CN112928780A - 一种配电网灾后供电恢复方法及系统 - Google Patents

Abstract

本发明实施例提供一种配电网灾后供电恢复方法及系统，该方法包括：获取配电网系统的当前状态信息；根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。本发明实施例提供一种配电网灾后供电恢复方法及系统，针对微电网系统中的不确定性，对供电模型进行训练，使得供电模型在训练时能充分地学习到微电网中的诸多不确定因素，从而提高了本方法的鲁棒性；并且利用训练后的供电模型，在不同的场景中不用重新求解，提高了配电网的恢复能力和负荷供电时长。

Description

一种配电网灾后供电恢复方法及系统

技术领域

本发明涉及电力技术领域，尤其涉及一种配电网灾后供电恢复方法及系统。

背景技术

自然灾害可能会导致配电网供电中断，此时配电网馈线断电，被迫离网运行。为了提升配电网应对自然灾害的能力，也称配电网的韧性，在有限供电资源下提高系统的恢复能力，为尽可能多的负荷提供更长的供电。

对于配电网韧性的研究属于近几年逐渐发展起来的研究领域，而利用强化学习解决配网灾后韧性的问题鲜有研究。现有技术中针对灾后韧性提升问题，建立了马尔科夫决策模型，将微电网中的剩余资源量离散化之后作为MDP的状态，切负荷措施作为系统的动作，最大化灾后阶段的微电网供电收益。其步骤主要如下：

(1)建立微电网切负荷的离散马尔可夫决策模型；

(2)初始化一个微电网场景，寻找此MDP模型中的最优折扣系数值；

(3)根绝寻找到的最优折扣系数值，建立有限时间马尔可夫决策策略。

(4)利用此策略进行此场景下的微电网负荷切除控制。

但是，该方案难以处理微电网运行过程中的不确定性，算法在不同的场景中需要进行重新求解，从而导致配电网的恢复能力较差，为负荷的供电时间较短。

发明内容

为了解决上述问题，本发明实施例提供一种配电网灾后供电恢复方法及系统。

第一方面，本发明实施例提供一种配电网灾后供电恢复方法，包括：获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源中的一种或多种；

根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

优选地，所述最优控制策略包括所述配电网系统中发电机的出力控制措施和所述配电网的切除负荷措施。

优选地，所述根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，具体包括：

将所述配电网系统的当前状态信息输入训练后的供电模型中源端强化学习模型中，获取所述配电网系统中发电机的出力控制措施；

将所述配电网系统的当前状态信息和所述发电机的出力控制措施输入训练后的供电模型中负荷强化学习模型，获取所述配电网的切除负荷措施。

优选地，所述配电网系统中发电机的出力控制措施包括：

所述发电机出力有功功率和所述发电机的无功功率。

优选地，所述配电网的切除负荷措施包括不切除负荷、切除第一预设等级的负荷、切除所述第一预设等级和第二预设等级的负荷、切除全部负荷。

优选地，所述训练标签为所述配电网的收益。

优选地，所述配电网的收益具体计算公式如下：

其中，r表示收益，PS＝1表示所述配电网系统中可用资源的总最大出力大于总负荷，PS＝0表示所述配电网系统中可用资源的总最大出力不大于总负荷，N表示负荷数目，Lj表示第j个负荷，i_Lj表示负荷Lj单位时间的正常供电收入，P_Lj表示负荷Lj此时的负荷功率，

表示负荷Lj单位时间的计划停电损失，

表示负荷Lj单位时间的非计划停电损失，集合S为正常供电的负荷组成的集合，集合

为计划停电，集合

为非计划停电即被强制切除的负荷组成的集合，ΔT表示一个时间段。

第二方面，本发明实施例提供一种配电网灾后供电恢复系统，包括：状态模块，用于获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、所述配电网系统的节点电压幅值、所述配电网系统的剩余供电资源中的一种或多种；

控制模块，用于根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

第三方面，本发明实施例提供一种电子设备，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计算机程序，处理器执行程序时实现本发明第一方面提供的一种配电网灾后供电恢复方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面提供的一种配电网灾后供电恢复方法的步骤。

本发明实施例提供一种配电网灾后供电恢复方法及系统，针对微电网系统中的不确定性，对供电模型进行训练，使得供电模型在训练时能充分地学习到微电网中的诸多不确定因素，从而提高了本方法的鲁棒性；并且利用训练后的供电模型，在不同的场景中不用重新确定模型参数，提高了配电网的恢复能力和负荷供电时长。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提出一种配电网灾后供电恢复方法的流程图；

图2为本发明实施例中对供电模型进行训练的具体流程图；

图3为本发明实施例中最优控制策略和其它控制策略下临时应急供电区域收益曲线示意图；

图4为本发明实施例中最优控制策略在配电网控制阶段中的切除负荷动作曲线示意图；

图5为本发明实施例中最优控制策略和其它控制策略下的临时应急供电区域资源剩余曲线示意图；

图6为本发明实施例提供的一种配电网灾后供电恢复系统的结构示意图；

图7为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在实际应用过程中，可再生能源受自然环境气象等因素的影响较大，导致其随机性强、可控性弱，直接控制的难度较大，因此主动式配电网需要有一个便于控制的单元作为调控手段。

微电网也称微网，是指由分布式电源、储能设备、负荷、能量转换装置、及内部控制系统组成的一个小型配电系统。

由于它是分布式发电系统和配网电压下不同负荷的集合体，所以它本质上是一个有源配电网络。由于微电网中包含不同种类的分布式电源，所以在不同时刻不同电源可以互补运行，从而大大可以提高微电网的可控水平与调控能力，故在实际应用过程中也常把这种调控能力较高的微电网作为基本调控单元。

微电网具有诸多优点以至于今年来发展迅速。从电网的角度来看，微电网的主要优点是它可以被视为电力系统中的受控实体，可以作为单个聚合负载来操作，这确保了其易于控制和遵守电网规章制度，而不妨碍电力设施的可靠性和安全性。从客户的角度来看，微电网有利于满足当地的电力和热量需求，它们可以提供不间断电源，提高局部可靠性，降低馈线损耗，并提供局部电压支持。从环境的角度来看，微电网利用低碳技术减少了环境污染和全球变暖。因此，为了提升配电网对于极端自然灾害的应对能力，可以利用微电网运行模式的切换和其灵活的调控能力，达到在自然灾害过程中延长供电时间、减小供电损失的目的。

从能量转换利用的角度来看，一个微电网具有以下四类设施：可再生能源分布式能源、内部负荷、可调度分布式电源及各种储能设备等。在应急供电阶段，可控设备及措施包含可控分布式能源、储能电池及切负荷措施等；不可控因素包含负荷的变动、可再生能源出力的波动。

微网中可再生能源、负荷和储能电池的性能都会随着环境的变化而改变，因此，微电网中可再生能源、负荷和储能电池的相关性能参数具有较大的不确定性，现有技术难以处理微电网运行过程中的不确定性，并且算法在不同的场景中需要进行重新求解。

针对这些问题，图1为本发明实施例提出一种配电网灾后供电恢复方法的流程图，如图1所示，该方法包括：

S1，获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源中的一种或多种；

S2，根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

具体地，获取配电网系统的当前状态信息，当前状态信息需要包含配电网的资源储备情况。如果说配电网的潮流信息反映了配电网当前的运行情况，那么微电网的剩余资源状况则反映了配电网的未来运行潜力。

当前状态信息可以包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源中的一个或者多个，在本发明实施例中，当前状态信息的设计如下：

s＝(P_L,Q_L,P_G,Q_G,V,E)，

其中，P_L表示负荷有功功率，Q_L表示负荷无功功率，P_G表示发电机出力有功功率，Q_G表示发电机出力无功功率，V表示系统节点电压幅值，E表示系统的剩余供电资源。

前五项代表了配电网系统当前的运行情况，最后一项反映了资源的使用潜力。在每一次为负荷供电之后，资源均会慢慢消耗，直至降至资源的预设储备下限。

针对微电网系统中的不确定性，本发明实施例中通过对供电模型进行训练，使得供电模型在训练时能充分地学习到微电网中的诸多不确定因素，从而提高在实际应用中的鲁棒性。并且，本发明实施例中的供电模型为强化学习模型，而强化学习模型非常擅长处理未来场景难以预测的决策问题。

需要说明的是，本发明实施例将利用强化学习的方法来解决上述的电网配网防御性决策问题。强化学习(Reinforcement Learning，简称RL)是机器学习的一个分支，强化学习以供电模型“试错”的方式进行学习，供电模型不断和环境进行交互，通过获取环境状态，采取动作改变环境状态，并取得相应奖励或惩罚的机制作为指导措施，使供电模型不断学习获得更大的奖励。通过这种感知-行动-评价-学习的方式，供电模型在交互过程中不断获得知识，并不断调整改进自己的行动策略以适应环境，最终实现一个较好的任务完成策略。

因此，将配电网系统的当前状态信息输入到训练后的供电模型中，就可以得到配电网的最优控制策略。

本发明实施例提供一种配电网灾后供电恢复方法，针对微电网系统中的不确定性，对供电模型进行训练，使得供电模型在训练时能充分地学习到微电网中的诸多不确定因素，从而提高了本方法的鲁棒性；并且利用训练后的供电模型，在不同的场景中不用重新确定模型参数，提高了配电网的恢复能力和负荷供电时长。

在配电网应急供电阶段，配电网馈线断电，只能利用微电网内部现有供电资源对其内部关键负荷进行供电。然而此时的资源往往是有限的，如果一直为所有负荷供电可能会导致后期微电网缺电；或如果源侧可控电源调度不适当，可能会导致某一电源率先失去供电能力。

而现有技术中微电网的控制措施较为单一，仅仅能从负荷侧进行负荷管理，电源侧的控制措施没有利用起来。同时，由于当前方法中常利用离散马尔可夫决策过程，离散化可能会导致系统求解得到的结果并非最优。

在上述实施例的基础上，优选地，所述最优控制策略包括所述配电网系统中发电机的出力控制措施和所述配电网的切除负荷措施。

本发明实施例中，最优控制策略由发电机的出力控制措施和切除负荷措施组成，出力控制措施是针对配电网系统中的源侧，切除负荷措施是针对配电网系统的负荷侧，因此，本发明实施例中通过源侧措施和负荷侧措施的协同控制，两侧协同共同提高了配电网系统灾后韧性。

在上述实施例的基础上，优选地，所述根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，具体包括：

将所述配电网系统的当前状态信息输入训练后的供电模型中源端强化学习模型中，获取所述配电网系统中发电机的出力控制措施；

将所述配电网系统的当前状态信息和所述发电机的出力控制措施输入训练后的供电模型中负荷强化学习模型，获取所述配电网的切除负荷措施。

具体地，本发明实施例中，供电模型是由源端强化学习模型和负荷强化学习模型组成，源端强化学习模型和负荷强化学习模型分别控制配电网系统的源侧和负荷侧。

首先获取配电网的当前状态信息，将配电网的当前状态信息输入到训练后的供电模型中，供电模型中的源端强化学习模型首先根据该当前状态信息，得到配电网系统中发电机的出力控制措施。

发电机的出力控制措施是指对发电机的有功出力、发电机的无功出力等相关参数进行控制，从而对配电网系统中的源端进行调节。

具体地，本发明实施例中，发电机的出力控制措施包括发电机出力的有功功率和发电机出力的无功功率。

a^G＝(P_G,Q_G)，

其中，a^G表示发电机的出力控制措施，P_G表示发电机出力的无功功率，Q_G表示发电机的出力控制措施。

然后再将配电网系统中的当前状态信息和前面得到的发电机的出力控制措施输入到负荷强化学习模型中，得到配电网的切除负荷措施。

a^L＝L_S，

其中，a^L表示配电网的切除负荷措施，L_s表示切除策略。

配电网的切除负荷措施是指对配电网的负荷侧进行控制的措施，根据配电网中能源情况和总负荷之间的大小关系，对负荷采取相应的措施，当总能量不足以对每个负荷进行供电时，可以选择对比较重要的负荷进行供电，而对不重要的负荷进行电源切断，从而使得电源能够集中在比较重要的负荷上面，杜绝电源的浪费。

在上述实施例的基础上，优选地，所述配电网的切除负荷措施包括不切除负荷、切除第一预设等级的负荷、切除所述第一预设等级和第二预设等级的负荷、切除全部负荷。

因此，本发明实施例中将负荷分为三个等级，在切除负荷时，一般会按照从重要程度低的负荷到重要程度高的负荷的顺序进行切除，第一预设等级为三等级，第二预设等级为二等级，L_S的取值有4个，可以用0、1、2、3进行表示。其含义如表1所示：

表1

下面详细叙述供电模型的训练过程：

首先获取若干历史时刻的训练样本数据，对于某一历史时刻，该时刻的训练样本数据包括该时刻配电网的状态信息，同样地，状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源。

将该时刻的状态信息输入到源端强化学习模型中，得到配电网系统中发电机的出力控制措施，然后再将状态信息和发电机的出力控制措施输入到负荷强化学习模型中，得到配电网的切除负荷措施。

此时，配电网中发电机的出力控制措施和切除负荷措施同时作用于配电网，配电网执行该控制策略，并且获取执行该控制策略后配电网的收益。

本发明实施例中将配电网运行的即时收益作为训练标签，由于负荷被分为三个等级，每个等级单位时间的供电收入及停电损失均不相同。并且，将停电损失分为计划停电损失及非计划停电损失，计划停电损失是指给出确切切除负荷指令后负荷停电带来的损失，而非计划停电损失是指未给出负荷切除指令但由于系统剩余资源储备不足等原因导致的停电损失，相较而言后者由于没有相应的停电应对措施，其带来的损失会更大。

可见在每一个时刻，需要判断此时系统是否供电充足，利用PS(power supply)来表示配电网的供电充足情况，则有：

PS的判断机制为，判断配电网系统可用资源的的总最大出力是否能够满足此时的总负荷，若不能，则配电网供电不足，PS为0；其次需要注意配电网主电源(作为平衡节点使用)的剩余资源储备情况，一旦主电源剩余资源达到下限，配电网系统也进入供电不足状态，PS为0。

另外需要注意，一旦供电模型给出切除全部负荷的动作或配电网强制切除所有负荷，配电网此时需自动弃风，储能电池出力会随之变为零，此时配电网中没有功率在进行传输。

每次执行控制策略后，配电网给出的奖励为：

其中，r表示收益，PS＝1表示所述配电网系统中可用资源的总最大出力大于总负荷，PS＝0表示所述配电网系统中可用资源的总最大出力不大于总负荷，N表示负荷数目，本发明中N为4；Lj表示第j个负荷，如L1表示负荷L1；i_Lj表示负荷Lj单位时间的正常供电收入，P_Lj表示负荷Lj此时的负荷功率；

表示负荷Lj单位时间的计划停电损失；

表示负荷Lj单位时间的非计划停电损失；集合S为正常供电的负荷组成的集合；集合

为计划停电，即被切除的负荷组成的集合；集合

为非计划停电即被强制切除的负荷组成的集合。ΔT表示一个时间段，此发明中为0.25小时。

在本发明实施例中，利用一天96点数据进行仿真，即每隔15分钟进行一次控制，假设这15分钟内配电网的负荷及风机出力变化不大，此时式中的ΔT为0.25，将配电网的收益作为训练标签，然后进入下一历史时刻的训练。

图2为本发明实施例中对供电模型进行训练的具体流程图，如图2所示，按照上述方法建立训练样本，当需要对供电模型进行训练时，首先判断当前的训练样本是否充足，否则继续获取训练样本，充足则根据DDPG及DQN算法对供电模型的网络参数进行更新。

本发明实施例中，为了了解供电模型训练的情况，可以采用一边训练一遍测试的机制，每隔一定的训练次数过后，对供电模型进行效果的测试。当训练至一定程度时，训练终止。

可以看出，本发明实施例中采用的是彼此间耦合紧密的群体分布式强化学习结构，这有助于供电模型更好地了解配电网的全部信息，提高学习的效率。

还需要注意的是，还需要考虑资源的约束情况。例如，若燃油发电机的资源已全部耗尽，则此时无论给出的哪种控制策略，燃油发电机均不能出力；又如，在某一时刻，配电网的负荷总需求比总可用发电量大，而控制策略却没有给出切负荷动作，则此时属于算法失常导致配电网运行崩溃，故配电网需要帮助主动切除负荷。

还需要说明的是，供电模型的初始化参数包括折扣值、学习率和探索率，其中，折扣γ反映了下一步影响这一步的程度，本发明实施例中的每一步决策均会对未来产生影响，一个接近于0的折扣值会导致供电模型选择一直为所有负荷供电，直至配电网系统在某一时刻供电不足，这种近似贪婪的方法在本问题中不能带来最大收益。

因此，本发明实施例中将折扣值设为0.99，供电模型在选择控制策略时会充分考虑长远的利益。学习率α设置为1，探索率∈在训练过程中设置为0.9，确保供电模型在选择动作时进行充足的探索；此外，可以每隔一定时间对供电模型进行一次测试，测试过程中，探索率∈设为0，此时供电模型只依靠自身的策略和配电网进行交互。

为了验证本发明实施例提出的一种配电网灾后电量分配方法的性能，下面对该方法进行测试，假定配电网的预计停电时间为30个小时，在供电模型进行训练的过程中，风电出力、负荷变化、储能电池SOC下限的不确定性按照各自假定情况进行，确保每次训练的场景均不相同。在对供电模型的效果进行测试时，供电模型遇到的同样是一个从未遇到过的新场景。

为了便于比较该方法的效果，本发明实施例中将利用几种常见的负荷切除措施来进行比较，同时进行这几种负荷切除措施时控制它们的可控电源出力保持不变。

图3为本发明实施例中最优控制策略和其它控制策略下临时应急供电区域收益曲线示意图，如图3所示，为便于叙述，采用控制策略1-5分别代表：不切除负荷(ShedNoLoad)、切除三级负荷(Shed Load1)、切除二及三级负荷(Shed Load2、Load3 and Load4)、切除全部负荷(Shed All Load)及最优控制策略(Well-learned DRL Agents)。

因此，下图所示的五条曲线，在30小时结束时从上往下依次为5、3、2、1、4，可见本发明实施例计算得出的最优控制策略要比其他几种控制策略更优，虽然最优控制策略5不是在每一个时刻均保持最大的累计收益，但在约7个小时过后一直保持最大的累计收益直至停电时间结束，配电网累计收益在预计配网停电时间结束时达到了几种控制策略种的最大。

反观控制策略1、2，其希望为更多的负荷供电，但却分别在约第7、11个小时处配电网供电不足，导致配电网被迫强行停电。

图4为本发明实施例中最优控制策略在配电网控制阶段中的切除负荷动作曲线示意图，如图4所述，图中横坐标表示时间，纵坐标表示切除负荷动作，最优控制策略5为最优控制策略，相比较于控制策略1-4，最优控制策略5在控制过程中，会根据电网当前的运行状态选择适合此阶段的负荷切除措施。

在早期供电资源相对充分时，最优控制策略5选择为所有负荷供电，随着供电资源的消耗，供电模型慢慢地切掉低等级负荷，确保重要性更高的负荷正常供电，直至最后供电模型只为重要程度最高的负荷进行供电。

图5为本发明实施例中最优控制策略和其它控制策略下的临时应急供电区域资源剩余曲线示意图，如图5所示，可以看到最优控制策略5在30个小时内充分地利用了配电网的资源储备。其他几种控制策略由于控制不当，导致配电网主动切除所有负荷或主电源供电资源过早消耗完毕，配电网资源未能完全利用充分。

观察最优控制策略5的剩余资源走势，会发现最优控制策略5在不同的阶段跟随了控制策略1、2、3的曲线走势，最开始配电网资源充足时最优控制策略5跟随控制策略1，即不切除任何负荷；之后，最优控制策略5跟随控制策略2，切除最低等级负荷；最后，最优控制策略5跟随控制策略3，仅为最高等级负荷供电。最优控制策略5的控制方式，延长了系统供电时长，更能充分利用配电网中的可再生能源，减少自身内部资源的消耗速度。

综上，本发明基于深度强化学习视角，提出的一种配电网灾后供电方法，具有以下优点：

(1)、可以实现电源侧、负荷侧的双重控制，两侧协同共同提高系统灾后韧性。

(2)、基于深度学习的方法不需要对系统中的状态进行离散化，可以有效避免由于离散化带来的结果欠优的缺点。

(3)、可以适应系统中存在的来资源可再生能源、负荷的不确定，适用于多种不确定性的场景。

(4)、对于不同系统停电时长、不同系统供电资源的微电网，提出的方法均可适用。

图6为本发明实施例提供的一种配电网灾后供电恢复系统的结构示意图，如图6所示，该系统包括状态模块601和控制模块602，其中：

状态模块601用于获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、所述配电网系统的节点电压幅值、所述配电网系统的剩余供电资源中的一种或多种；

控制模块602用于根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

状态模块601获取配电网系统中的当前状态信息，控制模块602将当前状态信息输入到训练后的供电模型中，得到配电网的最优控制策略。

本系统实施例的具体执行过程与上述方法实施例的具体执行过程相同，详情请参考上述方法实施例，本系统实施例在此不再赘述。

图7为本发明实施例提供的一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和总线704，其中，处理器701，通信接口702，存储器703通过总线704完成相互间的通信。通信接口702可以用于电子设备的信息传输。处理器701可以调用存储器703中的逻辑指令，以执行包括如下的方法：

获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源中的一种或多种；

根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：

获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源中的一种或多种；

根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种配电网灾后供电恢复方法，其特征在于，包括：

获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、微电网的节点电压幅值、微电网的剩余供电资源中的一种或多种；

根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

2.根据权利要求1所述的配电网灾后供电恢复方法，其特征在于，所述最优控制策略包括所述配电网系统中发电机的出力控制措施和所述配电网的切除负荷措施。

3.根据权利要求2所述的配电网灾后供电恢复方法，其特征在于，所述根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，具体包括：

将所述配电网系统的当前状态信息输入训练后的供电模型中源端强化学习模型中，获取所述配电网系统中发电机的出力控制措施；

将所述配电网系统的当前状态信息和所述发电机的出力控制措施输入训练后的供电模型中负荷强化学习模型，获取所述配电网的切除负荷措施。

4.根据权利要求2所述的配电网灾后供电恢复方法，其特征在于，所述配电网系统中发电机的出力控制措施包括：

所述发电机出力有功功率和所述发电机的无功功率。

5.根据权利要求2所述的配电网灾后供电恢复方法，其特征在于，所述配电网的切除负荷措施包括不切除负荷、切除第一预设等级的负荷、切除所述第一预设等级和第二预设等级的负荷、切除全部负荷。

6.根据权利要求1所述的配电网灾后供电恢复方法，其特征在于，所述训练标签为所述配电网的收益。

7.根据权利要求6所述的配电网灾后供电恢复方法，其特征在于，所述配电网的收益具体计算公式如下：

其中，r表示收益，PS＝1表示所述配电网系统中可用资源的总最大出力大于总负荷，PS＝0表示所述配电网系统中可用资源的总最大出力不大于总负荷，N表示负荷数目，Lj表示第j个负荷，i_Lj表示负荷Lj单位时间的正常供电收入，P_Lj表示负荷Lj此时的负荷功率，

表示负荷Lj单位时间的计划停电损失，

表示负荷Lj单位时间的非计划停电损失，集合

为正常供电的负荷组成的集合，集合

为计划停电，集合

为非计划停电即被强制切除的负荷组成的集合，ΔT表示一个时间段。

8.一种配电网灾后供电恢复系统，其特征在于，包括：

状态模块，用于获取配电网系统的当前状态信息，所述当前状态信息包括负荷有功功率、负荷无功功率、发电机出力有功功率、发电机出力无功功率、所述配电网系统的节点电压幅值、所述配电网系统的剩余供电资源中的一种或多种；

控制模块，用于根据所述配电网系统的当前状态信息和训练后的供电模型，获取所述配电网的最优控制策略，其中，训练后的供电模型通过训练样本和训练标签对供电模型进行训练得到。

9.一种电子设备，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计算机程序，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至7任一项所述配电网灾后供电恢复方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述配电网灾后供电恢复方法的步骤。

Images