高比例可再生能源并网下计及短路电流约束的输电网络故障后多时段动态负荷恢复方法

《Electronics》：A Novel Method for Dynamic Load Restoration of Transmission Networks After Faults with Large-Scale Renewable Energy Integration

　　

大规模可再生能源接入使电力系统呈现显著时序波动性，导致传统静态网络重构方法难以适用于输电网络故障后的负荷恢复。为此，研究人员提出一种显式考虑可再生能源不确定性的动态恢复方法。风能与光伏出力不确定性分别采用Weibull分布和Beta分布建模。通过拉丁超立方抽样（LHS）结合改进K-means聚类算法生成典型运行场景，并采用节点收缩法（node contraction method）量化负荷母线的拓扑重要性。构建多时段优化模型，以最大化加权负荷恢复量并最小化线路开关成本为目标，受网络拓扑、交流（AC）潮流及短路电流限制等综合约束。该混合整数非线性问题（MINLP）采用遗传算法-粒子群优化（GA-PSO）并行混合算法求解。基于修改IEEE 39节点系统在四种典型可再生能源场景下的仿真结果表明，所提方法能够生成场景特定恢复方案，且当源荷不平衡严重时，跨场景可行性验证具有必要性。

研究背景方面，高比例可再生能源并网使系统惯性下降，风电与光伏出力波动增强，故障后负荷恢复的不确定性随之增加；台风、暴雨、冰冻等极端天气可能造成多个输电元件同时或相继跳闸，使原有潮流向剩余通道集中，引发线路过载、电压越限和区域输电能力下降，并导致部分负荷削减。现有恢复决策主要依赖事故预案和调度经验，对复杂故障场景及可再生能源出力的时序变化适应性有限，难以迅速形成在未来多个时段保持安全可行的网络拓扑。输电网络恢复研究较配电网恢复更为稀缺，现有模型多关注潮流平衡、线路容量、母线电压和机组出力约束，短路电流限制这一影响断路器安全开断的重要约束较少纳入恢复决策；传统重构目标也常忽视负荷节点的拓扑重要性。求解方面，输电网络负荷恢复重构本质上是大规模混合整数非线性规划（MINLP）问题，单一遗传算法（GA）后期易停滞，粒子群优化（PSO）易早熟收敛，已有GA-PSO混合策略多为串行或嵌套结构，未充分发挥并行协同搜索潜力。因此，研究人员开展一项计及可再生能源不确定性、节点拓扑重要性和短路电流约束的输电网络故障后动态负荷恢复研究，提出场景生成与削减、节点收缩赋权、多时段多目标优化及GA-PSO并行混合求解框架。其意义在于提升高比例可再生能源电网故障后负荷恢复比例和恢复方案的安全性、适应性与工程可用性，并揭示高渗透率条件下跨场景可行性验证的必要性。
关键技术方法不超过250字：研究人员建立Weibull风电概率模型和Beta光伏概率模型，采用拉丁超立方抽样（Latin hypercube sampling, LHS）生成初始场景，并以改进K-means聚类进行场景削减；引入节点收缩法（node contraction method）量化负荷节点拓扑重要性；构建多时段多目标MINLP模型，纳入拓扑连通、交流（AC）潮流、线路容量、母线电压、常规机组出力和短路电流约束；提出GA-PSO并行混合算法，将种群分组为PSO与GA子群并行进化并共享全局最优信息；在修改IEEE 39节点系统中仿真，风电接入母线35和39、总容量2340 MW，光伏接入母线38、总容量1560 MW，可再生能源渗透率达62.4%；分布参数由Hubei地区典型气象年历史风速和辐照数据经最大似然估计校准。
研究结果部分保留原文小标题并浓缩如下。5.1 场景描述（Scenario Description）：采用修改IEEE 39节点系统，在MATLAB R2022a中求解，设置四类典型气象场景，利用Weibull与Beta分布参数区分高风速、中等风速、低风速及不同光照条件，经LHS生成1000个初始日输出样本并以K-means削减为4组典型日风电和光伏出力场景，显示不同场景下可用供电能力及时序特征差异明显。5.2.1 场景设置与候选支路选择（Scenario Setup and Candidate Branch Selection）：设置支路4–14故障并假设支路4–5断开以加剧源荷不平衡，采用可切换输电线路预筛选方法而非人工指定，基于故障支路电气距离和至最近可再生能源母线电气距离选择11条候选支路，其中包含4条常开备用支路。5.2.2 场景特定优化结果（Scenario-Specific Optimization Results）：四个典型场景分别优化，源荷缺口从冬季大风场景的215.56 MW（3.53%）至梅雨阴天场景的1891.40 MW（31.02%）；场景1、3、4得到相同恢复方案，场景2因夏季晴天源荷缺口较小且可再生出力空间分布不同而略有差异；春季多云场景负荷恢复比例由重构前48.67%提高至第1小时67.89%、第4小时81.35%，目标值范围为2.607至2.979。5.2.3 跨场景可行性验证（Cross-Scenario Feasibility Verification）：将各场景所得方案在其他场景下交叉验证，结果表明没有单一恢复方案在四个典型场景下均可行；场景1、3、4方案在夏季晴天和梅雨阴天场景出现电压越限，场景2方案在场景1、2、3可行但在场景4电压越限；梅雨阴天31.02%的严重源荷缺口使电压安全约束成为瓶颈，说明高可再生能源渗透下应进行场景特定决策或降低恢复负荷，跨场景验证必要；K敏感性分析表明K=3会丢失赤字场景，K=4已覆盖最严重赤字且必要充分，K=5、6仅增加盈余侧低概率细分，核心重构动作一致；夏季晴天高光伏注入场景在所有测试K下仍不可行，主要受电压越限或潮流不收敛限制。5.2.4 算法性能比较（Algorithm Performance Comparison）：在相同故障场景和候选支路集下比较GA、PSO、差分进化（DE）与GA-PSO，GA-PSO在10次独立运行中可行解率为1，最优、平均和中位适应度分别为3.065、2.967、2.964，标准差0.059，最差适应度2.892仍高于PSO最优2.830和DE最优2.729；GA-PSO平均8.8代收敛，平均计算时间6.08 s，优于GA的6.25 s、DE的8.72 s和PSO的14.55 s；与Pilatasig-Gualoto and Mu?oz-Pilco的串行或嵌套GA-PSO相比，所提机制采用两个等规模子群并行进化并仅交换全局最优解。5.2.5 敏感性分析（Sensitivity Analysis）：权重系数w₁=0.1、0.3、0.5、0.7、0.9下恢复拓扑不变，负荷恢复比例在69.00%–75.74%，最低母线电压0.9553–0.9568 p.u.，最大线路负载率37.27%–38.14%，最大短路电流比0.1358–0.1364，无约束越限，说明方法在合理权重范围内稳健；恢复时域T=1、2、4、6、8 h验证中，T=1、2、4 h均满足约束，T=6 h第六小时母线4电压降至0.9496 p.u.略低于0.95 p.u.，T=8 h最低电压0.9506 p.u.略高于限值，说明固定方案可行性取决于恢复时域内具体可再生出力序列而非仅取决于时域长度，本文采用4 h恢复时域。5.2.6 运行指标验证（Operational Index Verification）：以春季多云场景为例，重构后多数负荷母线恢复比例由45%–55%提高至54%–65%，母线16、21、23、24由完全失电恢复，母线20仍未恢复；重构前后线路负载率均低于31%；重构前11个母线失电且部分带电母线电压低于0.95 p.u.，重构后全部母线恢复带电，电压处于0.95–1.05 p.u.，最低0.951 p.u.、最高1.044 p.u.；短路电流校验中最高比值分别为春季多云0.1361、夏季晴天0.1733、冬季大风0.1362、梅雨阴天0.1353，均远低于断路器允许开断能力并保留80%以上安全裕度；支路23–24与22–23同时永久故障场景下策略仍有效并具一定鲁棒性。5.2.7 计算效率（Computational Efficiency）：单个场景动态优化平均65.3 s、最大不超过90 s，四场景优化总计算时间约4–5 min，满足实际恢复决策时间要求；相较纯GA平均147.2 s和纯PSO平均89.6 s，GA-PSO在提高解质量的同时保持较高效率。5.2.8 信息物理耦合与新兴应用讨论（Discussion on Cyber-Physical Coupling and Emerging Applications）：所提框架聚焦物理层恢复并假设通信链路、量测信息和控制信号可用；信息层资源可用性会影响故障识别、潮流与短路计算及开关动作执行，通信故障、量测不可用和通信节点供电中断均需进一步建模；框架可扩展至可再生能源驱动微网、虚拟电厂（VPP）和交易能源管理，并可耦合光伏故障诊断与可靠性增强、短期光伏功率预测、绿色电力云VPP及净零集成微网系统等方向。
讨论部分总结：研究人员指出，场景法以有限典型场景表征可再生能源不确定性，场景削减可能排除低概率高影响条件，从而使极端条件下的恢复方案偏乐观，这是场景特定多时段确定性优化的固有局限；跨场景可行性验证可部分缓解该局限，通过识别极端场景下不可行方案，而“无单一拓扑在所有场景可行”正是该局限的体现。与鲁棒优化和分布鲁棒优化相比，场景特定多时段确定性优化在恢复决策时间约束下具有计算可处理性优势，但极端条件下可能不够保守；Wu et al. (2023)采用计及时空相关性的预算约束不确定集鲁棒优化降低保守性，将鲁棒或分布鲁棒方法纳入恢复框架是未来方向。夏季晴天高光伏注入场景在所有测试K下仍不可行，属于当前模型处理高光伏条件的局限，而非场景削减问题，未来可考虑光伏弃电或无功调整。
研究结论翻译：(1) 针对故障恢复决策中可再生能源出力随机性难以有效表征的问题，研究人员建立基于Weibull分布的风电概率模型和基于Beta分布的光伏概率模型，采用拉丁超立方抽样（LHS）与改进K-means聚类算法实现可再生能源出力场景的高效生成与合理削减，在保持可再生能源出力特性的同时有效降低优化计算规模，为后续动态恢复优化提供数据基础。(2) 针对传统恢复模型忽视负荷节点拓扑重要性且缺乏短路电流安全约束的问题，引入节点收缩法（node contraction method）量化负荷节点拓扑重要性；考虑拓扑连通、潮流、线路传输容量、节点电压、机组出力和短路电流水平等运行约束，构建以最大化加权负荷恢复总量和最小化开关操作成本为目标的多时段多目标动态优化模型，使恢复方案更适应输电网络安全运行要求。(3) 针对单一GA或PSO处理复杂重构问题时收敛停滞和早熟收敛缺陷，提出具有独立子种群进化和全局最优信息共享的GA-PSO并行混合优化算法；与串行或嵌套混合策略不同，该机制将种群分为并行独立进化的PSO子群和GA子群，并通过全局最优信息共享实现协同进化，使每次迭代同时进行全局探索和局部精细搜索，有效提高收敛速度和优化精度；10次独立运行统计表明，GA-PSO最差适应度2.892仍高于GA最优适应度?14.581和PSO最优适应度2.830，证实其较优解质量和收敛稳定性。(4) 修改IEEE 39节点系统在四种典型可再生能源场景下的仿真表明，没有单一恢复方案在四个场景下均可行；当源荷缺口为3.53%–12.76%的中等水平时，不同场景所得最优拓扑相似并具有较好跨场景适应性；当源荷缺口达31.02%的严重水平时，电压安全约束成为瓶颈，需要场景特定决策或降低负荷；这些发现证实高可再生能源渗透下故障后恢复有必要进行跨场景可行性验证；单次优化平均约65.3 s，满足工程实际要求；验证仅限于保留的可再生能源场景，场景削减可能遗漏低概率高影响条件，仍需采用极端场景及鲁棒或分布鲁棒模型评估测试条件之外的适用性。