CN116090840A - 基于储能规划的配电网韧性提升方法、装置、设备和介质 - Google Patents
基于储能规划的配电网韧性提升方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116090840A CN116090840A CN202211239077.5A CN202211239077A CN116090840A CN 116090840 A CN116090840 A CN 116090840A CN 202211239077 A CN202211239077 A CN 202211239077A CN 116090840 A CN116090840 A CN 116090840A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- distribution network
- power distribution
- fault scene
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 195
- 238000009826 distribution Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 abstract description 5
- 230000010485 coping Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 239000010410 layer Substances 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于储能规划的配电网韧性提升方法、装置、设备和介质，包括首先构建配电网在极端天气下的随机故障场景集，从而模拟实际的极端天气。接着基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；并将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果。该目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。而在实际场景中，若基于这些确定的位置分布、容量以及功率来投资建设储能***，就能在有效增强配电网应对极端天气灾害的能力的同时，降低韧性提升的成本。
Description
技术领域
本发明涉及配电网技术领域，尤其是涉及一种基于储能规划的配电网韧性提升方法、装置、设备和介质。
背景技术
现有的韧性提升措施，基于采取措施的时间点可以大致分为三类，包括：极端天气发生前的预防措施；极端天气下配电网的调度运行控制措施；极端天气后的配电网恢复措施。而现有韧性提升方法主要从短期角度出发，即主要集中在调度运行、故障后恢复和短期的预防措施方面(例如短期的元器件强化)。但这些现有方法的经济成本过高，仍具有较大的优化空间。
发明内容
基于此，有必要提供基于储能规划的配电网韧性提升方法、装置、设备和介质，以解决现有方法的经济成本过高的问题。
一种基于储能规划的配电网韧性提升方法，所述方法包括：
构建配电网在极端天气下的随机故障场景集；
基于所述随机故障场景集，以所述配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；
将所述两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解所述主问题模型和所述子问题模型以得到所述配电网的目标储能规划结果；其中，所述目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。
在其中一个实施例中，构建的两阶段鲁棒优化模型为：
min(Cannual,ESS+βmax min Pannual,Loss)
上式中，Cannual,ESS为每年的储能投资总成本，βmax min Pannual,Loss为负荷损失总成本，β为每年的负荷损失与经济的转化系数，Pannual,Loss为极端天气下每年的负荷损失。
在其中一个实施例中，两阶段鲁棒优化模型的矩阵形式为：
上式中，H为储能规划的决策集，x为主问题的决策变量，S为随机故障场景集，s为S中的任意一个随机故障场景，F为储能规划和随机故障场景确定下的***变量决策集，y1和y2为子问题的决策变量，a、b1、b2分别为对应决策变量的系数向量，A、B、C、D1、D2、E、F1、F2均为系数矩阵，d、e、f均为约束中的常数向量；
两阶段鲁棒优化模型的矩阵形式经转换后的主问题模型为：
上式中，η为向主问题中添加的辅助变量，用于指示子问题的结果；m指示第m次迭代，n为总迭代次数，y1 m和y2 m为第m次迭代过程中增加的变量，sm为在第m次迭代过程中，子问题中求得的损失负荷最多的随机故障场景。
两阶段鲁棒优化模型的矩阵形式经转换后的子问题模型为：
上式中，x*为求解得到的主问题的决策变量。
在其中一个实施例中，所述迭代求解所述主问题模型和所述子问题模型以得到所述配电网的目标储能规划结果，包括：
初始化主问题的最优解下界为负无穷，子问题的最优解上界为正无穷，迭代次数m为0；
在第m次迭代时，求取所述主问题模型的第一最优解，并基于所述第一最优解更新所述最优解下界；
根据取得所述第一最优解时主问题的决策变量x更新储能规划结果；
求取所述子问题模型的第二最优解，并基于所述第二最优解更新所述最优解上界；
判断所述最优解上界与所述最优解下界之间的上下界差值是否小于预设的差值阈值，若所述最优解上界与所述最优解下界之间的上下界差值是否大于或等于预设的差值阈值，则更新损失负荷最多的随机故障场景，令m＝m+1，返回执行所述在第m次迭代时，求取所述主问题模型的第一最优解，并基于所述第一最优解更新所述最优解下界的步骤及后续步骤；
若所述最优解上界与所述最优解下界之间的上下界差值小于预设的差值阈值，则输出当前更新后的储能规划结果作为所述目标储能规划结果。
在其中一个实施例中，所述构建配电网在极端天气下的随机故障场景集，包括：
将配电网进行分区，以得到所述配电网的多个配电网区域；
获取所述配电网的初始故障场景集，根据配电网区域在多个时刻的采样数据构建所述初始故障场景集的特征矩阵；其中，所述采样数据的数值用于指示一个配电网区域在采样时刻是否包含故障负荷，所述初始故障场景集的特征矩阵包含多个初始故障场景的特征矩阵；
根据第一故障场景的特征矩阵和第二故障场景的特征矩阵计算所述第一故障场景和所述第二故障场景之间的相似距离，以得到所述初始故障场景集内任意两个初始故障场景之间的相似距离；其中，所述第一故障场景和所述第二故障场景为所述多个初始故障场景中的任意两个；
确定第三故障场景与第四故障场景，根据所述第三故障场景的场景概率和所述第三故障场景与第四故障场景之间的相似距离计算所述第三故障场景的最小概率距离，以得到所述初始故障场景集内每一个初始故障场景的最小概率距离；其中，所述第三故障场景为所述多个初始故障场景中的任意一个，所述第四故障场景为所述初始故障场景集内与所述第三故障场景的相似距离最小的故障场景；
确定待移除场景，将所述待移除场景从所述初始故障场景集中移除，以得到更新后的初始故障场景集；其中，所述待移除场景的最小概率距离为所有初始故障场景的最小概率距离的最小值；
判断更新后的初始故障场景集内初始故障场景的数量是否等于预设阈值，若更新后的初始故障场景集内初始故障场景的数量大于预设阈值，则将待移除场景与相似距离最小的故障场景的最小概率距离进行合并，并返回执行所述确定待移除场景的步骤及后续步骤；
若更新后的初始故障场景集内初始故障场景的数量等于预设阈值，则将更新后的初始故障场景集作为所述随机故障场景集。
在其中一个实施例中，所述方法，还包括：
基于获取的在极端天气持续期间的储能约束对所述主问题模型和所述子问题模型内的参数进行约束；其中，在极端天气持续期间的储能约束包括配电网安装储能数量约束、储能运行状态约束、储能充放电功率约束、节点安装储能容量和额定功率约束、储能电量平衡约束、负荷切除量约束和负荷切除持续约束。
在其中一个实施例中，所述方法，还包括：
基于获取的配电网运行约束对所述主问题模型和所述子问题模型内的参数进行约束；其中，配电网运行约束包括配电网节点有功功率平衡约束、无功功率平衡约束、线路连接状态约束、节点电压约束。
一种基于储能规划的配电网韧性提升装置，所述装置包括：
随机故障场景集构建模块，用于构建配电网在极端天气下的随机故障场景集；
两阶段鲁棒优化模型构建模块，用于基于所述随机故障场景集，以所述配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；
目标储能规划结果确定模块，用于将所述两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解所述主问题模型和所述子问题模型以得到所述配电网的目标储能规划结果；其中，所述目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述基于储能规划的配电网韧性提升方法的步骤。
一种基于储能规划的配电网韧性提升设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述基于储能规划的配电网韧性提升方法的步骤。
本发明提供了基于储能规划的配电网韧性提升方法、装置、设备和介质，包括首先构建配电网在极端天气下的随机故障场景集，从而模拟实际的极端天气。接着基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；并将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果。其中，该目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。而在实际场景中，若基于这些确定的位置分布、容量以及功率来投资建设储能***，就能在有效增强配电网应对极端天气灾害的能力的同时，降低韧性提升的成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中基于储能规划的配电网韧性提升方法的流程示意图；
图2为一个实施例中构建配电网在极端天气下的随机故障场景集的流程示意图；
图3为一个实施例中迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果的流程示意图；
图4为一个实施例中配电网以及台风线路的示意图；
图5为一个实施例中β＝50时配电网的储能规划和极端场景图；
图6为一个实施例中β＝80时配电网的储能规划和极端场景图
图7为一个实施例中β＝100时配电网的储能规划和极端场景图
图8为一个实施例中不同β下的储能投资总成本和负荷损失的示意图；
图9为一个实施例中加固线路的规划示意图；
图10为一个实施例中基于储能规划的配电网韧性提升装置的结构示意图；
图11为一个实施例中基于储能规划的配电网韧性提升设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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作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。
如图1所示，图1为一个实施例中基于储能规划的配电网韧性提升方法的流程示意图，本实施例中基于储能规划的配电网韧性提升方法提供的步骤包括：
s101，构建配电网在极端天气下的随机故障场景集。
其中，这里的随机故障场景集就是模拟极端天气下，配电网各个负荷随机出现故障的场景的集合。
在配电网储能***的储能规划中，随机生成的故障场景集越多，规划的方案就越准确。但是若故障集过多，问题的规模就会过大，计算量也会剧烈上升。若故障集过少，虽会提高计算效率，但也会导致规划方***性较差。为了兼容计算效率，以及规划方案的合理性，在一个具体实施例中，如图2所示，采用如下的具体步骤：
s1011，将配电网进行分区，以得到配电网的多个配电网区域。
在分区时需主要遵守如下三个原则：
(1)、电气联络分区原则：含有电气联络的线路需要被分到同一个区域。
(2)、地理位置分区原则：地理位置接近的线路需要被分到同一个区域。
(3)、线路数量分区原则：每一个区域的线路数量需要控制在一定的范围之内，因为若数量过多则分区会过于复杂。
基于上述三个原则将配电网进行分区，这里假定分为K个配电网区域(K>1)。
s1012，获取配电网的初始故障场景集，根据配电网区域在多个时刻的采样数据构建初始故障场景集的特征矩阵。
其中，采样数据的数值用于指示一个配电网区域在采样时刻是否包含故障负荷，初始故障场景集的特征矩阵包含多个初始故障场景的特征矩阵，而每个初始故障场景的特征矩阵的构建方式是一致的。
示例性的，我们假设总的采样时长为T，初始故障场景集为S，其中初始故障场景s的数量为N。则对于S中的每一个初始故障场景s，其特征矩阵为ξs，表示为：
上式中，ξs,i,j为初始故障场景s的第i片区域内在j时刻是否含有故障负荷，若含有故障负荷则ξs,i,j等于1，否则ξs,i,j等于0。
可以理解的是，对所有初始故障场景的特征矩阵都执行上述相同的处理操作，就能构建得到初始故障场景集的特征矩阵。
s1013，根据第一故障场景的特征矩阵和第二故障场景的特征矩阵计算第一故障场景和第二故障场景之间的相似距离，以得到初始故障场景集内任意两个初始故障场景之间的相似距离。
其中，第一故障场景和第二故障场景为多个初始故障场景中的任意两个。示例性的，第一故障场景表示为s1，第二故障场景表示为s2，则第一故障场景和第二故障场景之间的相似距离Ds1,s2表示为：
可以理解的是，对所有的初始故障场景都进行上述相同的处理，就能计算得到初始故障场景集内任意两个初始故障场景之间的相似距离。
s1014，确定第三故障场景与第四故障场景，根据第三故障场景的场景概率和第三故障场景与第四故障场景之间的相似距离计算第三故障场景的最小概率距离，以得到初始故障场景集内每一个初始故障场景的最小概率距离。
其中，第三故障场景为多个初始故障场景中的任意一个，第四故障场景为初始故障场景集内与第三故障场景的相似距离最小的故障场景。示例性的，第三故障场景与第四故障场景之间的相似距离表示为：
上式中，第三故障场景表示为s3，第四故障场景表示为s4，s3与s4的相似距离最小。
这里，我们将S中的每一个故障场景的概率设定为P(s)。例如P(s)＝1/N，当然也可以实际情况设定为其他值。
进一步的，计算第三故障场景的最小概率距离的公式表示为：
PDs3,min＝P(s3)Ds3,min
上式中，P(s3)为出现s3的概率。
s1015，确定待移除场景，将待移除场景从初始故障场景集中移除，以得到更新后的初始故障场景集。
其中，待移除场景的最小概率距离为所有初始故障场景的最小概率距离的最小值。也就是说，待移除场景表示为：
该s5为初始故障场景集中相似度最高的场景，将该s5从初始故障场景集S中移除，就能得到更新后的初始故障场景集。
s1016，判断更新后的初始故障场景集内初始故障场景的数量是否等于预设阈值，若更新后的初始故障场景集内初始故障场景的数量大于预设阈值，则执行s1017。若更新后的初始故障场景集内初始故障场景的数量等于预设阈值，则执行s1018。
s1017，将待移除场景与相似距离最小的故障场景的最小概率距离进行合并，并返回执行s1015及后续步骤。
这里若执行s1017，也就是说还未完成场景缩减的目标，仍需继续进行场景缩减。其中，与待移除场景相似距离最小的故障场景表示为：
而概率距离进行合并的公式表示为：
P(s6)＝P(s5)+P(s6)
这样就能在删除s5之后，由s6来继承s5的最小概率距离。
s1018，将更新后的初始故障场景集作为随机故障场景集。
这里若执行s1018，也就是说已完成场景缩减的目标。此时将更新后的初始故障场景集作为随机故障场景集。
可见，上述具体实施例中能删除初始故障场景集中相似度较高的场景，获得所需的随机故障场景集。这样既减小了计算规模，也保证了规划的合理性。
s102，基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型。
具体的来说，这里构建的两阶段鲁棒优化模型表示为：
min(Cannual,ESS+βmax min Pannual,Loss)
上式中，Cannual,ESS为每年的储能投资总成本，βmax min Pannual,Loss为负荷损失总成本，β为每年的负荷损失与经济的转化系数，Pannual,Loss为极端天气下每年的负荷损失。
为便于理解，下面对该两阶段鲁棒优化模型进行进一步解释：该两阶段鲁棒优化模型由三层构成，第一层为最外层的min，能保证配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小，其中可通过β调整储能投资总成本和负荷损失总成本之间的倾向。第二层为max，在采样得到的随机故障场景集中考虑最坏情况下负荷损失。第三层为min，在每种随机故障场景中，均通过储能供电的方式，得到最少的加权负荷损失。这样一共构成了三层“min-max-min”的两阶段鲁棒优化模型。
其中,储能投资总成本Cannual,ESS主要包括三个方面：储能的设备成本、储能的站址成本以及初始运行维护成本，表示为：
上式中，CESS,equipment为储能的设备成本，B为配电网的总结点集合，cp为单位额定功率储能的成本系数，PESS,j为第j个节点储能的额定功率，cE为储能单位容量的成本系数，EESS,j为第j个节点的储能容量，CESS,site为储能的站址成本，cj为第j个节点的站址成本系数，σj为第j个节点是否含有储能的整数变量，1代表含有储能，0代表没有储能,CESS,om为初始运行维护成本，rESS为贴现率，NESS为储能的最大使用年限，com为单位额定功率的储能所需要的年运行维护成本。
max min Pannual,Loss是首先通过蒙特卡洛模拟得到随机故障场景集，再计算随机故障场景集中每种随机故障场景的最小损失负荷，并选取其中损失负荷数量最大的作为极端天气时的最多加权损失负荷数，最后乘以每年极端天气次数NL计算得到，计算公式表示为：
s103，将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果。
其中，这里的目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。
而这里，两阶段鲁棒优化模型的矩阵形式表示为：
上式中，H为储能规划的决策集，也就是所有可能的位置分布、容量以及功率；x为主问题的决策变量，也就是第一阶段的决策变量；S为随机故障场景集，s为S中的任意一个随机故障场景；F为储能规划和随机故障场景确定下的***变量决策集，y1和y2为子问题的决策变量，也就是第二阶段的决策变量；a、b1、b2分别为对应决策变量的系数向量，A、B、C、D1、D2、E、F1、F2均为系数矩阵，d、e、f均为约束中的常数向量。
其中，主问题为第一层min，即求得在故障场景确定的情况下，经济性最优的储能位置、容量、额定功率规划，求得的最优值为原问题的最优解下界L。两阶段鲁棒优化模型的矩阵形式经转换后的主问题模型表示为：
上式中，η为向主问题中添加的辅助变量，用于指示子问题的结果；m指示第m次迭代，n为总迭代次数，
和
为第m次迭代过程中增加的变量，sm为在第m次迭代过程中，子问题中求得的损失负荷最多的随机故障场景。
其中，子问题为第二层max-min，即在确定配电网储能位置、容量、额定功率规划的情况下，求得损失负荷最严重的场景及其损失负荷，求得的最优值为原问题的最优解上界U。两阶段鲁棒优化模型的矩阵形式经转换后的子问题模型表示为：
上式中，x*为求解得到的主问题的决策变量。
进一步的，为便于求解，可利用强对偶原理将子问题转换为单层优化问题，增加对偶变量λ和π，表示为：
并利用大M法对sTλ的每一个非凸双线性项进行线性化处理，表示为：
进一步的，考虑到实际场景中会存在各种约束条件，这里我们在迭代求解前，也为主问题模型和子问题模型设置了各种约束条件：在一个具体实施例中，基于获取的在极端天气持续期间的储能约束对主问题模型和子问题模型内的参数进行约束；其中，在极端天气持续期间的储能约束包括配电网安装储能数量约束、储能运行状态约束、储能充放电功率约束、节点安装储能容量和额定功率约束、储能电量平衡约束、负荷切除量约束和负荷切除持续约束。
具体的来说，配电网安装储能数量约束，表示为：
上式中，NESS,max为配电网所能安装储能数量的最大值。
储能运行状态约束，表示为：
cj,t+dj,t≤σj
储能运行状态包括三种状态：充电状态、放电状态、不工作状态。上式中，cj,t和dj,t表示j节点的储能设备在t时刻的工作状态，均为0-1离散变量，若储能工作于充电状态则cj,t＝1，dj,t＝0，若储能工作于放电状态则cj,t＝0，dj,t＝1，若j节点没有储能或者储能处于不工作状态则cj,t＝0，dj,t＝0。
储能充放电功率约束，表示为：
0<＝-cj,tpESS,j,t+dj,tpESS,j,t<＝PESS,j
储能无论是充电还是放电状态，充放电功率应小于额定功率。上式中，pESS,j,t为j节点t时刻时候的功率，放电是功率为正，充电时功率为负。
节点安装储能容量和额定功率约束，表示为：
每一个节点安装的储能容量以及额定功率均应低于节点所允许的最大储能容量和最大额定功率。上式中，PESS,j,max为节点j所能安装储能的最大额定功率，为EESS,j,max为节点j所能安装储能的最大容量。
储能电量平衡约束，表示为：
CS,minEESS,j≤EESS,j,t≤EESS,j
储能的下一个时刻电量与上一个时刻的电量和充放电状态相关，同时为了保护储能延长储能的使用寿命，限制储能的最大放电深度CS,min。上式中，EESS,j,t和EESS,j,t+1分别为t和t+1时刻节点j储能剩余电量，ηc和ηd分别为储能的充放电效率，Δt为蒙特卡洛采样中的时间间隔。
负荷切除量约束和负荷切除持续约束，表示为：
当极端事件期间配电网故障时，可适当削减低重要性节点的负荷，每个时刻削减负荷量需小于各个节点的最大削减量，极端时间期间削减的总负荷量需小于总最大削减量，削减负荷的时间需小于各个节点的最大停电时间。上式中，pcut,j,t为t时刻j节点切除的负荷量，ucut,j,t为0-1离散变量，表示t时刻j节点是否进行负荷切除，若ucut,j,t＝1则代表t时刻进行负荷切除，若ucut,j,t＝0则代表t时刻不进行负荷切除。Pcut,j,t,max为t时刻j节点最大的负荷切除量，T为极端事件的持续时间，Pcut,j,T,max为j节点在极端事件持续时间T内的最大负荷量总和。
在一个具体实施例中，基于获取的配电网运行约束对主问题模型和子问题模型内的参数进行约束。其中，配电网运行约束包括配电网节点有功功率平衡约束、无功功率平衡约束、线路连接状态约束、节点电压约束。
具体的来说，配电网节点有功功率平衡约束和无功功率平衡约束，表示为：
上式中，δ(j)为j节点的下级节点，π(j)为j节点的上级节点，Pjs,t为t时刻j节点下级支路js传输的有功功率，PL,j,t为t时刻j节点预测的有功功率，Prj,t为t时刻j节点上级支路rj传输的有功功率，Qjs,t为t时刻j节点下级支路js传输的无功功率，QL,j,t为t时刻j节点预测的无功功率，Qrj,t为t时刻j节点上级支路rj传输的无功功率。
线路连接状态约束，表示为：
上式中，节点s和节点t是相连的两个节点，Vs,t和Vr,t分别为t时刻s节点和r节点的电压，V0为参考电压，M为一个大的正常数，αsr,t代表t时刻线路sr的开断情况，当αsr,t＝1时，代表线路sr闭合，当αsr,t＝0时，代表线路sr断开。其中αsr,t无需设置为0-1离散变量，可以设置为连续变量，减少了分支定界的分割数量，rsr和xsr分别为sr支路的电阻和电抗。
节点电压约束，表示为：
Vj,min≤Vj,t≤Vj,max
上式中，Vj,min和Vj,max分别为j节点电压的最大和最小值。
接着在上述约束条件的范围内，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果，在一个具体实施例中，如图3所示，求解的具体步骤包括：
s1031，初始化主问题的最优解下界为负无穷，子问题的最优解上界为正无穷，迭代次数m为0。
也即令最优解下界L＝-∞，最优解上界U＝+∞，m＝0。
s1032，在第m次迭代时，求取主问题模型的第一最优解，并基于第一最优解更新最优解下界。
也即利用上文中的式(1)求取主问题模型的第一最优解，并基于第一最优解更新最优解下界L。
s1033，根据取得第一最优解时主问题的决策变量x更新储能规划结果。
也即根据当前求解到的决策变量x更新储能规划结果，包括为储能设备所规划的位置分布、容量以及功率。
s1034，求取子问题模型的第二最优解，并基于第二最优解更新最优解上界。
也即利用上文中的式(2)至式(4)求取子问题模型的第二最优解，并基于第二最优解更新最优解上界U。
s1035，判断最优解上界与最优解下界之间的上下界差值是否小于预设的差值阈值。若最优解上界与最优解下界之间的上下界差值是否大于或等于预设的差值阈值，则执行s1036；若最优解上界与最优解下界之间的上下界差值小于预设的差值阈值，则执行s1037。
及判断U-L<ε是否成立，这里的ε为预设的差值阈值。
s1036，更新损失负荷最多的随机故障场景，令m＝m+1，返回执行s1032及后续步骤。
若最优解上界与最优解下界之间的上下界差值是否大于或等于预设的差值阈值，则说明该两阶段鲁棒优化模型未收敛，此时更新损失负荷最多的随机故障场景，也就是重新确定一个损失负荷最多的随机故障场景，令m＝m+1，继续迭代求解。
s1037，输出当前更新后的储能规划结果作为目标储能规划结果。
若最优解上界与最优解下界之间的上下界差值是否大于或等于预设的差值阈值，则说明该两阶段鲁棒优化模型已收敛，此时输出当前更新后的储能规划结果作为目标储能规划结果。
可见，上述基于储能规划的配电网韧性提升方法，首先构建配电网在极端天气下的随机故障场景集，从而模拟实际的极端天气。接着基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；并将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果。其中，该目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。而在实际场景中，若基于这些确定的位置分布、容量以及功率来投资建设储能***，就能在有效增强配电网应对极端天气灾害的能力的同时，降低韧性提升的成本。
为进一步阐述上述规划方法，下文结合一个实际的例子进行具体说明。示例性的，配电网以及台风线路的示意图如图4所示。其中包括一级负荷、二级负荷以及三级负荷，每一个一级负荷均配有双电源供电，当一级负荷的供电路径故障时，可通过转供电源恢复供电，平均转供时间为2h。图中的虚拟圆圈代表台风，圆圈的连接线代表台风路线，这里假定每年经历台风次数为4次。
这里根据城市区域成本的不同，将整个配电网区域分成四块，各个区域对应不同的站址成本，其中区域1为100万元、区域2为90万元、区域3为80万元、区域4为70万元。假定所有储能的使用期限为15年，贴现率为10％。储能安装的最大额定功率和容量分别为350kW和1000kWh，成本系数为680元/kW和2380元/(kWh)，储能单位功率年运维成本为40元/(kWa)。该配电网储能安装数量的最大值为7，充放电效率均为0.9，储能最大放电深度为0.1，初始储存电量为0.8。
进一步的，设置不同β值，这里分别取值为50、80、100，可得到不同情况下的配电网储能规划。不同β值下储能规划位置以及负荷损失最严重的故障情况如图5、6、7所示。其中，图5为β＝50时配电网的储能规划和极端场景图，该图中的极端场景为L6、L11、L13、L18、L22、L25出现故障，安装节点(储能设备的位置分布)为7、24、28。图6为β＝80时配电网的储能规划和极端场景图，该图中的极端场景为L6、L11、L21、L24、L25、L29出现故障，安装节点为6、11、24、28。图7为β＝100时配电网的储能规划和极端场景图，该图中的极端场景为L7、L12、L21、L24、L25、L29出现故障，安装节点为7、12、20、24、27。
进一步的，对所有数据进行最终汇总得到的规划结果如表1所示。
表1：
进一步的，不同β下的储能投资总成本和负荷损失如图8所示，当β增大时，偏向于高投资低负荷损失，所以储能投资逐渐增加，负荷损失逐渐减小。随着储能投资的上升对负荷损失降低的效果逐渐减小。
从上表1及图8中可以分析得到，随着β的逐渐增大，配电网规划的储能数量逐渐增大。因为增大β意味着损失负荷带来的经济损失增大。同时随着β的增大，目标函数的值也随之上升。无论取β何值，因为一级负荷与二级负荷的权重较高，储能的规划位置均位于一级负荷与二级负荷上，保障其在极端天气下的持续供电，可以极大地减少经济损失。同时有多个一级负荷相邻的区域，一般规划一个储能，支撑极端天气下的持续供电。对比四个区域的规划结果，虽然区域4的站址成本较低，但是由于其负荷重要度均较低，因此储能规划位置一般不在该区域内。区域3负荷密集且重要度高，因此储能规划多处于该区域内。区域1站址成本较高且负荷密度小，因此当β较小时，一般不规划储能。同时，最严重的故障场景一般为区域上游的线路或者杆塔故障，使配电网造成更大的损失。
与本方案相对应的，假定加强配电杆的成本为45000元/杆。取β为80，采用鲁棒求解算法求得加固线路的最优结果，如图9所示，这里加固线路主要位于配电网各个区域的上游，共加固电杆424根。其与本发明储能规划结果的对比如下表2所示。
表2：
| 规划方法 | 投资总成本/元 | 负荷损失/kWh | 负荷损失总成本/元 | 目标函数/元 |
| 储能规划 | 8776945 | 70488 | 5639040 | 14415985 |
| 加固线路 | 19035000 | 57863 | 4629040 | 23664040 |
可见，该实际应用场景下，本储能规划方法的目标函数的结果为14415985元，相较于加固线路的目标函数的结果23664040元，能有效降低成本，且储能在非极端天气下能够参与配电网的削峰填谷。因此本发明提出的储能规划方法能够在较低的投资成本下，有效地减小极端天气下的负荷损失，提升配电网的韧性。
在一个实施例中，如图10所示，提出了一种基于储能规划的配电网韧性提升装置，该装置包括：
随机故障场景集构建模块1001，用于构建配电网在极端天气下的随机故障场景集；
两阶段鲁棒优化模型构建模块1002，用于基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；
目标储能规划结果确定模块1003，用于将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果；其中，目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。
图11示出了一个实施例中基于储能规划的配电网韧性提升设备的内部结构图。如图11所示，该基于储能规划的配电网韧性提升设备包括通过***总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该基于储能规划的配电网韧性提升设备的非易失性存储介质存储有操作***，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于储能规划的配电网韧性提升方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于储能规划的配电网韧性提升方法。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的基于储能规划的配电网韧性提升设备的限定，具体的基于储能规划的配电网韧性提升设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种基于储能规划的配电网韧性提升设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：构建配电网在极端天气下的随机故障场景集；基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：构建配电网在极端天气下的随机故障场景集；基于随机故障场景集，以配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；将两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解主问题模型和子问题模型以得到配电网的目标储能规划结果。
需要说明的是，上述基于储能规划的配电网韧性提升方法、装置、设备及计算机可读存储介质属于一个总的发明构思，基于储能规划的配电网韧性提升方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法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，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于储能规划的配电网韧性提升方法，其特征在于，所述方法包括：
构建配电网在极端天气下的随机故障场景集；
基于所述随机故障场景集，以所述配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；
将所述两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解所述主问题模型和所述子问题模型以得到所述配电网的目标储能规划结果；其中，所述目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。
2.根据权利要求1所述的方法，其特征在于，构建的两阶段鲁棒优化模型为：
min(Cannual,ESS+βmax min Pannual,Loss)
上式中，Cannual,ESS为每年的储能投资总成本，βmax min Pannual,Loss为负荷损失总成本，β为每年的负荷损失与经济的转化系数，Pannual,Loss为极端天气下每年的负荷损失。
3.根据权利要求2所述的方法，其特征在于，两阶段鲁棒优化模型的矩阵形式为：
上式中，H为储能规划的决策集，x为主问题的决策变量，S为随机故障场景集，s为S中的任意一个随机故障场景，F为储能规划和随机故障场景确定下的***变量决策集，y1和y2为子问题的决策变量，a、b1、b2分别为对应决策变量的系数向量，A、B、C、D1、D2、E、F1、F2均为系数矩阵，d、e、f均为约束中的常数向量；
两阶段鲁棒优化模型的矩阵形式经转换后的主问题模型为：
上式中，η为向主问题中添加的辅助变量，用于指示子问题的结果；m指示第m次迭代，n为总迭代次数，y1 m和y2 m为第m次迭代过程中增加的变量，sm为在第m次迭代过程中，子问题中求得的损失负荷最多的随机故障场景；
两阶段鲁棒优化模型的矩阵形式经转换后的子问题模型为：
上式中，x*为求解得到的主问题的决策变量。
4.根据权利要求3所述的方法，其特征在于，所述迭代求解所述主问题模型和所述子问题模型以得到所述配电网的目标储能规划结果，包括：
初始化主问题的最优解下界为负无穷，子问题的最优解上界为正无穷，迭代次数m为0；
在第m次迭代时，求取所述主问题模型的第一最优解，并基于所述第一最优解更新所述最优解下界；
根据取得所述第一最优解时主问题的决策变量x更新储能规划结果；
求取所述子问题模型的第二最优解，并基于所述第二最优解更新所述最优解上界；
判断所述最优解上界与所述最优解下界之间的上下界差值是否小于预设的差值阈值，若所述最优解上界与所述最优解下界之间的上下界差值是否大于或等于预设的差值阈值，则更新损失负荷最多的随机故障场景，令m＝m+1，返回执行所述在第m次迭代时，求取所述主问题模型的第一最优解，并基于所述第一最优解更新所述最优解下界的步骤及后续步骤；
若所述最优解上界与所述最优解下界之间的上下界差值小于预设的差值阈值，则输出当前更新后的储能规划结果作为所述目标储能规划结果。
5.根据权利要求1所述的方法，其特征在于，所述构建配电网在极端天气下的随机故障场景集，包括：
将配电网进行分区，以得到所述配电网的多个配电网区域；
获取所述配电网的初始故障场景集，根据配电网区域在多个时刻的采样数据构建所述初始故障场景集的特征矩阵；其中，所述采样数据的数值用于指示一个配电网区域在采样时刻是否包含故障负荷，所述初始故障场景集的特征矩阵包含多个初始故障场景的特征矩阵；
根据第一故障场景的特征矩阵和第二故障场景的特征矩阵计算所述第一故障场景和所述第二故障场景之间的相似距离，以得到所述初始故障场景集内任意两个初始故障场景之间的相似距离；其中，所述第一故障场景和所述第二故障场景为所述多个初始故障场景中的任意两个；
确定第三故障场景与第四故障场景，根据所述第三故障场景的场景概率和所述第三故障场景与第四故障场景之间的相似距离计算所述第三故障场景的最小概率距离，以得到所述初始故障场景集内每一个初始故障场景的最小概率距离；其中，所述第三故障场景为所述多个初始故障场景中的任意一个，所述第四故障场景为所述初始故障场景集内与所述第三故障场景的相似距离最小的故障场景；
确定待移除场景，将所述待移除场景从所述初始故障场景集中移除，以得到更新后的初始故障场景集；其中，所述待移除场景的最小概率距离为所有初始故障场景的最小概率距离的最小值；
判断更新后的初始故障场景集内初始故障场景的数量是否等于预设阈值，若更新后的初始故障场景集内初始故障场景的数量大于预设阈值，则将待移除场景与相似距离最小的故障场景的最小概率距离进行合并，并返回执行所述确定待移除场景的步骤及后续步骤；
若更新后的初始故障场景集内初始故障场景的数量等于预设阈值，则将更新后的初始故障场景集作为所述随机故障场景集。
6.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
基于获取的在极端天气持续期间的储能约束对所述主问题模型和所述子问题模型内的参数进行约束；其中，在极端天气持续期间的储能约束包括配电网安装储能数量约束、储能运行状态约束、储能充放电功率约束、节点安装储能容量和额定功率约束、储能电量平衡约束、负荷切除量约束和负荷切除持续约束。
7.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
基于获取的配电网运行约束对所述主问题模型和所述子问题模型内的参数进行约束；其中，配电网运行约束包括配电网节点有功功率平衡约束、无功功率平衡约束、线路连接状态约束、节点电压约束。
8.一种基于储能规划的配电网韧性提升装置，其特征在于，所述装置包括：
随机故障场景集构建模块，用于构建配电网在极端天气下的随机故障场景集；
两阶段鲁棒优化模型构建模块，用于基于所述随机故障场景集，以所述配电网的储能投资总成本与极端天气下的负荷损失总成本之间的和最小为规划目标，构建两阶段鲁棒优化模型；
目标储能规划结果确定模块，用于将所述两阶段鲁棒优化模型的矩阵形式转换为主问题模型和子问题模型，迭代求解所述主问题模型和所述子问题模型以得到所述配电网的目标储能规划结果；其中，所述目标储能规划结果包括为储能设备所规划的位置分布、容量以及功率。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种基于储能规划的配电网韧性提升设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211239077.5A CN116090840A (zh) | 2022-10-11 | 2022-10-11 | 基于储能规划的配电网韧性提升方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211239077.5A CN116090840A (zh) | 2022-10-11 | 2022-10-11 | 基于储能规划的配电网韧性提升方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116090840A true CN116090840A (zh) | 2023-05-09 |
Family
ID=86205281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211239077.5A Pending CN116090840A (zh) | 2022-10-11 | 2022-10-11 | 基于储能规划的配电网韧性提升方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090840A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720358A (zh) * | 2023-06-09 | 2023-09-08 | 上海交通大学 | 面向配电-交通***韧性多阶段提升的资源优化配置方法 |
| CN117010621A (zh) * | 2023-06-28 | 2023-11-07 | 河海大学 | 一种基于随机分布鲁棒优化的综合能源***韧性提升方法 |
-
2022
- 2022-10-11 CN CN202211239077.5A patent/CN116090840A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720358A (zh) * | 2023-06-09 | 2023-09-08 | 上海交通大学 | 面向配电-交通***韧性多阶段提升的资源优化配置方法 |
| CN116720358B (zh) * | 2023-06-09 | 2024-02-02 | 上海交通大学 | 面向配电-交通***韧性多阶段提升的资源优化配置方法 |
| CN117010621A (zh) * | 2023-06-28 | 2023-11-07 | 河海大学 | 一种基于随机分布鲁棒优化的综合能源***韧性提升方法 |
| CN117010621B (zh) * | 2023-06-28 | 2024-04-02 | 河海大学 | 一种基于随机分布鲁棒优化的综合能源***韧性提升方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110571807B (zh) | 极端自然灾害下计及储能配置韧性配电网规划方法及*** | |
| CN116090840A (zh) | 基于储能规划的配电网韧性提升方法、装置、设备和介质 | |
| Dong et al. | Improving voltage stability by reactive power reserve management | |
| Yorino et al. | A new formulation for FACTS allocation for security enhancement against voltage collapse | |
| CN110867852B (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
| Van den Bergh et al. | The impact of bidding zone configurations on electricity market outcomes | |
| Mazza et al. | Determination of the relevant periods for intraday distribution system minimum loss reconfiguration | |
| CN116961052A (zh) | 一种分布式储能***的选址定容方法及*** | |
| CN117353359B (zh) | 电池联合储能供电方法及*** | |
| CN112633699B (zh) | 主动配电网网架规划方法、装置、计算机设备和存储介质 | |
| CN115714388A (zh) | 一种配电网故障恢复控制方法及相关装置 | |
| CN112598324B (zh) | 受端主网架规划方法及终端设备 | |
| CN113506185A (zh) | 梯级水电站的发电优化调度方法、装置和计算机设备 | |
| CN112152210A (zh) | 一种配电网***的优化方法及装置 | |
| CN112600221B (zh) | 无功补偿装置配置方法、装置、设备及存储介质 | |
| Zhai et al. | Pre-event Resilience Enhancement Strategy for Distribution Systems Based on Dueling DDQN | |
| CN117955133B (zh) | 一种配电网储能优化配置方法及*** | |
| CN115545465B (zh) | 一种分布式光伏和储能的多目标联合规划方法及*** | |
| CN117353305B (zh) | 一种台区电能质量预测方法、装置、介质及电子设备 | |
| CN111181200B (zh) | 一种发电可行域实用分析方法、装置及*** | |
| KR102542102B1 (ko) | 심층 강화학습 기반 재생에너지 배전계통 재구성 장치 및 그 방법 | |
| CN117522025A (zh) | 一种输电和储能***协调投资方法及*** | |
| CN118195228A (zh) | 基于残差神经网络的配网规划方法、***、设备及介质 | |
| CN117996767A (zh) | 提升配电网韧性的智能软开关与储能协调规划方法及设备 | |
| Li et al. | Analysis of distribution network planning with distributed power supply based on ELM algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |