可再生能源是全球能源转型和低碳发展的重要解决方案,含高比例可再生能源是未来电力系统发展的必然趋势,而高比例可再生能源电力系统的核心骨干网架直接关系到系统在灾害条件下的生存性、可靠性和可再生能源的消纳率。分析了高比例可再生能源电力系统的核心骨干网架的特征。随后结合电力网络中不同类型节点的特点,基于拓扑特性和电气参数分别构建各类节点的重要度评价指标体系,并采用熵权-理想解法评价各类节点的相对重要度。根据节点的相对重要度,构建了两阶段核心骨干网架优化模型：第一阶段模型针对重要负荷节点进行网架优化;第二阶段模型针对电源节点进行优化,最终得到包含风电场、光伏电站和常规机组的核心骨干网架。修改后的含高比例可再生能源的IEEE-118节点系统的仿真结果表明,文中策略能够较全面地评估高比例可再生能源电力系统的各类节点的相对重要度,优化得到的核心骨干网架能够保障对重要负荷的供电,且具有较高的可再生能源渗透率与利用率。
电力系统的核心骨干网架是指在发生灾害或故障时,在保证电力系统安全运行并保障对重要负荷供电的前提下满足拓扑连通性的支路和节点的集合。研究电力系统核心骨干网架的优化策略,对于提高系统的抗灾能力,保障其对重要负荷的供电具有重要意义。目前,已有较多文献对电力系统核心骨干网架进行了研究。文献[1]将骨干网架定义为特定的运行方式和初始触发故障条件下,维持系统生存性所必需的关键线路和重要网络结构,并构建了以支路数和网络相对平均电气距离之和最小为目标的骨干网架搜索模型。文献[2]综合考虑了支路和节点的重要度,将核心骨干网架搜索构建为一个以子网架节点数和支路数最少为首要目标、以保留的支路和节点重要度之和最大为次要目标的多目标优化问题,并采用二进制粒子群算法进行骨干网架搜索。文献[3]从可抵抗性、可恢复性和连通性等方面构建了核心骨干网架的生存性综合指标体系,并以核心骨干网架的线路总长度最小、生存性综合指标最大为目标构建了优化模型,然后采用改进后的BBO(biogeography-based optimization algorithm)算法进行核心骨干网架的优化。文献[4]将电气介数作为线路重要度的搜索权重,以子网架的线路数为主要因素、子网架的搜索权重之和为次要因素构建核心骨干优化模型,并采用二进制量子粒子群算法进行核心骨干网架的搜索。文献[5]从电网的输电网架结构和负荷两方面出发,提出节点重要度和线路重要度评估指标,并提出了结构性坚强网架和重要负荷坚强网架的概念及构建方法,在此基础上构建了输电网络的最小骨干网架。文献[6]计及骨干网架的网架特性和电气特性,从可抵抗性、可恢复性、安全性和连通性4个方面分别构建了骨干网架的生存性指标体系,并采用线性判别分析与主成分分析相结合的方法对骨干网架的规划方案进行生存性评估。从上述文献可以看出,目前核心骨干网架的研究均是基于传统的无间歇性能源电源(intermittent energy source,IES)的电力系统而开展的,未考虑高比例可再生能源尤其是间歇性能源在电力系统核心骨干网架中的作用及其对电力系统的影响。
高比例可再生能源电力系统是我国电力系统发展和规划的重要研究内容：我国能源转型与发展的目标是实现2020年和2030年非化石能源分别占一次能源消费比重的15%和20%,并力争在2050年实现可再生能源占比达60%[7-8]。因此,研究含高比例可再生能源电力系统的核心骨干网架构建,对提高未来电力系统的稳定性、可靠性和抗灾能力具有重要的意义。然而,间歇性电源如风电、光伏等的大规模接入,显著地增加了电力系统的不确定性和复杂程度,导致原本适用于常规电力系统的核心骨干网架构建方法并不适用于含高比例可再生能源的电力系统。在此背景下,亟需研究含高比例可再生能源(包括水电、风电和光伏发电)的电力系统的核心骨干网架优化策略。
本文以包含水电、风电和光伏发电的高比例可再生能源电力系统为研究对象(后述的高比例可再生能源电力系统均指包含水电、风电和光伏发电的系统),分析了高比例可再生能源电力系统的核心骨干网架的特征。然后,考虑IES的出力特点,提出了一种可再生能源大规模接入下电力系统的两阶段核心骨干网架优化方法。该方法根据不同类型节点的特点,分别构建其重要度评价指标,对其进行重要度评价;然后将节点相对重要度用于构建高比例可再生能源电力系统的两阶段核心骨干网架优化模型：第一阶段模型的主要任务是优化负荷节点,其以线路总数最少且负荷节点的重要度最大为目标优化得到一个包含重要负荷节点和线路的连通子网架;第二阶段模型的主要任务是优化电源节点,其在满足IES的穿透功率极限约束、备用约束和安全约束的前提下,以电源节点的重要度最大且连接电源节点和第一阶段所得子网架的线路数最少为目标来优化核心骨干网架。
1.高比例可再生能源电力系统的核心骨干网架
核心骨干网架能够提升电网应对突发灾害事件和抵御严重故障的能力,提高电力系统运行的可靠性和稳定性。传统的仅含常规电源(如火电和水电等)的电力系统的核心骨干网架优化要求在保障对重要负荷供电的前提下,所得核心骨干网架满足安全运行约束和拓扑连通性约束,且其线路数尽可能地少[1]。随着可再生能源在电力系统中的比重越来越高,核心骨干网架优化时亦应将可再生能源考虑进来。此外,由于可再生能源的发电成本较低,并且其在电力系统大停电后能够迅速参与电力系统恢复并加快恢复进程[9-10],因此,在含高比例可再生能源电力系统的核心骨干网架内保留一定量的可再生能源接入也能够提高电力系统的经济性和可靠性。
高比例可再生能源电力系统的最显著特点是可再生能源尤其是风电、光伏等的大规模并网,而常规化石能源发电机组的占比越来越低。由于风电和光伏的出力具有较强的不确定性,因此,构建含高比例可再生能源的电力系统的核心骨干网架时,除应满足对重要负荷供电要求、安全运行约束和拓扑连通性约束外,还应充分考虑不同风电场和光伏电站的出力状况、运行特性以及由此带来的影响。此外,高比例可再生能源电力系统的风电、光伏的渗透率较高,在满足穿透功率极限的前提下核心骨干网架亦应充分考虑风电、光伏的渗透率和利用率。风电(光伏发电)穿透功率极限定义为系统所能接纳的最大风电(光伏发电)容量与系统最大负荷的百分比[11-13]。核心骨干网架的风电功率和光伏功率应分别满足其对应的穿透功率极限约束。
根据高比例可再生能源电力系统的特点,本文认为高比例可再生能源电力系统的核心骨干网架除应满足传统电力系统核心骨干网架的要求外,还应充分计及可再生能源的接入;并且,接入可再生能源的核心骨干网架应在可再生能源的任何出力场景下均满足电力系统的安全运行要求。
结合以上分析,高比例可再生能源电力系统的核心骨干网架的优化思路可总结为：在满足核心骨干网架安全运行的前提下,应综合考虑常规电源与风电、光伏电站等可再生能源在核心骨干网架中的合理配置,使所构建的核心骨干网架既能保证对重要负荷的供电,又能保证较高的可再生能源渗透率和利用率。
2.两阶段核心骨干网架优化策略
建设高比例可再生能源电力系统的核心骨干网架,需要结合高比例可再生能源电力系统的特点,确定一组尽可能少的线路和母线的集合用于指导防灾加固,使得在灾害条件下高比例可再生能源电力系统具有一定的抗灾能力。电力系统通常要求保障某些重要负荷在灾害情况下的电能供应,这部分负荷节点在核心骨干网架优化时必须予以保留。此外,由于原网架具有较高的可再生能源渗透率和利用率,在核心骨干网架的优化时应充分考虑高比例可再生能源的接入,以满足高比例可再生能源电力系统的运行要求并提高核心骨干网架的经济效益和社会效益。
传统的核心骨干网架优化策略往往将负荷节点和电源节点等量齐观,忽略了电网不同类型节点的差异[1,3]。尽管负荷节点和电源节点都可以等效为一个节点,但是其作用、功率方向和重要程度都不尽相同,若将其同等对待,可能导致所构建的核心骨干网架不能有效地保留重要节点或线路。此外,对于高比例可再生能源电力系统,其电源节点类型多样,电气参数以及重要度指标均各有特色,若将电源节点无差异对待,也不符合高比例可再生能源电力系统的特点。因此,本文充分考虑节点的不同类型,有针对性地提出两阶段核心骨干网架优化策略,该策略包含3个部分,如图1所示。
图1 两阶段核心骨干网架优化策略的框架Fig. 1 Architecture of the two-stage core backbone network optimization strategy
2.1 基于熵权-理想解法的节点重要度评价
2.1.1 节点重要度评价指标
高比例可再生能源电力系统的电源节点包括风电场节点、光伏电站节点以及常规机组节点(含水电机组节点和火电机组节点)等。核心骨干网架优化的关键就是对节点进行重要度评价和排序,并尽量选择相对重要度较大的节点加入到核心骨干网架中。由于不同类型的节点具有不同的拓扑特性和运行参数,因此应根据不同的节点类型,分别选择相应的重要度评价指标计算其相对重要度。本文采用的节点重要度评价指标如表1所示。各指标的定义及计算方法见附录A。
根据以上评价指标,对各类节点分别进行相对重要度评估,再将评估结果用于两阶段核心骨干网架优化。需要指出的是,由于水电机组具有良好的调峰调频性能,并且其能够作为电力系统大停电后的主要黑启动电源,因此,在核心骨干网架中应保留所有的水电机组。
表1 采用的节点重要度评价指标Tab. 1 Utilized node importance evaluation indexes
2.1.2 基于熵权-理想解法的节点重要度评价
目前,进行节点重要性评估常用的方法主要有层次分析法[1,25],熵权法[16]、理想解法[26-27]和模糊综合评价法[28-29]等。
层次分析法把待评估对象作为一个系统,按照分层、比较判断、综合的思维方式进行评估决策。层次分析法较依赖主观判断,其结果侧重于定性分析,难以给出令人信服的定量分析结果。此外,当待评估的指标过多时,数据统计量较大,各个指标的权重也难以精确确定。
熵权法能客观、有效地反映各指标的差异程度和重要水平。熵权法的基本思路是根据指标的信息量多少和不确定程度大小来确定其权重。指标提供的信息量越多,不确定性程度就越小,熵也就越小,从而该指标在综合评价中的权重越大;反之,则熵就越大,权重也就越小。
理想解法是一种对多目标系统进行排序、评价和决策的有效方法,近年来在被广泛应用于电力系统中的优化决策问题。理想解法通过构造多目标问题的“理想解”和“负理想解”对方案进行评价。“理想解”是针对问题所设想的最好的解,其各项指标值均取所有候选方案中最好的值,“负理想解”是所设想的最差的解,其各项指标值均取所有候选方案中最差的值[26-27]。根据候选方案的贴近度可对方案作出相对重要性评价。然而,传统理想解法指标权重的求取通常采用的层次分析法、德尔菲法等专家赋权方法,导致其指标权重确定的主观随意性较强,易受专家偏好的影响。
模糊综合评价方法是基于模糊理论的综合评价方法。其通过构建模糊评价集和选取合适的隶属度函数对待评估对象进行综合评估。模糊综合评价法能对待评估对象隐藏的模糊性信息作出比较科学、合理和贴近实际的量化评价。该方法的评价结果比较依赖于所选取的模糊权重确定方法。模糊综合评价的难点在于难以确定准确的模糊评价集和隶属度函数。
常用节点重要度评估方法的对比如表2所示。
电力系统中存在大量节点,采用层次分析法评价节点重要度需要两两比较分级指标,数据分析量较大;采用模糊综合评价的难点在于难以精确确定描述各类节点的模糊性的隶属度函数。基于表2的对比,本文结合熵权法和理想解法,提出利用熵权法改进理想解法,构建熵权-理想解法模型对节点的相对重要度进行评估[26]。
表2 节点重要度评估方法对比Tab. 2 Comparisons of various node importance evaluation methods
采用熵权-理想解法对节点的相对重要度评价的主要步骤如下。
2.2 第一阶段：核心骨干网架的负荷节点优化模型
核心骨干网架的第一阶段优化模型主要针对原网架G0的负荷节点进行优化。为满足拓扑配置合理以及网架连通性的要求,并且使网架的支路数尽可能少,第一阶段模型以线路数最少、负荷节点的重要度最大为目标构建一个包含全部重要负荷节点以及部分线路的连通子网架,记该子网架为G。若直接考虑使网架G的节点重要度最大,则目标函数复杂且较难求解。由于核心骨干网架的负荷节点重要度最大的含义即为未包含在核心骨干网架内的负荷节点的重要度最小,因此,可将第一阶段的网架优化模型表示为
式中：(i,j)∈G0表示线路i-j属于原网架G0。αi−jαi−j为线路i-j的投入状态,当网架G包含线路i-j时,αi−jαi−j=1,否则αi−jαi−j=0。βkβk为负荷节点k的切除状态,当网架G包含负荷节点k时,βkβk=0,否则βkβk=1。λ1为折衷系数,表示对节点重要度和线路数目的折衷程度。λ1在实际使用时应结合所优化得到的节点重要度分布程度和决策人员对节点重要度以及线路数目的重视程度取值。由于到本文优化得到的大部分负荷节点重要度的取值在0.2到0.6之间(如附录B表B1所示),λ1可在[2, 5]之间选取。FL,kFL,k表示负荷节点k的重要度。SL表示负荷节点集合。式(8)考虑了线路数和负荷节点的重要程度,能够在一定程度上保证得到的核心骨干网架满足拓扑结构配置合理的要求。
式(8)应满足连通性约束,若采用指示函数表示网架的连通性,则第一阶段的网架优化模型可表示为
式中：IC(G)为指示函数,当网架G连通时,IC(G)=0;否则IC(G)=+∞。
2.3 第二阶段：核心骨干网架的电源节点优化模型
第二阶段核心骨干网架优化模型主要针对电源节点进行优化。得到包括全部重要负荷节点的第一阶段连通子网架G后,可进行第二阶段核心骨干网架的电源节点优化：在网架G的基础上,根据电源节点的重要性排序和约束条件添加一定数目的电源节点和线路,进一步得到最终目标网架GF(即核心骨干网架)。由于水电机组具有良好的调峰调频性能,并且其能够作为电力系统大停电后的主要黑启动电源,因此水电机组在核心骨干网架优化时应全部予以保留;而保留哪一个间歇性能源、保留多少输出功率的间歇性能源在优化时应根据间歇性能源的节点重要度和穿透功率极限确定;至于保留哪一个常规火电机组、保留多少容量的常规火电机组在优化时应根据常规火电机组的节点重要度以及备用功率需求、水电机组容量和间歇性能源输出功率来确定。可见,核心骨干网架中常规火电机组的确定须以间歇性功率的确定为前提。因此,应先确定间歇性能源功率,再确定常规机组的功率。
综上所述,在第二阶段核心骨干网架优化时,应在满足核心骨干网架的IES穿透功率极限约束的前提下优化所需投入的IES节点,然后再根据备用约束和安全约束确定所需投入的常规机组;在投入电源节点的同时,亦应兼顾电源节点的位置,即考虑电源节点的投入所导致的线路数目的增加量。据此可构造第二阶段核心骨干网架优化的目标函数为
式中：p∈G0表示电源节点p属于原网架G0;FS,p为电源节点p的重要度;κp为电源节点的投入状态,若电源节点被选入核心骨干网架,则κp=1,否则,κp=0;λ2λ2为线路权重调整系数,lp-G为电源节点p到子网架G的最少线路数。调整系数λ2λ2意味着在选择电源节点时并不一定选择距离网架G最近的电源节点,即通过λ2λ2可调节加入电源节点后所引起的到G的线路数目的增加量的重视程度。λ2λ2越大,表示在进行核心骨干网架优化时更关注投入电源节点引起的线路数目增加量;反之,λ2λ2越小,表示在进行核心骨干网架优化时更不关注投入电源节点引起的线路数目增加量。
第二阶段的网架优化应满足如下约束。
1）IES穿透功率极限约束。
其中：式(11)为风电的穿透功率极限约束;SWF和SLF分别为核心骨干网架的风电场节点集合和负荷节点集合;γWγW为核心骨干网架中风电的穿透功率极限;γW0γW0为原网架中风电的穿透功率极限;PL,i(t)PL,i(t)为t时刻负荷节点i的有功功率;PW,p(t)PW,p(t)为风电场p在时刻t的输出功率。式(12)为光伏发电的穿透功率极限约束,SPF为核心骨干网架的光伏电站节点集合;γPγP为核心骨干网架的光伏发电的穿透功率极限;γP0γP0为原网架的光伏发电的穿透功率极限;PP,p(t)PP,p(t)为光伏电站p在时刻t的输出功率。需要指出的是,由于核心骨干网架的穿透功率极限在网架确定前难以精确计算,此处的γWγW和γPγP可认为是电网决策者根据电网的历史运行参数对所要优化的网架的参数进行预测和估计的结果。
2）备用约束。
构建核心骨干网架的目的就是为了防止和减弱灾害条件对电网的影响。通过优化得到的核心骨干网架对电网相应元件加固,以提高电网抵御自然灾害条件的能力。电力系统实际运行中,通常需要设置一定的备用容量以保证供电可靠性和良好的电能质量。此外,自然灾害条件可能对电网产生冲击和影响,并且可能对可再生能源的出力产生影响。因此,在对核心骨干网架优化之前,应综合电网面临的灾害情况、类型和程度,设置相应的备用水平。通过设置合理的备用水平,优化得到的核心骨干网架应具有相当规模的常规机组,以应对灾害条件可能导致的可再生能源出力不确定性问题。核心骨干网架优化的备用约束可表示为：
式中：SCF为核心骨干网架的常规机组节点集合;PR(t)为t时刻系统的负荷备用功率;PNC,pPC,pN为常规机组p的额定功率(或最大技术出力,本文认为最大技术出力等于额定功率);PmC,pPC,pm为常规机组p的最小技术出力。
此外,核心骨干网架在任意时刻还应满足等式约束(如潮流约束、功率平衡约束等)和不等式约束(如发电机出力约束、线路热稳定极限约束)等。这些约束可统一表示为
式中x为状态变量向量,包括节点电压、发电机功率等。
通过求解所提出的两阶段核心骨干网架优化模型(9)—(16)即可得到高比例可再生能源电力系统的核心骨干网架。需要说明的是,本文所提出的两阶段核心骨干网架优化策略主要针对原网架为高比例可再生能源的电力系统,所优化出的核心骨干网架并不一定含高比例可再生能源。由于所提出的核心骨干网架优化的第一阶段模型要求在包含指定节点的基础上构造一个连通子图,其本质上是一个斯坦纳树(Steiner tree),为一NP难(non- deterministic polynomial hard)问题,目前学术界暂无有效求解方案[30]。因此本文采用蜂群算法进行第一阶段模型的优化。蜂群算法是一种模拟蜜蜂采蜜机理的群体随机搜索算法,可用于求解整数规划等问题,其基本原理可参考文献[31]。第一阶段核心骨干网架优化的简要步骤如下：
①设置迭代次数,将目标函数(8)设置为适应度函数,并初始化蜂群。
②进行核心骨干网架优化的第一阶段网架搜索,计算适应度函数值。
③若搜索得到的网架连通,则进行下一次迭代。
④若搜索得到的网架不连通,则根据图论的Dijkstra算法补充不连通子图间的最短路径,修复不连网架以使之连通,然后重新计算适应度函数;进行下一次迭代。
⑤若达到迭代次数,迭代终止,输出核心骨干网架第一阶段优化结果;否则,继续执行②、③和④。
核心骨干网架优化的第二阶段模型是一个非线性整数规划问题,可采用蜂群算法结合贪心策略求解,即在满足约束的前提下按照各类型电源节点的排序逐次加入电源节点,直至目标函数最大或者达到迭代次数为止。
3.算例分析
采用修改后的IEEE-118节点说明本文提出的高比例可再生能源电力系统两阶段核心骨干网架优化策略。修改后的IEEE-118节点包括18个火电机组,2个水电机组,14个风电场,15个光伏电站,系统的拓扑结构如图2所示。源荷参数如附录表B1—表B5所示。负荷功率、风电场出力、光伏电站出力如附录图B1所示。重要负荷节点参考文献[4],重要负荷节点和水电机组节点在核心骨干网架中必须予以保留,可将其重要度设置为一个较大的数值。重要负荷节点在拓扑图中的位置如附录图B2所示。原网架的风电和光伏的穿透功率极限分别为35%和10%,核心骨干网架的风电和光伏的穿透功率极限分别为25%和7%。折衷系数λ1λ1=4,线路权重调整系数λ2λ2=0.5。负荷备用功率取为负荷功率的0.2倍。蜂群算法求解时,其种群数量为30,迭代次数为100次。
图2 IEEE-118节点系统Fig. 2 Diagram of the IEEE-118 bus system
根据IEEE-118节点的网架参数可求得各类型节点的相对重要度,如表3所示为部分节点的相对重要度,完整的节点相对重要度结果如附录B表B1—表B4所示。表3中,节点编号由2部分组成,即“字母+数字”,字母L、W、P和T分别表示负荷节点、风电场节点、光伏电站节点和火电机组节点,数字为图2中的节点编号。RL(relative importance)表示相对重要度。
根据表3的节点相对重要度结果,采用式(10)优化得到如图3所示的第一阶段子网架,该网架含70条线路、65个节点。图3中,红色标记的线路和节点为优化得到的第一阶段子网架。
第一阶段核心骨干网架优化仅针对重要负荷节点进行了优化,构建了一个连通子网架。在此子网架基础上,可进行第二阶段核心骨干网架的电源节点优化。根据电源节点相对重要度和核心骨干网架的第二阶段优化模型可得到最终的核心骨干网架如图4所示。图4中,红色标记的节点代表核心骨干网架的重要负荷或电源,红色标记的边代表核心骨干网架中的线路,部分线路连接的节点并未标红,如节点30和节点37等,这里称之为冗余节点。冗余节点虽然保留在核心骨干网架中,但是并不保障不中断对其负荷的供电,冗余节点主要承担着连接网架的作用。当高比例可再生能源电力系统的功率充足时,可向冗余节点的负荷供电。此外,由于在核心骨干网架优化时充分考虑到了节点相对重要度信息,将冗余节点保留在核心骨干网架中亦有利于灾害过后依靠核心骨干网架恢复整个网络。
图4 含高比例可再生能源的IEEE-118节点系统的核心骨干网架Fig. 4 Core backbone network of the IEEE-118 bus system with high proportion of renewable energy
优化得到的核心骨干网架包含76条输电线路,对其加强建设可以提高系统对重要负荷的供电可靠性。假设该含高比例可再生能源的IEEE-118节点系统遭受自然灾害袭击,故障停电时间约为1天。设遭受灾害袭击时,加强建设后的核心骨干网架线路发生跳闸停电的概率为5%,而没有加强建设的核心骨干网架线路必然跳闸停电。不同数目线路跳闸后重要负荷的损失程度如表4所示。
负荷损失量期望。本文重复10次上述过程并取平均值以求取LR。由于Kn大于10时Pa极小,因此Kn大于10的仿真结果并未列出。
由表4可见,随着跳闸线路数目Kn的增加,故障概率Pa先增加后降低。当Kn大于3时,Pa越来越小并逐渐趋于零,即核心骨干网架能够有效地降低发生多条线路跳闸的故障的概率。随着跳闸线路数目的增加,重要负荷损失量应逐渐增加,然而,由于故障概率Pa在Kn大于3逐渐递减,负荷损失量期望值LR在Kn大于5也呈现出逐渐递减的趋势。这说明了核心骨干网架能够有效地降低重要负荷损失的期望值。通过以上算例结果可知,所构建的核心骨干网架能够有效地降低发生较多线路跳闸停电的故障的概率,减少重要负荷损失的期望值,故能够有效地提高电力系统的供电可靠性。
在所构建的高比例可再生能源电力系统核心骨干网架中,水电、风电和光伏发电的最大功率占比分别为12.24%、21.56%和6.71%,其电能占比分别为12.67%、11.18%和2.71%。可见,所构建的高比例可再生能源电力系统的核心骨干网架具有较高的可再生能源的渗透率和利用率,从而进一步验证了本文两阶段网架优化策略的合理性与有效性。
4.结论
结合高比例可再生能源电力系统具有高IES渗透率的特点,分析了高比例可再生能源电力系统的核心骨干网架的特征,并充分考虑负荷节点、风电场节点、光伏电站节点以及常规机组节点的拓扑特性和电气参数,分别构建其相对重要度评价指标。根据节点相对重要度,提出了含高比例可再生能源的电力系统的两阶段核心骨干网架优化策略：第一阶段模型针对重要负荷节点进行网架优化得到一个包含重要负荷节点和线路的连通子网架;第二阶段模型针对电源节点进行优化得到包含风电场、光伏电站和常规机组的核心骨干网架。修改后的IEEE-118节点仿真算例表明：该策略优化得到的核心骨干网架能够保障对重要负荷的供电,并且其具有较高的可再生能源渗透率与利用率。
原标题：浙江大学赵昱宣、韩畅、林振智、杨莉等：含可再生能源的电力系统两阶段核心骨干网架优化策略
