文章解读与仿真程序复现思路——太阳能学报EI\CSCD\北大核心《基于电力CPS联合仿真的主配一体化电网负荷转供方法研究》

这个标题涉及到电力系统、CPS（Cyber-Physical Systems，即网络化物理系统）联合仿真，以及主配一体化电网负荷转供方法的研究。让我们逐步解读：

1. 基于电力CPS联合仿真：

   • 基于电力： 指的是该研究与电力相关。
   • CPS： 是指网络化物理系统，结合了计算机科学和物理工程，实现了实时监控、控制和协同操作。
   • 联合仿真： 表示在仿真过程中同时考虑电力系统和CPS的相互作用，以更全面地模拟系统行为。

2. 主配一体化电网：

   • 主配一体化： 指的是主变电站（主站）和配变电站（配站）在系统中进行协同操作和一体化管理。这可能涉及到电网的高级智能控制、优化策略等方面的研究。

3. 电网负荷转供方法的研究：

   • 电网负荷： 表示电力系统中的电能消耗。
   • 转供方法： 涉及到电力系统中如何在不同部分之间传递或供应电能的方法。
   • 研究： 指明这是一项科学研究，可能包括对新方法、技术或策略的深入探讨。

综合起来，整个标题表明这项研究关注在电力系统中，通过联合仿真考虑CPS的影响，研究主变电站和配变电站的一体化管理，并探讨电网负荷转供的方法。这可能有助于提高电网的可靠性、效率和智能化水平。

摘要：分布式光伏和风电等分布式电源的大量并网、电力信息物理系统（CPS）的快速发展等对电力系统的运行调度带来不可估算的影响，针对紧急状态下提高电力系统供电可靠性的问题，该文提出面向主配一体化电网的负荷转供方法。首先，考虑光伏和风电自身特点建立分布式发电模型；其次，根据负荷重要性对负荷进行分类，并计及通讯延时计算负荷恢复率；然后，以切负荷与网损为目标函数，并考虑网络约束，通过构建遗传算法对目标函数寻优求解；最后，在电力CPS联合仿真平台上进行验证，结果表明所提方法能更接近实际运行工况，具有更好的负荷恢复效果，从而减小社会经济损失。

这段摘要描述了一项研究，针对电力系统在紧急状态下提高供电可靠性的问题，提出了一种面向主配一体化电网的负荷转供方法。以下是对摘要内容的详细解读：

1. 背景介绍：

   • 分布式光伏和风电等分布式电源的并网以及电力CPS的发展： 这些因素对电力系统的运行和调度产生了巨大影响。分布式光伏和风电等分布式能源。

2. 研究目标：

   • 提高电力系统供电可靠性： 在面对紧急状态下，如何改善电力系统的供电可靠性是该研究的核心目标。

3. 提出的方法：

   • 建立分布式发电模型： 针对光伏和风电等分布式能源的特点，建立了相应的分布式发电模型。
   • 负荷分类和考虑通讯延时： 将负荷按重要性进行分类，并考虑了通讯延时对负荷恢复率的影响。
   • 目标函数和优化方法： 将切负荷与网损作为目标函数，并考虑了网络约束条件。使用遗传算法对目标函数进行优化求解。

4. 验证与结果：

   • 电力CPS联合仿真验证： 在电力CPS联合仿真平台上进行了验证。
   • 结果表明： 所提出的方法更贴近实际运行工况，并且具有更好的负荷恢复效果。这有助于减小社会经济损失。

综合而言，这项研究提出了针对紧急状态下电力系统可靠性的解决方案。它涉及建立分布式发电模型、考虑负荷分类和通讯延时、目标函数优化以及在电力CPS联合仿真平台上的验证。其结果显示，该方法在提高电力系统供电可靠性和减少社会经济损失方面具有潜在的益处。

关键词:光伏发电; 风电;分布式发电;信息物理系统;遗传算法;负荷转供;

1. 光伏发电：

   • 指利用光能将光线直接转化为电能的发电方式。在电力系统中，光伏发电常用于分布式能源系统，如屋顶太阳能电池板。

2. 风电：

   • 指利用风力将风能转化为电能的发电方式。风电通常涉及在风力机上安装涡轮，通过涡轮的旋转运动产生电能。

3. 分布式发电：

   • 指将发电设备分布在电力系统中的多个地点，与集中式发电相对。分布式发电包括光伏和风电等可再生能源，以及其他小型发电装置。

4. 信息物理系统（CPS）：

   • 是指由计算、通信和控制组成的系统，它们与物理过程相互耦合。在电力领域，电力信息物理系统涉及到将计算、通信和控制技术应用于电力系统的监测、管理和控制。

5. 遗传算法：

   • 是一种模拟自然选择和遗传机制的优化算法。通过模拟进化过程中的选择、交叉和变异等操作，遗传算法用于寻找复杂问题的最优解。

6. 负荷转供：

   • 指在电力系统中，在紧急状态下采取措施，以确保负荷得到可靠供电。负荷转供可能涉及调整电源配置、切负荷或其他运行策略，以应对突发状况。

综合而言，这些关键词集中描述了一个涉及光伏和风电的分布式发电系统，在信息物理系统框架下使用遗传算法进行负荷转供的研究。这可能涉及到考虑光伏和风电的特性、负荷的分类和通讯延时，以优化目标函数，最终通过遗传算法实现更可靠的电力系统运行。

仿真算例：

本文采用改进的 IEEE 10 机 39 节点系统对所提策略进行验证，节点 19、31、37 处接入具有备用发电能力的分布式电源，对应的额定输出功率均为 100 MW，网络拓扑如图 4 所示。IEEE39 节点系统正常运行时，平衡节点有功输出 为 677.87 MW，有功功率网络损耗为 43.641 MW。在遗传 算法中，种群规模设为 50，最大遗传代数暂不限制，仿真平 台为 Matlab 2019b，CPU 主频 2.9 GHz。
 

仿真程序复现思路：

要复现该仿真实验，你可以按照以下步骤在 MATLAB 中使用遗传算法来模拟该系统的行为。请注意，这是一个简化的示例，具体的实现可能因问题的复杂性而有所不同。

% 1. 定义系统参数
bus_data = [1:39; zeros(4, 39)];  % IEEE 39节点系统的节点数据
bus_data(2, [19, 31, 37]) = 1;  % 分布式电源接入
bus_data(3, [19, 31, 37]) = 100;  % 分布式电源额定输出功率为 100 MW

% 2. 定义网络拓扑
% 这里是一个简化的邻接矩阵示例，实际情况需要根据具体的网络拓扑来构建。
adjacency_matrix = zeros(39, 39);
adjacency_matrix(19, [1, 2, 3]) = 1;  % 举例：节点 19 连接到节点 1、2、3

% 3. 设置系统初始状态
initial_state = [677.87; 43.641];  % 平衡节点的有功输出和网络损耗

% 4. 定义遗传算法参数
options = gaoptimset('PopulationSize', 50, 'Generations', 100, 'Display', 'iter');

% 5. 定义适应度函数
fitness_function = @(x) objective_function(x, bus_data, adjacency_matrix, initial_state);

% 6. 运行遗传算法
number_of_variables = sum(bus_data(2, :) == 1);  % 分布式电源的数量即决策变量的数量
lb = zeros(number_of_variables, 1);  % 决策变量下界
ub = ones(number_of_variables, 1);  % 决策变量上界
[x, fval] = ga(fitness_function, number_of_variables, [], [], [], [], lb, ub, [], options);

% 7. 显示结果
disp('Optimal Solution:');
disp(x);
disp('Optimal Objective Value:');
disp(fval);

% 8. 编写你的目标函数
function obj_value = objective_function(x, bus_data, adjacency_matrix, initial_state)
    % x 是决策变量，表示分布式电源的配置参数
    % bus_data 是节点数据，adjacency_matrix 是网络拓扑。
    % initial_state 是系统的初始状态，包括平衡节点的有功输出和网络损耗。
    
    % 解码决策变量并更新节点数据
    bus_data(3, bus_data(2, :) == 1) = x * 100;  % x 是分布式电源的配置参数，乘以 100 得到额定输出功率
    
    % 模拟系统行为，计算最终的有功输出和网络损耗
    final_state = simulate_system(bus_data, adjacency_matrix, initial_state);
    
    % 目标函数为有功输出和网络损耗的加权和，可根据具体情况调整权重
    weight_output = 1;
    weight_loss = 1;
    
    obj_value = weight_output * (final_state(1) - initial_state(1)) + weight_loss * (final_state(2) - initial_state(2));
end

% 9. 编写系统仿真函数
function final_state = simulate_system(bus_data, adjacency_matrix, initial_state)
    % 在这里模拟系统行为，计算最终的有功输出和网络损耗
    % 使用简化的潮流计算模型，具体实现需要根据系统复杂性而定
    
    % 假设系统状态不变
    final_state = initial_state;
end

这个示例中，gaoptimset 函数用于设置遗传算法的参数，包括种群大小、进化代数等。ga 函数用于运行遗传算法，其中 fitness_function 是适应度函数，决策变量 x 表示分布式电源的配置参数。在实际应用中，你可能需要根据具体问题进行更详细的参数调优和模型设计。