前言
近年来，为了践行国家“双碳”的能源发展政策，推动高比例可再生能源接入电网，以风电为代表的可再生能源迅猛发展。随着风电渗透率的增加，弃风现象严重，风电消纳问题亟需解决。同时，风电具有强波动性，而以火电机组为主的电力系统，系统的调节能力不足以应对风电功率爬坡事件，对电力系统的安全稳定运行造成严重威胁。大停电事故一般是由连锁反应导致的故障造成，大规模停电事故中，有超过50%的事故存在慢开断过程，即在此过程中，能通过有效措施减缓甚至抑制事故的继续扩大，从而减少经济损失。虽然N-k故障发生概率小，但造成的损失极为严重，有可能带来难以评估的后果。
什么是N-k故障
N-k故障是指电力系统中的k个元件同时发生故障，导致系统发生运行异常或停电事故。电力系统运行风险指的是由于系统内部或外部的不确定因素导致电力系统出现运行异常或停电的可能性。而脆弱性评估则是指对电力系统在面临各种内外部威胁时，评估其可能遭受的损失或影响程度。
N-k故障带来的影响
N-k故障对电力系统运行风险和脆弱性的影响主要表现在以下几个方面:
1、增加系统运行风险:当电力系统中的元件发生故障时，可能导致系统运行异常或停电事故，从而增加系统的运行风险。
2、降低系统可靠性:N-k故障的发生会使得系统的可靠性降低，影响到电力系统的稳定运行，甚至可能导致大面积停电等严重事故。
3、增加修复成本:由于N-k故障涉及到多个元件同时发生故障，因此修复成本相对较高，涉及到多个设备的维修和更换，同时也会带来较大的经济损失。
解决N-k故障的方法
针对N-k故障的电力系统运行风险及脆弱性评估，可以采用以下几种方法:
1、概率-后果模型:该方法通过分析元件故障的概率和故障后果的严重程度来评估系统的运行风险和脆弱性。首先对各个元件的故障概率进行评估，然后计算在N-k故障情况下，系统可能遭受的损失或影响程度。
2、模拟仿真法:该方法通过模拟仿真系统在不同故障场景下的响应和表现，来评估系统的运行风险和脆弱性。通过模拟仿真可以得出系统在不同故障场景下的运行状态以及产生的后果，为评估提供更为详细和准确的数据支持。
3、基于人工智能的方法:近年来，人工智能技术在电力系统运行风险和脆弱性评估中得到了广泛应用。其中，常见的有人工神经网络、遗传算法、模糊逻辑等。这些方法通过对历史数据的学习和分析，可以自动识别系统的薄弱环节和潜在风险，并对其可能产生的影响进行预测和评估。
光热电站运行原理
光热发电是一种与光伏发电不同的新型太阳能发电方式，是指将聚光太阳能发电站(CSP)与热能储存（TES）集成。与TES集成的CSP电厂可提供更灵活的可提供更灵活的可调度电源。TES系统通常分为3种情况:1）采用熔盐技术，系统利用物质的温度差异存储能量；2）采用合适的材料，利用物质的分解变化的能量；3）采用热化学能量储存（TCES），它利用了某种化学反应的可逆性，使得这种存储方式具有高储能密度和几乎为零的损耗。
目前来看，大部分CSP电站通常基于双罐熔盐技术。该技术有几个较为明显的缺点：首先，为了避免材料分解，该技术的工作温度必须保持在560℃左右；其次，最低工作温度不能低于200℃，以免熔盐凝固，而当电站处于休眠状态时，也必须保持这样的环境温度，这造成了大量不必要的能量损失；最后，熔盐的高度腐蚀性对于储存和运输也有很高的要求，这又使得系统的投资成本升高。所以，将TCES与CSP相结合在对于降低光热发电系统的成本是很有必要的。
新能源-光热电站联合发电
光伏发电和光热发电天然具有互补优势，而风力发电更是由于其间歇性和波动性，需要结合储能装置来缓解其并网时对电压带来的影响。而太阳能光热装置凭借其装机容量相比传统燃料机组更小，但爬坡更灵活，最小经济出力小，且它的储热装置可以对风力发电和光伏发电不确定性起到缓冲作用，能充分弥补由光伏发电和风力发电导致的波动，同时储热装置、电储能装置的增加实现更大程度上的风电和光伏发电的消纳，可有效的提升发电系统的灵活性和可调度性，优化负荷曲线，削减峰谷差，以及它的成本相对传统单独的储能装置更小，这些特性，使之逐渐成为越来越多新能源并网发电系统的新选择[3]。而在热化学储能装置（thermochemical energy storage，TCES）工业中，钙化物凭借其材料价格低廉、产品无毒、理论能量密度高的特性，成为备受关注的一个可逆化学反应。TCES的可逆化学反应，是通过光镜场吸收的热量进行内热反应并储存能量，当需要能量时，则通过反向放热反应释放存储的能量。这个反应过程，被称为钙循环（Ca-Looping，CaL）。
CaL过程从 CaCO的分解在反应器中产生CaO和 CO2作为反应副产品。一旦从反应生成物身上获得了足够的热量，则将生成物回收，将这些产品储存在环境温度下，可以储存几个星期甚至几个月，然后再被用于逆反应的发生。在反应过程中生成的一系列副产品，例如CO、CO2等，可以通过材料的衍生物CaO来回收，回收的同时又生成反应所需的原材料。
CSP通过光镜场将太阳能汇集，并对集热场的传热流体，通过TCES中钙化循环过程的化学反应，该部分的可以将热传导到蒸汽产生机产生蒸汽从而推动汽轮机发电，也可将剩余部分的热能存储起来，而由于光热电站配备了储热装置，因此可以使得光热电站的能量更加利于调度，使得其具有更强的可控性和可调节能力，从而实现汽轮机的快速调节，使汽轮机的爬坡速度几乎达到与火电机组一致。这种能力进一步的提升了发电系统的可调度性。并网型风力发电机和光伏发电机以及太阳能光热发电机联合发电系统一般分为能源生成、集热和消耗能源三个环节，结构如下图所示。
程序介绍
程序从光热电站特性出发，提出一种风电-光伏-光热-火电联合发电并网运行的优化调度策略。从联合光热电站和风电和光伏出力，使得系统发电成本最小来建立数学模型；将风力发电和光伏发电与负荷叠加为等效负荷，利用光热电站出力的特性，对风电和光伏发电并网进行削峰填谷，削减峰谷差，平滑出力曲线；深入研究对比联合光热电站前后系统的并网可行性和经济性；通过经典N-k安全分析直接筛选危害最大的k重预想事故场景，所提方法能有效辨识高危N-k源发故障场景及多阶段故障传播路径，有效预防大停电事故的发生。
适用平台：Matlab+Yalmip+Cplex；参考文献：《计及连锁故障传播路径的电力系统N-k多阶段双层优化及故障场景筛选模型》-中国电机工程学报；《光热-光伏-风电-火电联合发电调度优化》-中国测试；《光热电站促进风电消纳的电力系统优化调度》-电测与仪表。程序算例丰富、注释清晰、干货满满，可扩展性和创新性很高！足以撑起一篇高水平论文！下面对程序做简要介绍！
程序结果
1、IEEE118节点系统运行结果
2、IEEE14节点系统运行结果
部分程序
参数设定= 24; CoeffReseve_load = 0.03; CoeffReserve_VRE = 0.05;= 0.98; yita_PB = 0.415;文章里Table 2的数据= 2.4; initial_TES_t0 = 1.5;= 0.78;TES_initial = 0.5; beta_Load = 3*10e3;mpc = case14_3; % 载入数据 matpower 数据格式%% 有功负荷 24h所有节点总的电网相关名称= mpc.baseMVA;bus = mpc.bus;gen = mpc.gen;= mpc.branch;gencost = mpc.gencost; RE = mpc.RE;= mpc.CSP;P_RE = mpc.P_RE;N = length(bus(:,1));= length(branch(:,1));N_Gen = length(gen(:,1)); N_RE = length(RE(:,1));= length(CSP(:,1));常规机组相关数据提取, 取数据矩阵中的列向量 和功率有功的项，均需标幺值化，以便运算和求解= gen(:,9)/baseMVA; P_Gen_min = gen(:,10)/baseMVA;= gen(:,22); P_Gen_up = gen(:,23) /baseMVA;CSP机组相关数据提取= CSP(:,9)/baseMVA; P_CSP_min = CSP(:,10)/baseMVA;= CSP(:,23)/baseMVA; P_CSP_down = CSP(:,24)/baseMVA;= [ % 可用的太阳能热功率向量= PtCSP_fore/baseMVA; P_RE = P_RE/baseMVA; beta_Load = beta_Load*baseMVA^2;负荷矩阵数据，按照 算例数据mpc.bus(:,3) 中各节点负荷的比例分配= bus(:,3)/baseMVA; P_factor = PD/sum(PD);= mpc.load/baseMVA; PD = P_factor*P_sum;决策变量命名= sdpvar(N_Gen,NT,'full'); PG_RE = sdpvar(N_RE,NT,'full');= sdpvar(N_CSP,NT,'full'); PC_Load = sdpvar(N,NT,'full');= [];= 2 % 火电机组 爬坡约束 式(6-7)= [Cons, PG_G(:,t) - PG_G(:,t-1) <= onoff_gen(:,t-1).* P_Gen_up*60 +:,t)-onoff_gen(:,t-1)) .* P_Gen_min + ...:,t)) .* P_Gen_max]; % CSP 机组 爬坡约束 式(6-7)Ind_2_5 = union(find(type_Gen(:,1) == 2),find(type_Gen(:,1) == 5));= [Cons, onoff_gen(Ind_2_5,:) .* (P_Gen_min(Ind_2_5,1) * ones(1,NT)) ...%%%%%% CSP电站运转内部约束 %%%%%%= [Cons, 0 <= Pt_TES_charge <= Capacity_TES_CSP*ones(N_CSP,NT)];= [Cons, 0 <= Pt_TES_discharge <= Capacity_TES_CSP*ones(N_CSP,NT)];
部分内容源自网络，侵权联系删除！
欢迎感兴趣的小伙伴点击文末阅读原文获取完整版代码，小编会不定期更新高质量的学习资料、文章和程序代码，为您的科研加油助力！
更多创新性预测及优化程序请点击公众号首页：《预测优化》|《综合能源》链接！
有幸被读，欢迎关注！！！
