针对主动配电网(active distribution network,ADN)发生多故障时的快速恢复供电问题,在ADN分层控制技术以及"主动性"资源基础上,建立基于多代理系统(multi-agent system,MAS)的ADN多故障分区、分场景动态修复模型。当ADN发生...针对主动配电网(active distribution network,ADN)发生多故障时的快速恢复供电问题,在ADN分层控制技术以及"主动性"资源基础上,建立基于多代理系统(multi-agent system,MAS)的ADN多故障分区、分场景动态修复模型。当ADN发生多故障时,首先对非故障失电区域进行区域划分,利用子区域内DG(distributed generator)、光伏、储能系统以及主动负荷优先恢复重要负荷供电,并根据各区域内最大供电能力指标、最大主动调节能力指标和最大恢复能力指标选择各时段的恢复策略。在此基础上,基于MAS的自治性、协同性和并行计算能力,通过定义场景等级权重系数,以综合经济损失最少为目标,并采用离散化处理的细菌群体趋药性(discrete chemotaxis of bacterial population,DBCC)算法优化得到整个故障周期的最优修复策略。同时,考虑到故障修复过程中突发新故障的情况,通过多代理系统动态更新策略,尽快完成故障修复工作。以IEEE 69节点配电系统为例,验证了所提策略的可行性和有效性。展开更多
文摘针对主动配电网(active distribution network,ADN)发生多故障时的快速恢复供电问题,在ADN分层控制技术以及"主动性"资源基础上,建立基于多代理系统(multi-agent system,MAS)的ADN多故障分区、分场景动态修复模型。当ADN发生多故障时,首先对非故障失电区域进行区域划分,利用子区域内DG(distributed generator)、光伏、储能系统以及主动负荷优先恢复重要负荷供电,并根据各区域内最大供电能力指标、最大主动调节能力指标和最大恢复能力指标选择各时段的恢复策略。在此基础上,基于MAS的自治性、协同性和并行计算能力,通过定义场景等级权重系数,以综合经济损失最少为目标,并采用离散化处理的细菌群体趋药性(discrete chemotaxis of bacterial population,DBCC)算法优化得到整个故障周期的最优修复策略。同时,考虑到故障修复过程中突发新故障的情况,通过多代理系统动态更新策略,尽快完成故障修复工作。以IEEE 69节点配电系统为例,验证了所提策略的可行性和有效性。
