具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例一提供一种基于网荷智能互动的切负荷方法，包括：

步骤S1，根据电网频率和电压整定电网的功率缺额；

步骤S2，以实际切负荷量最小为目标建立切负荷优化的数学模型；

步骤S3，通过步长的动态更新和邻域集为空时的随机搜索，获取改进的萤火虫算法；

步骤S4，以节点电压灵敏度初始化萤火虫种群，采用所述改进的萤火虫算法求解最优切负荷方案。

具体地，步骤S1根据电网频率和电压整定电网的功率缺额，具体包括：

步骤S11，计算系统等效惯性时间常数H_eq：

其中，H_i表示第i台发电机的惯性时间常数；n表示发电机总数；

步骤S12，根据系统等效惯性时间常数计算得到系统的惯性中心频率f_COI：

其中，f_i表示第i台发电机的频率；H_i表示第i台发电机的惯性时间常数；

步骤S13，根据电网频率和电压，按下式整定电网的功率缺额P_shed：

其中，S_eq表示系统中所有发电机的额定功率之和；f_N表示系统的额定频率；t表示时间；P_S表示系统的旋转备用容量；P_L0,i表示故障前母线i的有功功率值；V_0,i表示故障前母线i的电压；V_i表示故障后母线的电压值；m表示系统中的母线数；α_i表示负荷-电压变化特性指数。

步骤S1的功率缺额的计算方式综合考虑了负荷功率、系统频率和母线电压的综合影响，比单一通过频率变化率计算求得的功率缺额更加精确，能够有效避免负荷量过切或欠切的出现。

步骤S2以实际切负荷量最小为目标建立切负荷优化的数学模型，其目标函数为：

其中，函数F表示最优方案要满足实际切负荷量最小的要求；ΔP表示实际切负荷量与需切量的差值；P_load,i表示第i个节点的切负荷量，且P_load,i>0；P_ne表示需切除负荷量；i表示切负荷对象；n表示备选切负荷对象数。

优化切负荷数学模型还应当考虑如下约束条件：

(1)系统内实时切负荷总量约束：

其中，P_load,i表示节点i的切负荷量；n表示备选切负荷对象数；P_max表示当前系统内所允许的最大切负荷量。

(2)系统稳态频率约束条件：

f_min≤f_af≤f_max

其中，f_af表示切负荷动作后的系统稳态频率；f_max和f_min分别表示稳态运行时系统频率的上、下限。

(3)母线节点稳态电压约束条件：

V_i,min≤V_i,af≤V_i,max

其中，V_i,af表示切负荷动作后母线i的稳态电压；V_i,max和V_i,min分别表示稳态运行时母线i电压的上、下限。

步骤S3通过步长的动态更新和邻域集为空时的随机搜索这两方面的改进，提出改进萤火虫算法。

萤火虫算法与其它智能算法相比，具有稳定性优越、操作能力强等优点，因而被广泛应用。但萤火虫算法搜索的随机性也不可避免地导致了其全局搜索能力的降低和收敛速度的不稳定。因此，为了进一步增强萤火虫算法的全局搜索能力，加快搜索速度，本发明实施例从步长的动态更新和邻域集为空时的自主随机搜索对萤火虫算法进行改进，具体包括以下两个步骤：

步骤S31：为加快萤火虫的收敛速度，以免萤火虫陷入局部最优解，考虑影响萤火虫步长的两个因素，一是迭代次数，二是萤火虫与第t代最佳萤火虫的位置。一方面，萤火虫的步长应随迭代次数的增加而逐渐减小；而另一方面，萤火虫的步长又应随该萤火虫与第t代最佳萤火虫距离的减小而减小。综合上述两个因素，萤火虫的步长更新公式为：

其中，s_i(t)表示第i个萤火虫在第t次迭代时的步长；t为当前迭代次数；N_t为设定的最大迭代次数；x_i(t)为第i个萤火虫在第t次迭代时的位置；x_b(t)为第t次迭代时最佳萤火虫所处的位置；||·||为标准欧几里得距离运算符。

步骤S32：若萤火虫个体在其邻域集内没有发现比其荧光素值更高的个体，则停止搜索，这有可能延缓搜索的速度。因此，为了充分利用萤火虫的搜索能力，提高搜索速度，以最小步长对搜索过程中保持静止的萤火虫进行扰动，让其随机搜索，此时萤火虫位置更新公式为：

其中，x_i(t+1)为第i个萤火虫在第t+1次迭代时的位置；x_i(t)为第i个萤火虫在第t次迭代时的位置；s_min为最小步长；为n维随机向量；x_b(t)为第t次迭代时最佳萤火虫所处的位置；x_i(t)为第i个萤火虫在第t次迭代时的位置；||·||为标准欧几里得距离运算符。

在萤火虫算法的搜索过程中，通过步长的动态更新和邻域集为空时的随机搜索这两方面的改进，可以充分利用每个萤火虫的搜索能力，加快搜索的速度，同时还能够有效地增强全局搜索能力，从而更好地实现寻优的目的。

电网运行过程中存在一些电压较薄弱的节点，当电压出现失稳时就是从这些薄弱节点开始扩散，进而影响整个电网。因此在切负荷动作时，优先切除这些薄弱节点上的负荷能够使电网更快的恢复稳定。步骤S4在采用改进萤火虫算法求解最优切负荷方案时充分考虑到薄弱节点负荷对电压恢复的影响，利用节点电压灵敏度对萤火虫种群进行初始化，从而得到更合理的最优切负荷方案。定义节点电压灵敏度SEN_i为：

其中，V_i表示节点i的电压；P_i表示节点i的有功功率。

请结合图2所示，步骤S4基于改进萤火虫算法的切负荷流程具体包括：

(1)在得到电网参数后以各节点的电压灵敏度对萤火虫种群进行初始化；

(2)计算每个萤火虫的适应度值后更新其荧光素值；

(3)计算每个萤火虫与其他萤火虫的距离，结合荧光素值更新邻域；

(4)判断邻域是否为空，若为空则随机移动萤火虫，若不为空则动态更新萤火虫位置；

(5)萤火虫移动完成后更新其决策域；

(6)判断是否达到最大迭代次数或满足精度要求，若达到则输出最优解，若未达到则继续迭代过程。

为了说明本发明的方法效果，给出如下实施例：

以某地区电网为实施例，该地区电网与外部电网的联系情况是以三相电源模型G1作为简化模型的，同时有4台本地区的发电机G2～G5为各个负荷供电，电网内总负荷功率为3182MW，各负荷节点均布置了切负荷装置。电网结构如附图3所示，各节点负荷数据如表1所示，切负荷动作轮次等信息如表2所示。

表1各节点负荷数据

表2低频低压自适应切负荷方案

初始时系统处于稳定状态，运行一段时间后，G1和母线2联络线故障断开导致该地区电网与外网解列形成局部孤网，系统初始功率缺额为531.86MW。

为了突出改进萤火虫算法在切负荷优化问题上的优势，将其与遗传算法和基本萤火虫算法进行比较，切负荷的结果如表3所示。

表3不同切负荷算法结果对比

为了直观地体现出改进萤火虫算法在切负荷优化方案的计算时间和实际切负荷量两方面的优势，对不同备选切负荷对象数量时，优化切负荷方案的计算时间以及实际切负荷量的变化情况进行分析，结果如图4和图5所示。

从图4和图5可以看出，随着备选切负荷对象数量的增加，三种算法求解优化方案的计算时间都呈上升趋势，而实际切负荷量都呈下降趋势。其中，本文提出的改进萤火虫算法与遗传算法和基本萤火虫算法相比，能够有效地降低切负荷优化方案的计算时间和电网的实际切负荷量。并且，备选切负荷对象数量越多，改进萤火虫算法的优势就越明显，从而为紧急情况下的切负荷动作和决策争取更多的时间，以更低的代价维持电网的安全稳定运行。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。