一种考虑风电不确定性的电力系统恢复多阶段滚动决策方法及系统与流程

本发明涉及电力系统安全防御与恢复控制，并且更具体地，涉及一种考虑风电不确定性的电力系统恢复多阶段滚动决策方法及系统。

背景技术：

1、能源危机与环境保护问题的日益凸显，使得世界各地以风电为代表的新能源装机比例逐年提高。截止2022年年末，我国风电装机容量约3.7亿千瓦，约占全国发电装机容量的14.3%。随着新能源渗透率的逐年提高，电力系统恢复决策时必须考虑规模风电接入带来影响。如何在线调整恢复方案使得在风电随机性与波动性影响下具有较高恢复收益以及较低恢复风险具有重要意义。

2、考虑到风电出力的随机性与波动性会给系统带来频率与电压冲击，现有技术中定义了动态风电穿透功率极限指标，用以表征黑启动过程中特定时段系统对风电的接纳能力。在风电参与的网架重构阶段，另有技术方案分别基于信息间隙理论及随机相关机会目标规划理论处理风电出力的不确定性，以获得恢复决策方案。然而，上述技术方案在求解时，通常采用先生成候选恢复方案再进行筛选的智能算法或图论算法等，受限于算法性能，所得解的质量难以保证。

3、此外，现有技术提出了考虑风电不确定性的单时步决策架构，各恢复时步进行独立优化求解，当前时步的恢复决策对后续时步所产生的影响未能被充分考虑。考虑到恢复方案的序贯决策属性，另有技术基于数学规划理论建立了黑启动恢复的多时步决策模型，并分别通过随机优化、鲁棒优化以及机会规划处理风电不确定性，借助商用求解器进行求解。由上述技术可知，风电出力的随机性与波动性已使单时步、离线的恢复决策方式不再适用，亟需一种能够在线统筹多个时步恢复资源以适应风电出力场景的技术方案。

4、然而，现有考虑风电不确定性的长时间尺度在线恢复决策建模技术未能计及风电出力的非预期性。恢复决策的非预期性指在任一时步，只能根据随机变量的历史实现值及未来时步的可能实现值做出当前时步的调度决策，而不能假定未来时步的随机变量取值已经确定来做出当前时步的恢复决策。考虑到决策的时间因果性，现有单阶段、两阶段恢复决策技术无法有效应对风电出力非预期变化问题。多阶段优化方法可分为鲁棒与随机两类，多阶段鲁棒优化通过建立决策量与随机量的仿射关系来适应不确定量的非预期变化，并可通过动态不确定集来刻画随恢复进程动态变化的不确定性。然而，多阶段鲁棒优化的仿射建模具有一定的局限性，有时需要进行较多简化处理才具有效果。多阶段随机优化通过场景树反映决策的时间因果性，但对不确定量的离散化处理增加了问题求解的复杂度。

技术实现思路

1、针对上述问题，本发明提出了一种考虑风电不确定性的电力系统恢复多阶段滚动决策方法，包括：

2、根据基于风电不确定性的电力系统多阶段滚动决策架构，建立允许已恢复负荷再次失电的序贯恢复决策模型；

3、通过场景树建模与离散场景法，将所述序贯恢复决策模型转化为多阶段优化模型；

4、引入二进制辅助变量与目标函数奖励因子，将所述多阶段优化模型转化为可直接求解的多阶段决策模型；

5、求解所述多阶段决策模型，以输出风电出力全场景自适应的多阶段在线恢复决策方案。

6、可选的，多阶段滚动决策架构，包括：

7、将多个时步的功率调度决策，分解为t个阶段，且阶段数与时步数相互对应，基于预测偏差数据，确定各阶段的概率场景；

8、在各概率场景下，通过随机对偶整数规划方法，确定各阶段子问题的支撑超平面参数，在生成回复决策时基于所述支撑超平面参数获取决策变量值；

9、当恢复决策进行到τ阶段时，求解阶段τ的子问题，确定阶段τ需要执行的元件恢复操作，基于阶段τ需要执行的元件恢复操作，确定阶段τ的功率调度方案。

10、可选的，序贯恢复决策模型的目标函数表达式如下：

11、

12、

13、其中，为待恢复负荷节点的负荷重要性系数，为由于风电随机性与波动性导致的已恢复负荷再次停电的成本，为时步母线未恢复负荷量，ωt为恢复时步集合，ωbus为母线集合，为时步母线已恢复但再次断电的负荷量，为时步母线未恢复负荷量。

14、可选的，序贯恢复决策模型，包括：元件恢复时序约束；

15、所述元件恢复时序约束，包括：恢复操作逻辑约束、恢复操作数限制约束、发电机并网时限约束、发电机启动时限约束及风电场恢复时限约束。

16、可选的，元件恢复时序约束的表达式如下：

17、

18、其中，表示母线是否为黑启动机组所连母线，和分别表示母线和线路的恢复状态，ωbus为母线集合，ωt为恢复时步集合，为母线

i和

j之间的线路，为线路集合，为足够大的正数。

19、可选的，恢复操作数限制约束的表达式如下：

20、

21、其中，、表示操作数上限，ωline为线路集合ωbus为母线集合，ωt为恢复时步集合，和分别表示母线和线路的恢复状态，和分别为分别表示时步母线和线路的恢复状态，为为母线

i和

j之间的线路。

22、可选的，发电机并网时限约束的表达式如下：

23、

24、其中，ωgen为发电机集合，和分别表示发电机启动/并网的状态，为发电机启动并网时间限制。

25、可选的，发电机启动时限约束的表达式如下：

26、

27、其中，ωmax gen及ωmin gen为具有最大及最小启动时限的发电机集合，表示发电机启动的状态，及分别为发电机最小最大启动时限，

g为发电机序号。

28、可选的，风电场恢复时限约束的表达式如下：

29、

30、其中，为风电场集合，表示风电场恢复状态，表示风电场并网时限，ωt为恢复时步集合，表示母线的恢复状态，

w为风电场序号。

31、可选的，序贯恢复决策模型，包括：恢复功率调度约束；

32、所述恢复功率调度约束，包括：有功/无功功率平衡约束、交流潮流约束、发电机爬坡约束、调频约束以及风电场出力约束。

33、可选的，有功/无功功率平衡约束的表达式如下：

34、

35、

36、其中，及分别为发电机g在时步的有功以及无功功率输出，为发电机g的启动功率，为风电场在时步的有功输出，及分别为线路在时步的有功及无功潮流，、为限制有功以及无功传输功率，为线路的并联电纳，为母线上并联电抗器提供的无功功率，为时步母线未恢复负荷量，ωt为恢复时步集合，和分别表示母线和线路的恢复状态，为母线集合，为线路

ij的充电无功，为功率因数角，为发电机

g的启动功率，为母线

i负荷总量。

37、可选的，交流潮流约束的表达式如下：

38、

39、

40、其中，及为支路的电导和电纳，及分别为线路两端母线的相角差及母线的电压幅值，及分别为线路在时步的有功及无功潮流，表示线路的恢复状态，ωt为恢复时步集合，ωline为线路集合，为母线

i在时步

t的电压幅值，为母线

j在时步

t的电压幅值，为足够大的正数。

41、可选的，发电机爬坡约束的表达式如下：

42、

43、其中，为发电机

g的功率爬坡上限，ωg为发电机集合，ωt为恢复时步集合，为发电机g在时步的有功功率输出，

p

g,

t-1发电机

g在时步的有功功率输出，表示发电机

g在时步

t的恢复状态，为1表示被恢复，反之未被恢复。

44、可选的，调频约束的表达式如下：

45、

46、其中，、分别表示负荷变化量及风功率变化量，

k

g、

k

w分别为发电机

g及风电场

w的频率响应系数，为允许最大稳态频率偏差，ωt为恢复时步集合，表示发电机

g在时步

t的恢复状态，为1表示被恢复，反之未被恢复，表示风电场

w在时步

t的恢复状态，为1表示被恢复，反之未被恢复，为时步

t母线

i上负荷变化量，为时步

t风电场

w出力变化量。

47、可选的，风电场出力约束的表达式如下：

48、

49、其中，为风电场

w在时步

t的预测出力，为预测偏差百分比，为恢复时步集合，ωwf为风电场集合，表示风电场

w在时步

t的恢复状态，为1表示被恢复，反之未被恢复，为时步

t风电场

w的出力。

50、可选的，通过场景树建模与离散场景法，将所述序贯恢复决策模型转化为多阶段优化模型，包括：

51、确定每个阶段可能发生的预测偏差场景集：对风电场

w，将出力偏差区间均分为m份，第

m个出力偏差区间表示为；

52、将连续场景转化为离散场景：当出力偏差位于第m个区间时，为将连续的区间场景转化为随机对偶整数规划法可处理的离散场景，考虑到风电场在实际运行时可降出力运行，风电场w出力偏差在区间内时对应的场景为区间下界；

53、确定场景概率：对于风电场1~

w的出力偏差场景，根据历史数据确定风电场1~

w在阶段τ落入出力偏差区间

m1~

m

w的概率；

54、构建多阶段决策模型：在确定各阶段可能发生的场景集和相应的概率后，若各阶段的随机性相互独立，将序贯恢复决策模型转化为多阶段模型。

55、可选的，引入二进制辅助变量与目标函数奖励因子，将所述多阶段优化模型转化为可直接求解的多阶段决策模型，包括：

56、对序贯恢复决策模型中多时步耦合的发电机并网时限与启动时限约束，引入发电机启动奖励因子引导发电机恢复，并确定各母线与具有最小及最大启动时限发电机的拓扑距离，并在目标函数中引入母线恢复优先级权重系数来设置不同母线恢复优先级，并在目标函数中加入非负的有功无功功率不平衡松弛项，并设置相应的惩罚因子。

57、可选的，求解所述多阶段决策模型，包括：

58、基于随机对偶整数规划法通过前向与后向模拟获得元件恢复时序与支撑超平面集。

59、可选的，基于随机对偶整数规划法通过前向与后向模拟获得元件恢复时序与支撑超平面集，包括：

60、初始化：初始化上下界，设置迭代次数

n=1，估计近似分段线性的预计成本函数；

61、前向模拟：依次求解时的优化问题，并假定当前为第s次随机采样；

62、后向模拟生成拉格朗日割平面：基于前向模拟迭代所得系统元件恢复状态及场景依次求解时拉格朗日松弛问题，确定拉格朗日乘子并获得拉格朗日割；

63、后向模拟获取对偶乘子：确定拉格朗日乘子后，获得对偶变量；

64、后向模拟生成强化benders割平面；

65、确定下界：当后向迭代进行到

τ=1时，更新下界lb；

66、确定上界：计算上界ub并判断下界lb是否成立，如果成立则满足收敛条件并退出循环，否则，

n=

n+1，转到s32，继续前向模拟。

67、再一方面，本发明还提出了一种考虑风电不确定性的电力系统恢复多阶段滚动决策系统，包括：

68、第一建模单元，用于根据基于风电不确定性的电力系统多阶段滚动决策架构，建立允许已恢复负荷再次失电的序贯恢复决策模型；

69、第二建模单元，用于通过场景树建模与离散场景法，将所述序贯恢复决策模型转化为多阶段优化模型；

70、求解单元，用于引入二进制辅助变量与目标函数奖励因子，将所述多阶段优化模型转化为可直接求解的多阶段决策模型；

71、输出单元，用于求解所述多阶段决策模型，以输出风电出力全场景自适应的多阶段在线恢复决策方案。

72、再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；

73、处理器，用于执行一个或多个程序；

74、当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的方法。

75、再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的方法。

76、与现有技术相比，本发明的有益效果为：

77、本发明提供了一种考虑风电不确定性的电力系统恢复多阶段滚动决策方法，包括：根据基于风电不确定性的电力系统多阶段滚动决策架构，建立允许已恢复负荷再次失电的序贯恢复决策模型；通过场景树建模与离散场景法，将所述序贯恢复决策模型转化为多阶段优化模型；引入二进制辅助变量与目标函数奖励因子，将所述多阶段优化模型转化为可直接求解的多阶段决策模型；求解所述多阶段决策模型，以输出风电出力全场景自适应的多阶段在线恢复决策方案。本发明通过将问题解耦为多个阶段进行求解大大缩减了单次问题求解规模从而大幅节省决策时间；相较于鲁棒优化方案，则可根据逐步实现的不确定性场景不断调整恢复方案，避免方案过于保守进而显著提升恢复效益。