【《考虑负荷波动的全时段故障动态恢复策略案例分析》6900字】

考虑负荷波动的全时段故障动态恢复策略案例分析目录TOC\o"1-3"\h\u31011考虑负荷波动的全时段故障动态恢复策略案例分析 1228721.1负荷时变动态模型 1288781.2负荷聚类算法 2317701.2.1聚类算法的分析对比 2141691.2.2基于GA和SA的模糊C均值法负荷聚类 3142431.2.3基于负荷聚类结果的故障恢复时间段划分 511261.3调节储能系统出力策略 5189861.4全时段故障动态恢复算法流程 6301801.5算例分析 7实际上，分时段的恢复策略实现的是本时段的最优恢复策略，将这些分时段恢复策略整合起来的最终方案在现实中还不是全局最优，所以本章将在第三章的基础上再考虑负荷波动对故障恢复策略的影响，并且依然优先利用主网络和分布式电源为失电负荷供电，但因为考虑了负荷的波动性，所以在负荷值较小的时间段，主网络就可完成供电，储能系统可进行充电，用于下一时段的故障恢复，或者在分布式电源出力较小的时间段，剩余功率缺额不需要储能“全力”补齐，可牺牲本时段的一些失电负荷不恢复供电，保存储能用于与下一时间段上涨的分布式电源出力配合恢复下一时间段更多的负荷，实现储能最优分配，增强各时间段恢复策略间的关联性，从而达到全时段故障最优恢复的目的。1.1负荷时变动态模型由于实际配网运行时，负荷会随时间发生动态变化，所以在进行考虑分布式电源出力变化和负荷波动的全时段故障动态恢复研究之前，有必要建立负荷时变动态模型。本章假设各节点存在三种重要等级的负荷且每种等级所占分量不同，并且在任一时间区间内对各节点三种等级负荷的日负荷曲线进行积分计算就可得到各等级负荷在此时间段的用电量为： (4-1)其中：为节点的任一等级负荷曲线函数。则节点在时的负荷为： (4-2)其中：为负荷等级；为节点中级负荷所占比重；为级负荷在时刻所占分量。1.2负荷聚类算法本章进行的是全时段故障动态恢复的研究，是基于分布式电源出力变化的基础上考虑负荷波动对故障恢复带来的影响，但由于一天中负荷波动数据较丰富，所以根据负荷时变数据的内在相似性，通过对负荷数据采取聚类分析的方法将分散的数据用一个具有代表性的数值表示，即用一个数值来表示某些时间段的负荷值。聚类是一种重要的数据分析方法，根据数据之间的相似性将数据进行分类，且聚类算法可对多重数据进行快速精确地处理，所以运用于故障动态恢复时，能够缩短故障恢复的分析时间，提高恢复效率[47,48]。1.2.1聚类算法的分析对比目前常用于处理多重数据的聚类算法有K-Means法、硬C均值法、模糊C均值法等。K-Means法是一种最基础的聚类算法，其基本原理是从一个数据总量为个的数据集中随机选出个样本作为此簇的初始聚类中心，再计算数据集中剩余每个样本至初始聚类中心的距离来确定各样本的间隔长度，并将此样本赋值给距离最近的簇，然后通过平均法得到下一个聚类中心，重复操作，直至相邻样本近似，说明此时聚类操作完成。由于个样本是人为选出的，所以会对算法的操作次数以及最后的聚类结果有很大的影响，并且在过程中不断更换聚类中心会增加计算时间[48]。在K-Means法的基础上进行改进得到了硬C均值法，此算法通过样本隶属度来判断其所在聚类集，当样本对某聚类集的隶属度为1时，说明其属于此聚类集，反之隶属度为0时，则不属于。将所有样本划分到对应的聚类集后计算样本至中心值的平均距离，当前后两次中心值的差值小于迭代收敛条件时，结束聚类操作。与K-Means法相比，硬C均值法对数据分类的速度更快，且不依赖于初始聚类中心值，但在处理规模较大的多重数据时收敛速度较慢，且个样本依然是凭人为经验选出，导致算法准确性较低[49,50]。模糊C均值法是目前常用的聚类算法，在硬C均值法的基础上，扩展了隶属度范围，使样本用值在的隶属度来确定其属于某聚类集的程度，并且通过类中距让同类别的样本差异变小，利用类间距让不同类别间的样本差异变大，可通过类中距和类间距来建立判别聚类算法优劣的函数，从而得到最优聚类结果[51]。综上，模糊C均值法弥补了K-Means法过度依赖聚类中心值的缺陷，同时其处理大规模多重数据的能力也比硬C均值法强，但由于其对初始聚类中心的要求较低，会导致聚类结果陷入局部最优，所以本文考虑通过将GA和SA结合来修正模糊C均值法的初始聚类中心实现聚类结果全局最优。1.2.2基于GA和SA的模糊C均值法负荷聚类模糊C均值法虽然具有较强的处理大规模多重数据的能力，但也有一定的缺陷，所以本文通过将遗传算法（GA）和模拟退火算法（SA）相结合对模糊C均值法进行改进，从而能够实现全局最优的负荷聚类结果。GA是一种模拟生物进化过程来搜寻最优解的算法，GA的求解过程类似于生物进化过程中染色体的选择、交叉和变异，有利于迭代前期就得到优秀的个体，并且随着迭代次数的增加，优良的基因也能够被保留并进行重组，保证最终能够得到理想的优化结果[52]。GA还具有隐并行性和突出的全局寻优能力，能够弥补模糊C均值法的不足。SA来源于物质退火原理，将物质温度升高时，内部粒子呈无序状，内能增加，而缓慢降低温度时，内部粒子逐渐趋于有序，可在每个温度呈现平衡状态，当温度达到最终温度时，内能最小，即从较高的初始温度开始，随着温度的降低，物质内部粒子趋于有序，结合概率突变特性在解空间中随机搜寻全局最优解，所以SA能赋予搜索过程一种可随时间变化且最终趋于零的概率突变性，以此让结果趋于全局最优[53]。所以本文将结合GA和SA的优点对模糊C均值法进行改进，实现数据规模较大的负荷值最优聚类，提高故障恢复的分析效率。以故障恢复各时间段的节点负荷值作为样本，故障恢复需要小时，且可划分为个时间段，为时间段的各节点负荷值，表示为，其中为节点数。先随机将各时刻的节点负荷值分成个模糊组，相应的聚类中心为，为第个聚类中心的各节点负荷值，表示为。所以模糊C均值法的目标函数为： (4-3) (4-4) (4-5) (4-6)其中：为类中距；为加权参数，一般取2；为样本对于聚类中心的隶属度，，且；为隶属度矩阵；为样本到聚类中心的距离；为矩阵转置。聚类中心的修正公式为： (4-7)求解类间距的公式为： (4-8)最优聚类数的准则函数为： (4-9)其中：为惩罚相，取2.5，保证聚类数尽量最小。为提高模糊C均值法对初始聚类中心的要求，实现聚类结果全局最优，本文通过GA和SA对模糊C均值法进行优化。GA的作用是通过对种群进行选择、交叉和变异，得到继承旧种群优点的新种群，其中由个聚类中心组成每条染色体，样本为维，则变量数为，且每个变量通过位二进制进行编码，所以每条染色体的长度为，另外适应度函数是准则函数的倒数。而SA的作用是替换旧个体，得到最优聚类结果。具体步骤如下：（1）设置初始参数，比如：种群大小、迭代次数、交叉概率、变异概率、退火的初始温度、停止温度、温度冷却系数；（2）从个样本中随机形成初始隶属度，通过获取初始聚类中心，生成初始种群，由式4-7对聚类中心进行修正，由式4-5得到新的隶属度，并计算适应度；（3）通过GA对种群进行选择、交叉和变异，并计算新个体的聚类中心、样本隶属度和个体适应度。若，则用新个体取代旧个体，反之，以的概率产生新个体，反复以上操作，直至达到迭代次数再执行步骤4进行退火过程；（4）若在退火过程中，则令，并转至步骤3；若，则可输出最优负荷聚类结果。依据负荷随时间变化的相似性，经以上步骤可得到最优聚类结果，包括各时间段负荷值对应的聚类编号、聚类中心和聚类中心的各节点负荷值。1.2.3基于负荷聚类结果的故障恢复时间段划分第四章是在第三章的基础上考虑了负荷波动，先将故障恢复时间分成个时间段，以个时间段的各节点负荷值作为样本进行基于GA和SA的模糊C均值法的负荷聚类，可得到各时间段负荷值隶属的聚类编号，将同属于一种聚类编号的时间段合并成一个故障恢复时间段，并用每个恢复时间段的聚类中心表示各节点的负荷值，即可对故障恢复时间段进行更精确地划分。1.3调节储能系统出力策略在第三章中的故障恢复思路是在每个恢复时段先利用主网络和分布式电源为失电负荷供电，剩余功率缺额由储能设备“全力”补齐，而本章利用负荷聚类考虑了负荷的波动情况，不再是默认取各负荷节点的最大值，因此可以对储能系统的出力情况进行调节，即各恢复时段相互“协调”，主动舍弃恢复本时段的一些负荷，保存储能剩余电量，然后可与下一恢复时段上涨的分布式电源出力配合恢复更多的负荷，从而实现全时段故障动态恢复。由于储能出力曲线可以连续调节，所以不方便对所有方案进行枚举。为可以选出全局最优开关操作方案，本文将采用以下方法进行计算：结合网络基本参数和第一恢复时段的时变负荷值按本文所提的故障恢复策略会得到个恢复方案，选出排在最少负荷损失量前三的个恢复方案。（存在开关操作不同但负荷损失量相同的可能性，所以）；在得到第一恢复时段个恢复方案的同时还会得到对应的第一恢复时段末和第二恢复时段初的储能设备剩余电量情况。为增强各时间段恢复策略间的关联性，实现全时段故障最优恢复，可利用个恢复方案对应的第一恢复时段末储能设备剩余电量和第二恢复时段的时变负荷值进行故障恢复计算，从第二恢复时段所有方案中选出排在最少负荷损失量前三的个恢复方案。（存在开关操作不同但负荷损失量相同的可能性，所以）；重复操作直至故障恢复最末时段，为得到全时段故障最优恢复策略，先从所有的恢复策略中选出总损失负荷量最少的策略，再从已选出的策略中选取总开关操作次数最少且网损最小的恢复策略，此策略即为全时段最优。1.4全时段故障动态恢复算法流程由于本章在考虑了分布式电源出力的基础上又计入了负荷波动对故障动态恢复的影响，所以多时间段的故障动态恢复模型也应有所改动，其中目标函数的式3-7更改为： (4-10)其中：为由聚类结果得到的恢复时间段编号，为总故障恢复时间段数，为节点在时间段的负荷值为了能够更贴合故障恢复现场情况，本章对分时段故障动态恢复策略继续做了改进，对节点负荷值进行聚类分析，并根据聚类结果对故障恢复时间进行更精确划分，由于负荷值变成了时变量，所以还可根据负荷的变化情况对储能进行调节，形成全时段故障动态恢复算法，流程图如图4-1所示。图4-1全时段故障动态恢复算法流程图1.5算例分析算例一：验证基于SA和GA的模糊C均值法负荷聚类的可行性将《MATLAB智能算法30个案例分析》中的200组二维和三维数据作为样本，运用本文的聚类算法进行聚类分析。首先对200组原始二维数据进行聚类，原始数据如图4-2所示。图4-2200组原始二维数据200组二维数据的聚类结果如图4-3所示，由聚类结果可知，一共将200组二维数据划分为5种不同颜色的数据，说明这200组数据的聚类数是5，即可将200组二维数据划分为5大类，图中被圆形圈中的数据表示各种类的聚类中心值，且计算时间为0.66秒。图4-3二维数据聚类结果再对200组三维数据进行聚类，原始数据如图4-4所示。图4-4200组原始三维数据200组三维数据的聚类结果如图4-5所示，由聚类结果可知，一共可将200组三维数据划分为7种不同颜色的数据，说明这200组数据的聚类数是7，即可将200组二维数据划分为7大类，图中被圆形圈中的数据表示各种类的聚类中心值，且计算时间为1.08秒。图4-5三维数据聚类结果二维数据和三维数据的聚类结果可验证本聚类算法的可行性和快速性，适合于规模大、维数多的负荷聚类，可快速对负荷数据进行聚类分析，将具有相似性的时变负荷归为一类，并用对应的聚类中心值对该类进行表示，不再需要为了得到负荷时变数据而反复进行负荷预测。算例二：全时段故障动态恢复策略本章全时段的含分布式电源配电网故障动态恢复的仿真算例依然采用第三章的算例模型。假设母线102发生故障，引起断路器S2在上午7点跳闸，至上午10点抢修完毕，设每条馈线的额定电流容量均为270A。第三章未考虑负荷的波动性，默认故障恢复时间段的负荷均为最大值，但为了恢复策略的准确性，本章通过进行负荷聚类使恢复模型更加贴合实际情况。负荷聚类仿真以第三章算例模型中的电力负荷值为基本参数构建了一天内负荷时变数据如图4-6所示。图4-6一天内负荷时变数据由于上午7点发生跳闸，至上午10点抢修完毕，所以提取7点至10点的负荷时变数据，为了让聚类结果更加精确，将故障恢复时间以10分钟为一个区间进行划分，可得到18个时间段，如表1.1所示。表1.118个时间段划分表时间点编号时间段时间点编号时间段17点～7点10108点30～8点4027点10～7点20118点40～8点5037点20～7点30128点50～9点47点30～7点40139点00～9点1057点40～7点50149点10～9点2067点50～8点159点20～9点3078点～8点10169点30～9点4088点10～8点20179点40～9点5098点20～8点30189点50～10点将表中的18个时间点对应的节点负荷值作为样本进行聚类分析，可得到各时段最优负荷聚类，再按时间顺序排列，即为最终的各时间段负荷聚类结果，如图4-7所示，图中的蓝色叉号表示每个样本的聚类中心。图4-7各时段最佳负荷聚类由图4-7可知，共有3个聚类编号，有若干个聚类中心同属于一个聚类编号，且每个聚类中心都有对应的时间点，所以可将同属于一个聚类编号的时间点合为一个时间段，即可得到3个时间段，将这3个时间段作为故障动态恢复更精确的时间段划分，如表1.2所示。表1.2故障恢复时段精确划分聚类编号时间点编号故障动态恢复时间段11～57点～7点5026～117点50～8点50312～188点50～10点因此，经过负荷聚类后可将考虑分布式电源出力和负荷波动的故障动态恢复策略研究转换成对这3个故障恢复时间段的研究，每个时间段都有一个可以表示同一类数据特征的聚类中心，即每个时间段的各节点负荷值可由对应的聚类中心值表示，如图4-8所示。图4-8各节点负荷值的聚类中心在完成故障动态恢复时间段的精确划分以及得到各节点的时变负荷值后便可进行全时段故障动态恢复策略的研究。采用第三章动态恢复方案，可得第一时段的恢复策略如表1.3所示。表1.3采用第三章动态恢复方案得到的策略时段开断线路失负荷节点失负荷量（kW）PB24出力（kWh）PB26出力（kWh）PB25出力（kWh）PB23出力（kWh）DG5出力（kWh）7～86-7,18-19,3-97,8,1862.51.204321.62853.35-950将时变负荷聚类结果应用于第三章动态故障恢复方案可得恢复策略如表1.4所示。表1.4时变负荷聚类结果应用于第三章动态恢复方案得到的策略时段开断线路失负荷节点失负荷量（kW）PB24出力（kWh）PB26出力（kWh）PB25出力（kWh）PB23出力（kWh）DG5出力（kWh）7点～7点503-9,19-20-0-1.5-36.3-18-1807点50～8点505-6,7-8,3-96,751.723.025830.25812.103-5.1508点50～10点4-5,5-6,7-8,9-10,19-21,19-205,6,7,8,18,19181.50.10821.922.071850负荷总损失为239.22kW，开关操作次数为8，网损为72.5kW。表1.5为各时段储能设备剩余电量情况。表1.5为表1.4恢复策略对应的储能设备剩余电量时段开断线路PB24剩余电量（kWh）PB26剩余电量（kWh）PB25剩余电量（kWh）PB23剩余电量（kWh）7点～7点503-9,19-209.586.343537点50～8点505-6,7-8,3-96.474256.04230.89758.18点50～10点4-5,5-6,7-8,9-10,19-21,19-206.366231.12228.82740.1采用本章故障恢复方案，可得恢复策略如表1.6所示。表1.6采用第四章动态恢复方案得到的策略时段开断线路失负荷节点失负荷量（kW）PB24出力（kWh）PB26出力（kWh）PB25出力（kWh）PB23出力（kWh）DG5出力（kWh）7点～7点503-9,19-20-0-1.5-36.3-18-1807点50～8点503-9,5-6,18-196,7,8,1886.40.9189.2353.65-5.1508点50～10点4-5,5-6,8-18,9-105,6,7,81440.10841.9517.981850负荷总损失为230.4kW，开关操作次数为12，网损为62.3kW。表1.7为各时段储能设备剩余电量情况。表1.7为表1.6恢复策略对应的储能设备剩余电量时段开断线路PB24剩余电量（kWh）PB26剩余电量（kWh）PB25剩余电量（kWh）PB23剩余电量（kWh）7点～7点503-9,19-209.586.343537点50～8点503-9,5-6,18-198.58277.06539.3558.18点50～10点4-5,5-6,8-18,9-108.47432.11521.3740.1采用时变负荷聚类结果的第三章与第四章的恢复策略在7点50～8点50、8点50～10点两个故障恢复时间段的恢复负荷情况如图4-9～图4-12所示。图4-9采用时变负荷聚类结果的第三章7点50～8点50恢复负荷情况图4-10采用时变负荷聚类结果的第三章8点50～10点恢复负荷情况图4-11第四章7点50～8点