《CSEE Journal of Power and Energy Systems》：Fast Islanding Partitioning for Energy-Storage-Integrated Distribution Networks Ensuring Energy Sufficiency and Power Balance
编辑推荐：
越来越多的分布式电源（distributed generator, DG），例如光伏（photovoltaic, PV），以及各种储能（energy storage, ES）设备被接入配电网（distribution network, DN）。集成电源能够提高
越来越多的分布式电源（distributed generator, DG），例如光伏（photovoltaic, PV），以及各种储能（energy storage, ES）设备被接入配电网（distribution network, DN）。集成电源能够提高供电可靠性。在上游设备发生故障后，孤岛方案可以恢复下游配电网的供电。然而，在制定孤岛方案的过程中，需要考虑复杂的约束条件，例如ES时序特性和针对负荷需求的二次停电约束。这些约束的耦合使得配电网中的功率恢复变得复杂。研究人员提出了一种含ES的配电网孤岛划分方法。孤岛问题是一个混合整数背包模型，包含两个关键步骤：通过检查供电是否充足来快速识别最大孤岛，并通过检查供电是否满足实时平衡来校正所识别的孤岛。启发式贪婪算法用于求解前一个子问题。后一个子问题可转换为混合整数线性规划模型以便求解。通过交替求解这两个子问题，可以快速制定具有明确物理意义的孤岛方案。在改进的PG&E 69节点系统上进行了案例研究。验证了该方法能够在保证孤岛划分效益的前提下显著减少计算时间。
近年来，分布式电源（distributed generator, DG）如风电（wind turbine, WT）、光伏（photovoltaic, PV）与储能（energy storage, ES）设备加速接入配电网（distribution network, DN），可提升供电可靠性并在上游设备故障后恢复重要负荷。然而，DG出力具有波动性，ES具有时序特性，且需满足DN辐射状运行约束、联络开关动作约束以及负荷二次停电约束，这些约束的耦合使孤岛恢复方案制定十分复杂。现有非线性规划模型求解困难；锥规划方法随决策变量维度增加收敛性变差；智能算法如遗传算法（genetic algorithm, GA）、粒子群优化（particle swarm optimization, PSO）和差分进化（differential evolution, DE）求解耗时长且易陷入局部最优；同时多数研究忽略ES运行约束、联络开关和二次停电约束。为此，研究人员提出将孤岛划分问题建模为混合整数背包模型，利用能量充足性与功率平衡信息将其解耦为最大孤岛划分和校正优化两个子问题，以实现快速求解，并在故障全时段而非单一时间段内建立模型。
研究人员在改进的PG&E 69节点系统上开展案例研究：4个DG节点中，节点5、36接入1 MW光伏，节点18、52接入2 MW风电，每个DG节点配置20%比例ES，系统含5个联络开关。首先通过日前经济调度基于DistFlow潮流模型和二阶锥规划求解ES初始剩余电量；其次用启发式贪婪算法按DG容量从大到小（DG2、DG4、DG1、DG3）搜索满足能量充足性约束的最大孤岛；然后将校正子问题转化为混合整数线性规划（mixed-integer linear programming, MILP）模型进行功率平衡校验；最后与二进制GA、二进制PSO、DE、模拟退火（simulated annealing, SA）和和声算法对比，并进行敏感性与不确定性分析。
研究结果如下。
1) ES剩余电量与DG出力波动：模拟分支0–1故障持续5小时，基于日前经济调度模型获得ES各时刻剩余电量信息，表明故障期间DG出力与负荷需求均随时间变化。
2) 最大孤岛划分结果分析：以DG2和ES2为例，其最大供电能量为1861.69 kWh；通过一邻域与前视邻域的价值比（效益/有功功率）逐次选入节点，将已恢复孤岛压缩为新节点后继续搜索，得到满足能量充足性约束的最大孤岛预方案。
3) 最优孤岛校正结果分析：校正前后恢复方案存在明显偏差，表明仅考虑能量充足性而不校验功率实时平衡会造成结果偏离；校正后得到满足功率平衡与ES运行约束的最终孤岛方案。
4) 所提方法与常用智能算法对比：GA、PSO、DE、SA、和声算法求解需数十秒，而所提方法仅需数秒，计算时间显著缩短且孤岛效益得到保证。
5) 关键因素对孤岛划分的敏感性分析：集成20%配置比ES后孤岛划分规模提升450%；含ES方案的总效益为1.997×10
5，远高于无ES时的6.92×10
4；考虑二次停电约束的最终方案能够避免DG出力波动导致的负荷二次失电。
6) 孤岛划分不确定性分析：考虑DG出力5%预测误差并在每个时段预留5%ES电量时，恢复方案与原始方案接近、保守性较小；故障时长服从正态分布N(5,1)时，按6小时故障时长假设制定的方案其潜在损失期望最低。
讨论指出，模型解耦充分利用了能量充足性与功率平衡信息，将复杂非线性问题分解为两个可快速求解的子问题；启发式贪婪算法克服了智能算法重复迭代导致收敛慢的缺陷；MILP校正保证了孤岛内功率实时平衡；ES通过日前调度实现削峰填谷，并在故障期间平抑DG出力波动、为重要负荷提供应急支撑。研究结论为：所提方法能够克服现有不足，适用于复杂孤岛划分模型的求解，计算速度显著提升且孤岛效益得到保证；当配电网失去上级电源后，考虑集成20%配置比的ES可使孤岛划分规模增加450%；为保证纳入孤岛的负荷持续供电，必须考虑DG出力波动，且孤岛划分建模中二次停电约束不可忽略。
