CN111917134B - 一种基于数据驱动的配电网动态自主重构方法及系统 - Google Patents

一种基于数据驱动的配电网动态自主重构方法及系统 Download PDF

Info

Publication number
CN111917134B
CN111917134B CN202010831093.8A CN202010831093A CN111917134B CN 111917134 B CN111917134 B CN 111917134B CN 202010831093 A CN202010831093 A CN 202010831093A CN 111917134 B CN111917134 B CN 111917134B
Authority
CN
China
Prior art keywords
power
node
branch
time
reconstruction
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.)
Active
Application number
CN202010831093.8A
Other languages
English (en)
Other versions
CN111917134A (zh
Inventor
张玉敏
吉兴全
尹孜阳
王金玉
叶平峰
周安平
钟世民
张心怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010831093.8A priority Critical patent/CN111917134B/zh
Publication of CN111917134A publication Critical patent/CN111917134A/zh
Application granted granted Critical
Publication of CN111917134B publication Critical patent/CN111917134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种基于数据驱动的配电网动态自主重构方法及系统，属于配电网重构计算领域，所述方法包括以下步骤：获取电力系统的节点负荷数据以及分布式电源出力数据；将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第一运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第二运行成本；当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变；本公开可以有效地降低运行成本，同时具有较高的鲁棒性并可以在极短的时间内找到最优的重构方案。

Description

一种基于数据驱动的配电网动态自主重构方法及系统
技术领域
本公开涉及配电网重构技术领域，特别涉及一种基于数据驱动的配电网动态自主重构方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
配电网重构(Distribution Network Reconfiguration，DNR)是配电管理系统中的一项重要功能，其目的通常包含最小化网损，提升电能质量及供电可靠度。DNR可以分为两类：静态重构和动态重构(Dynamic Reconfiguration，DR)。静态重构主要用于在恒定负载条件下优化网络拓扑。动态重构可以确保配电网安全、高质量和经济性的运行，与静态重构相比，其更符合配电网(Distribution Network，DN)实际运行调度的需求。
本公开发明人发现，在DNR模型中，潮流约束方程是非线性和非凸的，其辐射网络结构约束包含离散整数变量。因此，DNR是一种典型的混合整数非线性规划问题。全局最优解难以获得，且求解效率低。动态重构的主要方法可以分为3类：启发式算法或元启发式算法、混合整数规划算法和动态规划算法。
元启发式算法的计算负担通常太重，不能用于实时决策问题。混合整数规划(Mixed-integer Programming，MIP)是解决DNR问题的数学规划方法。有研究人员提出了一种基于最优重构的动态费率方法，用于降低系统网损，它使用MIP解决DR问题；也有研究人员引入了几种线性化方法来将DR公式化为混合整数线性规划问题，有研究人员通过使用动态规划方法实现基于状态的DR，以减少分布式电源出力和负荷的削减。但是，现有的操作控制动作通常是离线确定的，它们的优化程度较低，并且无法适应未知的系统变化。
随着诸如深度学习(Deep Learning，DL)和强化学习(Reinforcement Learning，RL)等人工智能技术的不断发展，有研究人员开始利用DL和RL解决DNR问题。有研究人员提出了一种基于DL的实时在线数据驱动的DNR方法，该方法使用深度卷积神经网络提取配电网状态与最优拓扑之间的映射关系，但是，它仅考虑静态DNR。有研究人员提出了一种数据驱动的批量约束RL算法，该算法可以从有限的历史操作数据集中学习DR控制策略，而无需与配电网络进行交互，但是，使用数据驱动来解决DNR问题需要大量的历史数据，而这些历史数据通常不容易获得。此外，由于分布式电源(Distribution Generation，DG)并网的规模逐步提高，DG的间歇性以及DG渗透率的增加，给配电网带来了很大的不确定性。
发明内容
为了解决现有技术的不足，本公开提供了一种基于数据驱动的配电网动态自主重构方法及系统，可以有效地降低运行成本，具有较高的鲁棒性并可以在极短的时间内找到最优的重构方案。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于数据驱动的配电网动态自主重构方法。
一种基于数据驱动的配电网动态自主重构方法，包括以下步骤：
获取电力系统的节点负荷数据以及分布式电源出力数据；
将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变。
本公开第二方面提供了一种基于数据驱动的配电网动态自主重构系统。
一种基于数据驱动的配电网动态自主重构系统，包括：
数据获取模块，被配置为：获取电力系统的节点负荷数据以及分布式电源出力数据；
实时重构解获取模块，被配置为：将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
运行成本计算模块，被配置为：根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
动态重构模块，被配置为：当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于数据驱动的配电网动态自主重构方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于数据驱动的配电网动态自主重构方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质及电子设备，利用ISOCP(Improved Second-Order Cone Program，改进的二阶锥规划方法)获取数据集，然后通过LSTM(Long Short-Term Memory，长短期记忆人工神经网络)分析负荷序列与DNR结果之间的关系，最后结合运营成本的实时差异，实现自主动态重构优化，可以有效地降低运行成本，同时具有较高的鲁棒性并可以在极短的时间内找到最优的重构方案。
2、本公开所述的方法、系统、介质及电子设备，不需要根据负荷需求以及DG出力特性预先划分时间间隔。
3、本公开所述的方法、系统、介质及电子设备，由于深度学习模型具有较强的鲁棒性，可以基于实时负荷和DG出力数据削减DG不确定性的影响。
4、本公开所述的方法、系统、介质及电子设备，可以根据相邻时间段之间不同拓扑结构运行成本的实时差异来自主划分重构时段间隔。
5、本公开所述的方法、系统、介质及电子设备，通过提高LSTM模型的泛化能力来解决DG和负载需求的不确定性，提高了DNR的鲁棒性。
6、本公开所述的方法、系统、介质及电子设备，基于基本环路矩阵的变量约简方法，进一步的缩减二阶锥最优解的可行域，减小了可行解的范围，加快了求解过程。
7、本公开所述的方法、系统、介质及电子设备，采用二阶锥松弛和Big-M方法将原问题转化为SOCP问题，可以保证高效地获得全局最优解。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于数据驱动的配电网动态自主重构方法的流程示意图。
图2为本公开实施例1提供的三馈线配电系统的结构示意图。
图3为本公开实施例1提供的LSTM单元的结构示意图。
图4为本公开实施例1提供的系统接线示意图。
图5为本公开实施例1提供的模型分类的平均准确度。
图6为本公开实施例1提供的网损对比图。
图7为本公开实施例1提供的不同情况下的网损对比图。
图8为本公开实施例1提供的重构前后的电压分布图。
图9为本公开实施例1提供的动态重构前后的运行成本示意图。
图10为本公开实施例1提供的动态重构后的电压分布示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种基于数据驱动的配电网动态自主重构方法，包括以下步骤：
获取电力系统的节点负荷数据以及分布式电源出力数据；
将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变。
具体的，以配电网的最低运行成本(包括功率损耗成本和开关动作成本)为目标函数。所提出的方法分为三个部分：
(1)为了有效、准确地获取DNR数据集，将配电网的稳态潮流约束转换为二阶锥形式，然后结合功率矩和基本环路矩阵，提出了一种改进的二阶锥规划方法(improvedsecond-order cone program，ISOCP)。因此，结合历史数据和ISOCP，可以获得满足DL需求的DNR控制策略数据集；
(2)然后，使用LSTM训练数据集，以自动提取系统状态与最佳重构方案之间的关系；
(3)此外，为了实现自主DR，提出了一种基于实时运行成本差异的开关动作函数，其以最小化实时运行成本为目标来动态更新开关状态。算例仿真表明，该方法可以从数据集中学习控制策略，并有效降低运行成本。
详细内容如下：
S1：配电网重构模型
S1.1：数学模型
在DNR研究中，通常采用网络有功损耗最小作为优化目标。然而，考虑到动态重构中开关的频繁动作将会缩短开关的使用寿命，本实施例在目标函数中引入了开关的动作成本，以达到减少网损与降低开关损耗的平衡。
本实施例的目标函数可表述为：
Figure GDA0003500968770000071
式中，
Figure GDA0003500968770000072
为t时刻的电价，Ik,t为t时刻的支路k的电流，Rk为支路k的阻抗，cs为开关动作成本，Δdt为t时刻的动作开关数。
在优化目标函数的同时，还需满足以下约束条件：
S1.1.1：潮流方程约束
本实施例采用径向交流网络的DistFlow方程计算潮流，可表述为：
Figure GDA0003500968770000073
Figure GDA0003500968770000074
Figure GDA0003500968770000075
Figure GDA0003500968770000076
式中，Pk,t和Qk,t分别为t时刻流过支路k的有功和无功功率，
Figure GDA0003500968770000077
和
Figure GDA0003500968770000078
分别为t时刻节点i的有功和无功注入功率，Ui,t为t时刻的节点i的电压，
Figure GDA0003500968770000079
和
Figure GDA00035009687700000710
分别为t时刻与节点i相连的DG的有功和无功出力，
Figure GDA00035009687700000711
和
Figure GDA00035009687700000712
分别为t时刻节点i发电机的有功和无功出力。
Figure GDA00035009687700000713
和
Figure GDA00035009687700000714
分别为t时刻节点i的有功和无功负荷需求。Ω(b)为支路集合。k(i,j)为首节点是i末节点为j的支路。
S1.1.2：电压安全约束
节点电压约束确保DNR期间所有节点电压均在安全工作范围内。
可表述为：
Uimin≤Ui,t≤Uimax (6)
式中，Ui,max和Ui,min分别为节点i电压上下限。
S1.1.3：支路功率和电流约束
支路功率和电流约束确保DNR期间所有支路功率和电流都在安全运行范围内。
可表述为：
Figure GDA0003500968770000081
式中，Sk,max为支路k视在功率的上限，Sk,t为时刻t支路k的视在功率，Ik,max为流过支路k的电流的上限。αk为表示支路状态的布尔变量，如果支路k断开，αk＝0。
S1.1.4：DG出力约束
本实施例假设DG出力是可控的，且DG应该在有限的功率范围内工作。
可表述为：
Figure GDA0003500968770000082
式中，
Figure GDA0003500968770000083
和
Figure GDA0003500968770000084
分别为连接到节点i的DG的有功和无功输出功率上限。
S1.1.5：网络辐射状结构约束
为了方便系统的保护配置与运行调控，降低系统的短路电流，配电网通常为辐射状运行。
可表述为：
Figure GDA0003500968770000085
β(i,j)+β(j,i)＝αk (10)
Figure GDA0003500968770000086
β(i,j)∈{0,1},i＝1,2,...,n,j∈Ω(i) (12)
αk∈{0,1},k∈Ω(b) (13)
Figure GDA0003500968770000087
式中，Hκ表示环路k，Ω(l)表示环路集合，Ω(i)表示节点集合，在DNR过程中，对于支路l，αl＝1表示该支路是连通状态，否则，支路为断开状态。β中的元素为二进制变量，β(i,j)＝1表示节点i为节点j的父节点。
综上，式(1)～(14)构成了DNR的优化模型，但该模型为非线性混合整数优化问题，求解难度较大，因此下面将引入二阶锥松弛将其转化为MILP模型便于求解。
S1.2：混合整数二阶锥转化方法
根据DN的特点，采用二阶锥松弛和Big-M方法将原问题转化为SOCP问题，理论上可以保证高效地获得全局最优解。
首先，根据二阶锥松弛的要求，定义以下两个变量：
Figure GDA0003500968770000091
然后，用(15)代替目标函数和潮流约束中的电压和电流的二次项。因此，(1)、(3)和(4)可以改写为：
Figure GDA0003500968770000092
Figure GDA0003500968770000093
Figure GDA0003500968770000094
可以看出，潮流方程都转换成了线性化的形式。为了避免节点i和j在不直接相连时发生冲突，引入了一个大的正数M，公式(17)可被写为：
Figure GDA0003500968770000095
对于任意支路k(i,j)，如果节点i和j不直接连接，则αk＝0，且数字M使约束(19)失效，否则αk＝1，进而(19)等价于(17)。
然后，将(18)中的二次等式松弛为标准二阶锥松弛中的不等式，可表述为：
Figure GDA0003500968770000101
其中，||·||2为二范数方程。经过上述变换后，原可行域被松弛为凸可行域，利用商业求解器便可高效求解。
S1.3：基于启发式算法的编码规则
考虑到DL模型需要大量的数据，为了减少数据集的获取时间，在本实施例中，提出了一种基于基本环路矩阵的变量约简方法，以进一步缩减二阶锥最优解的可行域。对于具有回路的配电网，可以通过断开两端电压偏差最大的开关来减少功率损耗。这里，以一个三馈线配电系统为例，如图2所示。
首先，根据网络拓扑构建基本环路矩阵，然后，根据功率矩的方法可以删除基本环路矩阵中的重复支路，最后解空间可以表示成一个3×6的矩阵形式：
Figure GDA0003500968770000102
进而，(14)可以被写成：
Figure GDA0003500968770000103
通过上述方法，进一步压缩了混合整数凸规划的可行域，即减小了可行解的范围，加快了求解过程。
S2：深度学习模型
S2.1：LSTM模型
LSTM是递归神经网络的一种改进模型，适用于处理时间序列中的预测和分类问题。为了研究时变的节点负荷序列与DNR最优解之间的相关性，本实施例采用LSTM对DNR数据集进行训练。LSTM由输入层、隐藏层和输出层组成。LSTM能够发挥强大作用的原因是它有一个独特的内存单元，如图3所示。
每个LSTM单元都有一个元组，它在时间t时的状态被记作ct。这个元组被成为LSTM的记忆单元。通过控制输入门、遗忘门和输出门，对LSTM中的记忆单元进行读取和修改。
在时刻t，LSTM单元接收三种外部信息作为输入：当前状态xt，隐状态ht-1以及元组状态ct-1。
LSTM模型的变量可以由以下公式进行计算：
Figure GDA0003500968770000111
式中，
Figure GDA0003500968770000112
和
Figure GDA0003500968770000113
分别是输入门、输出门和遗忘门在训练过程中的权重矩阵和偏置向量。σ是激活函数。xt是从时刻t-n到时刻t的历史状态数据。在计算每个开关动作的隐向量后，将隐向量馈送到一个线性层，其输出长度是环路中可能动作的开关数量，并添加一个SoftMax层来输出每个开关动作的概率。
SoftMax函数的表述如下：
Figure GDA0003500968770000114
式中，C表示数据集中开关的类别个数，li为SoftMax层的输入。
S2.2：配电网重构数据集处理方法
根据式(2)、(5)、(15)、(16)和(17)可以得出，DNR的最优解与
Figure GDA0003500968770000115
有着紧密的相关性，而
Figure GDA0003500968770000116
随着节点负荷需求以及DG出力的变化而变化。因此，将负载需求和DG出力作为决定DNR最优解的关键因素，并视作LSTM模型的输入，重构解视作LSTM的输出。
因此，LSTM模型的输入可以被表示为：
Figure GDA0003500968770000121
式中，θ为LSTM输入的时间步，
Figure GDA0003500968770000122
表示时刻t节点n的负荷需求。然后，考虑到配电网的运行特性，根据环路的位置将重构结果分为几个部分。例如，如果DNR的结果是图2中断开支路6、10和12。然后，对于每个循环，根据one-hot编码规则，LSTM的输出可以表示为：
Figure GDA0003500968770000123
经过上述数据处理后，LSTM可以在监督的学习框架中yi1端到端的方式使用DNR的数据集进行训练，定义损失函数为开关动作分类的交叉熵误差。
可以表述为：
Figure GDA0003500968770000124
式中，S为训练数据集，
Figure GDA0003500968770000125
为二进制变量，如果LSTM输出的策略与数据集相符合，则其值为1。Kc(s)表示由SoftMax输出其为c的概率。
通过上述方法，便可建立一个数据驱动的配电网实时重构模型。
S2.3：提升模型鲁棒性能
传统的DR方法一般根据负载需求和DG出力的变化将整个调度周期划分为几个时间间隔，然后将DR问题转换为每个时间间隔的静态重构问题。然而，这种方法是离线的，需要考虑DG输出的不确定性和负载需求，以提高鲁棒性。数据驱动模型的鲁棒性又被称为泛化能力。泛化能力是经过训练的深度学习模型对未用于训练的样本进行准确预测或分类的能力之一。通过提高LSTM模型的泛化能力来解决DG和负载需求的不确定性，可以提高DNR的鲁棒性。
主要方法如下：
S2.3.1：Dropout
深层神经网络具有较强的高维数据复杂结构表达能力。然而，由于训练集中存在噪声和样本数量不足的问题，训练集中的拟合误差可能较小，但测试集中的拟合误差较大。这就是所谓的过度拟合。采用Dropout算法可以随机删除神经元，以提高模型的鲁棒性。
因此，式(22)中的
Figure GDA0003500968770000131
可以被改写为：
Figure GDA0003500968770000132
其中，Bernoulli(·)为伯努利方程。
S2.3.2：权重衰减
二次正则化是一种用于降低神经网络模型过拟合的技术。具有L2正则化项的LSTM的损失函数是一个非正则损失和一个正则化项的组合，式(26)可以被改写为：
Figure GDA0003500968770000133
式中，λ为惩罚因子
S3：实时动态重构模型
在本实施例中，结合训练完毕的LSTM模型，提出了一种基于配电网实时运行成本差异的配电网动态重构方法，该方法可以根据开关动作函数判断相邻重构时段之间拓扑变化所造成的运行成本差异。
该函数可表述为：
Figure GDA0003500968770000141
进而，在重构时段t根据实时运行成本差异的动态重构步骤如下：
S3.1：根据当前负荷、DG出力和t-1时段拓扑结构，计算
Figure GDA0003500968770000142
S3.2：根据当前负荷、DG出力和由LSTM模型得出的实时重构解，计算
Figure GDA0003500968770000143
S3.3：对比
Figure GDA0003500968770000144
和
Figure GDA0003500968770000145
如果
Figure GDA0003500968770000146
则拓扑结构更新，否则维持当前拓扑结构不变。
在S3.3中，对比对比
Figure GDA0003500968770000147
和
Figure GDA0003500968770000148
的值是为了分析相邻重构时段不同拓扑结构之间的运行成本差异，如果
Figure GDA0003500968770000149
则说明动作开关带来的收益要大于其操作成本。
本实施例所提自主动态重构方法与传统方法的主要区别如下：
1)ADR不需要根据负荷需求以及DG出力特性预先划分时间间隔；
2)由于深度学习模型具有较强的鲁棒性，ADR可以基于实时负荷和DG出力数据削减DG不确定性的影响；
3)ADR可以根据相邻时间段之间不同拓扑结构运行成本的实时差异来自主划分重构时段间隔。
S4：算例分析
本实施例在IEEE 33-bus和TPC 84-bus系统上进行了仿真，以证明所提出的DR方法的有效性和鲁棒性。每次转换的固定成本为4.6美元。来自2012年全球能源预测竞赛的实际负荷数据用于生成训练和测试数据集。可以从CDFSuez网站上获得电价。ISOCP由MATLAB中的YALMIP工具箱使用CPLEX算法包求解。LSTM模型是在配备16GB RAM的NVIDIA Tesla T4GPU上使用“TensorFlow”进行训练的。
S4.1：算法性能验证
修改后的IEEE 33总线系统和TPC 84总线系统如图4所示。DG的参数如表1所示。
表1：DG的容量和安装位置
Figure GDA0003500968770000151
首先将ISOCP方法的性能与改进的和声搜索算法(IHSA)和SOCP进行了比较。每种算法重复执行100次，结果如表2所示，STD为标准差。
表2：算法性能比较
Figure GDA0003500968770000152
Figure GDA0003500968770000161
在表2中，由于IHSA是一种元启发式算法，因此相对容易陷入局部最优解，并且求解效率相对低于ISOCP。因此，IHSA的平均计算时间和STD大于SOCP和ISOCP。此外，还可以看出SOCP和ISOCP的STD相同。这表明在测试过程中，两种算法都可以收敛到最优解。而且ISOCP的计算时间最短。因此，该方法在求解过程中具有较高的稳定性和效率。
S4.2：LSTM模型验证
在本实施例中，根据2007年的负荷数据生成了8760个样本来训练LSTM分类模型，在2008年中选择了4000个样本作为测试集。每个系统的训练集和测试集的收敛过程如图5所示。
从图5可以看出，两个LSTM模型的准确率都可以收敛到一个相对较高的状态。在图5的(a)中，训练集和测试集的精度分别为0.9601和0.9522。在图5的(b)中，训练集和测试集的准确性分别为0.9537和0.9463。为了保持LSTM模型决策的鲁棒性，训练集的精度不能太大，否则会导致过拟合并降低在未知负荷状态下模型决策的准确率。为了进一步验证LSTM模型的准确性，比较了在相同负荷状态下，LSTM模型和SOCP模型获得的DNR结果的功率损耗，如图6所示。
从图6可以看出，在两个系统中LSTM决策的结果与SOCP几乎相同。也就是说，本实施例提出的方法可以从历史控制数据集中学习重构控制策略。两个系统中功率损耗的平均绝对误差分别为0.0280kW.h和8.2134kW.h。而且LSTM模型是经过预先训练的，因此在应用中不需要复杂的计算。因此，该方法在33总线和84总线系统中的计算时间仅在40ms以内。值得注意的是，所有数据都是在DN的正常操作期间进行采样的，因此LSTM分类的DNR结果始终满足DN的正常操作。
为了验证LSTM模型的鲁棒性，本实施例选择了测试集中的一系列连续样本并考虑了IEEE 33-bus系统中的以下两种情况：
情况1：节点负荷需求和DG出力增加20％。
情况2：节点负荷需求和DG出力增加30％。
LSTM模型给出的决策和经过SOCP模型求解后的网损如图7所示。
从图7可以看出，经过LSTM决策结果之后的网损与真实值之间的误差很小。值得注意的是，由于LSTM给出的结果不一定是最佳解决方案，因此某些重新配置方案的功耗比SOCP模型略高。在两种情况下，平均绝对误差分别为0.48kWh和0.64kWh。
然后，本实施例选择一个样本并比较了LSTM模型决策前后系统的运行状态。结果如表3所示。
表3：重构前后的系统状态
Figure GDA0003500968770000171
从表3可以看出，在DNR之后，两个系统的运行状态都得到了显着改善。功率损耗分别降低了39.04％和18.85％。最大节点电压偏差分别降低了42.45％和53.43％。重新配置后，两个系统的电压曲线如图8所示。
从图8可以看出，在重构之后，电压曲线显着改善，最低节点电压升高。DNR之后的母线电压偏差保持在±5％以内。
从以上结果可以得出，本实施例所提方法可以快速，准确地处理实时DNR问题。
S4.3：ADR性能验证
首先，选择测试集中的一组24个连续样本来验证ADR。两种系统的结果如表4所示。
表4：ADR结果
Figure GDA0003500968770000181
从表4中可以看出，ADR将24个重构时段的动态重构问题分为三个不同的阶段。对于IEEE 33总线系统，功率损耗和成本分别降低了29.31％和20.80％。对于TPC 84总线系统，功率损耗和成本分别降低了17.29％和16.59％。为了验证ADR的自主性，本实施例在IEEE 33总线系统的测试集中选择了100个连续的样本，以形成5个规划周期。结果如表5所示。
表5：在不同情况下的ADR结果
Figure GDA0003500968770000191
从表5中可以看出，在不同的计划周期内，ADR将根据负荷需求、DG出力和运营成本的变化，自适应地划分重构时段。其中，运行成本降低的最大值和最小值分别为38.10％和10.27％。
为了进一步验证ADR的性能，选择了IEEE 33总线系统中的一组连续样本来比较ADR和静态DNR的运行成本，结果如图9所示。
从图9可以看出，ADR之后，系统的运行成本大幅度降低。ADR和静态重构的总运行成本分别为2.08×e3和2.96×e3。运营成本平均降低率为27.19％。ADR后两个系统的电压如图10所示。
从图10可以看出，节点电压分布明显改善，最低电压在ADR之后上升。ADR之后的节点电压偏差也保持在±5％以内。最后，将所提出的方法与几种现有方法进行了比较。将功率损耗和运行成本的降低率作对比项。结果如表6所示。
表6：节点系统上的算法对比
Figure GDA0003500968770000192
由于本实施例提出的方法可以在更新开关状态时根据公式(29)保证系统的最低运行成本，因此它可能无法每个重新配置期间的功率损耗最小化。因此，在表6中，方法1给出了最佳的功率损耗优化率。但是，减少网络丢失意味着要动作开关，这可能会增加系统的运营成本。因此，方法1的运营成本降低幅度小于ADR。从整体效果来看，ADR是最佳的。
本实施例提出了一种新的配电网动态重构方法，该方法利用ISOCP获取数据集，然后通过LSTM分析负荷序列与DNR结果之间的关系，最后结合运营成本的实时差异，实现自主动态重构优化。在两个配电网络上的综合测试结果表明，所提出的ADR方法可以从历史数据集中学习重构控制策略，并且具有较高的鲁棒性。此外，与基于物理模型的方法相比，ADR方法还可以有效地降低配电网络的运营成本，并且具有更少的计算时间。
实施例2：
本公开实施例2提供了一种基于数据驱动的配电网动态自主重构系统，包括：
数据获取模块，被配置为：获取电力系统的节点负荷数据以及分布式电源出力数据；
实时重构解获取模块，被配置为：将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
运行成本计算模块，被配置为：根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
动态重构模块，被配置为：当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变。
所述系统的工作方法与实施例1提供的基于数据驱动的配电网动态自主重构方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于数据驱动的配电网动态自主重构方法中的步骤，所述步骤为：
获取电力系统的节点负荷数据以及分布式电源出力数据；
将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第二运行成本；
当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变。
详细步骤与实施例1提供的基于数据驱动的配电网动态自主重构方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于数据驱动的配电网动态自主重构方法中的步骤，所述步骤为：
获取电力系统的节点负荷数据以及分布式电源出力数据；
将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变。
详细步骤与实施例1提供的基于数据驱动的配电网动态自主重构方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (5)

1.一种基于数据驱动的配电网动态自主重构方法，其特征在于，包括以下步骤：
获取电力系统的节点负荷数据以及分布式电源出力数据；
将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变；
数据集获取方式为：
将配电网的稳态潮流约束转换为二阶锥形式，然后结合功率矩和基本环路矩阵，得到一种改进的二阶锥规划方法，结合历史数据和改进的二阶锥规划方法，获得满足DL需求的DNR控制策略数据集；
具体包括：
S1：配电网重构模型
S1.1：数学模型
在目标函数中引入开关的动作成本，目标函数表述为：
Figure FDA0003528905140000011
式中，
Figure FDA0003528905140000012
为t时刻的电价，Ik,t为t时刻的支路k的电流，Rk为支路k的阻抗，cs为开关动作成本，Δdt为t时刻的动作开关数；
在优化目标函数的同时，需满足以下约束条件：
S1.1.1：潮流方程约束
采用径向交流网络的DistFlow方程计算潮流，表述为：
Figure FDA0003528905140000021
Figure FDA0003528905140000022
Figure FDA0003528905140000023
Figure FDA0003528905140000024
式中，Pk,t和Qk,t分别为t时刻流过支路k的有功和无功功率，
Figure FDA0003528905140000025
和
Figure FDA0003528905140000026
分别为t时刻节点i的有功和无功注入功率，Ui,t为t时刻的节点i的电压，
Figure FDA0003528905140000027
和
Figure FDA0003528905140000028
分别为t时刻与节点i相连的DG的有功和无功出力，
Figure FDA0003528905140000029
和
Figure FDA00035289051400000210
分别为t时刻节点i发电机的有功和无功出力；
Figure FDA00035289051400000211
和
Figure FDA00035289051400000212
分别为t时刻节点i的有功和无功负荷需求；Ω(b)为支路集合；k(i,j)为首节点是i末节点为j的支路；
S1.1.2：电压安全约束
节点电压约束确保DNR期间所有节点电压均在安全工作范围内；
表述为：
Uimin≤Ui,t≤Uimax
式中，Ui,max和Ui,min分别为节点i电压上下限；
S1.1.3：支路功率和电流约束
支路功率和电流约束确保DNR期间所有支路功率和电流都在安全运行范围内；
表述为：
Figure FDA00035289051400000213
式中，Sk,max为支路k视在功率的上限，Sk,t为时刻t支路k的视在功率，Ik,max为流过支路k的电流的上限；αk为表示支路状态的布尔变量，如果支路k断开，αk＝0；
S1.1.4：DG出力约束
假设DG出力是可控的，且DG应该在有限的功率范围内工作；
表述为：
Figure FDA0003528905140000031
式中，
Figure FDA0003528905140000032
和
Figure FDA0003528905140000033
分别为连接到节点i的DG的有功和无功输出功率上限；
S1.1.5：网络辐射状结构约束
配电网为辐射状运行；
表述为：
Figure FDA0003528905140000034
β(i,j)+β(j,i)＝αk
Figure FDA0003528905140000035
β(i,j)∈{0,1},i＝1,2,...,n,j∈Ω(i)
αk∈{0,1},k∈Ω(b)
Figure FDA0003528905140000036
式中，Hκ表示环路κ，Ω(l)表示环路集合，Ω(i)表示节点集合，在DNR过程中，对于支路l，αl＝1表示该支路是连通状态，否则，支路为断开状态；β中的元素为二进制变量，β(i,j)＝1表示节点i为节点j的父节点；
S1.2：混合整数二阶锥转化方法
采用二阶锥松弛和Big-M方法对目标函数进行求解得到最优的重构解；所述二阶锥松弛为：定义两个变量以代替目标函数和潮流约束中的电压和电流的二次项；所述的Big-M方法为：引入一个大的正数M，将二阶锥松弛变换为标准二阶锥松弛中的不等式，所述的标准二阶锥松弛中的不等式，表述为：
Figure FDA0003528905140000037
其中，||·||2为二范数方程，Pk,t和Qk,t分别为t时刻流过支路k的有功和无功功率，
Figure FDA0003528905140000041
为支路电流平方，
Figure FDA0003528905140000042
为节点电压平方；
S1.3：基于启发式算法的编码规则
基于基本环路矩阵的变量约简方法，缩减二阶锥松弛得到的最优解的可行域；
根据网络拓扑构建基本环路矩阵，根据功率矩的方法删除基本环路矩阵中的重复支路，将解空间表示为一个预设形式的矩阵；
使用LSTM训练数据集，以自动提取系统状态与最佳重构方案之间的关系；
采用一种基于实时运行成本差异的开关动作函数，以最小化实时运行成本为目标来动态更新开关状态；
所述第一运行成本与第二运行成本的计算公式为：
Figure FDA0003528905140000043
式中，
Figure FDA0003528905140000044
为第一运行成本，
Figure FDA0003528905140000045
为第二运行成本，
Figure FDA0003528905140000046
为t时刻的电价。
2.如权利要求1所述的基于数据驱动的配电网动态自主重构方法，其特征在于，所述实时重构解为对以配电网的最低运行成本为目标函数进行求解得到。
3.一种基于数据驱动的配电网动态自主重构系统，其特征在于，包括：
数据获取模块，被配置为：获取电力系统的节点负荷数据以及分布式电源出力数据；
实时重构解获取模块，被配置为：将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；
运行成本计算模块，被配置为：根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第二运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第一运行成本；
动态重构模块，被配置为：当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变；
数据集获取方式为：
将配电网的稳态潮流约束转换为二阶锥形式，然后结合功率矩和基本环路矩阵，得到一种改进的二阶锥规划方法，结合历史数据和改进的二阶锥规划方法，获得满足DL需求的DNR控制策略数据集；
具体包括：
S1：配电网重构模型
S1.1：数学模型
在目标函数中引入开关的动作成本，目标函数表述为：
Figure FDA0003528905140000051
式中，
Figure FDA0003528905140000052
为t时刻的电价，Ik,t为t时刻的支路k的电流，Rk为支路k的阻抗，cs为开关动作成本，Δdt为t时刻的动作开关数；
在优化目标函数的同时，需满足以下约束条件：
S1.1.1：潮流方程约束
采用径向交流网络的DistFlow方程计算潮流，表述为：
Figure FDA0003528905140000053
Figure FDA0003528905140000054
Figure FDA0003528905140000055
Figure FDA0003528905140000056
式中，Pk,t和Qk,t分别为t时刻流过支路k的有功和无功功率，
Figure FDA0003528905140000057
和
Figure FDA0003528905140000058
分别为t时刻节点i的有功和无功注入功率，Ui,t为t时刻的节点i的电压，
Figure FDA0003528905140000059
和
Figure FDA00035289051400000510
分别为t时刻与节点i相连的DG的有功和无功出力，
Figure FDA0003528905140000061
和
Figure FDA0003528905140000062
分别为t时刻节点i发电机的有功和无功出力；
Figure FDA0003528905140000063
和
Figure FDA0003528905140000064
分别为t时刻节点i的有功和无功负荷需求；Ω(b)为支路集合；k(i,j)为首节点是i末节点为j的支路；
S1.1.2：电压安全约束
节点电压约束确保DNR期间所有节点电压均在安全工作范围内；
表述为：
Uimin≤Ui,t≤Uimax
式中，Ui,max和Ui,min分别为节点i电压上下限；
S1.1.3：支路功率和电流约束
支路功率和电流约束确保DNR期间所有支路功率和电流都在安全运行范围内；
表述为：
Figure FDA0003528905140000065
式中，Sk,max为支路k视在功率的上限，Sk,t为时刻t支路k的视在功率，Ik,max为流过支路k的电流的上限；αk为表示支路状态的布尔变量，如果支路k断开，αk＝0；
S1.1.4：DG出力约束
假设DG出力是可控的，且DG应该在有限的功率范围内工作；
表述为：
Figure FDA0003528905140000066
式中，
Figure FDA0003528905140000067
和
Figure FDA0003528905140000068
分别为连接到节点i的DG的有功和无功输出功率上限；
S1.1.5：网络辐射状结构约束
配电网为辐射状运行；
表述为：
Figure FDA0003528905140000071
β(i,j)+β(j,i)＝αk
Figure FDA0003528905140000072
β(i,j)∈{0,1},i＝1,2,...,n,j∈Ω(i)
αk∈{0,1},k∈Ω(b)
Figure FDA0003528905140000073
式中，Hκ表示环路κ，Ω(l)表示环路集合，Ω(i)表示节点集合，在DNR过程中，对于支路l，αl＝1表示该支路是连通状态，否则，支路为断开状态；β中的元素为二进制变量，β(i,j)＝1表示节点i为节点j的父节点；
S1.2：混合整数二阶锥转化方法
采用二阶锥松弛和Big-M方法对目标函数进行求解得到最优的重构解；所述二阶锥松弛为：定义两个变量以代替目标函数和潮流约束中的电压和电流的二次项；所述的Big-M方法为：引入一个大的正数M，将二阶锥松弛变换为标准二阶锥松弛中的不等式，所述的标准二阶锥松弛中的不等式，表述为：
Figure FDA0003528905140000074
其中，||·||2为二范数方程，Pk,t和Qk,t分别为t时刻流过支路k的有功和无功功率，
Figure FDA0003528905140000075
为支路电流平方，
Figure FDA0003528905140000076
为节点电压平方；
S1.3：基于启发式算法的编码规则
基于基本环路矩阵的变量约简方法，缩减二阶锥松弛得到的最优解的可行域；
根据网络拓扑构建基本环路矩阵，根据功率矩的方法删除基本环路矩阵中的重复支路，将解空间表示为一个预设形式的矩阵；使用LSTM训练数据集，以自动提取系统状态与最佳重构方案之间的关系；
采用一种基于实时运行成本差异的开关动作函数，以最小化实时运行成本为目标来动态更新开关状态；
所述第一运行成本与第二运行成本的计算公式为：
Figure FDA0003528905140000081
式中，
Figure FDA0003528905140000082
为第一运行成本，
Figure FDA0003528905140000083
为第二运行成本，
Figure FDA0003528905140000084
为t时刻的电价。
4.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1或2所述的基于数据驱动的配电网动态自主重构方法中的步骤。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1或2所述的基于数据驱动的配电网动态自主重构方法中的步骤。
CN202010831093.8A 2020-08-18 2020-08-18 一种基于数据驱动的配电网动态自主重构方法及系统 Active CN111917134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010831093.8A CN111917134B (zh) 2020-08-18 2020-08-18 一种基于数据驱动的配电网动态自主重构方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010831093.8A CN111917134B (zh) 2020-08-18 2020-08-18 一种基于数据驱动的配电网动态自主重构方法及系统

Publications (2)

Publication Number Publication Date
CN111917134A CN111917134A (zh) 2020-11-10
CN111917134B true CN111917134B (zh) 2022-05-24

Family

ID=73279904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010831093.8A Active CN111917134B (zh) 2020-08-18 2020-08-18 一种基于数据驱动的配电网动态自主重构方法及系统

Country Status (1)

Country Link
CN (1) CN111917134B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113036823B (zh) * 2021-03-10 2022-11-08 海南电网有限责任公司电力科学研究院 一种分布式配电网优化重构方法
CN116054144A (zh) * 2023-01-28 2023-05-02 北京智芯微电子科技有限公司 分布式光伏接入的配电网重构方法、系统及存储介质
CN117556970B (zh) * 2024-01-12 2024-04-09 杭州鸿晟电力设计咨询有限公司 一种基于数据驱动的配电网规划方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711847A (zh) * 2018-05-07 2018-10-26 国网山东省电力公司电力科学研究院 一种基于编码解码长短期记忆网络的短期风电功率预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711847A (zh) * 2018-05-07 2018-10-26 国网山东省电力公司电力科学研究院 一种基于编码解码长短期记忆网络的短期风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Reconfiguration of smart distribution network considering variation of load and local renewable generation";Raoof Hasanpour等;《2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe)》;20170713;全文 *
"基于功率矩和邻域搜索的有源配电网两层重构算法";吉兴全等;《电力自动化设备》;20170131;第37卷(第1期);全文 *

Also Published As

Publication number Publication date
CN111917134A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111917134B (zh) 一种基于数据驱动的配电网动态自主重构方法及系统
Hua et al. Optimal energy management strategies for energy Internet via deep reinforcement learning approach
Lima et al. Evolving fuzzy modeling using participatory learning
Moeini et al. Fuzzy rule-based model for hydropower reservoirs operation
Wu et al. Data-driven transfer-stacking based state of health estimation for lithium-ion batteries
El Bourakadi et al. Multi-agent system based sequential energy management strategy for Micro-Grid using optimal weighted regularized extreme learning machine and decision tree
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
Wu et al. A study of single multiplicative neuron model with nonlinear filters for hourly wind speed prediction
Nomer et al. GSK-RL: Adaptive gaining-sharing knowledge algorithm using reinforcement learning
Wang et al. Real-Time Joint Regulations of Frequency and Voltage for TSO-DSO Coordination: A Deep Reinforcement Learning-Based Approach
Han et al. Learning-based topology optimization of power networks
CN115528750B (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
Xu et al. Application of GMDH to short-term load forecasting
Wai et al. Short-term load forecasting via fuzzy neural network with varied learning rates
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
Mahto et al. MPGCN-OPF: A message passing graph convolution approach for optimal power flow for distribution network
Liu et al. Deep reinforcement learning for real-time economic energy management of microgrid system considering uncertainties
Obert et al. Efficient Distributed Energy Resource Voltage Control Using Ensemble Deep Reinforcement Learning
Wokoma et al. Predicting Voltage Stability Indices of Nigerian 330kV 30 Bus Power Network Using an Auditory Machine Intelligence Technique
Casagrande et al. Learning-based MPC using Differentiable Optimisation Layers for Microgrid Energy Management
Bizjak et al. Time series prediction for EMS with machine learning
Opalic et al. A Deep Reinforcement Learning Scheme for Battery Energy Management
Liu et al. Risk-Sensitive Mobile Battery Energy Storage System Control With Deep Reinforcement Learning and Hybrid Risk Estimation Method
Tarle et al. A world model based reinforcement learning architecture for autonomous power system control
Sayed et al. Deep Reinforcement Learning-Assisted Convex Programming for AC Unit Commitment and Its Variants

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
CB03 Change of inventor or designer information

Inventor after: Zhang Yumin

Inventor after: Ji Xingquan

Inventor after: Yin Ziyang

Inventor after: Wang Jinyu

Inventor after: Ye Pingfeng

Inventor after: Zhou Anping

Inventor after: Zhong Shimin

Inventor after: Zhang Xinyi

Inventor before: Ji Xingquan

Inventor before: Zhang Yumin

Inventor before: Yin Ziyang

Inventor before: Wang Jinyu

Inventor before: Ye Pingfeng

Inventor before: Zhou Anping

Inventor before: Zhong Shimin

Inventor before: Zhang Xinyi

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant