这篇文章的标题表明研究的主题是在配电网发生灾害后，采用一种策略来实现多源协同孤岛运行，并在这个过程中特别考虑了移动式储能的调度。
让我们逐步解读标题的关键词：
-
考虑移动式储能调度： 文章关注的焦点之一是移动式储能系统的调度，即对移动式储能设备进行合理的规划和控制，以满足配电网的能量需求或优化系统性能。
-
配电网灾后多源协同孤岛运行策略：
- 配电网灾后： 指的是在灾害发生后的情境，可能包括自然灾害、故障或其他紧急情况。
- 多源协同孤岛运行策略： 意味着在配电网中存在多个能源源头（可能是可再生能源、传统能源等），并且这些源头在配电网发生灾害后能够协同工作，形成孤岛运行，确保电力系统的可靠性和韧性。
综合起来，这篇文章的研究目的似乎是提出一种策略，通过在配电网灾后引入移动式储能系统的调度，实现多个能源源头的协同运行，从而保障电力系统在灾害情境下的运行稳定性和韧性。这种策略的关键点可能在于如何有效地调度移动式储能设备，以及如何在多源协同中形成孤岛运行，以应对灾害期间的电力需求。
摘要：针对极端事件导致的配电网大面积停电现象，在路-电耦合背景下，提出一种考虑移动式储能调度的配电网灾后多源协同孤岛运行策略。首先，基于路-电耦合背景下的灾后运行框架，以加权切负荷量最小为目标，同时考虑交通流量的变化对移动式储能调度过程的影响，建立多源协同孤岛运行模型；然后，根据所建模型的特点以及决策需求，基于两阶段优化框架制定孤岛运行决策流程，确保失电孤岛区域与含本地电源区域负荷恢复的协调进行；最后，采用IEEE 33节点配电网与29节点交通路网相耦合的算例进行分析，验证所提策略的有效性。结果表明，所提孤岛运行策略可以充分发挥各电源在配电网灾后恢复时的协同能力，实现了有限电能的最优分配和转移，有效提升了配电网灾后恢复效果。
这段摘要介绍了一项研究，重点关注了在配电网遭受极端事件导致大面积停电的情况下，通过一种考虑移动式储能调度的配电网灾后多源协同孤岛运行策略。以下是对摘要的详细解读：
-
问题描述： 文章的出发点是面对极端事件引发的大面积停电问题。这可能包括自然灾害、事故或其他紧急情况，导致配电网大规模失电。
-
路-电耦合背景： 在解决问题时，考虑了路-电耦合的背景。这意味着电力系统与交通系统之间存在相互影响。这可能涉及到电力网络与交通网络的物理和功能连接，即路网和电网之间的相互作用。
-
提出的策略： 为了解决这一问题，提出了一种策略，即考虑移动式储能调度的配电网灾后多源协同孤岛运行策略。这意味着在灾后情境下，通过协同运行不同能源，特别是考虑了移动式储能系统的调度，以增强系统的韧性和稳定性。
-
建模与优化：
- 基于路-电耦合背景下的灾后运行框架，以加权切负荷量最小为目标建立了一个模型。
- 在建立模型时，考虑了交通流量的变化对移动式储能调度过程的影响。
- 通过两阶段优化框架制定了孤岛运行决策流程，确保失电孤岛区域与含本地电源区域负荷恢复协调进行。
-
案例分析： 采用IEEE 33节点配电网与29节点交通路网相耦合的算例进行了分析，以验证所提策略的有效性。
-
研究结果： 结果显示，提出的孤岛运行策略能够充分发挥各电源在配电网灾后恢复时的协同能力。这包括最优分配和转移有限电能，从而有效提升了配电网灾后恢复效果。
综合来看，这项研究旨在通过综合考虑移动式储能调度和路-电耦合背景，提供一种在配电网灾后实现多源协同孤岛运行的策略，以提高电力系统的韧性和应对极端事件的能力。
关键词:有源配电网;移动式储能系统;路电耦合;多源协同;孤岛运行;两阶段优化;
-
有源配电网： 这指的是一种配电系统，其中包含多个电源，与传统的单一电源配电系统相对。有源配电网可以包括分布式能源资源（如太阳能、风能）、储能系统等，以提高系统的韧性和可靠性。
-
移动式储能系统： 这是一种储能系统，具有移动性质，可能包括可以移动的电池储能单元或其他技术。在灾害或紧急情况下，移动式储能系统可以灵活部署，为电力系统提供额外的能源支持。
-
路电耦合： 表示电力系统与交通系统之间存在相互耦合或关联。这可能包括电力网络与交通网络的物理连接或功能性联系，以更好地协调能源供应和交通流动。
-
多源协同： 指不同种类的能源资源在系统中协同工作，以实现更高效、可靠和可持续的能源供应。在这种情况下，可能包括多种能源资源的协同调度和运行。
-
孤岛运行： 意味着在配电网遭受灾难性事件后，某些区域或系统部分仍能够独立运行，不受主要电力网络的影响。这是通过本地电源、储能系统等手段实现的，以确保在主电力系统中断的情况下，局部系统仍能正常运行。
-
两阶段优化： 表示在决策或问题解决过程中采用了两个阶段的优化方法。通常，第一阶段可能涉及问题的初步建模和一些初步决策，而第二阶段则进一步优化和调整这些决策，以达到更好的系统性能或满足特定的目标。
综合来看，这些关键词集中在解决有源配电网在灾后情境下的问题上，通过移动式储能系统、路电耦合、多源协同以及两阶段优化等手段，提出了一种提高电力系统韧性和应对紧急情况的综合方案，特别是在实现孤岛运行方面。
仿真算例：选取 IEEE 33 节点有源配电网进行仿真分析， 网络参考电压为 12.66 kV，配电网共有 32 条支路和 5 个联络线开关，线路、负荷参数及网络初始拓扑见 文献［17］；节点 10、18、26 处接入 3 个可控 DG，其参 数见附录 B 表 B1，暂不考虑具有不确定性的风、光 等不可控 DG 的参与；配电网中的负荷按重要程度 分为一级负荷、二级负荷和三级负荷，权重系数分别 取 5、1 和 0.2，负荷曲线见附录 B 图 B2；同时，在节点 33 处 停 放 两 辆 等 待 调 度 命 令 且 处 于 满 电 状 态 的 MESS，用于对灾后配电网的补充恢复，其参数［9］ 见 附录 B 表 B1。 假设 08：00 开始发生了极端灾害，除上级主网 与配电网间发生中断，还造成了其余多线故障（线路 1-2、2-3、7-8、16-17、27-28 以及联络线开关 24-28）， 故障恢复时间持续 9 h。结合故障断线情况，可先利用并查集方法找出无法通过 DG 供电的失电孤岛区 域，如图 3 所示。选取 29 节点交通路网以完成对配电网的耦合， 其拓扑及耦合关系见文献［8］，并假设交通节点 7 与 20、8 与 15 之间的路段因损坏而无法通行。首先，将 交通路网的路段属性转化为元胞属性，其结构简化 图如附录 B 图 B3 所示。然后，根据附录 B 表 B2 所 示的交通参数，结合 1.2.1 节所建的交通流量预测模 型获得各个路段（元胞）中交通流量的动态变化信 息。最后，利用适合中国交通路况的回归路阻函数 模 型 以 及 Floyd 算 法 进 行 MESS 的 路 径 规 划 。 其 中，针对回归路阻函数模型中的回归参数 k1和 k2，可 利用文献［19］提出的最大似然估计法进行计算，结 合已知的交通参数，求解得到 3 类路段的 k1和 k2分 别 为 0.252 和 0.748、0.288 和 0.712 以 及 0.315 和 0.685。 根据所提的两阶段优化框架，文中算例将 3 h 作 为一次长时间尺度优化的长度，将 1 h 作为一次短时 间尺度优化的长度。
仿真程序复现思路：
编写仿真程序的详细代码可能涉及多个文件和复杂的库调用，下面提供一个简化的 Python 示例，演示了电力系统模型、交通路网模型、Floyd 算法路径规划等基本步骤。这里使用了一些 Python 的常见库，如 NetworkX 用于图的操作，NumPy 用于数值计算。
import networkx as nx
import numpy as npclass PowerSystem:def __init__(self, nodes, lines, dg_params, mss_params):# 初始化电力系统模型self.nodes = nodesself.lines = linesself.dg_params = dg_paramsself.mss_params = mss_paramsdef handle_disaster(self):# 模拟处理灾害情境# ...def optimize_long_term(self, t):# 长时间尺度优化# ...def optimize_short_term(self, traffic_network):# 短时间尺度优化# ...class TrafficNetwork:def __init__(self, nodes, edges, cell_properties):# 初始化交通路网模型self.nodes = nodesself.edges = edgesself.cell_properties = cell_propertiesdef update_traffic_flow(self):# 更新交通流量# ...def floyd_algorithm(graph, k1, k2):# Floyd 算法进行路径规划# ...def main():# 构建电力系统模型nodes = 33lines = 32dg_params = {} # 在此添加 DG 参数mss_params = {} # 在此添加 MSS 参数power_system = PowerSystem(nodes, lines, dg_params, mss_params)# 处理灾害情境power_system.handle_disaster()# 构建交通路网模型traffic_nodes = 29traffic_edges = 28cell_properties = {} # 在此添加元胞属性traffic_network = TrafficNetwork(traffic_nodes, traffic_edges, cell_properties)# 计算回归参数 k1 和 k2k1, k2 = 0.252, 0.748 # 在此添加实际计算的参数# Floyd 算法进行路径规划MESS_path = floyd_algorithm(traffic_network, k1, k2)# 两阶段优化框架simulation_time = 9optimization_interval_long = 3optimization_interval_short = 1for t in range(0, simulation_time, optimization_interval_long):# 长时间尺度优化power_system.optimize_long_term(t)for t_short in range(optimization_interval_short):# 短时间尺度优化traffic_network.update_traffic_flow()power_system.optimize_short_term(traffic_network)if __name__ == "__main__":main()
请注意，这只是一个简化的示例，实际情况中需要根据具体需求和数据格式进行更详细的实现。在实际项目中，可能需要使用更复杂的库和算法，具体实现也可能会涉及更多的细节和优化。
