Interconnected micro-grid multi-time scale fault recovery method, device and equipment

具体实施方式

以下结合附图说明和具体实施方式对本发明作进一步详细的说明。

实施例1：

参见图2，一种互联微电网多时间尺度故障恢复方法，包括：

S1、针对互联微电网系统，建立故障恢复调度模型，该模型包括以用户侧失负荷量最小为故障恢复目标的日前优化调度模型和日内优化调度模型；

互联微电网系统结构如图1所示，考虑故障条件下，保证多微电网系统供电可靠性的需求远远大于盈利要求，因此，优化目标设为系统用户侧失负荷量最小，所述日前优化调度模型和所述日内优化调度模型的优化目标为：

；

式中，为多微电网系统用户侧失负荷量；为微电网个数；为多微电网系统发生故障数量；为第个微网用户侧失负荷量；为第次故障持续时间。

所述日前优化调度模型和所述日内优化调度模型的约束条件包括燃气轮机组约束、风电机组约束、光伏机组约束、蓄电池组约束、微电网间联络线约束以及线路潮流约束；

所述风电机组约束、所述光伏机组约束与所述燃气轮机组相似，所述燃气轮机组约束为：

；

式中，为第台燃气轮机组在时刻的功率；为燃气轮机组最小输出功率；为燃气轮机组最大输出功率；

；

式中，为在单位调度时间尺度内燃气轮机组最大上爬坡功率；为在单位调度时间尺度内燃气轮机组最大下爬坡功率；

所述蓄电池组约束为：

；

式中，和分别为储能在时刻的充电功率和放电功率；为蓄电池自放电系数；为蓄电池荷电状态；为蓄电池额定容量；为蓄电池转化效率；为单位调度时间尺度；

；

；

式中，和分别为蓄电池最小充电功率和最小放电功率；和分别为蓄电池最大充电功率和最大放电功率；和分别为蓄电池最小荷电状态和最大荷电状态；

蓄电池组通常接在风光发电机组处，实现资源就地消纳，为多微电网系统提供正负备用，但受最大充放电功率限制，如下式所示：

；

式中，和分别为蓄电池组可提供的最大上调备用和最大下调备用；和分别为蓄电充电状态和放电状态，为1时表示蓄电池处于放电状态，为1时表示蓄电池处于充电状态；

所述微电网间联络线约束为：

；

；

式中，为时刻第个微电网向第个微电网传输功率；为时刻第个微电网向第个微电网允许传输的最大功率；为时刻联络线功率传输指示变量，为1表示时刻第个微电网向第个微电网传输功率；

考虑到当线路发生随机故障后，需要在原有优化运行模型约束条件的基础上修改线路潮流上下限约束和节点功率平衡约束，加入故障指示变量，所述线路潮流约束为：

；

；

式中，为时刻系统网络线路的潮流值；为时刻系统网络线路的故障指示变量，为1表示线路正常运行，为0表示线路故障停运；为线路潮流限值；、、分别为日前调度节点在时刻燃气轮机组、风电机组、光伏机组出力；为与节点连接的所有线路集合；为时刻集合中线路的故障指示变量；为线路在时刻的潮流值；和分别为蓄电池组充电功率和放电功率；为节点失负荷量；为节点预测负荷。

在每个日内调度周期的第一个时刻的机组出力计划与日前调度对应时刻的机组出力计划关系如下式所示：

；

式中，、、为日内调度节点在时刻燃气轮机组、风电机组、光伏机组出力；为波动系数，为常数取0.2。

S2、采用拉丁超立方抽样方法，考虑极端事件的时空特性以及故障线路的不确定性，对确定的场景进行初始故障场景集的抽取，将抽取的初始故障场景集输入蝙蝠算法，通过迭代求解出最恶劣故障场景；

故障场景的抽取有以下约束：一个调度周期内最多2个时刻发生故障；每个时刻最多有2处线路发生故障。故障场景的抽取方法包括：①将所有满足上述约束的故障场景均匀分布在区间内，将区间分为等份，在第个子区间内均匀随机产生一个数；②将个随机数乱序，保证每个随机变量采样值的相关性尽量小；③根据概率分布的反函数计算采样值。

参见图3，所述将抽取的初始故障场景集输入蝙蝠算法，通过迭代求解出最恶劣故障场景，包括：

A、初始化燃气轮机组和蓄电池组特性参数、多微电网系统预测负荷大小、风光发电出力大小、算法收敛的阈值以及最大迭代次数；

B、随机初始化每只蝙蝠位置，每只蝙蝠的位置表示一种随机抽取的故障场景；

C、根据每只随机生成蝙蝠的位置，多微电网系统能量管理中心反馈系统内一个调度周期燃气轮机组、风电机组、光伏机组、蓄电池组，从而计算出该故障场景下用户侧总失负荷量；

D、根据结果获得适应度函数，计算最佳蝙蝠个体；

E、更新个体最优值、全局最优值、蝙蝠速度信息和位置信息；

F、重复步骤C至步骤E直到算法满足收敛条件，收敛条件为前后两次的全局最优值之差小于给定的阈值或者达到最大循环次数；

G、算法输出的结果为多微电网系统最恶劣故障场景，以及对应场景下故障恢复策略的鲁棒最优解。

采用蝙蝠算法来解决最恶劣故障场景确定的问题，属最大值问题，选择直接将最大用户侧失负荷量作为适应度函数进行更新。互联微电网系统中的故障情况较为复杂，且难以穷举。蝙蝠算法通过模拟蝙蝠利用回声定位系统来觅食或躲避障碍物的行为来实现迭代寻求的过程，在求解较为复杂的优化问题时，通常能够快速地获得较好的优化结果。

S3、将最恶劣故障场景输入日前优化调度模型，基于ADMM-GBS算法，通过迭代求解日前调度计划；将日前调度计划输入日内优化调度模型，基于ADMM-GBS算法，通过迭代求解日内调度计划；

传统的ADMM算法将一个完整的问题分解为两个相对独立的子问题，进行交替分布求解，并且已经被应用于许多研究领域。因此，本发明考虑采用ADMM-GBS算法对包含三个子微电网的多微电网系统优化问题进行求解，此算法在3-block ADMM算法的基础上增加一个变量的校正矩阵，能够使用高斯回代对结果进行修正，保证结果的收敛性。具体原理如下：

3-block ADMM算法的直接推广形式如下式所示：

；

算法经过次迭代得到、、，对于第次迭代，依次由、推导得出，再由、推导得出，之后由、推导得出，最后更新。在这种算法中，一次迭代中是由上一代数据计算得出的中间变量，、、则是地位对等的核心变量，求解时，使用的是、、的数据，即与问题信息不对等，致使算法存在收敛性的问题。因此，在常规ADMM预测过程后，添加高斯回代的修正过程如下：

；

式中，为校正系数，取值范围；该算法可以保证收敛性。

本发明将求解问题分解为三个微电网各自失负荷的子问题进行迭代求解，将各子微电网交换功率作为耦合变量，在耦合变量处将三个子问题求解，则求解问题的目标函数为：

；

式中，为互联微电网系统在所有故障时刻的总用户侧失负荷量；

迭代过程中，各耦合变量会逐渐趋近于平均值，具体求解过程如下：

a、初始化耦合变量设为0，同时也为0，，初始拉格朗日乘子设置为0；

b、令，代入子问题求解，得出；

c、令，代入子问题求解，得出；

d、令，代入子问题求解，得出；

；

；

；

；

式中，、、为三个微电网用户侧失负荷量；、、为第代三个微电网耦合变量对应的拉格朗日乘子；为耦合变量对应的惩罚参数；、、为三个微电网第代耦合变量；为耦合变量平均值；

e、根据下式更新拉格朗日乘子；

；

f、根据下式高斯回代校正和；

；

式中，为校正系数；

g、判断本次迭代结果偏差是否小于允许收敛误差，若满足则结束计算，若不满足则返回步骤b进行下一代迭代；

；

式中，为第代残差；为收敛误差。收敛误差设置为一个较小的常数，满足收敛条件时，可视为多微电网系统满足功率平衡条件，得到最终分布式故障恢复调度方案。

本发明立足于离网多互联微电网系统故障恢复问题。首先以系统用户侧削减负荷量最小为目标，建立了互联微电网日前-日内两阶段滚动故障恢复模型；其次，基于鲁棒思想，考虑极端事件发生时间以及具体故障线路的不确定性特征，采用拉丁超立方分层随机抽样方法构建了多阶段、多区域的线路故障集。在此基础上，以上述故障集为初始数据，采用蝙蝠算法搜寻获得系统最恶劣故障场景。最后，采用了带高斯回代的交替方向乘子法(ADMM-GBS)对互联微电网的故障恢复模型进行了求解，该算法能有效解决故障状态下互联微电网信息传输受阻以及故障恢复策略难以获得等问题。

本发明选取某地由三离网微电网组成的多微电网系统作为仿真算例，其具体拓扑见图4。该系统通过7条联络线路将系统划分为三个子微电网，系统内共配置5个燃气轮机组、2个风储联合系统以及1处光储联合系统。本算例仿真在Pycharm2021.3.3平台调用Gurobi优化求解器求解。在算例中参数设置如下：各节点负荷占总负荷比例如图5所示；五台燃汽轮机组相关参数如表1所示；一个典型日内三个子微电网风光输出功率和负荷预测曲线如图6～图8所示；单条联络线最大功率为165kW；储能装置荷电状态(SOC)上下限分别为0.9、0.2，最大充、放电功率均为300kW，最大储能电量为1200 kW•h；蝙蝠算法种群规模取100，最大迭代次数取250，收敛阈值取0.5％。

表1 燃气轮机组相关参数

本发明设置两个场景。场景1：调度模型仅考虑日前故障恢复调度，采用分布式算法求解。场景2：调度模型考虑多时间尺度故障恢复调度，采用分布式算法求解。

最恶劣场景参数约束设置为：一个调度周期最多2个时刻发生故障，每个时刻最多有2处线路发生故障，并且两个时刻故障线路不可完全相同。每次故障持续时间为1h。在此基础上抽取200组故障场景作为初代数据，基于蝙蝠算法迭代求解场景1、2最恶劣故障场景过程如图9所示。最终得出场景1、2在此典型日该系统最恶劣故障场景为：第19时刻线路2-3与线路23-24发生断线故障，以及第20时刻线路2-3与线路6-7发生断线故障。两个场景的故障都发生在全天的用电高峰时段，并且故障线路临近关键负荷节点，说明了算法的合理性。最恶劣故障场景的确定过程中，能够实现多微电网系统对应场景的集中式故障恢复调度策略的同步更新。然而这种简单策略并不能够满足实际微电网群故障恢复需求，需要进一步通过所建立的分布式多时间尺度调度模型取得最优解。该系统存在高比例新能源发电资源，对风光发电资源存在较强的依赖性，发生故障时会有严重的故障缺额。针对场景1、2确定的最恶劣故障场景，场景1各机组出力计划见表3-1、表3-2。两个故障时段共出现477.94kW负荷损失，占负荷总比例的13.33％。若输入确定的多时间尺度故障恢复模型，场景2各机组出力计划见表4-1、表4-2、表4-3、表4-4、表4-5，具体节点用户侧失负荷量(kW)见表2。

表2 场景2节点失负荷情况

表3-1 场景1各机组出力计划（kW）

表3-2 场景1各机组出力计划（kW）

表4-1 场景2各机组出力计划（kW）

表4-2 场景2各机组出力计划（kW）

表4-3 场景2各机组出力计划（kW）

表4-4 场景2各机组出力计划（kW）

表4-5 场景2各机组出力计划（kW）

场景2两个故障时段共出现443.87kW负荷损失，占负荷总比例的12.38％。相对于仅考虑日前调度的分布式故障恢复算法有34.07kW负荷损失量的减少。对比结果可以发现，在非故障时段日前与日内调度计划各机组出力区别不大，但是在故障时段，出现较大区别。这是因为在极端事件攻击下，更小的时间尺度上各机组能够缓慢增加其出力，在更加灵活地调用系统内资源的同时，尽量降低故障给系统运行造成的波动。

针对系统无故障运行、场景1、场景2三种情况优化运行结果，对比在19-20时段子微电网群间功率传输情况如图10～图12所示。系统无故障运行时，各子微电网内部发电资源足够保证该微网安全稳定运行，微电网群间仅存在少量的功率传输。在第19时刻，微电网1内部发生两处线路故障，微电网2向1以及微电网3向1功率传输明显增加；在第20时刻微电网1、微电网2内部各发生一处线路故障，微电网3向1以及微电网3向2功率传输明显增加。相对于仅考虑日前故障恢复计划的方案，在多时间尺度所制定的恢复方案能够保证联络线功率传输变化放缓，并且使得其他微电网向故障微电网提供更多的功率支撑。在保证系统稳定性的同时，进一步实现系统故障的减损和快速恢复。因此，针对互联微电网系统建立多时间尺度故障恢复模型，并且采用分布式算法求解对于故障的快速恢复有重要作用，克服了传统微电网故障恢复时，只能依靠上级电网支撑，或是只能单独微电网自恢复的缺陷。

实施例2：

参见图13，一种互联微电网多时间尺度故障恢复装置，包括：故障恢复调度模型建立模块，用于针对互联微电网系统，建立包括以用户侧失负荷量最小为故障恢复目标的日前优化调度模型和日内优化调度模型的故障恢复调度模型；最恶劣故障场景确定模块，用于采用拉丁超立方抽样方法，对确定的场景进行初始故障场景集的抽取，将抽取的初始故障场景集输入蝙蝠算法，通过迭代求解出最恶劣故障场景；调度计划获取模块，用于将最恶劣故障场景输入日前优化调度模型，基于ADMM-GBS算法，通过迭代求解日前调度计划，以及将日前调度计划输入日内优化调度模型，基于ADMM-GBS算法，通过迭代求解日内调度计划。

实施例3：

参见图14，一种互联微电网多时间尺度故障恢复设备，包括存储器和处理器；所述存储器，用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；所述处理器，用于根据所述计算机程序代码中的指令执行一种互联微电网多时间尺度故障恢复方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现一种互联微电网多时间尺度故障恢复方法。