CN111861256A - 一种主动配电网重构决策方法及系统 - Google Patents
一种主动配电网重构决策方法及系统 Download PDFInfo
- Publication number
- CN111861256A CN111861256A CN202010749759.5A CN202010749759A CN111861256A CN 111861256 A CN111861256 A CN 111861256A CN 202010749759 A CN202010749759 A CN 202010749759A CN 111861256 A CN111861256 A CN 111861256A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- decision tree
- decision
- historical data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000013138 pruning Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种主动配电网重构决策方法及系统，其特征在于，包括以下内容：1)对历史数据集进行预处理，其中，历史数据集包括每次配电网重构时的全网潮流数据及其对应的重构方案；2)对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值；3)对分段赋值后的历史数据集中每一全网潮流数据对应的重构方案进行编号；4)根据编号后的历史数据集，采用CART算法构建决策树，并对构建的决策树进行检验和剪枝；5)对检验和剪枝后的决策树进行解析，得到用于选择配电网重构方案的决策规则；6)根据实时测量的待测配电网全网潮流数据和得到的决策规则，确定待测配电网的重构方案，本发明可广泛用于配电网技术领域中。
Description
技术领域
本发明是关于一种主动配电网重构决策方法及系统，属于配电网技术领域。
背景技术
配电网正常运行重构是传统配电网中优化网络运行、提升配电网运行的安全性和经济性的一种重要手段，它通过改变配电网中各个分段开关与联络开关的开闭状态，优化配电网的网络拓扑结构，以实现降低网损、经济性最优、提升供电可靠性等优化目标。在分布式电源(Distributed Generation，DG，不经过中央集中调控的电力能源，一般情况下，与配电网进行相连，发电规模通常较小，安装地点靠近，满足客户生产生活的用电需求)大规模接入配电网的背景下，配电网重构模型需要考虑加入DG模型，而由于DG随机波动性较强，加入DG模型将大大增加算法的求解难度，因此，研究含DG的主动配电网重构策略具有重要的现实意义。
传统配电网重构策略主要采用数学规划方法、启发式算法和人工智能算法三类算法，主动配电网重构策略研究主要是在传统配电网重构策略的基础上加入DG模型，并对算法加以改进。现有技术公开一种基于二进制量子粒子群算法的含分布式电源配电网重构，通过二进制量子粒子群算法求解重构模型，以提高全局搜索能力和收敛速度，通过引入遗传算法的交叉和变异操作解决早熟问题，并提出一种对不可行解的处理方式。现有技术公开一种考虑新能源与电动汽车接入下的主动配电网重构策略，构建一种考虑风电和电动汽车随机性的配电网重构模型，通过线性化潮流求解方法简化模型，最后采用改进的生物地理学优化算法求最优解。现有技术公开一种含多种分布式电源的配电网重构优化方法，考虑风电等DG的功率随机波动性和水轮机等DG的功率可调性，采用邻域搜索与免疫算法结合的邻域搜索免疫算法，以网损期望最小作为目标实现优化。现有技术还公开一种基于遗传膜算法的含风电机组和电动汽车的配电网分时段动态重构方法，考虑从风电机组处的成本、随机波动性成本等电网运行成本，以经济性最优作为优化目标，将遗传算法和膜计算结合起来求解重构模型，针对算法早熟问题作出了改进。
可以看出，目前已有的对主动配电网重构决策方法的研究多集中于人工智能算法上，但是，大多研究集中于模型的建立与求解算法，需要求解复杂的模型，且缺乏对挖掘配电网运行参数与重构方案选择之间隐含函数关系的研究。
发明内容
针对上述问题，本发明的目的是提供一种无需求解复杂模型的主动配电网重构决策方法及系统。
为实现上述目的，本发明采取以下技术方案：一种主动配电网重构决策方法，包括以下内容：
1)对历史数据集进行预处理，其中，历史数据集包括每次配电网重构时的全网潮流数据及其对应的重构方案；
2)对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值；
3)对分段赋值后的历史数据集中每一全网潮流数据对应的重构方案进行编号；
4)根据编号后的历史数据集，采用CART算法构建决策树，并对构建的决策树进行检验和剪枝；
5)对检验和剪枝后的决策树进行解析，得到用于选择配电网重构方案的决策规则；
6)根据实时测量的待测配电网全网潮流数据和得到的决策规则，确定待测配电网的重构方案。
进一步地，所述全网潮流数据包括各电压节点的节点电压幅值与相角，以及各条线路传输的有功功率与无功功率。
进一步地，所述步骤2)中采用下述公式，对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值：
其中，k表示分段赋值所得值；INT表示取整函数；i表示全网潮流数据的某个参数，例如节点电压幅值U；imin表示该参数设定的最小限值；iunit表示该参数的分段标度。
进一步地，所述步骤4)的具体过程为：
4.1)随机抽取编号后的历史数据集中70％～90％的数据记录组成训练集，将随机抽取后历史数据集中剩余的数据记录组成测试集；
4.2)采用CART分类树算法，根据训练集，构建决策树；
4.3)根据测试集，对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树。
进一步地，所述步骤4.3)的具体过程为：
a)将测试集中某一数据记录的全网潮流数据输入至构建的决策树，决策树输出一种重构方案；
b)若该重构方案与测试集中的该数据记录对应的重构方案一致，则分类正确；反之，则分类不正确；
c)重复所述步骤a)～b)，直至测试集中的所有数据记录均输入至构建的决策树；
d)根据测试集中分类正确的数据记录，确定构建的决策树的分类准确率：
分类准确率＝测试集中分类正确的数据记录数/总数据记录数
e)若决策树子树的分类准确率低于决策树中单一叶节点的分类准确率，则采用叶节点替换该子树，得到检验和剪枝后的决策树。
进一步地，所述待测配电网的全网潮流等数据采用同步相量测量装置实时测量。
一种主动配电网重构决策系统，包括：
预处理模块，用于对历史数据集进行预处理，其中，历史数据集包括每次配电网重构时的全网潮流数据及其对应的重构方案；
分段赋值模块，用于对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值；
编号模块，用于对分段赋值后的历史数据集中每一全网潮流数据对应的重构方案进行编号；
决策树构建模块，用于根据编号后的历史数据集，采用CART算法构建决策树，并对构建的决策树进行检验和剪枝；
决策规则确定模块，用于对检验和剪枝后的决策树进行解析，得到用于选择配电网重构方案的决策规则；
重构方案确定模块，用于根据实时测量的待测配电网全网潮流数据和得到的决策规则，确定待测配电网的重构方案。
进一步地，所述决策树构建模块包括：
数据集抽取单元，用于随机抽取编号后的历史数据集中70％～90％的数据记录组成训练集，将随机抽取后历史数据集中剩余的数据记录组成测试集；
决策树构建单元，用于采用CART分类树算法，根据训练集，构建决策树；
检验和剪枝单元，用于根据测试集，对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树。
一种处理器，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现主动配电网重构决策方法对应的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现主动配电网重构决策方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：本发明针对现有的主动配电网重构存在的问题，从挖掘配电网全网潮流等运行参数数据与重构方案选择之间的隐含函数关系的角度，提出一种基于CART(分类回归树)的主动配电网重构决策方法及系统，从历史数据库中挖掘出配电网全网潮流等数据与重构方案选择之间隐含的决策规则，并通过测试集验证所构建出来的决策树的准确性，进而能够通过获取的决策规则，配合PMU(PhasorMeasurement Unit，同步相量测量装置)实时测量的配电网的全网潮流数据，实现配电网重构方案的决策，可以广泛应用于配电网技术领域中。
附图说明
图1是本发明实施例中构建的决策树的示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。
本发明提供的主动配电网重构决策方法，包括以下步骤：
1)从历史数据库中获取每次配电网重构时的全网潮流数据及其对应的重构方案(例如配电网中a支路开关闭合、b支路开关断开)，组成一个历史数据集X。其中，全网潮流数据包括各电压节点的节点电压幅值U与相角φ，以及各条线路传输的有功功率P与无功功率Q等参数。
2)对历史数据集X进行预处理，删除历史数据集X中存在缺失节点电压幅值U的全网潮流数据，得到预处理后的历史数据集X。
3)对预处理后的历史数据集X中每一全网潮流数据的各参数分别进行分段赋值，将精度较高的数据进行区间分段，使得将精度较高的数据分段转换为精度较低的数据：
其中，k表示分段赋值所得值；INT表示取整函数；i表示全网潮流数据的某个参数，例如节点电压幅值U；imin表示该参数设定的最小限值；iunit表示该参数的分段标度。
4)采用字母编号或数字编号等方式，对分段赋值后的历史数据集X中每一全网潮流数据对应的重构方案进行编号。
5)随机抽取编号后的历史数据集X中70％～90％的数据记录组成历史数据子集X1即训练集，将随机抽取后历史数据集X中剩余的数据记录组成历史数据子集X2即测试集。
6)采用CART分类树算法，根据历史数据子集X1，构建决策树。其中，CART分类树算法为现有技术公开的方法，CART分类树算法采用基尼系数代替信息增益比，基尼系数代表模型的不纯度，基尼系数越小，不纯度越低，则特征越好，这与信息增益(比)相反，CART分类树算法的具体过程为：
假设K个类别，第k个类别的概率为pk，概率分布的基尼系数表达式为：
其中，D为样本；
为样本D中第k种类别出现的概率；|D|为样本D的个数；|Ck|为具有第k种类别特性的样本个数。
根据特征A的某个值a，将样本D分成|D1|和|D2|，则在特征A的条件下，样本D的基尼系数表达式为：
算法输入为训练集D，基尼系数的阈值，样本个数阈值，输出为决策树T。算法从根节点开始，采用训练集D递归的建立决策树：
①对于当前节点的训练集D，如果样本个数小于阈值或没有特征，则返回决策子树，当前节点停止递归。
②计算训练集D的基尼系数，如果基尼系数小于阈值，则返回决策树子树，当前节点停止递归。
③计算当前节点现有的各个特征的各个特征值对训练集D的基尼系数。
④在计算出的各个特征的各个特征值对训练集D的基尼系数中，选择基尼系数最小的特征和对应的特征值作为最优特征和最优特征值，根据该最优特征和最优特征值，将数据集D划分成两部分D1和D2，同时建立当前节点的左右节点，其中，左节点的数据集D为D1，右节点的数据集D为D2。
⑤对左右的子节点递归的调用步骤①至④，生成决策树。
对生成的决策树进行预测时，假如测试集内的某一样本落到某一叶子节点，而节点内包括多个训练样本，则对于该样本的类别预测采用的是该叶子节点内概率最大的类别。
7)根据历史数据子集X2，对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树，具体为：
7.1)将历史数据子集X2中某一数据记录的全网潮流数据输入至构建的决策树，决策树输出一种重构方案。
7.2)若该重构方案与历史数据子集X2中的该数据记录对应的重构方案一致，则分类正确；反之，则分类不正确。
7.3)重复步骤7.1)～7.2)，直至历史数据子集X2中的所有数据记录均输入至构建的决策树。
7.4)根据历史数据子集X2中分类正确的数据记录，确定构建的决策树的分类准确率：
分类准确率＝历史数据子集X2中分类正确的数据记录数/总数据记录数(4)
7.5)若决策树子树的分类准确率低于决策树中单一叶节点的分类准确率，则采用叶节点替换该子树，即进行剪枝，得到检验和剪枝后的决策树：
采用训练集X1训练决策树，决策树中的某一叶节点由于未满足停止训练的条件，会被扩展训练为决策树子树，但是，当采用测试集X2对训练得到的决策树进行测试时，使用叶节点进行测试集X2的分类准确率可能反而比对该叶节点扩展训练得到的决策树子树的分类准确率更高，这时需要将该子树剪掉，留下叶节点，称为剪枝。
8)对检验和剪枝后的决策树进行解析，即将检验和剪枝后的决策树采用文字进行描述，得到用于选择配电网重构方案的决策规则。
9)根据PMU实时测量的待测配电网的全网潮流数据和得到的决策规则，确定待测配电网的重构方案。
同步相量测量装置是利用全球定位系统(GPS)秒脉冲作为同步时钟构成的相量测量单元，可用于测量电力系统枢纽点的电压相位和电流相位等相量数据，通过通信网将测量的相量数据发送至监测主站。
下面以10kV配电网的DIgSILENT仿真模型为具体实施例详细说明本发明的主动配电网重构决策方法：
1)考虑配电网所接入DG的快速变化性和波动性，假设仿真模型中DG的接入情况如下表1所示：
表1：仿真模型DG接入情况
考虑负荷水平的变化，假设仿真模型中节点负荷的变化情况如下表2所示：
表2：仿真模型节点负荷变化情况
考虑DG接入位置、DG接入容量、负荷水平等的不同，按照上述DG接入情况与负荷变化情况，得到12×7＝84个全网潮流数据及其对应的重构方案，组成构建CART决策树的历史数据集。通过网损最小优化目标函数以及约束条件联合求解，得出每个样本所对应的电网运行状况时使网损最小化的重构方案。对全部样本进行求解，得到总共3种重构方案，分别为：保持原状，即支路4-5开关保持断开状态；支路4-5开关闭合，支路3-4开关断开；支路4-5开关闭合，支路2-3开关断开。采用编号A、B、C表示上述3种重构方案，并将全部样本和对应的重构方案组成历史数据集X。
2)对历史数据集X进行预处理，删除历史数据集X中存在缺失值的数据记录。
3)对预处理后的历史数据集X中每一全网潮流数据内的各参数均进行分段赋值：
①取节点电压幅值U的最小限值为9.3kV，节点电压幅值U的分段标度为0.05kV，即按照每0.05kV为一个数据段将9.3kV～10kV划分为14个数据段，分别赋值为1～14。
②历史数据集X中节点电压相角最大值和最小值分别为0.660865°和-1.539582°，则取节点电压相角的最小限值φminUunit为-1.55°，分段标度φuint为0.1°。
③历史数据集X中线路传输的有功功率P的最大值和最小值分别为2.010684MW和-1.009895MW，则取线路传输的有功功率P的最小限值Pmin为-1.1MW，线路传输的有功功率P的分段标度为0.1MW。
④历史数据集X中线路传输的无功功率Q的最大值和最小值分别为1.084521Mvar和-0.687234Mvar，则取线路传输的无功功率Q的最小限值Qmin为-0.7Mvar，线路传输的无功功率Q的分段标度为0.1Mvar。
4)采用字母编号的方式，对分段赋值后的历史数据集X中每一全网潮流数据对应的重构方案。
5)随机抽取编号后的历史数据集X中90％的数据记录组成历史数据子集X1，将随机抽取后历史数据集X中剩余的数据记录组成历史数据子集X2。
6)采用CART分类树算法，根据历史数据子集X1，构建决策树，如图1所示。
7)根据历史数据子集X2，对构建的决策树进行检验和剪枝，历史数据子集X2按照下表3和表4所示建立，得到3×3＝9个历史数据子集X2的数据记录：
表3：历史数据子集X2DG接入情况
表4：历史数据子集X2节点负荷变化情况
通过历史数据子集X2对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树。
8)对检验和剪枝后的决策树进行解析，本实施例采用节点电压偏差表示节点电压幅值的解析方式，从检验和剪枝后的决策树中，得到下述决策规则：
①当节点4电压偏差≥2.5％且节点2电压相角≤-0.45°时，选择重构方案B(支路4-5开关断开，支路3-4开关闭合)可以使网损最小化。
②当节点4电压偏差≥3％、节点2电压相角＞-0.45°且节点5电压相角≤0.05°时，选择重构方案C(支路4-5开关断开，支路2-3开关闭合)可以使网损最小化。
③当节点4电压偏差≥3％、节点2电压相角＞-0.45°且节点5电压相角＞0.05°时，选择重构方案B可以使网损最小化。
④当2.5％≤节点4电压偏差＜3％且节点2电压相角＞-0.45°时，选择重构方案B可以使网损最小化。
⑤当节点4电压偏差＜2.5％、节点4电压相角≤-0.45°且节点5电压相角≤-0.15°时，选择重构方案A(保持原状，即支路4-5开关保持断开状态)可以使网损最小化。
⑥当节点4电压偏差＜2.5％、节点4电压相角≤-0.45°且节点5电压相角＞-0.15°时，选择重构方案B可以使网损最小化。
⑦当节点4电压偏差＜2.5％且节点4电压相角＞-0.45°时，选择重构方案A可以使网损最小化。
9)通过PMU对电网运行状况进行实时监测后，根据实时监测所得的节点4的电压偏差和相角，节点2的电压相角和节点5的电压相角等关键特征的数据，结合得到的决策规则，快速判断出哪一种重构方案能够满足优化目标和约束条件的要求，实现配电网重构方案的决策。
基于上述主动配电网重构决策方法，本发明还提供一种主动配电网重构决策系统，包括：
预处理模块，用于对历史数据集进行预处理，其中，历史数据集包括每次配电网重构时的全网潮流数据及其对应的重构方案；
分段赋值模块，用于对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值；
编号模块，用于对分段赋值后的历史数据集中每一全网潮流数据对应的重构方案进行编号；
决策树构建模块，用于根据编号后的历史数据集，采用CART算法构建决策树，并对构建的决策树进行检验和剪枝；
决策规则确定模块，用于对检验和剪枝后的决策树进行解析，得到用于选择配电网重构方案的决策规则；
重构方案确定模块，用于根据实时测量的待测配电网全网潮流数据和得到的决策规则，确定待测配电网的重构方案。
在一个优选的实施例中，决策树构建模块包括：
数据集抽取单元，用于随机抽取编号后的历史数据集中70％～90％的数据记录组成训练集，将随机抽取后历史数据集中剩余的数据记录组成测试集；
决策树构建单元，用于采用CART分类树算法，根据训练集，构建决策树；
检验和剪枝单元，用于根据测试集，对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树。
基于上述主动配电网重构决策方法，本发明还提供一种处理器，包括计算机程序指令，其中，计算机程序指令被处理器执行时用于实现上述主动配电网重构决策方法对应的步骤。
基于上述主动配电网重构决策方法，本发明还提供一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序指令，其中，计算机程序指令被处理器执行时用于实现上述主动配电网重构决策方法对应的步骤。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (10)
1.一种主动配电网重构决策方法，其特征在于，包括以下内容：
1)对历史数据集进行预处理，其中，历史数据集包括每次配电网重构时的全网潮流数据及其对应的重构方案；
2)对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值；
3)对分段赋值后的历史数据集中每一全网潮流数据对应的重构方案进行编号；
4)根据编号后的历史数据集，采用CART算法构建决策树，并对构建的决策树进行检验和剪枝；
5)对检验和剪枝后的决策树进行解析，得到用于选择配电网重构方案的决策规则；
6)根据实时测量的待测配电网全网潮流数据和得到的决策规则，确定待测配电网的重构方案。
2.如权利要求1所述的一种主动配电网重构决策方法，其特征在于，所述全网潮流数据包括各电压节点的节点电压幅值与相角，以及各条线路传输的有功功率与无功功率。
3.如权利要求1所述的一种主动配电网重构决策方法，其特征在于，所述步骤2)中采用下述公式，对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值：
其中，k表示分段赋值所得值；INT表示取整函数；i表示全网潮流数据的某个参数，例如节点电压幅值U；imin表示该参数设定的最小限值；iunit表示该参数的分段标度。
4.如权利要求1所述的一种主动配电网重构决策方法，其特征在于，所述步骤4)的具体过程为：
4.1)随机抽取编号后的历史数据集中70％～90％的数据记录组成训练集，将随机抽取后历史数据集中剩余的数据记录组成测试集；
4.2)采用CART分类树算法，根据训练集，构建决策树；
4.3)根据测试集，对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树。
5.如权利要求4所述的一种主动配电网重构决策方法，其特征在于，所述步骤4.3)的具体过程为：
a)将测试集中某一数据记录的全网潮流数据输入至构建的决策树，决策树输出一种重构方案；
b)若该重构方案与测试集中的该数据记录对应的重构方案一致，则分类正确；反之，则分类不正确；
c)重复所述步骤a)～b)，直至测试集中的所有数据记录均输入至构建的决策树；
d)根据测试集中分类正确的数据记录，确定构建的决策树的分类准确率：
分类准确率＝测试集中分类正确的数据记录数/总数据记录数
e)若决策树子树的分类准确率低于决策树中单一叶节点的分类准确率，则采用叶节点替换该子树，得到检验和剪枝后的决策树。
6.如权利要求1所述的一种主动配电网重构决策方法，其特征在于，所述待测配电网的全网潮流等数据采用同步相量测量装置实时测量。
7.一种主动配电网重构决策系统，其特征在于，包括：
预处理模块，用于对历史数据集进行预处理，其中，历史数据集包括每次配电网重构时的全网潮流数据及其对应的重构方案；
分段赋值模块，用于对预处理后的历史数据集中每一全网潮流数据的各参数分别进行分段赋值；
编号模块，用于对分段赋值后的历史数据集中每一全网潮流数据对应的重构方案进行编号；
决策树构建模块，用于根据编号后的历史数据集，采用CART算法构建决策树，并对构建的决策树进行检验和剪枝；
决策规则确定模块，用于对检验和剪枝后的决策树进行解析，得到用于选择配电网重构方案的决策规则；
重构方案确定模块，用于根据实时测量的待测配电网全网潮流数据和得到的决策规则，确定待测配电网的重构方案。
8.如权利要求7所述的一种主动配电网重构决策系统，其特征在于，所述决策树构建模块包括：
数据集抽取单元，用于随机抽取编号后的历史数据集中70％～90％的数据记录组成训练集，将随机抽取后历史数据集中剩余的数据记录组成测试集；
决策树构建单元，用于采用CART分类树算法，根据训练集，构建决策树；
检验和剪枝单元，用于根据测试集，对构建的决策树进行检验和剪枝，得到检验和剪枝后的决策树。
9.一种处理器，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-6中任一项所述的主动配电网重构决策方法对应的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-6中任一项所述的主动配电网重构决策方法对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010749759.5A CN111861256B (zh) | 2020-07-30 | 2020-07-30 | 一种主动配电网重构决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010749759.5A CN111861256B (zh) | 2020-07-30 | 2020-07-30 | 一种主动配电网重构决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861256A true CN111861256A (zh) | 2020-10-30 |
| CN111861256B CN111861256B (zh) | 2024-05-14 |
Family
ID=72946760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010749759.5A Active CN111861256B (zh) | 2020-07-30 | 2020-07-30 | 一种主动配电网重构决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861256B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487033A (zh) * | 2020-11-30 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 一种面向数据流及构建网络拓扑的业务可视化方法及系统 |
| CN113496255A (zh) * | 2021-05-31 | 2021-10-12 | 四川大学 | 基于深度学习与决策树驱动的配电网混合观测布点方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631525A (zh) * | 2014-10-28 | 2016-06-01 | 国家电网公司 | 区域配电网优化运行系统 |
| CN106803677A (zh) * | 2017-04-11 | 2017-06-06 | 四川大学 | 一种基于分布式电源的主动配电网电压管控方法及系统 |
| CN107679768A (zh) * | 2017-10-25 | 2018-02-09 | 中国南方电网有限责任公司 | 一种基于电网实时数据的态势感知系统及其构建方法 |
| CN109193652A (zh) * | 2018-10-30 | 2019-01-11 | 贵州电网有限责任公司 | 一种基于态势感知的含分布式电源的配电网故障自愈系统 |
| CN109840717A (zh) * | 2019-02-25 | 2019-06-04 | 南昌大学 | 一种含分布式电源的配电网线性潮流计算方法 |
| CN110659693A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 |
| CN110889544A (zh) * | 2019-11-20 | 2020-03-17 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| CN111342461A (zh) * | 2020-03-30 | 2020-06-26 | 国网福建省电力有限公司 | 一种考虑网架动态重构的配电网优化调度方法及系统 |
| CN111416359A (zh) * | 2020-04-20 | 2020-07-14 | 国网上海市电力公司 | 一种考虑加权潮流熵的配电网络重构方法 |
| WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析系统及方法 |
-
2020
- 2020-07-30 CN CN202010749759.5A patent/CN111861256B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631525A (zh) * | 2014-10-28 | 2016-06-01 | 国家电网公司 | 区域配电网优化运行系统 |
| CN106803677A (zh) * | 2017-04-11 | 2017-06-06 | 四川大学 | 一种基于分布式电源的主动配电网电压管控方法及系统 |
| CN107679768A (zh) * | 2017-10-25 | 2018-02-09 | 中国南方电网有限责任公司 | 一种基于电网实时数据的态势感知系统及其构建方法 |
| CN109193652A (zh) * | 2018-10-30 | 2019-01-11 | 贵州电网有限责任公司 | 一种基于态势感知的含分布式电源的配电网故障自愈系统 |
| WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析系统及方法 |
| CN109840717A (zh) * | 2019-02-25 | 2019-06-04 | 南昌大学 | 一种含分布式电源的配电网线性潮流计算方法 |
| CN110659693A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 |
| CN110889544A (zh) * | 2019-11-20 | 2020-03-17 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
| CN111342461A (zh) * | 2020-03-30 | 2020-06-26 | 国网福建省电力有限公司 | 一种考虑网架动态重构的配电网优化调度方法及系统 |
| CN111416359A (zh) * | 2020-04-20 | 2020-07-14 | 国网上海市电力公司 | 一种考虑加权潮流熵的配电网络重构方法 |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵晋泉等: "基于数据挖掘的输配网一体化事故响应决策", 《电力系统保护与控制》, pages 1 - 8 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487033A (zh) * | 2020-11-30 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 一种面向数据流及构建网络拓扑的业务可视化方法及系统 |
| CN113496255A (zh) * | 2021-05-31 | 2021-10-12 | 四川大学 | 基于深度学习与决策树驱动的配电网混合观测布点方法 |
| CN113496255B (zh) * | 2021-05-31 | 2023-04-25 | 四川大学 | 基于深度学习与决策树驱动的配电网混合观测布点方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861256B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A data mining approach combining $ K $-means clustering with bagging neural network for short-term wind power forecasting | |
| Sandhu et al. | A comparative study of ARIMA and RNN for short term wind speed forecasting | |
| CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
| CN111861256A (zh) | 一种主动配电网重构决策方法及系统 | |
| CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
| CN110363334A (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
| CN109615109A (zh) | 基于小样本数据的深度学习风电告警信息分析方法 | |
| Jia et al. | Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method | |
| CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
| CN113258567B (zh) | 基于混合聚类算法的电网关键输电断面确定方法及系统 | |
| Yang et al. | Data domain adaptation for voltage stability evaluation considering topology changes | |
| Qi | Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply. | |
| Rosato et al. | Takagi-Sugeno fuzzy systems applied to voltage prediction of photovoltaic plants | |
| CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
| CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
| Fellner et al. | Data driven transformer level misconfiguration detection in power distribution grids | |
| Yuan et al. | A novel hybrid short-term wind power prediction framework based on singular spectrum analysis and deep belief network utilized improved adaptive genetic algorithm | |
| Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
| Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
| Mathenge et al. | A review on Artificial Neural Network models for short term wind power prediction | |
| Liu et al. | A Method for Power System Reliability Assessment Based on BP Neural Network | |
| Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
| Yang et al. | Offshore Wind Power Prediction Based on Variational Mode Decomposition and Long Short Term Memory Networks | |
| Rentería | Improved modelling of microgrid distributed energy resources with machine learning algorithms | |
| CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |