9026e-05进行电网规划。同时对新能源渗透率分别为k1＝5％和k2＝15％进行讨论，生成4个具体差异化算例。

case1：低失负荷概率高渗透率

case2：低失负荷概率低渗透率

case3：高失负荷概率高渗透率

case4：高失负荷概率低渗透率

将节点24、节点25、节点26和节点49替换为风电接入。待选线路集不再设定为全部已有线路，而改为15条已有线路和5条待选线路。

表1ieee118节点系统case1规划结果

case1规划结果如上表所示，规划新增线路共计12条，目标函数取值62.5p.u.。短路电流水平为42.1ka，小于限定值50ka，如图2所示。

表2ieee118节点系统case2规划结果

case2规划结果如上表所示，规划新增线路共计8条，目标函数取值51.7p.u.。短路电流水平为35.7ka，小于限定值50ka，如图3所示。

表3ieee118节点系统case3规划结果

case3规划结果如上表所示，规划新增线路共计6条，目标函数取值43.3p.u.。短路电流水平为33.8ka，小于限定值50ka，如图4所示。

表4ieee118节点系统case4规划结果

case4规划结果如上表所示，规划新增线路共计3条，目标函数取值27.4p.u.，短路电流水平31.9ka，小于限定值50ka，如图5所示。

对于实施例具体考虑的四个规划场景，本专利所提出的网架规划方法均给出了满足相应lolp概率的规划方案。二进制粒子群算法对于网架结构的生成起到了筛选作用，对于不满足安全约束的网架结构进行了预先排除，极大地节省了计算时间。对于n-1约束校验，应用凸优化算法。对于电力系统中各个元器件的强迫停运情况，形成n-1的事故预想集。首先对于事故预想集进行筛选。对于n-1故障时，风电取极端值依旧可以满足电力系统稳态运行约束的情况，将n-1故障从中剔除。最终形成满足n-1要求的电网运行方案。

由以上四个具体实施例可以看出，风电渗透率和失负荷概率对于网架规划的保守性均有直接影响。相比较之下，case2所对应的高失负荷概率高渗透率场景相较于case3所对应的低失负荷概率低渗透率场景，其所需要的电网可靠性更高。其直接表现为规划所得的目标函数值次优，即最小投资成本更大。此结果同时表明，在本实施例所考虑的具体场景当中，考虑设定的风电渗透率等级k1＝5％和k2＝15％，失负荷概率等级β1＝5.7078e-06和β2＝1.9026e-05。失负荷概率对于网架规划的方案形成影响更大。

同时需要指出的是，风电典型场景的生成精度对于规划结果同样有较大影响。在考虑系统失负荷概率lolp水平较低，即电网比较坚强时，需要对风电生成的聚类取较高的精度，以保证在极端情况下的小概率风电出力场景不被忽略，而小概率的极端场景恰恰会对考虑可靠性的电网规划有较大影响。例如多个电场无风会使得部分线路重载，或者多个风电场出力由于风速达到切出风速，突然由额定值转为零时，对于系统的可靠性要求高于一般情况。或者在考虑小概率的不同n-1场景时，风电出力取较高或者较低值时，系统部分线路的传输容量极易越限。在生成风电出力典型场景时，如果考虑等概率场景分布，则为了达到足够的场景精度，会造成生成的场景数量过多。本方法在生成典型风电出力场景时，考虑极端情况不等概率聚类，以保证系统的失负荷概率在极端值影响下有较好的响应。

综上，本专利提出的方法对于参数波动较大的多场景220kv网架规划问题，可以生成差异化的网架序列。同时生成的规划方案满足n-1校验原则和短路电流约束，为大规模新能源并网的灵活性规划提供了新的应对策略。

以上图1所示的一种考虑差异化场景的220kv电网网架规划方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。