CN114928055A - 配网故障重构方法、装置以及存储介质 - Google Patents

配网故障重构方法、装置以及存储介质 Download PDF

Info

Publication number
CN114928055A
CN114928055A CN202210402118.1A CN202210402118A CN114928055A CN 114928055 A CN114928055 A CN 114928055A CN 202210402118 A CN202210402118 A CN 202210402118A CN 114928055 A CN114928055 A CN 114928055A
Authority
CN
China
Prior art keywords
particle
particles
power
network
distribution network
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.)
Pending
Application number
CN202210402118.1A
Other languages
English (en)
Inventor
李巍
苏适
白浩
严玉廷
雷金勇
陈君
袁智勇
杨洋
潘姝慧
袁兴宇
郭琦
冯勇
徐敏
栾思平
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202210402118.1A priority Critical patent/CN114928055A/zh
Publication of CN114928055A publication Critical patent/CN114928055A/zh
Pending legal-status Critical Current

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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本申请涉及配网故障重构方法、装置及存储介质，属于电网故障重构技术领域，包括：将电网线路开关的状态生成初始粒子；采用层次聚类方法对初始粒子进行划分，得到满足预设条件的粒子；记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，对粒子位置进行迭代；根据适应度值计算公式获取满足迭代次数的粒子的适应度值，判断上述计算过程中是否满足约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作，以此解决现有的故障重构方法不具备动态性，自动化程度低，不能满足动态重构的要求的问题。

Description

配网故障重构方法、装置以及存储介质
技术领域
本申请属于电网故障重构技术领域，具体涉及配网故障重构方法、装置及存储介质。
背景技术
目前大部分文献制定的配电网故障重构方案研究对象是某一时间断面下的配电网静态网络，静态重构不具备动态性，自动化程度低，不能满足动态重构的要求，实际配电系统中，各负荷节点上的负荷是随时间而不断地发生变化的，而且分散式风电的并网，其风电机组的出力受环境等因素的影响，其出力也是随时间变化的。这样就意味着静态重构算法所求得的最优网络结构只能在算法所取数据的时刻是最优。此外，分散式式风电出力具有随机性，而目前绝大多数文献仅将风电机组作为出力恒定的电源处理。因此，研究一种含随机出力特性的配网故障重构的整体优化方案十分必要。
发明内容
为此，本申请提供配网故障重构方法、装置及存储介质，本申请中，考虑各种随机因素的影响，采用了半不变量法的随机潮流计算方法，引入了层次聚类概念，采用改进的粒子群算法对配电网进行恢复重构，考虑了那些当前仅次于最优但可能代表了其他探索方向信息的粒子，用于解决现有的故障重构方法不具备动态性，自动化程度低，不能满足动态重构的要求的问题。
为实现以上目的，本申请采用如下技术方案：
配网故障重构方法，所述重构方法包括：
将电网线路开关的状态生成初始粒子；
采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子；
记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，通过所述层次聚类方法对进行位置更新后的粒子再次进行划分，重复上述迭代过程，直到满足预设迭代次数；
根据预设的适应度值计算公式获取满足预设迭代次数的粒子的适应度值，判断上述计算过程中是否满足所述约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足所述约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作。
进一步的，所述采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子包括：将所有的初始粒子作为一个样本的数据集，将数据集中每个样本单独作为一个簇，分别计算两个簇之间的距离，找出距离最近的两个簇，再将这两个簇合二为一，重复此过程，直到达到预先设定的聚类数目或阈值为止。
进一步的，所述适应度值计算公式由失电负荷指标、网络损耗指标以及开关操作次数指标所决定，其中，所述网络损耗指标由总网损期望值决定。
进一步的，所述总网损期望值获取包括：
获取电力样本数据，所述样本数据包括电网有功负荷、无功负荷、风电机组出力以及满足辐射状可行的配网拓扑结构；
将所述电力样本数据输入深度神经网络模型中，所述深度神经网络模型根据所述样本数据通过半不变量法的随机潮流计算获得节点电压以及总网损期望值。
进一步的，所述满足辐射状可行的配网拓扑结构获取包括：
读取已进行故障定位与隔离的故障系统的网络结构；
将所述网络结构中每一个环路断开一个开关，即断开开关个数等于环路数；
将所述网络结构中与电源直接相连的支路闭合；
将所述网络结构中不属于任何环路内的支路全部闭合；
根据图论和树状结构的特点，对网络结构连通性进行判别，产生一系列满足辐射状可行的配网拓扑结构。
进一步的，所述深度神经网络模型根据所述样本数据通过半不变量法的随机潮流计算获得节点电压以及总网损期望值包括：
计算电网正常运行状态的潮流分布，得到基准运行点的节点电压状态向量、该基准运行点下支路的功率向量、雅可比矩阵以及灵敏度矩阵；
根据所述基准运行点的节点电压状态向量、该基准运行点下支路的功率向量、雅可比矩阵以及灵敏度矩阵计算节点状态向量扰动部分ΔX的各阶半不变量以及支路潮流向量扰动部分ΔZ的各阶半不变量；
通过Gram-Charlier级数展开得到ΔX以及ΔZ的各阶半不变量的概率分布函数和概率密度函数；
将ΔX和ΔZ平移X0和Z0个单位，得到节点电压以及支路功率的概率分布函数和概率密度函数；
根据所述支路功率的概率分布函数和概率密度函数得到各输出状态量的期望值，即总网损期望值。
进一步的，所述约束条件包括：分散式风电出力约束、节点电压约束、网络拓扑约束、潮流平衡约束以及开关动作次数约束。
进一步的，所述节点电压约束基于所述节点电压生成。
配网故障重构装置，所述装置包括：
初始粒子生成模块：用于将电网线路开关的状态生成初始粒子；
粒子划分模块：用于采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子；
粒子迭代模块：记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，通过所述层次聚类方法对进行位置更新后的粒子再次进行划分，重复上述迭代过程，直到满足预设迭代次数；
结果输出模块：根据预设的适应度值计算公式获取满足预设迭代次数的粒子的适应度值，判断上述计算过程中是否满足所述约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足所述约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作。
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的配网故障重构方法中的各个步骤。
本申请采用以上技术方案，至少具备以下有益效果：
本申请通过将电网线路开关的状态生成初始粒子，采用层次聚类方法对所述初始粒子进行划分，对粒子进行迭代，并计算粒子的适应度值，计算过程满足预设的约束条件，通过约束条件使得适应度值更加贴近电网的真实情况，获得更为精准的电网开关结果，通过改进的粒子群算法对配电网进行恢复重构，考虑了那些当前仅次于最优但可能代表了其他探索方向信息的粒子，以此解决现有的故障重构方法不具备动态性，自动化程度低，不能满足动态重构的要求的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是根据一示例性实施例示出的配网故障重构方法的流程图；
图2是根据一示例性实施例示出的获取满足辐射状可行的配网拓扑结构的流程图；
图3是根据一示例性实施例示出的通过半不变量法的随机潮流计算获得节点电压以及总网损期望值的流程图；
图4是根据一示例性实施例示出的深度神经网络模型的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
请参阅图1，图1是根据一示例性实施例示出的配网故障重构方法的流程图，该配网故障重构方法应用于电网故障重构技术领域，该配网故障重构方法包括：
S1，将电网线路开关的状态生成初始粒子；
S2，采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子；
S3，记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，通过所述层次聚类方法对进行位置更新后的粒子再次进行划分，重复上述迭代过程，直到满足预设迭代次数；
S4，根据预设的适应度值计算公式获取满足预设迭代次数的粒子的适应度值，判断上述计算过程中是否满足所述约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足所述约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作；
具体的，本申请将电网线路开关的状态生成初始粒子，对粒子群总数、小种群数以及迭代次数等进行设置，对粒子通过层次聚类方法进行划分，记录粒子的个体最优与全局最优并更新粒子的位置，反复迭代此过程，直到达到预设的迭代次数，计算粒子的适应度值，并判断上述计算过程是否满足约束条件，两者都满足的情况下，输出粒子的适应度值以及粒子的位置，执行开关操作，在上述过程中，通过半不变量的随机潮流计算考虑到了电网系统中各种随机因素的影响，基于聚类层次迭代，不但考虑了那些当前仅次于最优但可能代表了其他探索方向信息的粒子，通过层次聚类的方法将粒子群分为若干个子群，除了需要学习个体最优和全局最优，每个粒子还要学习聚类领域内的最优粒子，得到当前时段含分散式风电的配网发生故障时的最优重构策略，并行相关开关操作进行负荷转移，达到恢复供电的目的。
本实施例中，所述总网损期望值获取包括：
获取电力样本数据，所述样本数据包括电网有功负荷、无功负荷、风电机组出力以及满足辐射状可行的配网拓扑结构；
将所述电力样本数据输入深度神经网络模型中，所述深度神经网络模型根据所述样本数据通过半不变量法的随机潮流计算获得节点电压以及总网损期望值；
具体的，本申请通过获取样本数据，将样本数据输入提前搭建好的深度神经网络模型中，深度神经网络模型通过半不变量的随机潮流计算方法输出节点电压以及总网损期望值等潮流信息，基于潮流信息，获得本申请方案的约束条件以及适应度值计算公式。
本实施例中，如附图2所示，所述满足辐射状可行的配网拓扑结构获取包括：
S101，读取已进行故障定位与隔离的故障系统的网络结构；
S102，将所述网络结构中每一个环路断开一个开关，即断开开关个数等于环路数；
S103，将所述网络结构中与电源直接相连的支路闭合；
S104，将所述网络结构中不属于任何环路内的支路全部闭合；
S105，根据图论和树状结构的特点，对网络结构连通性进行判别，产生一系列满足辐射状可行的配网拓扑结构；
具体的，读取已进行故障定位与隔离的故障系统的网络结构，为满足配电网辐射状约束，每一个环路只能断开一个开关，也即断开开关个数等于环路数，同时，与电源直接相连的支路必须闭合，不属于任何环路内的支路也必须全部闭合，如果这类支路有断开的情况，就会有孤岛情况的出现，所以这类支路不考虑，根据图论和树状结构的特点，对配电网拓扑结构连通性进行判别，产生一系列满足辐射状可行的配网拓扑结构。
本实施例中，如附图3所示，所述深度神经网络模型根据所述样本数据通过半不变量法的随机潮流计算获得节点电压以及总网损期望值包括：
S201，计算电网正常运行状态的潮流分布，得到基准运行点的节点电压状态向量、该基准运行点下支路的功率向量、雅可比矩阵以及灵敏度矩阵；
S202，根据所述基准运行点的节点电压状态向量、该基准运行点下支路的功率向量、雅可比矩阵以及灵敏度矩阵计算节点状态向量扰动部分ΔX的各阶半不变量以及支路潮流向量扰动部分ΔZ的各阶半不变量；
S203，通过Gram-Charlier级数展开得到ΔX以及ΔZ的各阶半不变量的概率分布函数和概率密度函数；
S204，将ΔX和ΔZ平移X0和Z0个单位，得到节点电压以及支路功率的概率分布函数和概率密度函数；
S205，根据所述支路功率的概率分布函数和概率密度函数得到各输出状态量的期望值，即总网损期望值；
具体的，首先计算正常运行状态的潮流分布，得到基准运行点的节点电压状态向量X0、该基准运行点下支路的功率向量Z0、雅可比矩阵J0、灵敏度矩阵S0，将极坐标形式的交流潮流方程在基准运行点处进行泰勒展开可得到：
Figure BDA0003600630710000071
式中，W、X和Z分别为节点注入功率向量、节点状态向量和支路潮流向量；下标0表示基准运行点；ΔW、ΔX、ΔZ为变量的扰动部分；S0、T0为灵敏度矩阵，
Figure BDA0003600630710000072
其中J0为雅可比矩阵,
Figure BDA0003600630710000073
计算风机安装节点功率的半不变量与相应负荷功率各阶矩，计算各阶半不变量Δrk。将节点潮流方程和支路潮流方程在基准运行点线性化，可分别得到下式：
Figure BDA0003600630710000074
式中，X为节点电压幅值和相角组成的状态列向量，Z为支路有功潮流和无功潮流的列向量；
根据上式可以计算出ΔX和ΔZ的各阶半不变量，同时利用Gram-Charlier级数展开可得到ΔX和ΔZ的概率分布函数和概率密度函数，最后分别对ΔX和ΔZ平移X0和Z0个单位，得到节点电压X和支路功率Z的概率分布函数和概率密度函数；
由以上计算过程可以得到某时刻的节点电压以及线路潮流的概率特性，也即是可得到各输出状态量的期望值，即上述提到的总网损期望值为E(Ploss)。
本实施例中，所述约束条件包括：分散式风电出力约束、节点电压约束、网络拓扑约束、潮流平衡约束以及开关动作次数约束；
具体的，所述分散式风电出力约束的表达式为：
0≤PWTG(t)≤PWTG.max(t)
式中，PWTG(t)为t时刻分散式风电机组的出力；PWTG.max(t)为t时刻分散式风电机组的最大出力，由于风电机组受自然环境的影响，随机性较强，所以它的最大出力也是随时间变化的；
所述节点电压约束的表达式为：
Uimin≤Ui(t)≤Uimax
式中，Ui(t)为t时段第i个节点的电压幅值；Uimin为节点i的下限；Uimax为节点i的上限；
所述网络拓扑约束的表达式为：
g(t)∈G
式中，g(t)为t时段配电网拓扑结构；G为配电网所有辐射状结构的集合；
所述潮流平衡约束的表达式为：
f(P,Q,U)＝0
式中，P、Q、U分别为系统的有功、无功和电压；
为延长开关寿命，减少不必要的损耗，设置了开关的最大动作次数，当开关动作次数达到上限，则不允许再动作，所述开关动作次数约束的表达式为：
Figure BDA0003600630710000081
式中，Ki.t和Ki0.t分别为t时段第i个开关重构前后的开合状态，断开为0，闭合为1；Wmax为系统允许开关动作的最大次数；Wi和Wimax分别为第i个开关的动作次数和动作次数上限。
本实施例中，所述适应度值计算公式由失电负荷指标、网络损耗指标以及开关操作次数指标所决定，其中，所述网络损耗指标由所述总网损期望值决定；
具体的，本申请中，目标函数包括失电负荷最少、总网损期望最小以及开关操作次数最少；
失电负荷数量最少：
所述的故障重构是在配电系统故障已经定位和隔离的前提下，对非故障失电区的负荷进行优化恢复，由于配电系统中负荷的重要程度不同，通常将负荷分为一级、二级、三级负荷三类，在故障恢复的过程中，要求在优先恢复高等级负荷的供电的基础上最大化恢复负荷总量。故此目标函数如下所示：
Figure BDA0003600630710000091
式中，n、m、l分别为一级负荷个数、二级负荷个数以及三级负荷个数；P1i(t)、P2j(t)、P3k(t)分别为t时段的一级负荷、二级负荷以及三级负荷；xi(t)为t时段一级负荷第i个负荷的供电状态，当xi(t)＝1时表示失电，xi(t)＝0时表示未发生失电，xj(t)和xk(t)同理；Ci、Cj和Ck分别为三类负荷的停电权重系数，可根据恢复供电的重要程度进行设置；
总网损期望最小：
Figure BDA0003600630710000092
式中，b为支路数，Pi.t、Qi.t、Ui.t和Ri.t分别为在t时段内第i支路的首段有功、无功、电压以及电阻；
开关操作次数最少：
在实际电力系统中，由于开关操作需要成本，同时会影响开关的使用寿命，为延长开关使用时间，减少不必要的损耗，开关操作次数在系统重构时也被纳入考虑的范围，所以故障后负荷转移希望改变的开关状态数量越少越好。
Figure BDA0003600630710000101
式中，n表示配电网中分段开关的个数；m表示配电网中联络开关的个数；ri.t和hj.t分别为分段开关和联络开关在重构时段t的状态，1表示闭合，0表示断开。
本实施例中，所述采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子包括：将所有的初始粒子作为一个样本的数据集，将数据集中每个样本单独作为一个簇，分别计算两个簇之间的距离，找出距离最近的两个簇，再将这两个簇合二为一，重复此过程，直到达到预先设定的聚类数目或阈值为止；
具体的，传统的粒子群算法仅仅利用了个体最优值pbest和全局最优值gbest，本报告在此基础上还考虑了那些当前仅次于最优但可能代表了其他探索方向信息的粒子，通过层次聚类的方法将粒子群分为若干个子群，除了需要学习个体最优和全局最优，每个粒子还要学习聚类领域内的最优粒子，层次聚类是对原始数据集在不同的层次进行划分，直到达到某种条件为止，最后得到树形的聚类结构。假设有一个包含n个样本的数据集s＝{s1,s2,...,sn}，首先将其中的每个样本都单独作为一个簇，然后分别计算两个簇之间的距离，找出距离最近的两个簇，再将这两个簇合二为一，不断重复这个过程，直到达到预先设定的聚类数目或者阈值为止。计算公式如下所示：
Figure BDA0003600630710000102
式中，d(si,sj)表示聚类si和sj之间的平均距离；|x-x′|是两个粒子之间的距离；mi表示si中粒子数目；mj表示sj中粒子数目；
粒子的优劣用适应度函数来评判。本报告以失电负荷最小、网络损耗最小和开关操作次数最少为目标函数，其具体的目标函数在之前有介绍。故此时的配电网故障重构是一个求最小值的问题。而对粒子群优化算法中，评价粒子的好坏的适应度函数可以选择网络重构中的目标函数，即适应度函数越小，对应的粒子就越优秀，其越接近目标函数。本报告综合考虑了多方面的因素，为每个目标函数分配权重，将适应度函数组成一个多目标函数，所以粒子的适应度函数可以表示为：
F＝γ1f1+γ2f2+γ3f3
式中，γ为函数的权重因子；f1、f2和f3分别为失电负荷指标、网络损耗指标以及开关操作次数指标；
本申请提出的改进粒子群算法是在每次迭代中，先通过层次聚类将粒子群分成若干子种群，然后将每个聚类中的最优粒子标记为lbest，这样每个粒子不仅需要向自身经验和种群最优粒子学习，还要学习聚类领域内的最优粒子。改进的公式如下所示：
Figure BDA0003600630710000111
式中，ω为惯性权重；
Figure BDA0003600630710000112
代表粒子位置；
Figure BDA0003600630710000113
代表粒子速度；q1、q2、q3为随机因子，即为在[0,1]上的随机数；α1、α2、α3为加速因子；
Figure BDA0003600630710000114
代表粒子i在第k次迭代时个体最优值；
Figure BDA0003600630710000115
代表粒子i在第k次迭代的时全局最优值；
Figure BDA0003600630710000116
代表粒子i在第k次迭代时，粒子所属聚类中最优粒子的位置。
在粒子群算法中，惯性权重ω的取值直接影响算法搜寻最优值的能力，线性权值递减策略具有较好的寻优性能。故更新ω值的公式如下所示：
Figure BDA0003600630710000117
式中，ωmax为惯性权重的最大值；ωmin为惯性权重的最小值；k为当前迭代次数；kmax为所设置的最大迭代次数。
Figure BDA0003600630710000118
式中，
Figure BDA0003600630710000119
为第i个粒子在第k+1次迭代的位置；
Figure BDA00036006307100001110
为第i个粒子在第k+1次迭代速度；
Figure BDA0003600630710000121
为第i个粒子在第k次迭代位置。
如附图4所示，本申请还提供了配网故障重构的深度神经网络模型，所述深度神经网络模型包括输入层、隐藏层以及输出层；
所述输入层用于输入电网有功负荷、无功负荷、风电机组出力以及满足辐射状可行的配网拓扑结构；
所述隐藏层用于根据半不变量随机潮流计算方法对输入层输入的信息进行计算；
所述输出层用于输出隐藏层的计算出的潮流信息；
具体的，深度神经网络(Deep Neural Networks,DNN)是一种包含多层隐藏层的神经网络，DNN按照不同层的位置划分可以分为三类，输入层、隐藏层和输出层，可以通过多次抽象拟合训练数据提取数据的潜在属性。
进一步的，所述深度神经网络模型采用Sigmoid为激活函数；
具体的，本报告为提高深度神经网络非线性拟合能力，采用Sigmoid为激活函数，其表达式为：
Figure BDA0003600630710000122
进一步的，所述深度神经网络模型训练过程中，通过损失函数来度量训练样本计算出的输出和真实的训练样本输出之间的损失；
具体的，
前向传播：
所谓的DNN前向传播算法就是利用若干个权重系数矩阵W，偏倚向量b来和输入值向量x进行一系列线性运算和激活运算，样本数据从输入层输入，并逐层向后计算，一直到运算到输出层K，得到第K层输出结果；
ak＝σ(zk)＝σ(Wkak-1+bk)
式中，ak为DNN第K层的输出；σ为激活函数；Wk为第K层的权重；bk为第K层的偏置；zk为第K层未激活前的输出；
反向传播：
DNN通过反向传播求解最适合的神经网络参数，需要选择一个损失函数，来度量训练样本计算出的输出和真实的训练样本输出之间的损失，误差表达式如下：
Figure BDA0003600630710000131
式中，x为样本输入；y为样本真值；J为误差。
深度神经网络构建完成后，使用样本数据进行训练，用训练集中有功负荷、无功负荷、风电机组出力和满足辐射状可行的配网拓扑结构作为深度神经网络的输入，以线路损耗和节点电压等潮流信息作为输出对深度神经网络进行训练。
配网故障重构装置，所述装置包括：
初始粒子生成模块：用于将电网线路开关的状态生成初始粒子；
粒子划分模块：用于采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子；
粒子迭代模块：记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，通过所述层次聚类方法对进行位置更新后的粒子再次进行划分，重复上述迭代过程，直到满足预设迭代次数；
结果输出模块：根据预设的适应度值计算公式获取满足预设迭代次数的粒子的适应度值，判断上述计算过程中是否满足所述约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足所述约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作。
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的配网故障重构方法中的各个步骤；
具体的，所述存储介质可以是只读存储器，磁盘或光盘等，或其任意的组合。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”、“多”的含义是指至少两个。
应该理解，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者可能同时存在居中元件；当一个元件被称为“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件,此外，这里使用的“连接”可以包括无线连接；使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为：表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.配网故障重构方法，其特征在于，所述重构方法包括：
将电网线路开关的状态生成初始粒子；
采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子；
记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，通过所述层次聚类方法对进行位置更新后的粒子再次进行划分，重复上述迭代过程，直到满足预设迭代次数；
根据预设的适应度值计算公式获取满足预设迭代次数的粒子的适应度值，判断上述计算过程中是否满足所述约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足所述约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作。
2.根据权利要求1所述的配网故障重构方法，其特征在于，所述采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子包括：将所有的初始粒子作为一个样本的数据集，将数据集中每个样本单独作为一个簇，分别计算两个簇之间的距离，找出距离最近的两个簇，再将这两个簇合二为一，重复此过程，直到达到预先设定的聚类数目或阈值为止。
3.根据权利要求2所述的配网故障重构方法，其特征在于，所述适应度值计算公式由失电负荷指标、网络损耗指标以及开关操作次数指标所决定，其中，所述网络损耗指标由总网损期望值决定。
4.根据权利要求3所述的配网故障重构方法，其特征在于，所述总网损期望值获取包括：
获取电力样本数据，所述样本数据包括电网有功负荷、无功负荷、风电机组出力以及满足辐射状可行的配网拓扑结构；
将所述电力样本数据输入深度神经网络模型中，所述深度神经网络模型根据所述样本数据通过半不变量法的随机潮流计算获得节点电压以及总网损期望值。
5.根据权利要求4所述的配网故障重构方法，其特征在于，所述满足辐射状可行的配网拓扑结构获取包括：
读取已进行故障定位与隔离的故障系统的网络结构；
将所述网络结构中每一个环路断开一个开关，即断开开关个数等于环路数；
将所述网络结构中与电源直接相连的支路闭合；
将所述网络结构中不属于任何环路内的支路全部闭合；
根据图论和树状结构的特点，对网络结构连通性进行判别，产生一系列满足辐射状可行的配网拓扑结构。
6.根据权利要求4所述的配网故障重构方法，其特征在于，所述深度神经网络模型根据所述样本数据通过半不变量法的随机潮流计算获得节点电压以及总网损期望值包括：
计算电网正常运行状态的潮流分布，得到基准运行点的节点电压状态向量、该基准运行点下支路的功率向量、雅可比矩阵以及灵敏度矩阵；
根据所述基准运行点的节点电压状态向量、该基准运行点下支路的功率向量、雅可比矩阵以及灵敏度矩阵计算节点状态向量扰动部分ΔX的各阶半不变量以及支路潮流向量扰动部分ΔZ的各阶半不变量；
通过Gram-Charlier级数展开得到ΔX以及ΔZ的各阶半不变量的概率分布函数和概率密度函数；
将ΔX和ΔZ平移X0和Z0个单位，得到节点电压以及支路功率的概率分布函数和概率密度函数；
根据所述支路功率的概率分布函数和概率密度函数得到各输出状态量的期望值，即总网损期望值。
7.根据权利要求6所述的配网故障重构方法，其特征在于，所述约束条件包括：分散式风电出力约束、节点电压约束、网络拓扑约束、潮流平衡约束以及开关动作次数约束。
8.根据权利要求7所述的配网故障重构方法，其特征在于，所述节点电压约束基于所述节点电压生成。
9.配网故障重构装置，其特征在于，所述装置包括：
初始粒子生成模块：用于将电网线路开关的状态生成初始粒子；
粒子划分模块：用于采用层次聚类方法对所述初始粒子进行划分，得到满足预设条件的粒子；
粒子迭代模块：记录粒子的个体最优与全局最优并更新粒子的位置，根据更新位置后的粒子，通过所述层次聚类方法对进行位置更新后的粒子再次进行划分，重复上述迭代过程，直到满足预设迭代次数；
结果输出模块：根据预设的适应度值计算公式获取满足预设迭代次数的粒子的适应度值，判断上述计算过程中是否满足所述约束条件，如果满足，则输出粒子的适应度值与此时的粒子位置，执行电网开关操作，如果不满足，则再次进行迭代，直到满足所述约束条件，输出粒子的适应度值与此时的粒子位置，执行电网开关操作。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-8任一项所述的配网故障重构方法中的各个步骤。
CN202210402118.1A 2022-04-18 2022-04-18 配网故障重构方法、装置以及存储介质 Pending CN114928055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210402118.1A CN114928055A (zh) 2022-04-18 2022-04-18 配网故障重构方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210402118.1A CN114928055A (zh) 2022-04-18 2022-04-18 配网故障重构方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN114928055A true CN114928055A (zh) 2022-08-19

Family

ID=82807129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210402118.1A Pending CN114928055A (zh) 2022-04-18 2022-04-18 配网故障重构方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114928055A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117613902A (zh) * 2024-01-19 2024-02-27 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117613902A (zh) * 2024-01-19 2024-02-27 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置
CN117613902B (zh) * 2024-01-19 2024-05-28 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置

Similar Documents

Publication Publication Date Title
Azman et al. A unified online deep learning prediction model for small signal and transient stability
Deng et al. A missing power data filling method based on improved random forest algorithm
Amjady et al. Short-term wind power forecasting using ridgelet neural network
CN103701117B (zh) 基于混合人工智能的主动配电网动态拓扑重构方法
Esfetang et al. A novel hybrid technique for prediction of electric power generation in wind farms based on WIPSO, neural network and wavelet transform
Yin et al. Data‐driven approach for real‐time distribution network reconfiguration
Naghshbandi et al. A review of methods to study resilience of complex engineering and engineered systems
Li et al. Maximum frequency deviation assessment with clustering based on metric learning
CN114928055A (zh) 配网故障重构方法、装置以及存储介质
Oladeji et al. Density-based clustering and probabilistic classification for integrated transmission-distribution network security state prediction
Huang et al. Adaptive static equivalences for active distribution networks with massive renewable energy integration: a distributed deep reinforcement learning approach
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
Houssein et al. Salp swarm algorithm: a comprehensive review
CN111861256A (zh) 一种主动配电网重构决策方法及系统
CN118040671A (zh) 一种电网紧急切负荷的优化方法、系统、设备及介质
Hou et al. Cable connection scheme optimization for offshore wind farm considering wake effect
Nguyen et al. Wild geese algorithm for the combination problem of network reconfiguration and distributed generation placement
CN105184383A (zh) 基于智能优化方法的城市移动应急电源最优调度方法
Li et al. Applications of entropy principles in power systems: A survey
Praveena et al. Wind power forecasting in short-term using Fuzzy K-means clustering and neural network
Grudzien et al. Structure-and physics-preserving reductions of power grid models
Dabou et al. Rapid design method for generating power system stability databases in SPS for machine learning
Hu et al. Short-term wind power prediction based on principal component analysis and elman artificial neural networks
Zhu et al. Incremental learning of Bayesian networks based on chaotic dual-population evolution strategies and its application to nanoelectronics
CN113612660B (zh) 一种基于种群自适应差分进化的lstm网络流量预测方法

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