文章解读与仿真程序复现思路——电力系统自动化EI\CSCD\北大核心《交直流配电网中柔性软开关接入的规划-运行协同优化方法》

这个标题涉及到交直流配电网中柔性软开关接入的规划-运行协同优化方法。下面是对这个标题各部分的详细解读：

1. 交直流配电网：

   • 这指的是一个电力系统，同时包含交流和直流电力传输的元素。这样的系统可能结合了传统的交流电力传输和近年来兴起的直流电力传输技术，以提高系统的效率和灵活性。

2. 柔性软开关接入：

   • "柔性软开关"可能指的是一种具有灵活控制和调整能力的开关设备。在这个上下文中，"接入"表示将这种柔性软开关引入到交直流配电网中，可能是为了提高系统的可控性和适应性。

3. 规划-运行协同优化方法：

   • 这表明文章关注的是一种方法，用于同时考虑系统规划（设计）和运行（实际操作）阶段，以优化交直流配电网中柔性软开关的应用。这可能包括在系统设计阶段就考虑柔性软开关的位置和参数，并在运行阶段实时调整以优化系统性能。

因此，整个标题可能表示文章研究了在交直流配电网中引入柔性软开关的规划和运行协同优化方法。这种方法的目标可能包括提高系统的效率、稳定性，以及在实时操作中对电力需求的灵活满足。这对于推动电力系统的先进化和智能化具有潜在的重要性。

摘要：含分布式源-储-荷的直流配电系统需要通过柔性软开关等电力电子化配电设备与交流系统互联，构成的交直流混合系统不仅可以提高系统整体的可靠性，还可以通过灵活的潮流控制优化系统运行方式，并降低系统损耗。由于用以交直流系统互联的柔性软开关接入方案对全系统可靠性和最优运行方式都有影响，针对这一规划-运行协同问题，首先提出了交直流混合系统的改进显式可靠性计算方法，进而建立了考虑可靠性经济成本和网损的交直流混合配电系统规划-运行协同双层优化模型。上层模型基于加权功率传输分布因数，以系统传输损耗最优为目标确定柔性软开关的接入方案，下层以可靠性成本最低为目标获取交直流混合系统的最优运行方式。最后,在算例系统中进行了仿真对比验证，结果表明所提出的规划-运行协同优化方法能够有效提升交直流混合系统的可靠性和经济性。

这段摘要描述了一个研究关于含分布式源-储-荷的直流配电系统，该系统通过柔性软开关等电力电子化配电设备与交流系统进行互联，形成了一个交直流混合系统。以下是对摘要各部分的详细解读：

1. 系统特点：

   • 描述了研究对象是含有分布式源（可能是分布式发电设备，如太阳能电池板或风力发电机）、储能设备和负荷的直流配电系统。
   • 提到了系统需要通过柔性软开关等电力电子化配电设备与交流系统进行互联，这可能是为了实现系统的柔性控制和优化。

2. 系统优势：

   • 指出构成的交直流混合系统可以提高整体系统的可靠性。这可能涉及到在系统中引入多种能源和储能设备，以应对各种运行情况。

3. 优化目标：

   • 讨论了通过灵活的潮流控制来优化系统运行方式，并降低系统损耗。这意味着系统能够根据需要调整能源流动，以提高能源利用效率和减少能源损耗。

4. 规划-运行协同问题：

   • 引入了一个关键概念，即交直流系统互联的柔性软开关接入方案对全系统可靠性和最优运行方式都有影响，形成了规划-运行协同问题。

5. 研究方法：

   • 针对规划-运行协同问题，提出了改进显式可靠性计算方法，并建立了考虑可靠性经济成本和网损的交直流混合配电系统规划-运行协同双层优化模型。

6. 优化模型层次：

   • 上层模型以系统传输损耗最优为目标，通过加权功率传输分布因数确定柔性软开关的接入方案。
   • 下层模型以可靠性成本最低为目标，获取交直流混合系统的最优运行方式。

7. 仿真验证：

   • 在算例系统中进行了仿真对比验证，结果表明所提出的规划-运行协同优化方法能够有效提升交直流混合系统的可靠性和经济性。

综合而言，该研究聚焦于如何通过柔性软开关等手段实现交直流混合系统的规划和运行协同优化，以提高系统的可靠性和经济性。

关键词:交直流混合配电网:柔性软开关改进显式可靠性评估加权功率传输分布因数规划运行协同

当解读这些关键词时，可以理解为以下几个关键概念：

1. 交直流混合配电网：

   • 指的是一种电力系统，结合了交流（AC）和直流（DC）电力传输的特性，通常包括分布式能源、储能设备和负载等元素，通过同时利用交流和直流电力传输的优势来提高系统的效率和灵活性。

2. 柔性软开关：

   • 这可能是指一种电力电子设备，具有对电力流动进行可控调节的特性。这种开关可能具有高度可编程性，能够根据需求动态地控制电能的流动路径和方向。

3. 改进显式可靠性评估：

   • 指的是通过对系统进行分析和评估，特别是在考虑到柔性软开关等设备在系统中的影响下，评估系统可靠性的方法。可能涉及对潜在故障和系统瓶颈进行模拟和量化评估。

4. 加权功率传输分布因数：

   • 这可能是一种用于评估系统中不同部分或节点之间功率传输分布均衡程度的指标。通过对电力传输路径的权衡和评估，可以确定合适的传输路径或节点配置，以优化系统的功率传输。

5. 规划运行协同：

   • 表示在电力系统中，规划和运行的相互协同和优化。在这种情况下，可能是指通过合理的系统规划，来支持系统在运行时的最佳状态，实现最佳的能源分配、传输和利用。

这些术语可能涉及到一个研究或工程项目，旨在利用柔性软开关等技术，通过评估和优化系统的可靠性、功率传输分布和规划运行协同，来改善交直流混合配电网的性能和效率。

仿真算例：本文构建了如图 4 所示的交直流混合系统。交流系统为 IEEE 33 系统；直流系统由 7 个直流节点、6 条直流线路和 1 条直流联络线构成。系统的基准电压均为 12.66 kV，基准容量为 10 MVA，总有功负荷为 3 925 kW，总无功负荷为 2300 kvar。SOP 容量为 1 MW，损耗系数 A 为 0.01。其 中 节 点 1 接 入 上 级 电 网 ，节 点 34 接 入 直 流DG，额定电压均为 1.05 p.u.。SOP 交流端口的待选接入节点为节点 17、18、22、25、32、33；直流端口的待选接入节点为节点 36、37、38、39。系统相关参数见附录 A。仿 真 的 硬 件 环 境 为 Intel（R） Core（TM） i7-11700 @ 2.50 GHz，仿 真 使 用 MATLAB 2020b 和Gurobi 中的 2.5 GHz CPU 和 16 GB RAM 进行仿真计算。最优性的最大阈值设置为 1%。

仿真程序复现思路：

仿真的复现思路涉及以下步骤，其中使用 MATLAB 和 Gurobi 进行仿真计算：

1. 系统建模

function network = createMixedSystem()% 创建混合系统模型，包括交流和直流系统的节点、线路和连接关系% 可根据具体需求构建系统模型% 返回包含系统信息的结构体或对象 network% 示例：创建交流和直流系统的节点、线路等信息network.AC_system = createACSystem(); % 创建交流系统模型network.DC_system = createDCSystem(); % 创建直流系统模型
endfunction AC_system = createACSystem()% 创建交流系统模型，包括节点、线路等信息% 返回包含交流系统信息的结构体或对象 AC_system% 示例：创建交流系统节点、线路信息AC_system.nodes = [1:33]; % 33个节点AC_system.lines = {...}; % 线路信息，根据实际情况填写% 其他交流系统参数设置
endfunction DC_system = createDCSystem()% 创建直流系统模型，包括节点、线路等信息% 返回包含直流系统信息的结构体或对象 DC_system% 示例：创建直流系统节点、线路信息DC_system.nodes = [36:39]; % 4个节点DC_system.lines = {...}; % 线路信息，根据实际情况填写% 其他直流系统参数设置
end

2. 参数设置

function systemParameters = loadParameters()% 从附录 A 或其他数据源加载系统相关参数% 返回包含系统参数的结构体或对象 systemParameters% 示例：从文件加载系统参数systemParameters = load('附录A参数.mat'); % 假设参数保存在一个 MATLAB 文件中
end

3. 硬件环境配置

hardwareConfig = struct('CPU', 'Intel Core i7-11700 @ 2.50 GHz', 'RAM', '16 GB');
% 硬件环境配置，指定计算资源等信息
% 可以根据需要设定其他硬件环境参数

4. 仿真计算

function result = runSimulation(network, parameters, hardware)% 进行仿真计算% network: 包含系统信息的结构体或对象% parameters: 包含系统参数的结构体或对象% hardware: 硬件环境配置信息% 返回包含仿真结果的结构体或对象 result% 调用优化器进行仿真计算，这里以 Gurobi 为例% 假设使用 Gurobi 进行优化，具体情况可根据需求修改% 这部分代码可能需要根据具体情况和算法进行设计% 示例：假设使用线性规划进行优化model = createOptimizationModel(network, parameters); % 创建优化模型options = struct('Algorithm', 'Interior-Point', 'MaxIter', 1000); % 优化器选项result = gurobi(model, options); % Gurobi 优化求解
endfunction model = createOptimizationModel(network, parameters)% 根据系统模型和参数创建优化模型% 返回优化器需要的模型对象或结构体 model% 示例：创建线性规划模型% 这部分根据具体问题构建优化模型，涉及约束条件和目标函数的设定% model = ...; % 创建优化模型，使用 Gurobi 或其他优化器的 API
end

5. 结果分析

function analyzeResults(result)% 分析仿真结果% result: 包含仿真结果的结构体或对象% 对仿真结果进行分析和可视化% 根据需求进行结果的分析和展示
end

这些示例函数提供了仿真程序的框架，但具体的实现需要根据系统的复杂性和仿真需求进行调整和扩展。仿真程序的编写需要细致地考虑系统模型、优化算法、约束条件等多方面因素，并进行充分的测试和验证以确保结果的准确性和可靠性。