一种能源配置分布式鲁棒优化方法、装置及存储介质与流程

1.本发明涉及电网控制技术领域，尤其涉及一种能源配置分布式鲁棒优化方法、装置及存储介质。


背景技术：

2.近年来，台风、地震、暴风雪和洪水等自然灾害给电网带来大量破坏，造成了巨大的经济损失，电网管理者对频繁和严重自然灾害的认识不断提高，凸显了电网弹性研究的重要性。将电网弹性描述为电力系统承受不确定性打击并从中恢复的能力，为了提高电网的弹性，目前提出的各种增强策略可以分为两大类：一是增强电网的物理强度，如线路硬化、线路连接；二是增加电网运行能力，如储能规划、电动汽车。在这些增强策略中，分布式能源因其灵活性和满足需求的能力而受到更多关注，尤其是在当消费者与电网之间连接的组件中断之后，及时满足需求的能力便愈加重要。受限于预算、资源、时间等条件，如何确定分布式能源的最佳规模、位置和运行方式仍然是较为前沿的问题。
3.而分布式鲁棒优化方法被广泛应用于针对电网中不确定的突发事件的决策。分布式鲁棒优化模型提供了一系列不确定参数的可能概率分布，称为模糊集，当电网管理者做出决定后，假设考虑最差的情况，在模糊集中选择最坏情况的概率分布可以增加决策的鲁棒性，因此，与传统鲁棒优化相比，它做出的决策不那么保守。但是在构建分布式鲁棒问题的模糊集时，传统方法既没有真实地描述自然灾害对电网的空间影响，也没有根据实际案例进行分析，这影响了分布式鲁棒优化模型的整体有效性和可靠性。


技术实现要素：

4.为了克服现有技术的缺陷，本发明提供一种能源配置分布式鲁棒优化方法、装置及存储介质，能够考虑自然灾害对电网的空间影响，对分布式能源进行优化配置，提高电网在自然灾害下的弹性。
5.为了解决上述技术问题，第一方面，本发明一实施例提供一种能源配置分布式鲁棒优化方法，包括：
6.根据历史灾害数据，采用空间模型评估电网配电线路的故障概率；
7.根据所述电网配电线路的故障概率，构建故障场景模糊集；
8.根据所述故障场景模糊集，建立两阶段分布式鲁棒优化模型；
9.求解所述两阶段分布式鲁棒优化模型，得到最优能源配置策略。
10.进一步地，所述根据历史灾害数据，采用空间模型评估电网配电线路的故障概率，具体为：
11.遍历所述历史灾害数据中的每一灾害，根据所述历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下每一配电线路的故障概率，得到当前灾害下各条配电线路的故障概率，以结合每一灾害下各条配电线路的故障概率，得到所述电网配电线路的故障概率。
12.进一步地，所述根据所述历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下每一配电线路的故障概率，得到当前灾害下各条配电线路的故障概率，具体为：
13.对于每一所述配电线路，根据所述历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下所述配电线路中的每一组件在测试周期内的失效概率，得到当前灾害下所述配电线路中的各个组件在测试周期内的失效概率；其中，所述配电线路的组件包括若干个电塔和若干条输电线段；
14.对于每一所述配电线路，根据当前灾害下所述配电线路中的各个组件在测试周期内的失效概率，计算当前灾害下所述配电线路的故障概率，得到当前灾害下各条配电线路的故障概率。
15.进一步地，所述当前灾害下所述配电线路中的电塔在测试周期内的失效概率为：
[0016][0017]
其中，为第a个台风下配电线路中的第w个电塔在t时刻的失效概率，t∈[1，ta]，[1，ta]为第a个台风的测试周期；φ[]为标准正态分布的累积分布函数；为第a个台风下配电线路中的第w个电塔所在位置在t时刻的风速，风下配电线路中的第w个电塔所在位置在t时刻的风速，为t时刻配电线路中的第w个电塔所在位置到第a个台风的中心位置的欧氏距离，c为调整台风轮廓形状的预设参数，h为台风最大风速半径周围的压力梯度比例，轮廓形状的预设参数，h为台风最大风速半径周围的压力梯度比例，为第a个台风的最大风速，δpa为第a个台风的中心压力差，为第a个台风的最大影响半径；μw为配电线路中的第w个电塔的脆弱性曲线函数的中位数；σw为μw的对数标准差；
[0018]
所述当前灾害下所述配电线路中的输电线段在测试周期内的失效概率为：
[0019][0020]
其中，为第a个台风下所述配电线路中的第s个输电线段在t时刻的失效概率；为第a个台风下所述配电线路中的第s个输电线段所在位置在t时刻的风速，为第a个台风下所述配电线路中的第s个输电线段所在位置在t时刻的风速，为t时刻所述配电线路中的第s个输电线段所在位置到第a个台风的中心位置的欧氏距离；μs为所述配电线路中的第s个输电线段的脆弱性曲线函数的中位数；σs为μs的对数标准差；
[0021]
所述当前灾害下所述配电线路的故障概率为：
[0022][0023]
其中，为第a个台风下第l条配电线路在t时刻的故障概率，l为电网配电线路集合，w
l
为第l条配电线路的电塔集合，δ
l
为第l条配电线路的输电线段集合。
[0024]
进一步地，所述根据所述电网配电线路的故障概率，构建故障场景模糊集，具体为：
[0025]
根据所述电网配电线路的故障概率，确定每一灾害下各条所述配电线路的最小故障概率和最大故障概率，以根据每一灾害下各条所述配电线路的最小故障概率和最大故障概率，构建所述故障场景模糊集。
[0026]
进一步地，所述故障场景模糊集为：
[0027][0028]
其中，z
l
＝1表示第l条配电线路失效，f
ll
为集合{f
il
}
a∈a
的α％分位数，f
il
为第i个灾害下第l条配电线路的最小故障概率，f
lu
为集合的1-α％分位数，为第i个灾害下第l条配电线路的最大故障概率。
[0029]
进一步地，所述根据所述故障场景模糊集，建立两阶段分布式鲁棒优化模型，具体为：
[0030]
根据预先定义的电网弹性指标，构造以所述电网弹性指标最大化为目标的两阶段三级目标函数，引入分布式能源的约束条件和两阶段追索函数的约束条件，建立所述两阶段分布式鲁棒优化模型。
[0031]
进一步地，所述求解所述两阶段的分布式鲁棒优化模型，得到最优能源配置策略，具体为：
[0032]
结合对偶法和列约束生成算法，求解所述两阶段分布式鲁棒优化模型，得到所述最优能源配置策略。
[0033]
第二方面，本发明一实施例提供一种能源配置分布式鲁棒优化装置，包括：
[0034]
故障概率评估模块，用于根据历史灾害数据，采用空间模型评估电网配电线路的故障概率；
[0035]
模糊集构建模块，用于根据所述电网配电线路的故障概率，构建故障场景模糊集；
[0036]
模型建立模块，用于根据所述故障场景模糊集，建立两阶段分布式鲁棒优化模型；
[0037]
能源优化配置模块，用于求解所述两阶段分布式鲁棒优化模型，得到最优能源配置策略。
[0038]
第三方面，本发明一实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的能源配置分布式鲁棒优化方法。
[0039]
本发明的实施例，具有如下有益效果：
[0040]
通过根据历史灾害数据，采用空间模型评估电网配电线路的故障概率；根据电网配电线路的故障概率，构建故障场景模糊集；根据故障场景模糊集，建立两阶段分布式鲁棒优化模型；求解两阶段分布式鲁棒优化模型，得到最优能源配置策略，实现电网能源优化配
置。相比于现有技术，本发明的实施例通过分析历史灾害数据中每一灾害对电网的空间影响，评估电网配电线路的故障概率来构建故障场景模糊集，能够考虑自然灾害对电网的空间影响，对分布式能源进行优化配置，提高电网在自然灾害下的弹性。
附图说明
[0041]
图1为本发明第一实施例中的一种能源配置分布式鲁棒优化方法的流程示意图；
[0042]
图2为本发明第一实施例中示例的ieee 13节点及一条典型历史台风轨迹的示意图；
[0043]
图3为本发明第二实施例中的一种能源配置分布式鲁棒优化装置的结构示意图。
具体实施方式
[0044]
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的终端设备执行，且下文均以处理器作为执行主体为例进行说明。
[0046]
如图1所示，第一实施例提供一种能源配置分布式鲁棒优化方法，包括步骤s1～s4：
[0047]
s1、根据历史灾害数据，采用空间模型评估电网配电线路的故障概率；
[0048]
s2、根据电网配电线路的故障概率，构建故障场景模糊集；
[0049]
s3、根据故障场景模糊集，建立两阶段分布式鲁棒优化模型；
[0050]
s4、求解两阶段分布式鲁棒优化模型，得到最优能源配置策略。
[0051]
作为示例性地，在步骤s1中，从自然灾害网站等平台上获取历史灾害数据，根据历史灾害数据，采用空间模型评估电网配电线路的故障概率。
[0052]
可以理解的是，历史灾害数据包括电网在预设历史时段内所经历的每一灾害的灾害类型、灾害特征、灾害时长等相关信息，比如台风的中心位置、最大风速、中心压力差、最大影响半径、测试周期、持续时长等。
[0053]
在步骤s2中，当得到电网配电线路的故障概率后，根据电网配电线路的故障概率，构建故障场景模糊集。
[0054]
在步骤s3中，当得到故障场景模糊集后，基于分布式鲁棒优化方法，根据故障场景模糊集，建立两阶段分布式鲁棒优化模型。
[0055]
在步骤s4中，对两阶段分布式鲁棒优化模型进行求解，得到最优能源配置策略，以基于最优能源配置策略实现电网能源优化配置。
[0056]
本实施例通过分析历史灾害数据中每一灾害对电网的空间影响，评估电网配电线路的故障概率来构建故障场景模糊集，能够考虑自然灾害对电网的空间影响，对分布式能源进行优化配置，提高电网在自然灾害下的弹性。
[0057]
在优选的实施例当中，所述根据历史灾害数据，采用空间模型评估电网配电线路
的故障概率，具体为：遍历历史灾害数据中的每一灾害，根据历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下每一配电线路的故障概率，得到当前灾害下各条配电线路的故障概率，以结合每一灾害下各条配电线路的故障概率，得到电网配电线路的故障概率。
[0058]
作为示例性地，电网包括若干条配电线路，遍历历史灾害数据中的每一灾害，根据历史灾害数据中的当前灾害的灾害信息，当前灾害的灾害信息包括当前灾害的灾害类型、灾害特征、灾害时长等相关信息，分别计算当前灾害下每一配电线路的故障概率，得到当前灾害下各条配电线路的故障概率，从而得到每一灾害下各条配电线路的故障概率，以结合每一灾害下各条配电线路的故障概率，得到电网配电线路的故障概率。
[0059]
在优选的实施例当中，所述根据历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下每一配电线路的故障概率，得到当前灾害下各条配电线路的故障概率，具体为：对于每一配电线路，根据历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下配电线路中的每一组件在测试周期内的失效概率，得到当前灾害下配电线路中的各个组件在测试周期内的失效概率；其中，配电线路的组件包括若干个电塔和若干条输电线段；对于每一配电线路，根据当前灾害下配电线路中的各个组件在测试周期内的失效概率，计算当前灾害下配电线路的故障概率，得到当前灾害下各条配电线路的故障概率。
[0060]
作为示例性地，配电线路包括若干个电塔和若干条输电线段，对于每一配电线路，根据历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下配电线路中的电塔在测试周期内的失效概率，以及当前灾害下配电线路中的输电线段在测试周期内的失效概率，根据当前灾害下配电线路中的电塔在测试周期内的失效概率和当前灾害下配电线路中的输电线段在测试周期内的失效概率，计算当前灾害下配电线路的故障概率，从而得到当前灾害下各条配电线路的故障概率。
[0061]
在优选的实施例当中，所述当前灾害下配电线路中的电塔在测试周期内的失效概率为：
[0062][0063]
其中，为第a个台风下配电线路中的第w个电塔在t时刻的失效概率，t∈[1，ta]，[1，ta]为第a个台风的测试周期；φ[]为标准正态分布的累积分布函数；为第a个台风下配电线路中的第w个电塔所在位置在t时刻的风速，风下配电线路中的第w个电塔所在位置在t时刻的风速，为t时刻配电线路中的第w个电塔所在位置到第a个台风的中心位置的欧氏距离，c为调整台风轮廓形状的预设参数，h为台风最大风速半径周围的压力梯度比例，轮廓形状的预设参数，h为台风最大风速半径周围的压力梯度比例，为第a个台风的最大风速，δpa为第a个台风的中心压力差，为第a个台风的最大影响
半径；μw为配电线路中的第w个电塔的脆弱性曲线函数的中位数；σw为μw的对数标准差；
[0064]
所述当前灾害下配电线路中的输电线段在测试周期内的失效概率为：
[0065][0066]
其中，为第a个台风下配电线路中的第s个输电线段在t时刻的失效概率；为第a个台风下配电线路中的第s个输电线段所在位置在t时刻的风速，第a个台风下配电线路中的第s个输电线段所在位置在t时刻的风速，为t时刻配电线路中的第s个输电线段所在位置到第a个台风的中心位置的欧氏距离；μs为配电线路中的第s个输电线段的脆弱性曲线函数的中位数；σs为μs的对数标准差；
[0067]
所述当前灾害下配电线路的故障概率为：
[0068][0069]
其中，为第a个台风下第l条配电线路在t时刻的故障概率，l为电网配电线路集合，w
l
为第l条配电线路的电塔集合，δ
l
为第l条配电线路的输电线段集合。
[0070]
作为示例性地，根据第a个台风的台风信息，计算第a个台风下配电线路中的电塔在测试周期内的失效概率，即：
[0071][0072]
式(1)中，为第a个台风下配电线路中的第w个电塔在t时刻的失效概率，t∈[1，ta]，[1，ta]为第a个台风的测试周期；φ[]为标准正态分布的累积分布函数；为第a个台风下配电线路中的第w个电塔所在位置在t时刻的风速，风下配电线路中的第w个电塔所在位置在t时刻的风速，为t时刻配电线路中的第w个电塔所在位置到第a个台风的中心位置的欧氏距离，c为调整台风轮廓形状的预设参数，通常设置为0.5，h为台风最大风速半径周围的压力梯度比例，轮廓形状的预设参数，通常设置为0.5，h为台风最大风速半径周围的压力梯度比例，为第a个台风的最大风速，δpa为第a个台风的中心压力差，为第a个台风的最大影响半径；μw为配电线路中的第w个电塔的脆弱性曲线函数的中位数；σw为μw的对数标准差。
[0073]
电塔的脆弱性曲线函数可根据电塔的可靠性测试获得，取决于电塔建造时预设的
可靠性程度。
[0074]
根据第a个台风的台风信息，计算第a个台风下配电线路中的输电线段在测试周期内的失效概率，即：
[0075][0076]
式(2)中，为第a个台风下配电线路中的第s个输电线段在t时刻的失效概率；为第a个台风下配电线路中的第s个输电线段所在位置在t时刻的风速，为第a个台风下配电线路中的第s个输电线段所在位置在t时刻的风速，为t时刻配电线路中的第s个输电线段所在位置到第a个台风的中心位置的欧氏距离；μs为配电线路中的第s个输电线段的脆弱性曲线函数的中位数；σs为μs的对数标准差。
[0077]
输电线段的脆弱性曲线函数可根据输电线段的可靠性测试获得，取决于输电线段建造时预设的可靠性程度。
[0078]
根据第a个台风下配电线路中的电塔在测试周期内的失效概率和第a个台风下配电线路中的输电线段在测试周期内的失效概率，计算第a个台风下配电线路的故障概率，即：
[0079][0080]
式(3)中，为第a个台风下第l条配电线路在t时刻的故障概率，l为电网配电线路集合，w
l
为第l条配电线路的电塔集合，δ
l
为第l条配电线路的输电线段集合。
[0081]
可以理解的是，首先，配电线路l∈l由一组电塔w
l
和一组输电线段δ
l
连接，对于一个电塔w∈w
l
，第a个台风下配电线路中的第w个电塔在t时刻的失效概率可以通过式(1)计算，对于一条输电线段s∈δ
l
，将中断位置约简到几何中心，第a个台风下配电线路中的第s个输电线段在t时刻的失效概率可以通过式(2)计算。
[0082]
接着，对于特定台风a∈a，通过式(3)评估每条配电线路在测试周期[1，ta]内的故障概率则第a个台风下各条配电线路的故障概率为|l|
×
ta矩阵，即：
[0083][0084]
式(4)中，a为历史灾害数据中的第a个台风，a为历史灾害数据中的台风集合，ta为第a个台风的最大测量时间。
[0085]
最后，结合每一台风下各条配电线路的故障概率，得到电网配电线路的故障概率。
[0086]
在优选的实施例当中，所述根据电网配电线路的故障概率，构建故障场景模糊集，具体为：根据电网配电线路的故障概率，确定每一灾害下各条配电线路的最小故障概率和最大故障概率，以根据每一灾害下各条配电线路的最小故障概率和最大故障概率，构建故
障场景模糊集。
[0087]
作为示例性地，根据电网配电线路的故障概率，确定每一台风下各条配电线路的最小故障概率和最大故障概率，比如从第a个台风下第l条配电线路的故障概率中选择一个最小值作为第a个台风下第l条配电线路的最小故障概率从第a个台风下第l条配电线路的故障概率中选择一个最大值作为第a个台风下第l条配电线路的最大故障概率以根据每一台风下各条配电线路的最小故障概率和最大故障概率a∈a，构建故障场景模糊集。
[0088]
在优选的实施例当中，所述故障场景模糊集为：
[0089][0090]
其中，z
l
＝1表示第l条配电线路失效，f
ll
为集合{f
il
}
a∈a
的α％分位数，f
il
为第i个灾害下第l条配电线路的最小故障概率，f
lu
为集合的1-α％分位数，为第i个灾害下第l条配电线路的最大故障概率。
[0091]
作为示例性地，首先，确定每一台风下各条配电线路的最小故障概率和最大故障概率a∈a。
[0092]
接着，根据式(4)，不同的台风对每条配电线路形成不同的故障概率界限，对于第l条配电线路，选择集合{f
il
}
a∈a
的α％分位数作为第l条配电线路的故障概率下界f
ll
，选择集合的1-α％分位数为第l条配电线路的故障概率上界f
lu
。
[0093]
最后，通过使用历史灾害数据中获得的故障概率界限，构建故障场景模糊集，即：
[0094][0095]
其中，z
l
＝1表示第l条配电线路失效，f
ll
为集合{f
il
}
a∈a
的α％分位数，f
il
为第i个灾害下第l条配电线路的最小故障概率，f
lu
为集合的1-α％分位数，为第i个灾害下第l条配电线路的最大故障概率。
[0096]
特别地，电网的总体失效线路应满足n-k标准，n-k标准即为电网有n个组件，允许最多有k个组件失效。
[0097]
在优选的实施例当中，所述根据故障场景模糊集，建立两阶段分布式鲁棒优化模型，具体为：根据预先定义的电网弹性指标，构造以电网弹性指标最大化为目标的两阶段三级目标函数，引入分布式能源的约束条件和两阶段追索函数的约束条件，建立两阶段分布式鲁棒优化模型。
[0098]
作为示例性地，建立两阶段分布式鲁棒优化模型(ds-dro)的具体过程如下：
[0099]
首先，将满足需求与目标需求的比率定义为电网弹性指标，即：
[0100][0101]
式(6)中，表示节点n在t时刻的目标需求，d
nt
表示节点n在t时刻的实际需求，t是台风的持续时长。
[0102]
接着，建立以配电网期望弹性最大为目标的两阶段三级目标函数，即：
[0103][0104][0105]
然后，引入分布式能源的资源约束如下：
[0106][0107][0108]
其中，sn为分布式能源是否在节点n选址的决策变量，cn为分布式能源的容量决策变量，cs,cc,b,d
t
分别为建造分布式能源的成本，分布式能源储存电力能源的成本，总预算，时刻t下系统整体的需求。约束公式(9)限制了分布式能源数量和容量的投资预算，约束公式(10)表明分布式能源的最大容量不能超过系统的整体需求。
[0109]
最后，引入二阶段追索函数的相关约束如下：
[0110][0111][0112][0113][0114][0115][0116][0117]
其中，决策变量g为每个节点的发电量，决策变量d为每个节点满足需求的量，决策变量e为每条线路通过的电流大小，决策变量w为每个节点的相角。约束(11)设置每个节点的最大发电量。只有在一个节点上设置了分布式能源才能从该节点调度电力，并且调度的电力必须低于容量的最大限制。约束(12)限制了每个节点的满足需求不能超过目标需求。约束(13)对每条线路设置热限制，如果线路损坏则无法在线路上传输电力。约束(14)控制每个节点的电流量平衡。直流潮流方程在约束(15)-(16)中表示。节点相位角的允许范围在约束(17)中给出。
[0118]
在优选的实施例当中，所述求解两阶段的分布式鲁棒优化模型，得到最优能源配置策略，具体为：结合对偶法和列约束生成算法，求解两阶段分布式鲁棒优化模型，得到最
优能源配置策略。
[0119]
作为示例性地，采用对偶法和列约束生成算法求解提出的两阶段分布式鲁棒优化模型(ds-dro)的具体过程如下：
[0120]
首先，引入对偶变量α和β对中间层最小化问题进行对偶化，重新表述等效的两阶段鲁棒优化问题如下：
[0121][0122]
以此为基础，使用列和约束生成(ccg)算法将大规模优化模型(18)分解为只有场景子集ω
′
的主问题(mp)和有附加新场景的子问题(sp)：
[0123][0124][0125][0126][0127][0128]
然后，求解主问题(mp)获得原问题(18)的上限ub如下：
[0129][0130]
以此为基础，给定一个候选解决方案通过对偶将双层结构的子问题(sp)转换为单层问题求解后得到原问题的下界lb如下：
[0131][0132]
最后，循环上述求解过程，直到上限和下限的差小于阈值∈，得到最优解。
[0133]
为了更清楚地说明第一实施例提供的一种能源配置分布式鲁棒优化方法，如图2所示，采用ieee 13节点配网作为算例，将配网投影到南方沿海某城市进行台风灾害分析。根据第一实施例提供的一种能源配置分布式鲁棒优化方法，计算历史上经过该城市的43个台风所造成的配电线路故障概率，得到表1中置信区间70％的配电线路故障概率，并构建ds-dro模型的故障场景模糊集。
[0134]
表1置信区间70％的配电线路故障概率
[0135]
[0136]
求解所提出的ds-dro模型，并与下述四种参考策略进行比较：
[0137]
a.传统分布式鲁棒优化(dro)模型：通过分析灾害的威胁程度和配电线路中断概率分布以相关经验构建模糊集；
[0138]
b.鲁棒优化(ro)模型：直接从不确定集中选择最坏的z
l
情况而不是最坏的概率分布p；
[0139]
c.节点重要度(node-degree)策略：节点重要度较高的节点优先放置分布式能源；
[0140]
d.节点需求(node-demand)策略：需求量大的节点优先放置分布式能源。
[0141]
得出表2中ds-dro模型和四个对比方案在所有场景中置信区间70％的系统弹性，结果表明ds-dro在不同应急预算下的表现都优于四个对比方案，体现了第一实施例所提出的ds-dro模型在兼顾大量历史灾害数据且进行鲁棒决策的优越表现。
[0142]
表2置信区间70％的不同策略对应的电网系统弹性
[0143][0144][0145]
基于与第一实施例相同的发明构思，第二实施例提供如图3所示的一种能源配置分布式鲁棒优化装置，包括：故障概率评估模块21，用于根据历史灾害数据，采用空间模型评估电网配电线路的故障概率；模糊集构建模块22，用于根据电网配电线路的故障概率，构建故障场景模糊集；模型建立模块23，用于根据故障场景模糊集，建立两阶段分布式鲁棒优化模型；能源优化配置模块24，用于求解两阶段分布式鲁棒优化模型，得到最优能源配置策略。
[0146]
在优选的实施例当中，故障概率评估模块21，具体用于遍历历史灾害数据中的每一灾害，根据历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下每一配电线路的故障概率，得到当前灾害下各条配电线路的故障概率，以结合每一灾害下各条配电线路的故障概率，得到电网配电线路的故障概率。
[0147]
在优选的实施例当中，故障概率评估模块21，具体用于：对于每一配电线路，根据
历史灾害数据中的当前灾害的灾害信息，分别计算当前灾害下配电线路中的每一组件在测试周期内的失效概率，得到当前灾害下配电线路中的各个组件在测试周期内的失效概率；其中，配电线路的组件包括若干个电塔和若干条输电线段；对于每一配电线路，根据当前灾害下配电线路中的各个组件在测试周期内的失效概率，计算当前灾害下配电线路的故障概率，得到当前灾害下各条配电线路的故障概率。
[0148]
在优选的实施例当中，当前灾害下配电线路中的电塔在测试周期内的失效概率为：
[0149][0150]
其中，为第a个台风下配电线路中的第w个电塔在t时刻的失效概率，t∈[1，ta]，[1，ta]为第a个台风的测试周期；φ[]为标准正态分布的累积分布函数；为第a个台风下配电线路中的第w个电塔所在位置在t时刻的风速，配电线路中的第w个电塔所在位置在t时刻的风速，为t时刻配电线路中的第w个电塔所在位置到第a个台风的中心位置的欧氏距离，c为调整台风轮廓形状的预设参数，h为台风最大风速半径周围的压力梯度比例，廓形状的预设参数，h为台风最大风速半径周围的压力梯度比例，为第a个台风的最大风速，δpa为第a个台风的中心压力差，为第a个台风的最大影响半径；μw为配电线路中的第w个电塔的脆弱性曲线函数的中位数；σw为μw的对数标准差；
[0151]
当前灾害下配电线路中的输电线段在测试周期内的失效概率为：
[0152][0153]
其中，为第a个台风下配电线路中的第s个输电线段在t时刻的失效概率；为第a个台风下配电线路中的第s个输电线段所在位置在t时刻的风速，第a个台风下配电线路中的第s个输电线段所在位置在t时刻的风速，为t时刻配电线路中的第s个输电线段所在位置到第a个台风的中心位置的欧氏距离；μs为配电线路中的第s个输电线段的脆弱性曲线函数的中位数；σs为μs的对数标准差；
[0154]
当前灾害下配电线路的故障概率为：
[0155][0156]
其中，为第a个台风下第l条配电线路在t时刻的故障概率，l为电网配电线路集
合，w
l
为第l条配电线路的电塔集合，δ
l
为第l条配电线路的输电线段集合。
[0157]
在优选的实施例当中，模糊集构建模块22，具体用于根据电网配电线路的故障概率，确定每一灾害下各条配电线路的最小故障概率和最大故障概率，以根据每一灾害下各条配电线路的最小故障概率和最大故障概率，构建故障场景模糊集。
[0158]
在优选的实施例当中，故障场景模糊集为：
[0159][0160]
其中，z
l
＝1表示第l条配电线路失效，f
ll
为集合{f
il
}
a∈a
的α％分位数，f
il
为第i个灾害下第l条配电线路的最小故障概率，f
lu
为集合的1-α％分位数，为第i个灾害下第l条配电线路的最大故障概率。
[0161]
在优选的实施例当中，模型建立模块23，具体用于根据预先定义的电网弹性指标，构造以电网弹性指标最大化为目标的两阶段三级目标函数，引入分布式能源的约束条件和两阶段追索函数的约束条件，建立两阶段分布式鲁棒优化模型。
[0162]
在优选的实施例当中，能源优化配置模块24，具体用于结合对偶法和列约束生成算法，求解两阶段分布式鲁棒优化模型，得到最优能源配置策略。
[0163]
基于与第一实施例相同的发明构思，第三实施例提供一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一实施例所述的能源配置分布式鲁棒优化方法，且能达到与之相同的有益效果。
[0164]
综上所述，实施本发明的实施例，具有如下有益效果：
[0165]
通过根据历史灾害数据，采用空间模型评估电网配电线路的故障概率；根据电网配电线路的故障概率，构建故障场景模糊集；根据故障场景模糊集，建立两阶段分布式鲁棒优化模型；求解两阶段分布式鲁棒优化模型，得到最优能源配置策略，实现电网能源优化配置。本发明的实施例通过分析历史灾害数据中每一灾害对电网的空间影响，评估电网配电线路的故障概率来构建故障场景模糊集，能够考虑自然灾害对电网的空间影响，对分布式能源进行优化配置，提高电网在自然灾害下的弹性。
[0166]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
[0167]
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。