[发明专利]一种基于信息间隙决策理论的电网负荷恢复鲁棒优化方法

权利要求书

1.一种基于信息间隙决策理论的电网负荷恢复鲁棒优化方法，其特征在于，包括以下步骤：

步骤1，建立电网恢复过程中确定性的负荷恢复优化模型；具体步骤为：

步骤1-1，确定每一时步负荷恢复的优化目标为：

式中f——加权负荷恢复量；

n——网架重构每一时步的待恢复负荷节点数量；

m_i——节点i上的负荷出线数；

ω_ij——负荷出线的重要程度，采用一类负荷的比重表示；

x_ij——1,0变量，表示负荷点是否投入；

P_Lij——待恢复负荷出线在该时步内预测负荷恢复量；

步骤1-2，确定负荷恢复过程中需要考虑的约束条件，包括：

最大可恢复负荷量约束为：

式中△P_Σ——每个时步已恢复电源的新增出力；

N_G——当前已恢复电源；

P_Gi(t)——t时刻已恢复电源出力；

单次投入负荷最大有功约束为：

式中P_Lmax——负荷最大有功投入量；

P_Ni——机组i的额定有功出力；

△f_max——暂态频率最大允许下降值；

df_i——机组i的暂态频率响应值；

各节点单次投入负荷最大无功约束为：

式中Q_Limax——节点i负荷最大投入无功量；

△U_imax——节点i暂态电压最大允许变化量；

U_iN——节点i额定电压；

S_isc——节点i的短路容量；

稳态潮流约束为：

式中P_di——节点i的有功注入功率；

Q_di——节点i的无功注入功率；

V_i——节点i的电压；

G_ij——节点i与j之间的电导；

B_ij——节点i与j之间的电纳；

N——节点个数；

δ_ij——V_i与V_j的相角；

机组出力、电压约束为：

式中P_Gi——机组的有功出力；

Q_Gi——机组的无功出力；

P_Gimax——机组有功的最大出力；

P_Gimin——机组有功的最小出力；

Q_Gimax——机组无功的最大出力；

Q_Gimin——机组无功的最小出力；

V_i——节点电压；

V_imax——节点电压允许最大值；

V_imin——节点电压允许最小值；

步骤2，采用人工蜂群算法求解步骤1得到的确定性的负荷恢复优化模型，求得该优化模型的最优解；具体步骤为：

步骤2-1，对人工蜂群算法进行初始化并对参数进行设置，具体为：初始化时，输入系统的参数包括系统结构，机组装机容量，机组爬坡率，机组启动功率，线路启动时间，负荷容量；设置人工蜂群算法种群数量N、最大迭代次数MCN、蜜源最大限制开采次数Limit，并将已迭代次数和蜜源开采次数置0；其中种群中引领蜂、跟随蜂各占一半；

步骤2-2，根据恢复路径对能够恢复的负荷进行预选，确定待恢复负荷点总的出线个数D，在初始时刻，N只蜜蜂全为侦查蜂，随机产生N个D维的0-1负荷恢复序列，即N个初始蜜源；判断蜜源对应的负荷恢复量是否不大于本阶段的最大可恢复负荷量并同时判断是否满足潮流约束条件，若同时满足上述条件，则停止生成初始蜜源，否则重新生成，直到蜜源满足上述条件为止；

之后以负荷的加权恢复量作为蜜源的适应度函数值，根据适应度值排序，前百分之五十为引领蜂，剩下的为跟随蜂；

步骤2-3，每个引领蜂在对应的蜜源周围进行邻域搜索，判断新的蜜源的适应度值是否比原来的适应度值大，根据贪婪原则，如果新蜜源适应度值大于原蜜源，则取代原位置，将已开采次数置0，否则，该蜜源的开采次数加1；

步骤2-4，引领蜂将蜜源的信息分享给跟随蜂，蜜源的质量越好，被跟随的概率越大；每个蜜源被选择的概率通过下式计算：

式中fit_i——蜜源i的适应度值；

S_N——蜜源总数；

跟随蜂根据概率值Pi选择蜜源，在选择的蜜源周围进行邻域搜索，判断新的蜜源的适应度值是否比原来的适应度值大，根据贪婪原则，如果新蜜源适应度值大于原蜜源，则取代原位置，该跟随蜂转变为引领蜂，蜜源已开采次数置0；否则，蜜源和引领蜂保持不变，该蜜源的开采次数加1；

步骤2-5，引领蜂和跟随蜂搜索结束后，迭代次数加1，并记录当前的最优蜜源；如果一个蜜源的开采次数达到上限，则放弃该蜜源，对应的蜜蜂变成侦查蜂，重新生成新的蜜源，已开采次数置1；

步骤2-6，如果迭代次数还未达到上限，则转到步骤2-3重新搜索，直到达到迭代上限后输出当前最优蜜源以及最优蜜源对应的负荷恢复方案；

步骤3，根据步骤2得到的确定性的负荷恢复优化模型最优解确定负荷恢复的可接受最小恢复量；可接受最小恢复量由下式确定：

B_c＝(1-δ)B₀

式中δ——偏差因子，即预期目标和确定性模型最优解之间的偏差程度，取值范围为[0，1)；

B₀——优化模型求得的最优解；

B_c——负荷恢复的可接受最小恢复量；

步骤4，基于信息间隙决策理论建立考虑负荷恢复不确定性的鲁棒优化模型；具体步骤为：

步骤4-1，确定负荷恢复鲁棒模型的优化目标为负荷波动幅度最大，即：maxα；

步骤4-2，采用信息差距模型表示实际的负荷恢复量：

式中P_Eij——负荷节点i第j条出线的实际负荷恢复量；

P_Lij——负荷节点i第j条出线的预期负荷恢复量；

α——负荷量的波动幅度；

负荷量的波动幅度的取值范围在0-1之间：

0≤α≤1

步骤4-3，将确定性的负荷恢复优化模型中的优化目标转变为鲁棒优化模型的约束条件，即保证在波动情况下最小的负荷恢复量也能满足预期目标：

因为当每根出线实际负荷恢复量最小时，总的加权负荷恢复量最小，因此约束条件变为：

步骤4-4，修改确定性的负荷恢复优化模型中的最大可恢复负荷量约束，需要保证每根出线实际负荷恢复量最大时能满足约束，约束条件修改为：

步骤4-5，修改确定性的负荷恢复优化模型中的单次投入负荷最大有功约束和单次投入负荷最大无功约束，保证每根出线实际负荷恢复量最大时能满足约束，约束条件修改为：

步骤4-6，修改确定性的负荷恢复优化模型中的潮流约束，考虑负荷波动上、下限的潮流约束如下：

步骤4-7，确定性的负荷恢复优化模型中的机组出力和电压约束保持不变，步骤4-1至4-6中的目标函数和约束条件共同构建成基于信息间隙决策理论的考虑负荷恢复不确定性的鲁棒优化模型；

步骤5，采用人工蜂群算法求解上述考虑负荷恢复不确定性的鲁棒优化模型，得到能达到预期恢复目标的负荷恢复方案。

2.根据权利要求1所述的基于信息间隙决策理论的电网负荷恢复鲁棒优化方法，其特征在于，步骤5中所述的采用人工蜂群算法求解鲁棒优化模型，得到能达到预期恢复目标的负荷恢复方案的具体步骤为：

步骤5-1，对人工蜂群算法进行初始化并对参数进行设置，具体为：初始化时，输入系统的参数包括系统结构，机组装机容量，机组爬坡率，机组启动功率，线路启动时间，负荷容量，设置人工蜂群算法种群数量N、最大迭代次数MCN、蜜源最大限制开采次数Limit，并将已迭代次数和蜜源开采次数置0；其中种群中引领蜂、跟随蜂各占一半；

步骤5-2，根据恢复路径对能够恢复的负荷进行预选，确定待恢复负荷点总的出线个数D，在初始时刻，N只蜜蜂全为侦查蜂，随机产生N个D维的0-1负荷恢复序列的同时生成N个负荷波动幅度α，和恢复序列一一对应，即N个初始蜜源；判断蜜源对应的负荷恢复量是否不大于本阶段的最大可恢复负荷量并同时判断是否满足潮流约束条件，若同时满足上述条件，则停止生成初始蜜源，否则重新生成，直到蜜源满足上述条件为止；

之后以负荷的加权恢复量作为蜜源的适应度函数值，根据适应度值排序，前百分之五十为引领蜂，剩下的为跟随蜂；

步骤5-3，每个引领蜂在对应的蜜源周围进行邻域搜索，判断新的蜜源的适应度值是否比原来的适应度值大，根据贪婪原则，如果新蜜源适应度值大于原蜜源，则取代原位置，将已开采次数置0，否则，该蜜源的开采次数加1；

步骤5-4，引领蜂将蜜源的信息分享给跟随蜂，蜜源的质量越好，被跟随的概率越大；每个蜜源被选择的概率通过下式计算：

式中fit_i——蜜源i的适应度值；

S_N——蜜源总数；

跟随蜂根据概率值Pi选择蜜源，在选择的蜜源周围进行邻域搜索，判断新的蜜源的适应度值是否比原来的适应度值大，根据贪婪原则，如果新蜜源适应度值大于原蜜源，则取代原位置，该跟随蜂转变为引领蜂，蜜源已开采次数置0；否则，蜜源和引领蜂保持不变，该蜜源的开采次数加1；

步骤5-5，引领蜂和跟随蜂搜索结束后，迭代次数加1，并记录当前的最优蜜源；如果一个蜜源的开采次数达到上限，则放弃该蜜源，对应的蜜蜂变成侦查蜂，重新生成新的蜜源，已开采次数置1；

步骤5-6，如果迭代次数还未达到上限，则转到步骤5-3重新搜索，直到达到迭代上限后输出当前最优蜜源以及最优蜜源对应的负荷恢复方案。