计及负荷转移与切负荷的主动配电网可靠性评估方法

摘要

本发明涉及一种计及可平移负荷与切负荷的主动配电网可靠性评估方法，包括以下步骤：S1，对主动配电网中负荷节点的系统状态集随机采样；S2，判断系统状态x(t)是否为故障状态，若是，则进入步骤S3，若否，则进入步骤S6；S3，计算故障期间的最大负载转移量Shiftout(t)和最小实际负载Pt；S4，根据最小实际负载Pt，计算主动配电网是否满足约束条件，若满足约束条件则进入步骤S6，否则进入步骤S5；S5，利用遗传算法切除负荷，然后进入步骤S6；S6，得到负荷节点的可靠性指标；S7，判断收敛性。与现有技术相比，本发明综合考虑主动配电网下可平移负荷和切负荷对可靠性评估的影响，采用遗传算法寻求最优切负荷方案，得到了主动配电网对可靠性的改善效果。

说明书

技术领域

本发明涉及一种电力系统可靠性评估方法，尤其是涉及一种计及负荷转移与切负荷的主动配电网可靠性评估方法。

背景技术

智能电网框架下的主动配电网是未来配电网中一种切实可行的技术模型。与以消费者为中心的微电网相比，主动配电网是由配电系统运营商管理的公共配电网络，便于分布式能源的灵活接入，优化网络的运行。可靠性评估是主动配电网规划和运行的重要参考，分布式能源的高渗透率使主动配电网的可靠性评价更加复杂，然而传统方法考虑的因素相对简单，无法得以应用。分布式能源主要包括分布式发电、电能存储和可控负载；每一部分都对可靠性评估有很大影响。目前，国内外学者进行了相关研究。

文献Z.Esau,D.Jaya,“Reliability assessment in active distribution networks with detailed effects of PV systems,”Mod.Power Syst.Clean Energy,vol.2,no.1,pp.58-68,2014和A.C.Neto,M.G.da Silva,A.B.Rodrigues,“Impact of Distributed Generation on Reliability Evaluation of Radial Distribution Systems Under Network Constraints,”Probabilistic Methods Applied to Power Systems,Stockholm,2006建立了分布式发电的可靠性数学模型，文献H.S.Liang,L.Cheng,“Simulation Based Reliability Evaluation of Distribution System Containing Microgrids,”Power System Technology,vol.35,no.10,pp.76-81,2011建立了由风机和储能装置组成的联合发电系统的可靠性模型。当网络发生故障时，以微网形式运行的配电网部分有助于改善孤岛中负荷节点的可靠性指标。近年来，随着通信控制设备在配电网中的应用，监控设备本身的可靠性也不容忽视。

文献L.Thillainathan,S.Dipti,Z.S.Tan,“Demand Side Management in Smart Grid Using Heuristic Optimization,”IEEE Transactions on Smart Grid,vol.3,no.3,pp.1244-1252,2012指出负荷转移技术是一种广泛使用的有效地控制配电网中负荷的方法。目前，主动配电网的建设为负荷转移提供了软件和硬件上的平台，如配网管理系统，通信网络，以及智能电表。同时，配电自动化的实现缩短了故障处理时间，提高了系统的可靠性性能。

文献C.Chen,W.C.Wu,“An Active Distribution System Reliability Evaluation Method Based on Multiple Scenarios Technique,”Proceeding of the CSEE,,vol.32,no.34,pp.67-73,2012说明可靠性评估算法可分基于蒙特卡罗的采样分析方法和模拟方法。模拟方法可再分为非时序的蒙特卡罗模拟方法，序贯蒙特卡罗,伪序贯蒙特卡罗(PSMC)。混合算法PSMC结合了上述两种算法的优点,考虑了错误的时间序列特征。文献J.C.O.Mello,M.V.F.Pereira,A.M.Leite,“Evaluation of Reliability Worth in Composite Systems Based on Pseudo-sequential Monte Carlo Simulation,”IEEE Transactions on Power Systems,vol.9,no.3,pp.1318-1324,1994表明它的计算效率高于序贯蒙特卡洛法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结合主动配电网的特点的计及负荷转移与切负荷的主动配电网可靠性评估方法。

本发明的目的可以通过以下技术方案来实现：

一种计及负荷转移与切负荷的主动配电网可靠性评估方法，其特征在于，包括以下步骤：

S1，采用伪序贯蒙特卡罗算法对主动配电网中负荷节点的系统状态集随机采样，获得系统状态x(t)，t为采样时段；

S2，对x(t)进行评估，判断系统状态x(t)是否为故障状态，若是，则进入步骤S3，若否，则进入步骤S6；

S3，从故障状态开始，进行前后搜索，得到故障子序列S(t)和故障持续时间，根据下式计算故障期间的最大负载转移量Shiftout(t)和最小实际负载P_t：

$Shiftout\left(t\right)=\underset{k=1}{\overset{D}{\Sigma }}{x}_{kt}·p_{1k}+\underset{l=1}{\overset{L_{max}-1}{\Sigma }}\underset{k=1}{\overset{D}{\Sigma }}{x}_{k(t-l)}·p_{(1+l)k}$

P_t＝P_t^fore-Shiftout(t)

其中，D是有效负载中可平移设备类型的数量，故障后未断开的负载为有效负载，x_kt和x_kt-l分别是t时段和(t-l)时段转移的k型可平移设备的数量，k＝1,2…D，p_1k和p_(1+l)k分别是k型可平移设备在其供电持续时间内第1个工作时段和第(1+l)个工作时段的消耗功率，L_max是可平移设备的供电持续时间最大值，P_t^fore是t时的预测负荷；故障状态中的负载类型包括有效负载和不可恢复负载，有效负载为故障后未断开的负载，不可恢复负载在网络重构后负载与稳定电源没有电气上的联系，不可恢复负载主要是无联络的分支负载，所以切负荷的对象都来自有效负载，Shiftout(t)包括两部分：1)本该在t时段开始消耗能量，而由于设备开关的延迟造成的负荷衰减；2)本该在t时段之前消耗能量，由于设备开关时间延迟造成的负荷衰减。可平移负荷是指负荷供电时间可按计划变动的负荷，如洗衣机、消毒柜等。

S4，根据最小实际负载P_t，计算主动配电网是否满足功率平衡约束、馈线容量约束和蓄电池充放电约束，若满足约束条件则进入步骤S6，否则进入步骤S5进行切负荷；

S5，利用遗传算法切除负荷，然后进入步骤S6，遗传算法中，约束条件为步骤S4中的约束条件，目标函数为；

其中，minF_unload(x)表示切除负荷的最小值，N_candidate为有效负载的数量，Duration为故障持续时间，x_i为负载i的优化变量，表示是否切除负荷，i＝1代表切除负荷，i＝0代表恢复负荷，y_i为负载i的状态变量，表示进行保护动作后负荷的状态，i＝1代表断电，i＝0代表不受影响，α₁和α₂分别为电能缺额的权系数，代表系统电能缺额的程度，α₂为电能缺额的开断频率，指除去不受影响负荷外的开断频率，w_i为负荷i的优先级水平，优先切除低优先等级的负载以及由于保护动作开断的负载，为t时段负载i的预测功率，P_sum为故障期间所有负荷节点的预测功率总量，C_i为负荷i的用户数量，C_sum为故障期间有效负荷所带用户的总数量；

S6，根据可靠性指标检测函数得到负荷节点的可靠性指标即可靠性指标检测函数的期望值的估计值，

可靠性指标检测函数计算式如下：

$F_{\lambda }\left(x\right(t\left)\right)=\left(\begin{array}{cc}T/D_{s\left(t\right)}& x\left(t\right)\in S_{failure}\\ 0& x\left(t\right)\in S_{success}\end{array}\right)$

$F_U\left(x\right(t\left)\right)=\left(\begin{array}{cc}T& x\left(t\right)\in S_{failure}\\ 0& x\left(t\right)\in S_{success}\end{array}\right)$

$F_{ENS}\left(x\right(t\left)\right)=\left(\begin{array}{cc}{\mathrm{\Delta P}}_{x\left(t\right)}^{fore}·T& x\left(t\right)\in S_{failure}\\ 0& x\left(t\right)\in S_{success}\end{array}\right)$

其中，F_λ(x(t))为负荷节点故障率，T为可靠性研究时期，D_s(t)为故障持续时间，S_failure为导致负荷断电的故障状态序列，S_success为系统正常状态序列，S_failure∪S_success＝故障子序列S(t)，F_U(x(t))为负荷节点停电时间，为故障状态中负荷转移前的功率变化量预测值，F_ENS(x(t))为负荷节点停电电量损失；

S7，判断步骤S1的采样过程是否收敛，若收敛，则计算系统的可靠性指标，否则回到步骤S1。

所述的步骤S4中，功率平衡约束为：

$\underset{i=1}{\overset{n_F}{\Sigma }}{P}_{i,t}^F+\underset{i=1}{\overset{n_{EES}}{\Sigma }}{P}_{i,t}^{EES}+\underset{i=1}{\overset{n_{DG}}{\Sigma }}{P}_{i,t}^{DG}\ge \underset{i=1}{\overset{n_{load}}{\Sigma }}{P}_{i,t}$

馈线容量约束为：

$P_{i,t}^F\le P_{i,max}^F$

蓄电池充放电约束为：

SOC_min≤SOC_i,t≤SOC_max，

$-P_{i,max}^{EES}\le P_{i,t}^{EES}\le P_{i,max}^{EES}$

其中，n_F、n_EES、n_DG、n_load分别为有效馈线、蓄电池、分布式电源以及实际负荷节点的数量，P_i,t分别为t时段有效馈线i的功率、电池i的功率、分布式电源i的输出、负荷节点i的输出，为有效馈线i的最大允许功率，SOC_i,t为t时段蓄电池i的容量，SOC_min和SOC_max分别为蓄电池i充放电状态下容量最小允许值和容量最大允许值，是蓄电池i的充放电最大功率。

所述的步骤S5中，切除负荷的最优求解方法包括：将约束视为罚函数添加到目标函数中，构造遗传算法的适应度函数，建立最优切负荷模型进行求解，其中适应度函数Fitness(x)＝1/(F_unload(x)+M·a)，M·a是惩罚项，M为正数，当染色体解码的切负荷方案满足约束时，a＝0，否则a＝1。

所述的步骤S6中，负荷节点可靠性指标通过N采样测试进行估计，计算方法如下：

$\tilde{E}\left(F\right(x\left)\right)=\frac{1}{N}·\underset{x\left(t\right)\in S}{\Sigma }F\left(x\right(t\left)\right)$

其中，为E(F(x))的估计值，E(F(x))为F(x(t))的期望值，F(x(t))包括F_λ(x(t))、F_U(x(t))和F_ENS(x(t))，N为系统状态的采样个数，S为系统状态集。

所述的步骤S7中，采用变量系数β来确定收敛性，当β小于β_ref时，采样过程收敛，β_ref＝5％，β定义如下：

$\beta =\frac{\sqrt{V\left(F\right(x\left)\right)}}{\tilde{E}\left(F\right(x\left)\right)·\sqrt{N}}$

其中V(F(x))是测试函数F(x(t))的方差。

当配电网出现故障时，利用主动配电网的储能装置作为稳定的电源输出，从而改善配电网的可靠性，本发明基于这一特点，提出主动配电网的可靠性评估算法，综合考虑主动配电网下可平移负荷和切负荷对可靠性评估的影响，并采用遗传算法寻求最优切负荷方案，与普通配电网的可靠性计算结果相比，得到了主动配电网对可靠性的改善效果，且能对主动配电网遇到故障时的负荷平移或切负荷方案提供指导。

附图说明

图1为本实施例系统状态的前后搜索图；

图2为本实施例故障期间负荷转移图；

图3为本实施例故障期间切负荷时负荷分类；

图4为本实施例遗传算法染色体图；

图5为本实施例平均可平移负荷比对系统可靠性指标的敏感性分析图；

图6为本实施例切负荷算法收敛性示意图；

图7为本发明方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图7所示，一种计及负荷转移与切负荷的主动配电网可靠性评估方法，包括以下步骤：

S1，采用伪序贯蒙特卡罗算法对主动配电网中负荷节点的系统状态集随机采样，获得系统状态x(t)，t为采样时段；

本步骤中，基于元素的随机模型按顺序生成多年的系统状态集，生成的状态需足够大以保证无偏估计。然后输入连续数据，如历史年风速、典型日负荷曲线、可控设备的用电模式、每个时间段设备连接数量、风机和储能设备联合发电系统的参数，再对某年的t时段随机采样，系统状态与t有关。

S2，对x(t)进行评估，判断系统状态x(t)是否为故障状态，若是，则进入步骤S3，若否，则进入步骤S6。

S3，如图1所示，从故障状态开始，进行前后搜索，得到故障子序列S(t)和故障持续时间，根据下式计算故障期间的最大负载转移量Shiftout(t)和最小实际负载P_t：

$Shiftout\left(t\right)=\underset{k=1}{\overset{D}{\Sigma }}{x}_{kt}·p_{1k}+\underset{l=1}{\overset{L_{max}-1}{\Sigma }}\underset{k=1}{\overset{D}{\Sigma }}{x}_{k(t-l)}·p_{(1+l)k}$

P_t＝P_t^fore-Shiftout(t)

其中，D是有效负载中可平移设备类型的数量，故障后未断开的负载为有效负载，x_kt和x_kt-l分别是故障时段t和(t-l)时段转移的k型可平移设备的数量，k＝1,2…D，(移出负荷包括两部分：右式第一项指将t时段开始的一类可控设备整体时移T_delay，如图2负荷B；第二项指将t-l时段开始的一类可控设备时移T_delay，如图2负荷A)p_1k和p_(1+l)k分别是k型可平移设备在其供电持续时间内第1个工作时段和第(1+l)个工作时段的消耗功率，L_max是可平移设备的供电持续时间最大值，即从故障时段t开始到完成设备转移的持续时间，P_t^fore是t时段的预测负荷；故障状态中的负载类型包括有效负载和不可恢复负载，有效负载为故障后未断开的负载，不可恢复负载在网络重构后负载与稳定电源没有电气上的联系，不可恢复负载主要是无联络的分支负载，所以切负荷的对象都来自有效负载，Shiftout(t)包括两部分：1)本该在t时段开始消耗能量，而由于设备开关的延迟造成的负荷衰减；2)本该在t时段之前消耗能量，由于设备开关时间延迟造成的负荷衰减。

S4，根据最小实际负载P_t，计算主动配电网是否满足功率平衡约束、馈线容量约束和蓄电池充放电约束，若满足约束条件则进入步骤S6，否则进入步骤S5进行切负荷，约束方程为：

$\underset{i=1}{\overset{n_F}{\Sigma }}{P}_{i,t}^F+\underset{i=1}{\overset{n_{EES}}{\Sigma }}{P}_{i,t}^{EES}+\underset{i=1}{\overset{n_{DG}}{\Sigma }}{P}_{i,t}^{DG}\ge \underset{i=1}{\overset{n_{load}}{\Sigma }}{P}_{i,t}$

$P_{i,t}^F\le P_{i,max}^F$

SOC_min≤SOC_i,t≤SOC_max

$-P_{i,max}^{EES}\le P_{i,t}^{EES}\le P_{i,max}^{EES}$

其中，n_F、n_EES、n_DG、n_load分别为有效馈线、蓄电池、分布式电源以及实际负荷节点的数量，P_i,t分别为t时段有效馈线i的功率、电池i的功率、分布式电源i的输出、负荷节点i的输出，为有效馈线i的最大允许功率，SOC_i,t为t时段蓄电池i的容量，SOC_min和SOC_max分别为蓄电池i充放电状态下容量最小允许值和容量最大允许值，是蓄电池i的充放电最大功率。

S5，利用遗传算法切除负荷，然后进入步骤S6，遗传算法中，约束条件为步骤S4中的约束条件，目标函数为：

其中，minF_unload(x)表示切除负荷的最小值，N_candidate为有效负载的数量，Duration为故障持续时间，x_i为负载i的优化变量，表示是否切除负荷，i＝1代表切除负荷，i＝0代表恢复负荷，y_i为负载i的状态变量，表示进行保护动作后负荷的状态，i＝1代表断电，i＝0代表不受影响，α₁和α₂分别为电能缺额的权系数，代表系统电能缺额的程度，α₂为电能缺额的开断频率，指除去不受影响负荷外的开断频率，w_i为负荷i的优先级水平，优先切除低优先等级的负载以及由于保护动作开断的负载，为t时段负载i的预测功率，P_sum为故障期间所有负荷节点的预测功率总量，C_i为负荷i的用户数量，C_sum为故障期间有效负荷所带用户的总数量；

为了便于对负荷节点分析，将故障后的负荷进行分类。当发生故障期间，负荷转移后，剩余电能仍然无法满足负荷需求时，就需要寻求最优切负荷方案，以尽可能小的减小对整个系统可靠性指标的影响。故障后的负荷分类如图3所示，包括有效负载和不可恢复负载，切负荷全部来自有效负载。将切负荷的目标函数标准化，定义如下方程：

上面描述的数学模型是一个0-1的规划约束，难以通过传统的数学优化和启发式算法解决。作为为最实用的现代智能算法之一，遗传算法在解决此类问题上有着更好的优化能力和计算效率。染色体映射图如图4所示。当特定的基因值为1时，采用二进制编码并切除对应的负荷。初始化期间染色体长度依据故障动态变化，以改善计算效率。

切除负荷的最优求解方法包括：将约束视为罚函数添加到目标函数中，构造遗传算法的适应度函数，建立最优切负荷模型进行求解，其中适应度函数Fitness(x)＝1/(F_unload(x)+M·a)，M·a是惩罚项，M为很大的正数，当染色体解码的切负荷方案满足约束时，a＝0，否则a＝1。

S6，根据可靠性指标检测函数得到负荷节点的可靠性指标即可靠性指标检测函数的期望值的估计值，

系统可靠性指标主要包括SAIFI(系统平均停电次数，次数/(用户·年))、SAIDI(系统平均停电时间数，小时/(用户·年))和EENS(Expected Energy Not Supplied，电量不足期望值，MW·h/年)。系统可靠性指标可以根据负荷节点计算。负荷节点的指标主要包括故障率(次数/年)、停电时间(小时/年)和停电电量损失(MW·h/年)。可靠性指标检测函数计算式如下：

$F_{\lambda }\left(x\right(t\left)\right)=\left(\begin{array}{cc}T/D_{s\left(t\right)}& x\left(t\right)\in S_{failure}\\ 0& x\left(t\right)\in S_{success}\end{array}\right)$

$F_U\left(x\right(t\left)\right)=\left(\begin{array}{cc}T& x\left(t\right)\in S_{failure}\\ 0& x\left(t\right)\in S_{success}\end{array}\right)$

$F_{ENS}\left(x\right(t\left)\right)=\left(\begin{array}{cc}{\mathrm{\Delta P}}_{x\left(t\right)}^{fore}·T& x\left(t\right)\in S_{failure}\\ 0& x\left(t\right)\in S_{success}\end{array}\right)$

其中，F_λ(x(t))为负荷节点故障率，T为可靠性研究时期，D_s(t)为故障持续时间，S_failure为导致负荷断电的故障状态序列，S_success为系统正常状态序列，S_failure∪S_success＝故障子序列S(t)，F_U(x(t))为负荷节点停电时间，为故障状态中负荷转移前的功率变化量预测值，F_ENS(x(t))为负荷节点停电电量损失；

负荷节点可靠性指标通过N采样测试进行估计，计算方法如下：

$\tilde{E}\left(F\right(x\left)\right)=\frac{1}{N}·\underset{x\left(t\right)\in S}{\Sigma }F\left(x\right(t\left)\right)$

其中，为E(F(x))的估计值，E(F(x))为F(x(t))的期望值，F(x(t))包括F_λ(x(t))、F_U(x(t))和F_ENS(x(t))，N为系统状态的采样个数，S为系统状态集。

S7，判断步骤S1的采样过程是否收敛，若收敛，则计算系统的可靠性指标，否则回到步骤S1。

所述的步骤S7中，采用变量系数β来确定收敛性，当β小于β_ref时，采样过程收敛，β_ref＝5％，β定义如下：

$\beta =\frac{\sqrt{V\left(F\right(x\left)\right)}}{\tilde{E}\left(F\right(x\left)\right)·\sqrt{N}}$

其中V(F(x))是测试函数F(x(t))的方差。

对16母线测试系统进行Matlab仿真验证：

测试系统元件的可靠性参数如附表1所示，产生了300年的系统状态。风机的额定容量是2MW，其切入风速、切出风速和额定风速分别是9、80和38km/h。蓄电池容量是1.6MW·h。只有网络故障时，蓄电池才与风机配合放电；分别是0.2和1；蓄电池充放电最大功率是0.32MW。峰荷是11MW，负荷节点参数如表2所示，其中负荷节点10-12为不可控负荷。所有负荷为居民负荷，日负荷曲线见于文献“L.Thillainathan,S.Dipti,Z.S.Tan,“Demand Side Management in Smart Grid Using Heuristic Optimization,”IEEE Transactions on Smart Grid,vol.3,no.3,pp.1244-1252,2012.”

表1元件可靠性数据

表2负荷数据

表3配电网可靠性指标

表4负荷节点可靠性指标

对于未接入分布式能源、接入风机和蓄电池的联合发电系统、考虑风机、蓄电池的联合发电系统和可平移负荷三种状态下的系统可靠性指标如附表3所示。平均可平移负荷比对系统可靠性指标的灵敏度分析如图5所示。指标EENS对负荷转移更加敏感，然而负荷转移对指标SAIFI影响较小。考虑负荷转移与未考虑负荷转移两种状态下的负荷节点的可靠性指标如表4所示。当平均可平移负荷比R大小为20.44％时，所有的负荷节点可靠性指标都分别较不考虑负荷转移的情况改善许多。

在Matlab R2012a CPU i7的仿真环境下，基于遗传算法的切负荷计算时间为0.048s。所有模拟故障的平均计算时间为0.05s，最大时间是0.08s。所以，遗传算法的计算效率高，切负荷的收敛性见图6。

测试结果表明风机和蓄电池联合发电系统的接入改善了系统可靠性指标，负荷转移进一步改善了每一个指标。负荷转移对指标EENS的影响大于对指标SAIFI的影响。部分负荷实现负荷转移后，提高了所有负荷的可靠性指标。