考虑灾前预调度的区域综合能源配电网恢复策略

杨丽君，王宏波，郝金慧，秦 莹，赵 宇

(1.燕山大学 电力电子节能与传动控制河北省重点实验室，河北 秦皇岛 066004；2.国网冀北电力有限公司智能配电网中心，河北 秦皇岛 066100；3.中核四〇四有限公司，甘肃 兰州 732850)

0 引言

为有效提高新能源消纳和能源综合利用率，满足用户多能源需求的近距离供应，以配电网为核心的区域综合能源系统(Regional integrated energy system,RIES)成为当前研究和建设的热点[1-2]。但多层级能源间的耦合互动使得各供能系统间的交叉日益增强、界限日益模糊，系统结构和运行的复杂性风险日益凸显。同时，近年来极端天气和灾害事件的出现导致能源系统事故频发，供能系统的稳定性与可靠性面临着巨大挑战。

由于现阶段缺乏统一的灾害防御体系和应急恢复组织架构，使得RIES中配电网故障后快速恢复至正常运行状态的能力较弱。与气网、热网遭到破坏后可继续运行一段时间不同，配电网故障后会立即出现大面积、长时间的停电事故。尤其在极端自然灾害下，交通路网和通讯设施也可能遭到严重损坏，故障抢修与供电恢复工作不能及时开展，极易导致故障连锁反应，从而出现系统瘫痪的情况。因此，如何做好灾前防范与灾后恢复，合理调配包括耦合元件和移动应急物资在内的现有灵活性资源实现区域综合能源配电网(Regional integrated energy distribution network，RIEDN)的快速恢复是急需解决的问题。

目前，国内外学者对灾后配电网的恢复控制过程进行了深入研究[3]。文献[4]考虑风光机组出力不确定性因素，将电动汽车作为应急调度资源，建立了一个形式为min-max-min的三层鲁棒孤岛恢复数学模型，但未考虑灾后交通路网堵塞情况；文献[5]将配电网多故障恢复过程分为动态拓扑分析、孤岛配置、含分布式电源(Distributed generation，DG)的主网络连通性恢复和网络优化四个阶段并分阶段采取恢复措施；文献[6]针对传统基于单时间断面的恢复供电策略难以长时间保持电气孤岛稳定运行的问题，提出一种启发式孤岛动态调整算法，并实行多时段动态恢复供电决策，但未考虑资源调度不及时对配电网供电恢复的影响。上述研究聚焦于传统配电网的恢复控制阶段，没有考虑灾前预防控制工作对供电恢复的支撑作用。

除此之外，在区域综合能源系统背景下，文献[7]采用网络栅格法模拟自然灾害对能源系统的破坏情况，构建了综合能源系统恢复的最小切负荷模型，通过蒙特卡洛方法模拟计算恢复力指标，验证了电-气混联综合能源系统具有更强的恢复力；文献[8]给出了一个城市级电-气综合能源系统在飓风灾害下的恢复力指标和分析框架；文献[9]基于能源互动因素研究了电-气综合能源系统的联合抢修调度决策问题；文献[10]针对综合能源配电网的故障恢复问题，采用双层优化理论建立电-气耦合综合能源恢复量与经济性、环保性相协调的故障恢复模型。

在已有研究的基础上，本文重点考虑RIEDN在极端灾害下的两阶段故障恢复策略。第一阶段为灾前预防阶段，考虑到极端灾害的随机性，本文首先通过线路故障概率模型和序惯蒙特卡洛法得到RIEDN预想故障集，以最小化预期恢复成本为目标制定移动应急电源(Mobile emergency power, MEP)灾前预调度策略。第二阶段为恢复控制阶段，利用DG、储能系统(Energy storage system,ESS)和耦合元件对RIEDN进行分区差异化恢复。最后，采用深度优先搜索和改进的粒子群算法对模型进行求解，通过改进的IEEE69节点系统在MATLAB的YALMIP工具箱中验证了本文所提模型和方法的有效性。

1 基于线路故障概率模型和序惯蒙特卡洛法的预想故障集筛选

1.1 RIEDN线路故障概率模型

传统配电网故障恢复研究中采用的马尔科夫两状态模型并未充分考虑运行条件和运行环境对系统元件停运的影响，并且仅通过“正常-故障”两状态单阶段状态转移过程分析配电网运行状态过于笼统，不能准确表述RIEDN系统元件故障前后的暂态过程，因此本文提出一种如图1所示的改进的马尔科夫状态转移模型。

图1 改进的马尔科夫状态转移模型Fig.1 Improved Markov state transition model

正常运行状态表示元件均能正常工作，系统能够维持安全稳定的运行状态，此时RIEDN具备抵御自然灾害的能力，不会发生故障。预防状态表示RIEDN正在遭受自然灾害扰动，过负荷元件大量增加，尽管部分线路仍能继续运行，但极易出现“故障聚集”现象，此类线路被称为临界线路，此时系统运行可靠性急速下降，由稳定状态向边界稳定状态转变。故障修复状态表示系统由边界稳定状态转变到故障修复状态，在该状态下需要对故障区域进行孤岛划分，制定故障恢复策略实现失电负荷的供电恢复。

在骤雨、暴雪、飓风、冰冻等特殊天气条件下，电力元件的故障概率明显升高，本文假定某电力元件受K个主要天气条件影响。该电力元件在所有可能的天气状态下的平均故障率可以被描述为

(1)

式中，Fd,k表示第k种天气状态下电力元件d的故障概率,Sk表示第k种天气出现的概率。

正常运行情况下，配电网的网络结构为辐射状，因此，可以认为只要负荷节点与电源节点之间支路上的任何元件出现故障，就会导致该负荷节点失电，负荷失电概率模型如下所示：

(2)

式中：ai表示负荷节点i的失电概率；Ni,j表示负荷节点i与电源节点之间的线路数；Di,j表示线路j上负荷节点i与电源节点之间的电力元件数。

1.2 RIEDN预想故障集筛选方法

RIEDN电力元件是否停运由外部因素和内部因素共同决定，二者对系统元件的影响最终都可以等效为RIEDN的直流潮流变化。因此，本文主要考虑RIEDN直流潮流变化对系统元件运行状态的影响，并假定某特定运行环境下系统在某一时段仅有一个元件发生故障，其余元件正常运行。以图1为例，采用序惯蒙特卡洛法模拟各个元件“正常-故障-正常”的状态循环过程，当系统中有多个元件发生故障时，分别基于上述假设计算各元件退出运行后相关线路的临界性和系统的失稳度，判断其是否会导致系统故障。对所有可能导致系统转移至故障修复状态的元件进行排列，得到各元件退出运行的时间序列，最终得到系统预想故障集Ω，具体流程如下：

1)将系统拓扑结构、相关元件参数以及当前天气状况作为原始数据输入，初始化模拟时钟t=0，此时系统中各元件均处于正常运行状态。

2)由于现阶段RIEDN中元件数量众多且各系统间耦合关系复杂，因此本文首先按照历史经验型数据(如相似运行环境下RIEDN较易发生故障的元件地点以及故障类型等信息)对系统元件进行预筛选，并将筛选结果并入预筛选集L。该方法可以有效减少系统状态空间，提高故障搜索效率。

3)计算预筛选集中相关线路的临界特性，进一步筛选可疑故障元件，并将非临界线路从预筛选集L中剔除，生成初步筛选集L′，相关线路临界特性判断依据为

(3)

式中：J为线路临界系数；Lj、Lj,max分别为线路j对应的实际传输功率和最大传输功率；Pi、Pi,max分别为元件负荷节点的实际有功功率和额定有功容量；ε为临界系数，一般取1.05。

4)按照式(1)～(2)计算初步筛选集L′中负荷节点的失电概率ai，对系统内所有元件的状态变化循环序列进行排列，按照时间顺序，依次将元件节点d退出运行，模拟计算系统直流潮流和系统失稳度ηins。系统失稳度ηins的计算公式如下：

(4)

若ηins>1，判定系统发生故障，此时将负荷节点i并入预想事故集Ω；反之则判定系统仍能维持稳定运行，此时推进模拟时钟，将后续元件节点依次退出运行并重复步骤(4)的工作，最终得到系统的状态变化过程和预想事故集Ω，集合中的元素则表示当前系统状态下失电负荷节点编号信息，其中

Ω={id}

(5)

式中,id表示由电力元件d故障引起的失电负荷节点。

2 考虑灾前预调度的RIEDN两阶段恢复模型

本文将RIEDN的恢复过程分为灾前预防阶段和灾后恢复阶段。为了提高RIEDN主动应对极端灾害的能力，增强灾后孤岛恢复供电的可靠性，本文在灾害预防阶段以最小化预期恢复成本为目标优化移动应急电源灾前预调度方案，并在灾害前将移动应急电源调度至满足最优孤岛划分结果的候选连接点。随后，在灾后恢复阶段利用DG、ESS和耦合元件对RIEDN进行分区差异化恢复。

2.1 第一阶段：灾前预调度

预调度模型的优化目标是最小化预期恢复成本，预期恢复成本包括MEP调度成本和系统配置成本。其中，系统配置成本又由负荷削减成本、机组启停成本组成。灾前预调度模型的目标函数如下所示：

(6)

2.2 第二阶段：RIEDN分区差异化恢复

2.2.1 孤岛能效指标

将耦合供应区域、微网供应区域和无源供应区域视为3种不同类型的孤岛子区域，并根据不同区域的能效指标采用分区差异化恢复策略进行供电恢复。

孤岛能效指标表示孤岛可恢复失电负荷的能力，其计算公式为

(7)

式中：IΩ表示孤岛失电负荷节点集合；IG表示由固定供能单元，包括DG、ESS和热电联产(Combined heat and power,CHP)机组恢复供电的失电负荷节点集合。

2.2.2 供电恢复场景划分

场景1：ALLR=1，孤岛内固定供能单元无法恢复失电负荷，该场景下以恢复成本最小为目标进行优化:

(8)

式中：ρi,t,cut、ρi,t,net为二元变量，分别表示负荷节点i在时段t是否被削减以及是否通过联络开关转供恢复供电；ωi为节点i的负荷权重；Cnet表示失电区与非失电区有联络开关时，利用主网恢复失电负荷造成的主网不稳定的单位代价损失系数。

场景2：ALLR=0，孤岛内固定供能单元可完全恢复失电负荷，该场景下以持续供电时间最长为目标进行优化。

(9)

式中：Tmax表示固定供能单元能够为失电负荷持续供电的最大时段数；Tt表示每时段的供电时间。

场景3：0

(10)

式中：ρi,t为二元变量，表示负荷节点i在时段t的状态，ρi,t=1表示得电，ρi,t=0表示失电。

2.2.3 RIEDN系统模型

1)CHP运行模型

CHP机组运行时需要满足输出功率约束和单位增降速约束，其能量转换过程的数学模型可表示为

(11)

(12)

(13)

2)储能设备模型

假设在单位时段内，ESS的充、放电功率均恒定，储能设备充电状态(State-of-Charge,SOC)的数学表达式为

(14)

ESS过充或过放都会极大地减少储能设备的寿命，为防止ESS电量过充或过放，SOC状态应满足上、下限约束限制：

SOCi,min≤SOCi,t≤SOCi,max

(15)

式中,SOCi,min、SOCi,max分别表示储能设备i的充电状态上、下限。

(16)

(17)

(18)

3)储气设备模型

配置储气设备的目的是通过调配天然气源的出力来平衡不同时段的负荷需求，其作用与储能设备类似，本文通过各时段的储气量和进、出气量动态表示储气罐状态。在每时段结束时储气总量不变，以保证下一时段储气罐的正常运行，储气设备的数学模型可表示为

gi,t=gi,t-1+Ini,t-1-Outi,t-1

(19)

gi,0=gi,t

(20)

0≤Ini,t≤ρi,t,inIni,max

(21)

0≤Outi,t≤ρi,t,outOuti,max

(22)

ρi,t,in+ρi,t,out≤1

(23)

0.2gi,max≤gi,t≤0.95gi,max

(24)

式中：gi,t表示储气设备i在时段t内的储气量；Ini,t-1、Outi,t-1分别表示储气设备i在时段t-1内的进气量和出气量；ρi,t,in、ρi,t,out为二元变量，分别表示储气设备i在时段t处于进气状态和出气状态，在每个运行时段内，储气设备至多处于进气或出气中一个状态；gi,max表示储气设备i的最大储气量。

4)DG出力模型

(25)

(26)

5)切负荷模型

可控负荷节点的负荷削减量上限应根据工程实际需求确定，本文同时考虑负荷恢复价值和负荷削减成本，要求可控负荷节点的负荷削减量不超过负荷需求量的20%：

0≤ρi,t,cutPi,t,cut≤0.2Pi,t

(27)

3 模型求解

3.1 第一阶段：灾前孤岛划分及预调度

1.灾前孤岛划分

预想故障集Ω中的元素表示当前天气条件下系统可疑故障负荷节点编号信息，调度中心在此基础上定位系统故障位置。在此阶段优先通过调整开关状态，使与主网馈线相连的失电负荷通过主网进行供电恢复，后续恢复研究不再涉及该部分失电负荷；其次对剩余非故障失电区域进行孤岛划分，孤岛划分结果如图2所示。

图2 孤岛划分结果示意图Fig.2 Schematic diagram of island division results

孤岛划分思路如下：

1)极端灾害初期，RIEDN被故障节点划分为多个区域，这些故障区域大部分为无源网络。将无源网络视为待合并孤岛Ih，将含有DG的网络视为中心孤岛Ic，为尽可能地将无源网络并入中心孤岛，本文以待合并孤岛中灾后故障节点和操作开关状态为路径搜索初始点，以中心孤岛为根节点，采用广度优先搜索方法寻找待合并孤岛并入中心孤岛的最短路径。对于具有n个待合并孤岛和m个中心孤岛的网络，此算法将执行m×(n-1)次路径寻优。

2)在寻找到(Ih)i和(Ic)j之间的任何一条路径(Ih)i→(Ic)j时，将(Ih)i中失电负荷量与(Ic)j中可供能负荷量作对比，若待合并孤岛失电负荷量小于中心孤岛等于可供能负荷量，则进一步判断该路径是否为众多可合并路径中最短的一条。若是，则将(Ih)i与(Ic)j合并；否则，寻找(Ih)i→(Ic)j的最短路径再将两个区域合并。若待合并孤岛失电负荷量大于中心孤岛可供能负荷量，则标记(Ih)i为(Ic)j的非能效区域，(Ih)i继续寻找可恢复自身失电负荷的中心孤岛。在搜索过程中，通过邻接矩阵A=[aij]寻找待合并孤岛的所有邻接路径。其中aij=1表示孤岛节点i与孤岛节点j间存在联系，aij=0表示孤岛节点i与孤岛节点j间不存在联系。

3)更新RIEDN拓扑结构，继续搜索，直至所有待合并孤岛并入到中心孤岛，最终得到孤岛划分结果。

2.灾前预调度

此阶段以应急物资的储备容量和位置信息为依据，制定MEP调度方案，在灾害发生前调度至候选连接点。

为简化计算，将RIEDN中主网馈线及能源耦合发电单元等效为虚拟DG，并利用图论理论将RIEDN简化为无向图N=(V,E)，同时定义顶点集V={V1,V2,…，Vn}，顶点m到顶点n的边集E={(m,n),∀m,n∈V}。

定义N′=P∪Q，其中P为MEP存放点集合，Q为MEP候选连接节点集合。以P为起始点，Q为目的地，建立MEP预调度模型。MEP调度模型的主要约束条件包括荷电状态与充放电管理、候选连接点配置两方面，其作为储电设备运行时的约束条件如式(14)～(18)所示，候选连接点配置约束如下所示。

MEP只能为含有候选连接点的孤岛供电：

(28)

(29)

任意时段各候选连接点至多接入一个MEP且一个MEP只能接入一个孤岛内的候选连接节点：

(30)

(31)

针对上述MEP路径规划问题，本文采用广度优先搜索和改进的二进制粒子群算法相结合的方法进行求解。

3.2 第二阶段：分区差异化恢复

由于RIEDN中的元件在极端灾害下的故障情况是不确定的，因此需要在灾害后继续追踪系统节点运行状态变化，对RIEDN持续进行孤岛划分，直至所有故障修复完成。该阶段采用深度优先搜索算法和改进的二进制粒子群编码算法对模型进行求解。求解步骤如下：

1)以MEP灾前布点信息为前提，设置网络参数，简化网络结构。

2)将馈线、耦合元件等效为等容量DG，调整开关状态，按照3.1节步骤进行孤岛划分。

3)计算每个孤岛的孤岛能效指标，判断孤岛所属恢复场景，针对不同场景制定恢复策略，对故障点进行恢复。

4)针对灾后实际情况进行动态孤岛划分，并判断某故障区域是否已完成失电负荷供电。若是，则继续恢复下一故障区域，否则转至5)。

5)对粒子执行定向变异操作，扩大粒子寻优空间；判断粒子是否已达到最大迭代次数，若是，输出开关最优动作顺序和失电节点恢复方案，否则返回3)。

考虑灾前预调度的RIEDN两阶段恢复流程如图3所示。

4 算例分析

本文采用改进的IEEE69节点配电网系统和天然气14节点系统图对所提策略的有效性进行验证，两系统通过4台CHP实现电-气-热能量转换，具体参数见表1。配电网系统额定电压为12.66 kV，总负荷为4 059.5 kW+2 865 kvar；联络开关共5条(如结构图中虚线所示)；DG共3个，包含光电系统DG1和DG3、风电系统DG2，配电网系统结构如图4(a)所示。

图4 RIEDN系统结构图Fig.4 RIEDN system structure diagram

表1 DGs、MEPs参数Tab.1 DGs and MEPs parameters

天然气网络结构以及能源集线器位置分布如图4(b)所示，储电设备充放电效率均为0.98，初始SOC为0.85，最大、最小SOC分别为0.85和0.25；救援物资存放点共2个，其中M1可调度MEPS有3台，M2可调度MEPs有2台；候选连接节点共8个，位置编号分别为16、21、34、38、49、56、62、66。

此外,本文将负荷分为三类，系统负荷性质及优先级见表2，每个节点的负荷分配和典型日负荷需求曲线参照文献[11]，各耦合设备参数和储能设备参数分别见表3和表4。

表2 系统负荷性质及优先级Tab.2 Nature and priority of system load

表3 耦合设备参数Tab.3 Coupling equipment parameters

表4 储能设备参数Tab.4 Parameters of energy storage equipment

光伏发电系统和风力发电系统典型日出力曲线参照文献[12]。预调度过程中MEP行驶成本为8元/km，可参与故障恢复的MEP输出功率为5 kW/台，分段开关和联络开关的动作损失为13元/次，单位失电负荷损失金额为0.6元/kW。RIEDN系统结构如图4所示。

4.1 预调度策略对RIEDN恢复的影响分析

本文假设RIEDN系统10 kV主干线导线型号为JKLYJ-240，杆塔类型包括Z4直线杆塔、ZJ4直线转角杆塔和F分支杆塔，其均满足架空输电线路设计规范(GB 50545—2010)，未来一段时间内系统将持续遭受到七级台风和暴雨的侵害，台风以30 m/s的风速由节点1至节点27的轨迹前进，风圈半径为350 km。

在此环境背景下经过500次蒙特卡洛迭代后得到经验故障线路为3-28、29-30、47-48、36-37、39-40、42-43、45-46、4-5、5-6、9-53、55-56、57-58、60-61、9-10、11-66、12-68、13-14、16-17、17-18、20-21、22-23、24-25，即得到预筛选集L，将系统节点传输功率和有功潮流代入式(3)，依照本文所提预想故障集筛选方法确定预想故障节点集合，如表5所示。

表5 预想故障集筛选结果Tab.5 Predictive failure set filtering results

由表5可知预筛选集L中线路3-28、39-40、45-46、4-5、55-56、60-61、12-68、16-17、24-25的自临界系数J的值均小于1.05，此结果表明上述线路可以抵御当前极端天气的侵害，保持正常运行状态；除此之外还得到初筛选集L′中线路9-53、9-10、11-66、13-14、20-21的失稳度nins的值均小于1，此结果表明上述线路在极端灾害下发生故障的概率较低，考虑到后续MEP调度成本和可调度容量限值，先将其排除，最终得到的预想故障集Ω={29-30，47-48，36-37，5-6，57-58，17-18，22-23}。

场景1：MEP仅参与灾前预调度

此场景下，本文认为预想故障集与特定灾害下RIEDN实际故障节点一致，则根据故障节点可得到系统DG供电范围划分结果，最终得到MEP分配方案和预调度至候选连接点位置，如图5示。

图5 MEP预调度结果(场景1)Fig.5 Pre-scheduling results of MEP(Scene 1)

由图5可以看出，假设灾害已发生，由于可持续供电容量有限，DG1仅可为失供负荷节点6-15提供功率支持，即便节点13与节点20间的联络开关闭合后，节点16-22、53-57仍然处于失电状态，缺额负荷为864.7 MW，此时将救援物资存放点M1中的MEP2调度至候选连接节点66、MEP3调度至候选连接节点16以及救援物资存放点M2中的MEP5调度至候选连接节点34，以减少后续故障恢复时间，调度时间为0.37 h；同样地，DG3仅可为失供负荷节点39-46提供功率支持，节点38、37处于失电状态，缺额负荷为411.3 MW，此时将救援物资存放点M1中的MEP1调度至候选连接节点38，调度时间为0.14 h；此外，由于节点30-35处并无DG为其提供功率支持，缺额负荷达到357.9 MW，由于物资容量限制，此时将救援物资存放点M2中的MEP4调度至候选连接节点34，未能恢复供电的负荷则按负荷等级进行切负荷，调度时间为0.25 h。总调度时间为0.76 h。

场景2：MEP灾前和灾后均参与调度

根据历史数据，相同灾害程度下RIEDN实际故障节点与场景1预测得到的故障集存在一定差异，实际故障节点为{29-30，42-43，47-50，36-37，5-6，57-58，17-18，22-23，25-26}，因此该场景下MEP不仅需要参与预调度，还需要在灾后参与调度，场景2下MEP分配方案和预调度至候选连接点结果如图6所示。该场景下预先将MEP1、MEP3预调度至候选连接点38，为支路36-42供电，调度耗时0.35h；MEP2预调度至候选连接点16，与DG1、CHP1共同为线路17-22供电；MEP4、MEP5分别为区域4、区域3供电，耗时分别为0.32 h、0.47 h。

图6 MEP预调度结果(场景2)Fig.6 Pre-scheduling results of MEP(Scene 2)

灾后不同时段T下MEP调度结果如图7、8所示。图7为场景2下T=3时的MEP调度路线与孤岛划分结果，由于故障点变化和交通路况的影响，将救援物资存放点M1中的MEP2耗时0.41 h调度至候选连接节点66为失电区域1供电，此时系统缺额负荷为514.7 MW，随后救援物资存放点M2中的MEP5耗时0.63 h调度至候选连接节点55为失电区域1供电，此时系统缺额负荷为214.7 MW。

图7 T=3时，MEP调度路线与孤岛划分结果Fig.7 T=3,MEP scheduling route and island division

图8 T=5时，MEP调度路线与孤岛划分结果Fig.8 T=5,MEP scheduling route and island division

图8为场景2下T=5时的MEP调度路线与孤岛划分结果，此时救援物资存放点M1中的MEP3耗时0.82 h调度至候选连接节点38，可以为负荷节点18-22恢复供电，同时以降低天然气系统经济运行为代价增加CHP3出力，替代MEP为故障区域2供电，将节点13与节点20间的联络开关断开，形成新的失电区域5，此时区域5中的系统缺额负荷为3.8 MW；原来的供电区域1形成新的供电区域6，此时系统缺额负荷为218.5 MW。尽管由图7的失电区域1形成图8的失电区域5、6后，系统缺额负荷增多了7.6 MW，但新的失电区域5中的负荷节点均为3级可控节点，实际上更大程度地保证了较高等级的负荷，减少了经济损失。

将以上2种场景的恢复方案进行对比，结果如表6所示，可以发现本文所提故障预想集预测方法置信度较高，虽然在故障预想集与实际故障存在差异的情况下，本文所提策略仍能对极端灾害下RIEDN失电负荷恢复88%以上，但基于灾前预调度的故障恢复时间更短，因此本文预想事故集的计算仍有必要。

表6 不同预想故障集精确度下RIEDN恢复方案Tab.6 Comparison of RIEDN recovery schemes with different accuracy of fault sets

为进一步验证本文所提预调度策略的优越性，本文以文献[13-14]为例进行方案比较。文献[13]不考虑电气耦合元件的支撑作用和MEP应急调度资源，仅以DG和储能装置做灾后能量来源制定故障恢复策略；文献[14]不考虑电气耦合元件的支撑作用，但是同样制定MEP灾前预调度策略，同时以DG和储能装置作为灾后恢复资源做恢复策略。表7为不同策略下RIEDN恢复方案的比较结果。

表7 不同预调度策略下RIEDN恢复方案比较结果Tab.7 Comparison of RIEDN recovery schemes under different pre-scheduling strategies

文献[13]故障恢复时间总用时为6.21 h，恢复速度中等，但由于并未在恢复过程中考虑电气耦合元件和MEP应急调度，导致其全网恢复总价值在4种恢复场景中最低，仅为56 325.52元，失电负荷恢复占比也最低，仅为46.53%；文献[14]故障恢复时间总用时为6.73 h，对比场景5和场景6下的恢复时长可初步得知灾前预调度策略可以加快恢复速度，进一步对比场景5和场景6失电负荷恢复占比，可知尽管场景6故障恢复用时较场景5多0.38 h，但同时考虑天然气网参与RIEDN故障恢复和灾前预调度策略能有效恢复失电负荷，几乎可以完全恢复。

4.2 故障持续时间对RIEDN恢复的影响分析

不同故障时刻下RIEDN恢复方案结果如表8所示，随着故障持续时间的增长，网损、开关次数也会增加，同时全网恢复总价值、失电负荷恢复占比明显下降，但是与文献[14]相比，在考虑耦合元件后，全网负荷的恢复能够达到95%以上，而且在故障持续6 h后切除节点及切除负荷量大大减少，平均提高8%的供电恢复量，该算例表明本文在电网故障时间较长、DG出力不均衡的情况下依旧能够保证用户的用电质量及提高电网节点负荷恢复量。

表8 不同故障时刻下RIEDN恢复方案比较结果Tab.8 Comparison results of RIEDN recovery schemes under different failure times

5 结论

本文针对当前RIEDN故障恢复时间较长，经济损失较多的问题，聚焦灾前优化调度问题提出了一种基于灾前预调度的RIEDN恢复策略，研究了系统在整个故障期间的“正常-自临界-故障”运行状态。通过分析历史经验型数据，计算预筛选集中相关线路的自临界特性和系统失稳度，并采用序惯蒙特卡洛模拟法得到极端灾害条件下系统预想故障集；通过对比分析MEP灾前预调度和灾后调度对RIEDN故障恢复时间、恢复总电量和恢复总价值的影响，验证了本文所提故障集筛选方法能有效预测故障节点，所提MEP灾前预调度策略能有效降低由恶劣天气导致的网络瘫痪以及道路交通堵塞对RIEDN抢修恢复延迟的影响，提高了故障后增援物资运送效率，减少了因停电带来的经济损失。