论文部分内容阅读
[摘 要]配电网是供电系统的重要组成部分，其故障的恢复能力直接影响供电的可靠性和稳定性。在分布式发电条件下，为配电网的故障恢复提供了新的切入点。本文主要探讨了分布式发电条件下配电网故障恢复的优势，并就故障恢复模型和恢复方法的现状进行了分析。
[关键词]分布式发电；配电网故障恢复；现状分析
中图分类号：TH437 文献标识码：A 文章编号：1009-914X（2017）36-0282-01
前言
配电网故障恢复的情况直接关系到供电的稳定性。随着分布式电源的接入，供电格局也发生了相应的变化。因此，针对故障恢复的研究也踏入了新纪元，以求为人们提供更加安全、稳定的用电环境。
一、分布式发电条件下配电网故障的优势
分布式发电是一种新兴的、清洁、高效的发电方式，将电能以分散的方式接入到配电网中。这种发电方式的出现为配电网故障恢复带来了明显的助益。在未实现分布式发电前，采用的是网络结构优化的方式来对配电网故障进行清除和恢复。这种办法通常会出现整体输电线路过载或者单个节点电压超限的情况。那么面对这种情况就需要通过切负荷来建立与主电源的通路。但并不能保证在建立有效通路后就能够恢复供电。如果有分布式发电并网运行，则可以增加有功出力，抬高某些节點电压，并且能减小某些线路的负载率，减少所需切负荷量，有效地提高了供电可靠性。
同时分布式发电的出现，推动了孤岛运行的发展。过去，受技术限制，孤岛运行的静态稳定性和动态稳定性都较差，不利于供电恢复。然而随着分布式发电技术的应用，有意識的孤岛运行不仅能够降低经济成本，同时当主网供电无法完全会使时，能够以最大程度地恢复对失电负荷的供电[1]。
二、分布式发电条件下故障恢复模型分析
在接入分布式电源情况下进行配电网故障恢复的模型主要有三种，其以不同的目标进行区分，并建立了三种函数模型。
目前来讲应用最为广泛的是以负荷损失恢复最大化为研究核心的，考虑负荷的重要程度以及恢复的负荷功率总值。函数模型为（1）李志铿，王钢，陈志刚等在此模型的基础上进一步考虑了供电用户数量，尽可能的减少电力故障影响的用户数量；黄弦超则考虑可再生能源机组处理情况，以优化网损。其次是以开关操作次数最小化为目标的函数。其模型为（2）。第三，则是考虑故障恢复的便利性。根据当前的供电情况，当孤岛数目越少，覆盖的范围越大，那么孤岛运行的供电恢复也就越容易。也因此考虑建立目标函数模型为：（3）。
与此同时，在利用函数模型解决故障恢复问题时，必须要考虑约束条件。约束条件包括安全运行约束条件，保障电压（Ui）不越限，线路直流功率（Si）不过载。也是说需要保障不等式（4）（5）的成立。
（4）
（5）
三、分布式发电条件下故障恢复方法研究分析
从配电网的故障发生角度来考虑，决定了其问题恢复是一个多目标、多约束、多时段、多组合的非线性优化问题，那么其在复杂程度也远远超越了一般数学方法可以解决的程度范围。因此在故障恢复的方法上就出现了以人工智能结合数学算法、数学方法优化以及启发式搜素等三类办法。其中以人工智能结合数学算法的办法最为普遍。
（1）人工智能结合数学算法的故障恢复方法研究现状
在结合人工智能的故障恢复方法中，目前来讲应用最为普遍的是粒子群算法、遗传算法以及多智能体算法。
粒子群算法由Kenndy和Eberhart于上个世纪90年代中期提出的一种人工智能的优化算法。它来自于对鸟类觅食过程的探究。该算法在提出时主要用于解决连续函数的问题，对于二进制变量的研究不够。随着多年的发展，目前已经提出了针对二进制问题的粒子群算法。而根据配电故障解决的目标来看，以开关操作次数最小化的目标适用于二进制粒子群算法，能够针对开关状态（1或0）进行快速精准的研究。对于本文问题，粒子位置就是除孤岛区域和故障区域剩余网络的所有开关状态组合，在搜索过程中，每个粒子到目前为止找到的自身最优位置的个体值记为Pbest，所有粒子中的最优位置记为Gbest。但是考虑配电网的设计和运行特点，这种算法在搜索过程中会产生大量不满足拓扑约束的解，降低搜索速度，并很容易陷入局部最优。也因此这种办法仍需要进一步完善，以提升配电网故障恢复的效率。
遗传算法则是目前为止应用最为广泛的人工智能算法。遗传算法通过仿照生物的基因进化过程，其中包括选择、交叉、变异等环节，最终寻找到种群的最优个体。它将配电网中的各项元素与生物遗传相对等，从而使配电网重构，进而达到恢复故障的目标。崔金兰等（2008）
利用遗传算法解决含分布式电源的配电网重构问题，染色体长度与网络中环路数相等，环路开关号为染色体基因，并提出了相应的原则，来解决染色体不在可行解空间的问题。黄轩超（2011）基于遗传算法，对配电网故障恢复的三种目标进行了多种选择，以实现基于一种算法解决多个目标的问题。一方面当主网容量不足以完全恢复停电负荷时，利用分布式发电孤岛运行恢复重要负荷的供电；另一方面，充分利用可再生能源发电。利用NSGA-II对多目标模型进行求解。但是遗传算法与二进制粒子群算法同样存在局部优化问题，难以进行整体配电问题的解决[2]。
（2）数学方法优化、启发式搜索法的故障恢复方法研究现状
数学方法优化以及启发是搜索法在分布式配电网故障恢复的应用比较少。其中数学方法优化的主要办法有分支定界、动态规划等算法。曾令诚等曾将分布式配电网进行网络节点的简化，形成了树状网络图谱，利用sollin算法来求得最小解，以使得孤岛的数量最小，而覆盖范围最大化，进而减少开发操作的次数，从而达到负荷损失可控的目的。易新、徐玉琴等就启发式搜索法进行了相关的研究，发现其是基于配电网呈辐射性树状的拓扑结构，可以把配电网简化成二叉树、最小生成树等，利用启发式搜索方法确定故障恢复的开关操作方案。在搜索过程中加入启发性信息，从而寻找最优的解决方案[3]。
结束语
经济的发展带来的是供电的增加，同时对稳定供电提出了更高的要求。要求我们可以在短时间内恢复供电故障。而分布式发电的出现，为配电网故障的恢复提供了全新的解决视角。人们也针对分布式电源接入条件下的故障恢复模型、方法进行了深入的研究，以期更好的发挥分布式发电的优势，为人们提供更加稳定的供电服务。
参考文献
[1] 王亚平.含分布式发电的配电网重构及故障恢复算法[J].电子技术与软件工程，2017（1）：232-232.
[2] 吴日怀.含分布式电源的配电网故障分析及恢复[J].山东工业技术，2016（20）：177-178.
[3] 刘庆水.刍议智能配电网故障恢复的现状与展望[J].低碳地产，2016，2（11）.
[关键词]分布式发电；配电网故障恢复；现状分析
中图分类号：TH437 文献标识码：A 文章编号：1009-914X（2017）36-0282-01
前言
配电网故障恢复的情况直接关系到供电的稳定性。随着分布式电源的接入，供电格局也发生了相应的变化。因此，针对故障恢复的研究也踏入了新纪元，以求为人们提供更加安全、稳定的用电环境。
一、分布式发电条件下配电网故障的优势
分布式发电是一种新兴的、清洁、高效的发电方式，将电能以分散的方式接入到配电网中。这种发电方式的出现为配电网故障恢复带来了明显的助益。在未实现分布式发电前，采用的是网络结构优化的方式来对配电网故障进行清除和恢复。这种办法通常会出现整体输电线路过载或者单个节点电压超限的情况。那么面对这种情况就需要通过切负荷来建立与主电源的通路。但并不能保证在建立有效通路后就能够恢复供电。如果有分布式发电并网运行，则可以增加有功出力，抬高某些节點电压，并且能减小某些线路的负载率，减少所需切负荷量，有效地提高了供电可靠性。
同时分布式发电的出现，推动了孤岛运行的发展。过去，受技术限制，孤岛运行的静态稳定性和动态稳定性都较差，不利于供电恢复。然而随着分布式发电技术的应用，有意識的孤岛运行不仅能够降低经济成本，同时当主网供电无法完全会使时，能够以最大程度地恢复对失电负荷的供电[1]。
二、分布式发电条件下故障恢复模型分析
在接入分布式电源情况下进行配电网故障恢复的模型主要有三种，其以不同的目标进行区分，并建立了三种函数模型。
目前来讲应用最为广泛的是以负荷损失恢复最大化为研究核心的，考虑负荷的重要程度以及恢复的负荷功率总值。函数模型为（1）李志铿，王钢，陈志刚等在此模型的基础上进一步考虑了供电用户数量，尽可能的减少电力故障影响的用户数量；黄弦超则考虑可再生能源机组处理情况，以优化网损。其次是以开关操作次数最小化为目标的函数。其模型为（2）。第三，则是考虑故障恢复的便利性。根据当前的供电情况，当孤岛数目越少，覆盖的范围越大，那么孤岛运行的供电恢复也就越容易。也因此考虑建立目标函数模型为：（3）。
与此同时，在利用函数模型解决故障恢复问题时，必须要考虑约束条件。约束条件包括安全运行约束条件，保障电压（Ui）不越限，线路直流功率（Si）不过载。也是说需要保障不等式（4）（5）的成立。
（4）
（5）
三、分布式发电条件下故障恢复方法研究分析
从配电网的故障发生角度来考虑，决定了其问题恢复是一个多目标、多约束、多时段、多组合的非线性优化问题，那么其在复杂程度也远远超越了一般数学方法可以解决的程度范围。因此在故障恢复的方法上就出现了以人工智能结合数学算法、数学方法优化以及启发式搜素等三类办法。其中以人工智能结合数学算法的办法最为普遍。
（1）人工智能结合数学算法的故障恢复方法研究现状
在结合人工智能的故障恢复方法中，目前来讲应用最为普遍的是粒子群算法、遗传算法以及多智能体算法。
粒子群算法由Kenndy和Eberhart于上个世纪90年代中期提出的一种人工智能的优化算法。它来自于对鸟类觅食过程的探究。该算法在提出时主要用于解决连续函数的问题，对于二进制变量的研究不够。随着多年的发展，目前已经提出了针对二进制问题的粒子群算法。而根据配电故障解决的目标来看，以开关操作次数最小化的目标适用于二进制粒子群算法，能够针对开关状态（1或0）进行快速精准的研究。对于本文问题，粒子位置就是除孤岛区域和故障区域剩余网络的所有开关状态组合，在搜索过程中，每个粒子到目前为止找到的自身最优位置的个体值记为Pbest，所有粒子中的最优位置记为Gbest。但是考虑配电网的设计和运行特点，这种算法在搜索过程中会产生大量不满足拓扑约束的解，降低搜索速度，并很容易陷入局部最优。也因此这种办法仍需要进一步完善，以提升配电网故障恢复的效率。
遗传算法则是目前为止应用最为广泛的人工智能算法。遗传算法通过仿照生物的基因进化过程，其中包括选择、交叉、变异等环节，最终寻找到种群的最优个体。它将配电网中的各项元素与生物遗传相对等，从而使配电网重构，进而达到恢复故障的目标。崔金兰等（2008）
利用遗传算法解决含分布式电源的配电网重构问题，染色体长度与网络中环路数相等，环路开关号为染色体基因，并提出了相应的原则，来解决染色体不在可行解空间的问题。黄轩超（2011）基于遗传算法，对配电网故障恢复的三种目标进行了多种选择，以实现基于一种算法解决多个目标的问题。一方面当主网容量不足以完全恢复停电负荷时，利用分布式发电孤岛运行恢复重要负荷的供电；另一方面，充分利用可再生能源发电。利用NSGA-II对多目标模型进行求解。但是遗传算法与二进制粒子群算法同样存在局部优化问题，难以进行整体配电问题的解决[2]。
（2）数学方法优化、启发式搜索法的故障恢复方法研究现状
数学方法优化以及启发是搜索法在分布式配电网故障恢复的应用比较少。其中数学方法优化的主要办法有分支定界、动态规划等算法。曾令诚等曾将分布式配电网进行网络节点的简化，形成了树状网络图谱，利用sollin算法来求得最小解，以使得孤岛的数量最小，而覆盖范围最大化，进而减少开发操作的次数，从而达到负荷损失可控的目的。易新、徐玉琴等就启发式搜索法进行了相关的研究，发现其是基于配电网呈辐射性树状的拓扑结构，可以把配电网简化成二叉树、最小生成树等，利用启发式搜索方法确定故障恢复的开关操作方案。在搜索过程中加入启发性信息，从而寻找最优的解决方案[3]。
结束语
经济的发展带来的是供电的增加，同时对稳定供电提出了更高的要求。要求我们可以在短时间内恢复供电故障。而分布式发电的出现，为配电网故障的恢复提供了全新的解决视角。人们也针对分布式电源接入条件下的故障恢复模型、方法进行了深入的研究，以期更好的发挥分布式发电的优势，为人们提供更加稳定的供电服务。
参考文献
[1] 王亚平.含分布式发电的配电网重构及故障恢复算法[J].电子技术与软件工程，2017（1）：232-232.
[2] 吴日怀.含分布式电源的配电网故障分析及恢复[J].山东工业技术，2016（20）：177-178.
[3] 刘庆水.刍议智能配电网故障恢复的现状与展望[J].低碳地产，2016，2（11）.