一种基于场景削减的自主供电网络拓扑优化方法

1.本发明涉及供电网络拓扑结构优化设计领域，更具体地说，特别涉及一种基于场景削减的自主供电网络拓扑优化方法。


背景技术：

2.与传统的集中式供电相比，分布式供电网络采用分布式电源，可有效解决压降问题，同时降低线损；各电源分散独立，可通过分区以备不时之需，减少大面积故障的概率；可促进电能质量检测、扩展和改造；负载可以由不同的分布式电源供电，提高可再生能源的渗透率，促进绿色环保。因此，与可再生能源相结合的分布式电源受到了学术界和工业界的高度关注。在分布式供电网络方面，拓扑结构会影响整个网络的设计、功能、运行方式、控制方式、可靠性等方面。
3.微电网技术的成熟发展是就地平衡负荷、提高供电可靠性、提高可再生能源利用率的有效途径。但由于微电网容量有限，抗干扰能力微弱，在工作过程中可能会出现分布式发电输出功率突变等瞬态事件，从而降低独立微电网可靠性。因此，多微电网或微电网集群系统逐渐受到重视。多个微电网联合运行可以提高电力系统的可靠性和弹性，提高单个微电网的运行效果，促进可再生资源的进一步利用。
4.然而，现有研究都是从系统的角度考虑了抗毁性，忽略了节点的特殊性，并且没有将分布式发电与微电网之间的能量互补与节点的差异化抗毁需求结合起来，不利于系统效能的深度发挥和精细化管理。为此，有必要开发一种基于场景削减的自主供电网络拓扑优化方法。


技术实现要素：

5.本发明的目的在于提供一种基于场景削减的自主供电网络拓扑优化方法，以克服现有技术所存在的缺陷。
6.为了达到上述目的，本发明采用的技术方案如下：
7.一种基于场景削减的自主供电网络拓扑优化方法，包括以下步骤：
8.s1、收集分布式自主供电网络节点信息，所述节点信息包括网络节点负载需求、发电能力、位置坐标、抗毁性需求类型，并根据节点类型的不同将所有节点分为两组节点集合；
9.s2、进行第一阶段求解，输入第一类节点集合，遍历每个节点可能产生的所有故障场景，并对每种故障场景生成相应的约束条件，以构成第一组抗毁性约束集合；
10.s3、以线路总长度最小为优化目标，以网络节点邻接矩阵为决策变量，在第一组抗毁性约束集合的约束条件下，通过yalmip线性求解器求解出混合整数线性规划模型的最优拓扑结构，所述混合整数线性规划模型基于所述节点信息形成；
11.s4、进行第二阶段求解，根据步骤s3中已获得的最优拓扑结构，将取值为1的元素固定，得到一个部分已确定的决策变量矩阵，输入第二类节点集合，获得第二组抗毁性约束
集合；
12.s5、在混合整数线性规划模型中，根据更新后的第二组抗毁性约束集合中决策变量和约束条件，求解出最终的最优拓扑结构。
13.进一步地，所述步骤s1中所述节点根据抗毁性需求的不同分为ⅰ类和ⅱ类两种类型，用于满足不同故障场景下的约束条件，ⅰ类节点需满足的约束条件较简单，ⅱ类节点则需满足复杂的约束条件。
14.进一步地，所述ⅰ类节点的故障场景为其自身失去发电能力，所述ⅱ类节点的故障场景为其自身以及另一个节点失去发电能力。
15.进一步地，所述步骤s3中将已获得的第一组抗毁性约束集合添加到混合整数线性规划模型中，求解出最优拓扑结构。
16.进一步地，所述步骤s4的步骤具体包括：
17.s41、获取第一阶段求解出的最优邻接矩阵；
18.s42、构造一个与最优邻接矩阵相同规格的新矩阵，将该新矩阵与已获得的邻接矩阵对比，若已获得的邻接矩阵中的元素值为1，则新矩阵相同位置处的元素也固定为1，再将剩余的元素设定为0-1决策变量；
19.s43、将更新后的新矩阵作为新的决策变量矩阵；
20.s44、对第二类节点集合中的每一个ⅱ类节点，根据其与另外任一节点构成的故障场景，以及两节点间的连通关系，生成第二组抗毁性约束集合。
21.进一步地，所述步骤s5中的具体步骤为：在第一阶段求解的基础上，混合整数线性规划模型的优化目标不变，以更新后的决策变量和约束条件，求解第二阶段的结果，并将该结果作为最终输出的最优拓扑结构。
22.进一步地，所述混合整数线性规划模型的优化目标函数为：
[0023][0024]
l
ij
＝|x
i-xj|+|y
i-yj|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0025]
式(1)表示最小化目标，其中表示节点间线路的总长度，表示惩罚值；式(2)表示节点间距离的衡量标准，其中，i和j表示任意两个节点；xi，yi和xj，yj表示i和j的横纵坐标；l
ij
表示i和j的曼哈顿距离；s
ij
为布尔决策变量，表示i和j之间是否要设置联络线，其为对称矩阵，在计算目标值时为避免重复，令i＞j；δk为松弛变量；m为一个足够大的常数，表示惩罚比例；
[0026]
混合整数线性规划模型的约束条件为：
[0027][0028][0029]rij
＝s
ij
·
(g
i-di+g
j-dj)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0030]
[0031][0032][0033][0034][0035]
pi+y
ij
·
p
j-r
ij-c
ij
+δi≥di+y
ij
·dj
,i∈b,j∈v,j≠i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0036]
式(3)表示节点所有邻居的能量供给；式(4)表示ⅰ类节点故障时可通过邻居节点获得的所有能量支撑；式(5)表示两故障节点的相互供能；式(6)表示两故障节点的公共邻居节点的供能；式(7)-(10)表示变量的线性化操作；式(11)表示ⅱ类节点故障时可通过两故障节点的所有邻居的供能恢复其负载，若二者可通过连接与各自邻居节点间的线路实现连通，则须同时满足二者的负载需要，否则仅需通过自身邻居满足该ⅱ类节点负荷，其中，i和j表示故障节点；n表示网络节点数；gm表示节点m的发电能力；dm表示节点m的负载需求；x
ij,t
表示对s
it
·sjt
的线性化操作，x
ij,t
∈{0,1)，当且仅当s
it
＝s
jt
＝1时x
ij,t
＝1；mdt
ij
表示故障节点i和j是否间接相连，mdt
ij
∈{0,1}，如果i和j有公共邻居节点，则mdt
ij
＝1，当且仅当时，mdt
ij
＝0；y
ij
表示i和j是否相连，包括直接相连和间接相连，y
ij
∈{0,1}，当且仅当s
ij
＝mdt
ij
＝0时，y
ij
＝0；ypj表示故障节点j在形成的网络中的能量支撑，ypj∈{0,pj}，当且仅当y
ij
＝0时ypj＝0。
[0037]
与现有技术相比，本发明的优点在于：本发明提供的一种基于场景削减的自主供电网络拓扑优化方法，充分考虑到不同节点对抗毁性需求的不同，并据此将节点分为两类，需满足不同类型的故障场景，在第一阶段中，先添加第一部分约束，求解出当前最优解；在第二阶段将已决策的部分固定，仅决策其余部分，再添加第二部分约束，求解得到最终拓扑结构，该方法可大大减少每此计算的约束数量与决策空间大小，极大地提高计算速度。
附图说明
[0038]
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，下面将对实施例或现
有技术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。
[0039]
图1是本发明中一种故障场景的示意图。
[0040]
图2是本发明基于场景削减的自主供电网络拓扑优化方法的流程图。
具体实施方式
[0041]
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0042]
参阅图2所示，本实施例公开了一种基于场景削减的自主供电网络拓扑优化方法，包括以下步骤：
[0043]
步骤s1、收集分布式自主供电网络节点信息，所述节点信息包括网络节点负载需求、发电能力、位置坐标、抗毁性需求类型等，并根据节点类型的不同将所有节点分为两组节点集合。
[0044]
具体的，节点根据抗毁性需求的不同分为ⅰ类和ⅱ类两种类型，用于满足不同故障场景下的约束条件，ⅰ类节点需满足的约束条件较简单，ⅱ类节点则需满足复杂的约束条件。
[0045]
其中，ⅰ类节点的故障场景为其自身失去发电能力，故每个ⅰ类节点仅需满足自身发电故障时的负荷恢复条件；ⅱ类节点的故障场景为其自身以及另一个节点失去发电能力，因此，每个ⅱ类节点可能会与其余的任一节点构成一个故障场景，对于一个n节点网络，每个ⅱ类节点具有n-1个故障场景，每种场景下的抗毁性需求都要能够满足，故障场景如图1所示。
[0046]
步骤s2、进行第一阶段求解，输入第一类节点集合，遍历每个节点可能产生的所有故障场景，并对每种故障场景生成相应的约束条件，构成第一组抗毁性约束集合。
[0047]
步骤s3、以线路总长度最小为优化目标，以网络节点邻接矩阵为决策变量，在第一组抗毁性约束集合的约束条件下，通过yalmip线性求解器求解出混合整数线性规划模型的最优拓扑结构(即邻接矩阵)，所述混合整数线性规划模型基于所述节点信息形成如公式1-11中所示。
[0048]
具体的，将已获得的第一组抗毁性约束添加到混合整数线性规划模型中，求解出最优的节点连接关系(邻接矩阵)，该拓扑结构能在满足所有故障场景下的抗毁性需求的同时，使节点间线路的总长度最短、结构简洁。
[0049]
步骤s4、进行第二阶段求解，根据步骤s3中已获得的最优拓扑结构(邻接矩阵)，将取值为1的元素固定，得到一个部分已确定的决策变量矩阵，输入第二类节点集合，获得第二组抗毁性约束集合。
[0050]
该步骤具体包括：
[0051]
步骤s41、获取第一阶段求解出的最优邻接矩阵。
[0052]
步骤s42、构造一个与最优邻接矩阵相同规格的新矩阵，将该新矩阵与已获得的邻接矩阵对比，若已获得的邻接矩阵中的元素值为1，则新矩阵相同位置处的元素也固定为1，再将剩余的元素设定为0-1决策变量。
[0053]
步骤s43、将更新后的新矩阵作为新的决策变量矩阵。
[0054]
步骤s44、对第二类节点集合中的每一个ⅱ类节点，根据其与另外任一节点构成的故障场景，以及两节点间的连通关系，生成第二组抗毁性约束集合。
[0055]
步骤s5、在混合整数线性规划模型中，根据更新后的第二组抗毁性约束集合中决策变量和约束条件，求解出最终的最优拓扑结构。
[0056]
具体的，在第一阶段求解的基础上，混合整数线性规划模型的优化目标不变，以更新后的决策变量和约束条件，求解第二阶段的结果，并将该结果作为最终输出的最优拓扑结构。
[0057]
本实施例在获得各个节点的负载需求、发电能力、位置坐标、抗毁需求类型信息后，将节点按照类型分成两组，首先计算ⅰ类节点的一组，由于其约束条件简单，故可以极快地得到当前的最优拓扑结构解，然后将当前拓扑结构的基础上，将邻接矩阵中元素为1的部分固定，将为0的部分作为第二阶段的决策变量，开始计算ⅱ类节点的一组，此时求解出的拓扑结构将作为最终的输出结果；优化目标为最小化线路总长度，决策变量为网络中的线路连接，约束条件为根据不同节点抗毁需求得到的所有故障场景下的约束集合。
[0058]
本实施例中，所述混合整数线性规划模型的优化目标函数为：
[0059][0060]
l
ij
＝|x
i-xj|+|y
i-yj|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0061]
式(1)表示最小化目标，其中表示节点间线路的总长度，表示惩罚值；式(2)表示节点间距离的衡量标准，其中，i和j表示任意两个节点；xi，yi和xj，yj表示i和j的横纵坐标；l
ij
表示i和j的曼哈顿距离；s
ij
为布尔决策变量，表示i和j之间是否要设置联络线，其为对称矩阵，在计算目标值时为避免重复，令i＞j；δk为松弛变量，确保问题有解；m为一个足够大的常数，表示惩罚比例；
[0062]
混合整数线性规划模型的约束条件为：
[0063][0064][0065]rij
＝s
ij
·
(g
i-di+g
j-dj)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0066][0067][0068]
[0069][0070][0071]
pi+y
ij
·
p
j-r
ij-c
ij
+δi≥di+y
ij
·dj
,i∈b,j∈v,j≠i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0072]
式(3)表示节点所有邻居的能量供给；式(4)表示ⅰ类节点故障时可通过邻居节点获得的所有能量支撑；式(5)表示两故障节点的相互供能；式(6)表示两故障节点的公共邻居节点的供能；式(7)-(10)表示变量的线性化操作；式(11)表示ⅱ类节点故障时可通过两故障节点的所有邻居的供能恢复其负载，若二者可通过连接与各自邻居节点间的线路实现连通，则须同时满足二者的负载需要，否则仅需通过自身邻居满足该ⅱ类节点负荷，其中，i和j表示故障节点；n表示网络节点数；gm表示节点m的发电能力；dm表示节点m的负载需求；x
ij,t
表示对s
it
·sjt
的线性化操作，x
ij,t
∈{0,1}，当且仅当s
it
＝s
jt
＝1时x
ij,t
＝1；mdt
ij
表示故障节点i和j是否间接相连，mdt
ij
∈{0,1}，如果i和j有公共邻居节点，则mdt
ij
＝1，当且仅当时，mdt
ij
＝0；y
ij
表示i和j是否相连，包括直接相连和间接相连，y
ij
∈{0,1}，当且仅当s
ij
＝mdt
ij
＝0时，y
ij
＝0；ypj表示故障节点j在形成的网络中的能量支撑，ypj∈{0,pj}，当且仅当y
ij
＝0时ypj＝0。
[0073]
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。