一种灾后配网与微网协同恢复方法和装置

1.本发明属于配网与微网协同技术领域，具体涉及一种灾后配网与微网协同恢复方法和装置。


背景技术：

2.电力系统在现代社会中发挥着至关重要的作用，电力系统的安全是社会发展的基础。近年来，自然灾害造成了许多停电。例如，2016年，一场龙卷风导致中国江苏省13.5万户家庭停电。对2000年至2016年期间野火的统计分析表明，野火在加州部分输配电系统中造成公用事业损失超过7亿美元。由于气候变化，此类灾害的发生率将越来越高。此类自然灾害属于小概率高损失的极端事件，传统的可靠性指标只针对大概率小损失事件，面对极端事件时无法保证电力系统的安全，因此，建设具有恢复力的弹性电网正在成为能源领域的一个关键问题。
3.与输电系统相比，配电系统更加脆弱。近几十年来，已经进行了大量研究以提高配电网的弹性。配电网配置了丰富的灵活资源，例如分布式电源、电动汽车、储能，这意味着有很多方法可以提高配电网的弹性。许多研究人员将网络重构与灵活资源相结合以提高恢复效果，提出了一些考虑分布式电源、储能与网络重构配合的灾后恢复方案。此外，一些研究者使用网络重构将配电网划分成多个微电网来提高配电网的弹性，针对微网形成问题，部分研究提出了新的配电网运行方法，即形成由分布式电源供电的多个微网，通过控制开关装置和分布式电源的on/off状态来满足微网的自给性和运行约束。为了解决后续事件中存在的潜在风险，有研究提出将微网的自适应形成作为关键负荷恢复的一部分。考虑到线路故障的不确定性，有研究提出了一种鲁棒的微网形成方法。除了分布式电源，储能系统在配网恢复中也发挥着重要的作用，有学者提出了一种通过微网和移动储能设备相互配合来增强配网恢复力的方法。
4.现有研究提出的恢复策略是在灾难发生后将配电网划分为由分布式电源或储能系统供电的微网，以恢复关键负载。灵活资源以集中方式调度，无需保护微网运营商的隐私。然而，随着屋顶太阳能光伏等分布式可再生能源的大量接入，正常运行下将形成大量微网，每个微网都有自己的运营方案，微网资源所有权的不同阻碍了不同微网恢复资源的协调。因此，需要提出一种灾害后配网和微网的协同配合方法并保证微网运行的自主性。


技术实现要素：

5.本发明提供了一种灾后配网与微网协同恢复方法和装置，在保证各个微网自主运行的前提下，充分利用配网和微网中的资源，制定最优的灾后恢复方案。
6.为达到上述目的，本发明所述一种灾后配网与微网协同恢复方法，包括以下步骤：
7.步骤1、建立两层灾后恢复模型，所述两层灾后恢复模型包括上层模型和下层模型；
8.步骤2、求解模型步骤1建立的两层灾后恢复模型，得到最优解；
9.步骤3、根据最优解对配电网和微电网进行控制；
10.所述步骤1中，上层模型包括上层目标函数、上层线性潮流模型、维修队派遣模型、上层辐射状模型和配网-微网耦合模型；所述下层模型包括下层目标函数、下层线性潮流模型、下层辐射状模型和配网-微网耦合模型；
11.所述上层辐射状模型和配网-微网耦合模型和下层辐射状模型和配网-微网耦合模型均包括配网向微网发送的功率需求量。
12.进一步的，上层目标函数为：
[0013][0014]
其中ns为新能源出力的典型场景集，nb为配网节点集合，t为时间间隔的集合，πs为场景s出现的概率，wj为节点j处负荷的重要度，为场景s中时刻t时配网节点j处的失负荷量。
[0015]
进一步的，上层线性潮流模型为：
[0016][0017][0018][0019][0020][0021][0022][0023][0024][0025][0026][0027]
其中n
l
为线路集合，nb为节点集合，ng为发电机集合，πj为以节点j为起点的线路的集合，δj为以节点j为终点的线路的集合，n
mg
为与微网相连的节点的集合，为场景s中t时刻线路l上流过的有功功率，为场景s中t时刻线路l上流过的无功功率，为场景s中t时刻发电机的有功出力，为场景s中t时刻发电机的无功出力，p
l,j
为节点j处的有功负荷，q
l,j
为无功负荷，为场景s中时刻t时节点j处的有功损失量，为场景s中时刻t时节点j处的无功损失量，为场景s中时刻t时节点i处的电压，为场景s中时刻t时节点j处的电压，v0为配电网的基准电压，r
l
为线路l的电阻，x
l
为线路l的电抗，为线路l的容量约束，u
l,t
为t时刻线路l的状态，pfj为节点j处的功率因数，v
min,j
和v
max,j
为节点j处可以达
到的最小和最大电压值，和为发电机的最小和最大有功出力，为场景s中时刻t时发电机g的有功出力，场景和为发电机的最小和最大无功出力，为场景s中时刻t时发电机g的无功出力，m为常数。
[0028]
进一步的，主问题辐射状模型为：
[0029][0030][0031][0032][0033]
其中，n
l
为线路集合，r为潜在的根节点集合，其包含损坏线路两端的节点和发电机所在的节点，n
bus
为节点数，0/1变量γ
j,t
确定潜在的根节点是否成为根节点，f
l,t
为线路上流过的虚拟功率，m是常数。
[0034]
进一步的，上层配网-微网耦合模型为：
[0035][0036][0037]
所述下层配网-微网耦合模型为：
[0038][0039]
其中ω为微网集合，n
g,m
为微网m的发电机集合，n
ess,m
为微网m的储能系统集合，n
b,m
为微网m的节点集合，为场景s中配网向微网m发送的功率需求量，为微网m中发电机g的出力预测值，为微网m中的储能系统e的最大放电功率，为微网m中节点j的负荷；为与微网m中与配电网相连的节点，为微网m中与配网相连的节点的负荷，为在场景s中微网m与配网相连的节点的切负荷量，配网要求传输的电能在微网中被视为负荷。
[0040]
进一步的，下层模型的目标函数为：
[0041][0042]
其中为微网m中节点j处负荷的重要度，为场景s中时刻t时微网m节点j处的失负荷量。
[0043]
进一步的，下层模型的线性潮流模型为：
[0044]
[0045][0046][0047][0048][0049][0050][0051][0052][0053][0054][0055][0056]
其中为微网m中与配网相连的节点，为微网m中线路l的受损状态，和分别为场景s时刻t时微网m中节点j处的储能系统的放电功率和充电功率，n
l,m
为微网m的线路集合，n
g,m
为微网m的发电机集合，πj为以节点j为起点的线路的集合，δj为以节点j为终点的线路的集合，为场景s中t时刻时微网m中线路l上流过的有功功率，为场景s中t时刻时微网m中线路l上流过的无功功率，为场景s中t时刻时微网m中发电机g的有功出力，为场景s中t时刻时微网m中发电机g的无功出力，为微网m中节点j处的有功负荷，为无功负荷，为场景s中时刻t时微网m中节点j处的有功损失量，为场景s中时刻t时微网m中节点j处的无功损失量，为场景s中时刻t时微网m中节点i处的电压，为场景s中时刻t时微网m中节点j处的电压，为微网m中的基准电压，为微网m中线路l的电阻，为微网m中线路l的电抗，为微网m中线路l的容量约束，为场景s中t时刻时微网m中线路l的状态，为微网m中节点j处的功率因数，和为微网m中节点j处可以达到的最小和最大电压值，为微网m中发电机g的最小和最大有功出力，为场景s中时刻t时微网m中发电机g的有功出力，场景和为发电机的最小和最大无功出力，为场景s中时刻t时微网m中发电机g的无功出力，m为常数。
[0057]
进一步的，步骤3包括以下步骤：
[0058]
step 1:将两层灾后恢复模型写为矩阵形式：
[0059]
min d
t
θ
ꢀꢀꢀ
(54)
[0060][0061]
[0062]
其中d
t
为上层问题目标函数的系数矩阵，y
m,s
代表下层模型中的全部连续变量，z
m,s
代表下层模型中的全部0/1变量，θ代表上层模型中除y
m,s
和z
m,s
的全部变量，为场景s中微网m的目标函数的系数矩阵，a
ul
、及b
ul
分别为上层模型中θ、y
m,s
、z
m,s
的系数矩阵以及常系数矩阵，及分别为下层模型中θ、y
m,s
、z
m,s
的系数矩阵以及常系数矩阵，ns为场景集合；
[0063]
step2:将双层问题分为主问题和子问题；
[0064]
主问题的形式如下：
[0065]
min d
t
θ
ꢀꢀꢀ
(57)
[0066][0067][0068][0069]
其中ρ
m,s
是惩罚系数，i
m,s
为一个仅含0和1的系数矩阵，z
m,s
为场景s中问题m所含的0/1变量的全部组合，z
m,s,k
为固定的0/1变量组合，y
m,s,k
为下层模型的0/1变量组合取z
m,s,k
时下层模型中的连续变量的取值，β
m,s,k
为下层模型的0/1变量组合取z
m,s,k
时的惩罚变量，时的惩罚变量，及为场景s下层问题m中θ、y
m,s
、z
m,s
的系数矩阵以及常系数矩阵；
[0070]
在获得θ的最优解θ
*
后，子问题的具体形式如下：
[0071][0072][0073]
step3：求解主问题和子问题，包括以下步骤：
[0074]
step 3.1:输入配电网和微网的系统拓扑以及各元件参数，各元件参数包括线路的阻抗，发电机出力的范围，各节点的负荷大小，各节点可接受的电压范围，储能的最大出力以及储能的容量；
[0075]
step 3.2:初始化迭代次数i和迭代终止误差ε：i＝0,ε＝10-5
，对于所有的m∈ω,s∈ns,设置迭代次数计数变量o
m,s
＝0以及z
m,s
＝φ,ρ
m,s
＝100；
[0076]
step3.3:求解主问题，得到最优解表示为将下层问题的目标函数值记为将传递给子问题；其中为θ的最优值；
[0077]
step 3.4:求解子问题，将子问题的最优解记为将子问题最优值记为
[0078]
step 3.5:判断是否成立：
[0079]
若成立，则返回最优解流程结束；
[0080]
若不成立，那么o
j,g
＝o
j,g
1，并将组合添加到z
j,g
中，并更新z
m,s
，然后设置i＝i 1返回step3.2。
[0081]
一种灾后配网与微网协同恢复装置，包括：
[0082]
输入模块，用于输入配电网和微网的系统拓扑以及各元件参数；
[0083]
处理模块，用于根据配电网和微网的系统拓扑以及各元件参数，求解预设的两层灾后恢复模型，得到最优控制策略，并将控制策略传递至配电网和微网。
[0084]
进一步的，两层灾后恢复模型包括上层模型和下层模型；所述上层模型包括上层目标函数、上层线性潮流模型、维修队派遣模型、上层辐射状模型和配网-微网耦合模型；所述下层模型包括下层目标函数、下层线性潮流模型、下层辐射状模型和配网-微网耦合模型；
[0085]
所述上层辐射状模型和配网-微网耦合模型和下层辐射状模型和配网-微网耦合模型均包括配网向微网发送的功率需求量。
[0086]
与现有技术相比，本发明至少具有以下有益的技术效果：本发明以灾后配网与微网协同恢复为研究对象，计及维修队、分布式发电机、储能等灵活性资源及网络重构等恢复手段，考虑微网运行的自主性，提出了配网与微网协同恢复方法，基于线性潮流模型建立了两层混合整数线性规划模型。其具有如下的优点：
[0087]
本发明提出的方法计及维修队、分布式发电机、储能等灵活性资源，在保证各个微网自主运行的前提下，充分利用配网和微网中的资源，制定最优的灾后恢复方案。在协同恢复方法中，配网运营商不能直接干预微网的运行，只给微网传递需要微网提供的功率即可，微网微网中的资源全部自主调度，解决了资源所有权不同的问题，提高了配网和微网协作的效率。此外，所提出的方法只需要配网运营商与微网运营商进行少量的沟通，降低了对灾后通信的要求。
[0088]
进一步的，本发明的方法使用随机规划来对可再生能源的不确定性进行建模，建立的两层混合整数线性规划模型可以被分布式求解，降低了配网运营商优化和控制的复杂度。
[0089]
进一步的，本发明使用基于松弛的双层重构与分解算法求解传统单层重构法无法求解的双层混合整数线性规划模型，求解过程中两层模型在迭代过程中相互传递信息，保证得到全局最优的控制策略，在保证微网运行的自主性的同时，保证配网的失负荷最少，将经济损失降低至最小。对于需要较大迭代次数的复杂算例，该算法可以在保证找到最优解的前提下大大减少迭代次数和计算时间。此外，随着下层问题的增多，迭代次数和计算时间不会有明显的增加，使本发明提出的方法可以扩展到解决更复杂的情况。
附图说明
[0090]
图1为灾后配网与微网协同恢复方法示意图；
[0091]
图2为两层协同恢复模型结构图；
[0092]
图3为模型求解流程图；
[0093]
图4为本发明提供的灾后配网与微网协同恢复装置的模块结构示意图；
[0094]
图5为本发明提供的计算机设备的结构示意图。
具体实施方式
[0095]
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例，
对本发明进行进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，并非用于限定本发明。
[0096]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0097]
实施例1
[0098]
本发明提出的配网与微网灾后协同恢复方法，考虑各个微网运行的自主性，充分利用配网和微网中的资源，制定最优的灾后恢复方案，其流程图如图1所示。在上层中，配电网控制中心负责维持配电网中的电力供应，灾难发生后，配电网控制中心优化可用资源的调度，通过维修人员派遣、分布式发电机调度、网络重构，尽可能多地恢复关键负荷。此外，配网控制中心与微网控制中心之间设定好协议，以便微网参与灾后的协同恢复。
[0099]
当灾害发生后，微网控制中心向配网控制中心报告其剩余的发电容量，配网控制中心依据这个信息向微网控制中心发送协助命令。在这样的机制下，配网运营商可以快速制定灾后恢复方案，大大提高灾后恢复的效率。在下层中，每个微网都是由自己的控制中心进行，与配网控制中心相同，微网有维持微网中的电力供应的责任。在接收到配网控制中心的协助命令后，在保证自身需求的前提下，微网运营商调度分布式发电机和储能将剩余的电力输送给配电网。本发明提出的方法允许微网运营商自主调度自身的资源，保护了微网的隐私并解决了资源所有权不同所带来的问题。此外，微网的自主运行大大降低了配网运营商优化和控制的复杂度。
[0100]
本发明首先建立两层灾后恢复模型，使用随机规划的建模方法对可再生能源不确定性进行建模，并将配网与微网的协同恢复构建成两层混合整数线性规划模型，通过维修队调度、分布式发电机调度、网络重构以及微网的协助，制定最优的灾后恢复方案。模型结构图如图2所示，上层模型是配网运营商恢复配网中的关键负荷，上层模型的问题以配电网缺供电量(失负荷)期望值最小为目标函数，基于线性潮流模型(以下简称线性distflow模型)建立混合整数线性规划模型，其包括四大部分，分别为线性distflow模型、维修队派遣模型、辐射状模型以及配网-微网耦合模型。
[0101]
下层模型是微网运营商在接收到配网的协助命令后调度微网资源满足自身负荷并完成协助命令，计及分布式发电机、储能系统以及网络重构，建立混合整数线性规划模型，在保证自身负荷供应的情况下完成配网下达的协助命令。下层问题以微网失负荷量最小为目标函数，其包括四大部分，分别为线性distflow模型、辐射状模型、储能运行模型以
及微网-配网耦合模型。使用基于松弛的双层重构与分解算法对建立两层混合整数规划模型进行求解。各部分具体如下。
[0102]
参照图1，一种灾后配网与微网协同恢复方法，包括以下内容：
[0103]
步骤1、建立两层灾后恢复模型，立两层灾后恢复模型包括上层模型和下层模型；
[0104]
1.上层模型
[0105]
(1)目标函数
[0106][0107]
其中ns为新能源出力的典型场景集，例如预测误差达到最大、预测误差为0等场景，nb为配网节点集合，t为时间间隔的集合，πs为场景s出现的概率，wj为节点j处负荷的重要度，为场景s中时刻t时配网节点j处的失负荷量。
[0108]
(2)线性distflow模型
[0109][0110][0111][0112][0113][0114][0115][0116][0117][0118][0119][0120]
其中n
l
为线路集合，nb为节点集合，ng为发电机集合，πj为以节点j为起点的线路的集合，δj为以节点j为终点的线路的集合，n
mg
为与微网相连的节点的集合，为场景s中t时刻线路l上流过的有功功率，为场景s中t时刻线路l上流过的无功功率，为场景s中t时刻发电机的有功出力，为场景s中t时刻发电机的无功出力，p
l,j
为节点j处的有功负荷，q
l,j
为无功负荷，为场景s中时刻t时节点j处的有功损失量，为场景s中时刻t时节点j处的无功损失量，为场景s中时刻t时节点i处的电压，为场景s中时刻t时节点j处的电压，v0为配电网的基准电压，r
l
为线路l的电阻，x
l
为线路l的电抗，为线路l的容量约束，u
l,t
为t时刻线路l的状态，pfj为节点j处的功率因数，v
min,j
和v
max,j
为节点j处可以达到的最小和最大电压值，和为发电机的最小和最大有功出力，为场景s中时刻t
时发电机g的有功出力，场景和为发电机的最小和最大无功出力，为场景s中时刻t时发电机g的无功出力，m为一个很大的常数，可取10000。
[0121]
等式(2)和(3)为功率平衡约束，约束(4)和(5)为线路两端电压与线路上流过的功率的关系，约束(6)和(7)限制线路上流过的有功和无功功率，约束(8)和(9)限制了切负荷量，约束(9)保证了各节点的功率因数保持不变，约束(10)限制了每个节点的电压水平，约束(11)和(12)对发电机出力进行了限制。
[0122]
(3)维修队派遣模型
[0123][0124][0125][0126][0127][0128][0129][0130][0131][0132][0133][0134][0135]
其中，x
0,m,c
为维修队从维修站出发时的路径选择变量，x
m,dp,c
为维修队完成维修任务后返回维修站的路径选择变量，rc为维修队集合，dn为损坏的元件及维修站的集合，dp为维修站，0/1变量x
m,n,c
为维修队c的路径选择变量，0/1变量y
m,c
为损坏元件的维修队分配变量，为维修队c到达损坏元件m的时间，为维修队c修复损坏元件m需要的时间，为维修队c到达损坏元件n需要的时间，为维修队c从元件m到元件n的通行时间，m为常数，取100，0/1变量τ
m,t
为元件的修复状态变量，如果为1表示元件m在时刻t被修复，0/1变量λ
m,t
为修复完成变量，如果为1代表元件m在时刻t之前被修复，ε取0.01，λ
m,t
代表t时刻时元件m是否被修复，如果为1则被修复，如果为0则未被修复。约束(13)保证维修队从维修站出发，约束(14)保证维修队最后回到维修站，约束(15)保证维修队修复完元件后会从该元件处离开，约束(16)和(17)保证了每一个损坏的元件都会有一支维修队前去维修，约束(18)和(19)确定了维修队到达每个损坏元件的时间，约束(20)每个损坏的元件必须被修复，约束
(21)-(23)确定了各时刻元件的修复状态，约束(24)代表元件状态的变化。
[0136]
(4)辐射状模型
[0137][0138][0139][0140][0141]
其中，r为潜在的根节点集合，其包含损坏线路两端的节点和发电机所在的节点，n
bus
为节点数，0/1变量γ
j,t
确定潜在的根节点是否成为根节点，f
l,t
为线路上流过的虚拟功率，m是个很大的常数，可取100。根据图论的知识，一个辐射状的图必须满足：(a)边的数量等于节点数减去子图数；(b)每个子图必须保证连通性。约束(25)满足了条件(a)，约束(26)-(28)满足了条件(b)。
[0142]
(5)配网-微网耦合模型
[0143][0144][0145]
其中ω为微网集合，n
g,m
为微网m的发电机集合，n
ess,m
为微网m的储能系统集合，n
b,m
为微网m的节点集合，为场景s中配网向微网m发送的功率需求量，为微网m中发电机g的出力预测值，为微网m中的储能系统e的最大放电功率，为微网m中节点j的负荷。约束(29)表示微网输送的电能可以视为发电机，约束(30)对输送的能量进行了限制。
[0146]
2.下层模型
[0147]
(1)目标函数
[0148][0149]
其中为微网m中节点j处负荷的重要度，为场景s中时刻t时微网m节点j处的失负荷量。
[0150]
(2)线性distflow模型
[0151][0152][0153][0154][0155]
[0156][0157][0158][0159][0160][0161][0162][0163]
其中为微网m中与配网相连的节点，为微网m中线路l的受损状态，和分别为场景s时刻t时微网m中节点j处的储能系统的放电功率和充电功率，n
l,m
为微网m的线路集合，n
g,m
为微网m的发电机集合，πj为以节点j为起点的线路的集合，δj为以节点j为终点的线路的集合，为场景s中t时刻时微网m中线路l上流过的有功功率，为场景s中t时刻时微网m中线路l上流过的无功功率，为场景s中t时刻时微网m中发电机g的有功出力，为场景s中t时刻时微网m中发电机g的无功出力，为微网m中节点j处的有功负荷，为无功负荷，为场景s中时刻t时微网m中节点j处的有功损失量，为场景s中时刻t时微网m中节点j处的无功损失量，为场景s中时刻t时微网m中节点i处的电压，为场景s中时刻t时微网m中节点j处的电压，为微网m中的基准电压，r
lm
为微网m中线路l的电阻，为微网m中线路l的电抗，为微网m中线路l的容量约束，为场景s中t时刻时微网m中线路l的状态，为微网m中节点j处的功率因数，和为微网m中节点j处可以达到的最小和最大电压值，为微网m中发电机g的最小和最大有功出力，为场景s中时刻t时微网m中发电机g的有功出力，场景和为发电机的最小和最大无功出力，为场景s中时刻t时微网m中发电机g的无功出力，m为一个很大的常数，可取10000。
[0164]
等式(32)和(33)为功率平衡约束，约束(34)和(35)为线路两端电压与线路上流过的功率的关系，约束(36)和(37)限制线路上流过的有功和无功功率，约束(38)和(39)限制了切负荷量，约束(39)保证了各节点的功率因数保持不变，约束(40)限制了每个节点的电压水平，约束(41)和(42)对发电机出力进行了限制。
[0165]
(3)辐射状模型
[0166][0167][0168][0169]
[0170]
其中，n
b,m
为微网m的节点集合，rm为微网m的潜在根节点集合，其包含损坏线路两端的节点和发电机所在的节点，为微网m的节点数，0/1变量用于确定场景s中微网m的潜在根节点j是否成为根节点，为场景s中微网m的线路l上流过的虚拟功率，m是各个很大的数，可取100。根据图论的知识，一个辐射状的图必须满足：(a)边的数量等于节点数减去子图数；(b)每个子图必须保证连通性。约束(44)满足了条件(a)，约束(45)-(46)满足了条件(b)。
[0171]
(4)储能运行模型
[0172][0173][0174][0175][0176][0177]
其中n
ess,m
是微网m中储能的集合，0/1变量为储能系统e在t时刻的充放电状态，若为1表示储能处于放电状态，为0表示处于充电状态，为场景s中微网m在t时刻储能系统e的放电功率，为场景s时刻t时微网m中储能e的充电功率，为微网m中储能e的最大充电功率，为场景s时刻t时微网m中储能e在恢复初始时刻的荷电状态，为场景s时刻t时微网m中储能e在t时刻的荷电状态，为场景s时刻t时微网m中储能e在t 1时刻的荷电状态，δt为时间间隔，是一个常数，一般取1小时，表示储能的初始荷电状态，η
dis,e
和η
ch,e
分别为储能系统e的放电效率和充电效率，和分别为储能荷电状态的最低和最高水平。约束(48)和(49)对储能系统的充放电功率进行了限制，约束(50)-(52)代表储能系统荷电状态变化。
[0178]
(5)微网-配网耦合模型
[0179][0180]
为与微网m中与配电网相连的节点，为微网m中与配网相连的节点的负荷，为在场景s中微网m与配网相连的节点的切负荷量配网要求传输的电能在微网中被视为负荷。
[0181]
步骤2、模型求解
[0182]
第一步：将上层模型和下层模型写为矩阵形式
[0183]
建立双层混合整数线性规划模型无法使用传统的基于kkt条件的单层重构法进行求解，因此，本发明使用基于松弛的双层重构与分解算法对所建立的模型进行求解，其求解流程如图(3)所示。为了简化表达，将上层模型和下层模型写为矩阵形式：
[0184]
min d
t
θ
ꢀꢀꢀ
(54)
[0185][0186][0187]
其中d
t
为上层问题目标函数的系数矩阵，y
m,s
代表下层模型中的全部连续变量，z
m,s
代表下层模型中的全部0/1变量，θ代表上层模型中除y
m,s
和z
m,s
的全部变量，为场景s中微网m的目标函数的系数矩阵，a
ul
、及b
ul
分别为上层模型中θ、y
m,s
、z
m,s
的系数矩阵以及常系数矩阵，及分别为下层模型中θ、y
m,s
、z
m,s
的系数矩阵以及常系数矩阵，ns为场景集合，约束(55)和(56)分别代表上层模型的约束和下层模型的约束。
[0188]
第二步：根据基于松弛的双层重构与分解算法，将双层问题分为主问题和子问题，主问题的形式如下：
[0189]
min d
t
θ
ꢀꢀꢀ
(57)
[0190][0191][0192][0193]
其中ρ
m,s
是一个很大的惩罚系数，可取100，i
m,s
为一个仅含0和1的系数矩阵，z
m,s
为场景s中问题m所含的0/1变量的全部组合，z
m,s,k
为固定的0/1变量组合，y
m,s,k
为下层模型的0/1变量组合取z
m,s,k
时下层模型中的连续变量的取值，β
m,s,k
为下层模型的0/1变量组合取z
m,s,k
时的惩罚变量，及为场景s下层问题m中θ、y
m,s
、z
m,s
的系数矩阵以及常系数矩阵，这使得主问题可以使用传统的基于kkt条件的单层重构法求解，得到配电网的最优恢复策略θ
*
，将最优恢复策略传给子问题。
[0194]
在获得θ
*
后，子问题的具体形式如下：
[0195][0196][0197]
求解(61)-(62)组成的子问题即可得到各个微电网的运行操作。
[0198]
第三步：参照图3，求解主问题和子问题，包括以下步骤：
[0199]
step 1:输入配电网和微网的系统拓扑以及各元件参数，各元件参数包括线路的阻抗，发电机出力的范围，各节点的负荷大小，各节点可接受的电压范围，储能的最大出力以及储能的容量；
[0200]
step 2:初始化迭代次数i和迭代终止误差ε：i＝0,ε＝10-5
，对于所有的m∈ω,s∈ns,设置迭代次数计数变量o
m,s
＝0以及z
m,s
＝φ,ρ
m,s
＝100；
[0201]
step 3:使用商用求解器求解主问题(57-60)，将最优解表示为将下层问题的目标函数值记为将传递给子问题；其中为θ的最优值；
[0202]
step 4:使用商用求解器求解子问题(61)-(62)，将子问题的最优解记为
将子问题最优值记为
[0203]
step 5:判断是否成立：
[0204]
如果成立，则返回最优解流程结束；
[0205]
如果不成立，那么o
j,g
＝o
j,g
1，并将组合添加到z
j,g
中，并更新z
m,s
，然后设置i＝i 1返回step 2。
[0206]
步骤3、根据最优解对配电网和微电网进行控制。
[0207]
配网运营商与微网运营商灾前达成协议，以便微网同意参与灾后的协同恢复。灾害发生后，配网运营商立刻调度自身的资源对配网的负荷进行恢复，同时微网运营商向配网报告微网的剩余容量，然后配网运营商依据微网报告的信息向微网下达协助命令，在接收到配网的协助命令后，微网运营商调度分布式发电机和储能满足自身负荷并完成配网运营商的协助命令。
[0208]
实施例2
[0209]
本发明提供的一种灾后配网与微网协同恢复装置，如图4所示，包括输入模块和处理模块。
[0210]
其中，输入模块用于输入配电网和微网的系统拓扑以及各元件参数；处理模块，用于根据配电网和微网的系统拓扑以及各元件参数，求解预设的两层灾后恢复模型，得到最优控制策略，并将控制策略传递至配电网和微网。
[0211]
实施例3
[0212]
本发明提供的一种计算机设备，如图5所示，包括电连接的存储器和处理器，其中，存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的恢复方法的步骤。
[0213]
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
[0214]
所述恢复装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述恢复装置可包括，但不仅限于，处理器、存储器。
[0215]
所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0216]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述恢复装置/终端设备的各种功能。
[0217]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0218]
实施例4
[0219]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以
存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0220]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。