CN117674249A - 一种含分布式光伏的配电网故障自愈控制与评价方法 - Google Patents

Abstract

本发明公开了一种含分布式光伏的配电网故障自愈控制与评价方法包括：实时监测分布式光伏系统各个单元组件的数据，监测光伏组件故障状态，结合配电网拓扑分析，获取故障定位信息；进行配电系统的重构和重连；进行功率调节和平衡，控制光伏组件的输出功率；获取故障解决时间、故障影响范围以及能源损失数据，对故障解决的过程进行评价和预测分析；构建配电网故障自愈控制预测模型，进行故障解决预测。本发明通过在光伏组件发生故障时，利用自愈控制方法，解决光伏组件故障给配电网供电稳定性和供电质量带来的不良影响，并结合故障解决时间、故障影响范围以及能源损失数据对光伏组件故障解决过程进行评价，实现故障分析和预测。

Description

一种含分布式光伏的配电网故障自愈控制与评价方法

技术领域

本发明涉及电网技术领域，具体为一种含分布式光伏的配电网故障自愈控制与评价方法。

背景技术

分布式光伏发电系统是一种能够将发电功率不超过几十兆瓦的小型模块式光伏发电系统分散地安放在用户附近的新型发电系统，它既能够直接为用户供电，也能够并入电网和配电系统相互协调配合，调节配电系统的平衡，配电网是电力系统中电能从生产到负荷供电的能量输送平台，用户或者区域用电要求较高的情况下会引发电网运动故障，分布式智能电网自愈控制是一种能够在配电网的多层级、大范围内实现协调可靠并且节能经济的控制手段和策略，使得配电网具有自我感知、自我诊断、自我决策以及自我恢复的能力。

光伏组件发生组件损坏、温度过高以及组件漏电等故障时，光伏发电功率下降或完全中断，当范围内的分布式光伏发电系统大范围接入配电网时，现有的配电故障控制方法无法有效解决光伏组件故障，降低了配电网供电的稳定性和供电质量，也没有对故障的解决过程进行评价和预测。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有的配电故障控制方法无法有效解决光伏组件故障，降低了配电网供电的稳定性和供电质量，也没有对故障的解决过程进行评价和预测。

为解决上述技术问题，本发明提供如下技术方案：一种含分布式光伏的配电网故障自愈控制与评价方法，包括：

实时监测分布式光伏系统各个单元组件的数据，监测光伏组件故障状态，结合配电网拓扑分析，获取故障定位信息；

根据所述故障定位信息，进行配电系统的重构和重连；

通过重构和连接的光伏组件，进行功率调节和平衡，控制光伏组件的输出功率；

获取故障解决时间、故障影响范围以及能源损失数据，对故障解决的过程进行评价和预测分析；

基于历史数据和故障解决评价结果，构建配电网故障自愈控制预测模型，进行故障解决预测。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：获取所述故障定位信息，包括：

在分布式光伏发电系统中安装电流互感器、电压互感器、温度传感器以及漏电保护器、绝缘监测装置，通过安装在分布式光伏发电系统输出电缆上的电流互感器和电压互感器测量电流和电压来计算有功功率，通过安装在光伏组件表面的温度传感器实时测量温度，通过漏电电压监测装置监测输出电路的电流不平衡以及电流不匹配，判断是否存在漏电电压并监测漏电电压，通过集中式数据采集系统进行数据采集；

利用无线传输技术或有线通信方式将采集到的数据传输到集中式数据存储系统进行存储和处理；

通过监测有功功率变化、组件综合温度异常以及漏电电压波动创建光伏组件故障判断矩阵，对光伏组件的故障状态进行监测和诊断；

利用方向信号器以及定位设备发送的故障指示信号，将方向信号遥信与初始化方向标记进行比对，并与实际故障位置进行比对，确定故障组件的位置；

根据配电网的设计图纸获取配电网的拓扑结构和连接关系，分析光伏组件在配电网中的位置和连接方式；

综合考虑故障状态监测、方向信号遥信与初始化方向标记对比以及配电网拓扑分析的结果，获取故障定位信息；

所述对光伏组件的故障状态进行监测和诊断，还包括：

组件综合温度取光伏组件上所有温度传感器监测温度和37℃之差与10℃的比值，当综合温度大于等于1时，判定组件温度过高故障，当综合温度小于1时，判定组件温度正常。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：所述配电系统的重构和重连，包括：

获取故障组件定位和配电网拓扑分析结果，确定故障组件定位信息，与故障组件相连的电路、光伏组件和设备；

故障组件隔离：根据故障定位信息，采用故障隔离约束条件将故障组件隔离，创建故障隔离带，切断与故障光伏组件相连电路；

光伏组件重新连接：根据故障隔离后的配电网系统供电负荷缺口，重新连接其他可用的光伏组件，调整光伏组件的连接方式、调整配电网电路的拓扑信息，保证重新连接后的系统正常运行。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：所述进行功率调节和平衡，包括：

功率调节和平衡：根据配电网的负荷需求以及分布式光伏发电系统的实时输出情况，控制光伏组件的输出功率，对配电网和分布式发电系统进行功率调节和平衡；

配电系统验证和监测：完成重构和重连后，对配电系统进行系统输入电功率和输出电功率验证和监测，使得配电网在预期输入电功率和输出电功率下运行。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：对所述故障解决过程进行分析和评价，包括：

根据故障解决时间数据构建故障解决时间指标的构建机制为：

故障解决时间数据包括故障检测时间、故障定位时间和故障解决策略成型时间，故障解决时间指标为故障检测时间、故障定位时间和故障解决策略成型时间的平方和的算数平方根，故障解决时间指标的公式为：

式中：t_c为故障检测时间，t_l为故障定位时间，t_s为故障策略成型时间，α为叠合系数，根据故障检测时间、故障定位时间、故障策略成型时间的叠合程度进行计算，通过历史故障解决时间记录进行叠合分析获得，为完成故障检测时间、故障定位时间、故障策略成型时间之和与故障检测时间、故障定位时间、故障策略成型时间之和的比值。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：对所述故障解决过程进行分析和评价，还包括：

根据故障影响范围数据构建故障解决范围指标的构建机制为：

故障影响范围数据包括故障对配电网引起电压波动的电路条数和引起负荷不平衡的点位数，故障影响范围指标为故障对配电网引起电压波动的电路条数与引起负荷不平衡的点位数之和，故障影响范围指标的公式为：

R_f＝N_dl+N_dw；

式中：N_dl为故障对配电网引起电压波动的电路条数，N_dw为故障对配电网引起负荷不平衡的点位数。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：对所述故障解决过程进行分析和评价，还包括：

根据能源损失数据构建能源损失指标的构建机制为：

能源损失数据包括故障光伏组件的发电功率、中断时间和恢复时间，能源损失指标为光伏组件故障期间的电能损失，为故障光伏组件中断时间和恢复时间之和与发电功率的乘积，能源损失指标的公式为：

R_e＝P_g*(t_zd+t_hf)；

式中：P_g为故障光伏组件发电功率，t_zd为故障光伏组件中断时间，t_hf为故障光伏组件恢复时间。；

若故障解决过程的分析和评价结果不满足预设的标准时，则对故障解决过程进行优化，优化的目标是减少故障解决时间，减小故障影响范围，减少能源损失；

若故障解决过程的分析和评价结果满足预设的标准时，则将故障解决过程的数据用于训练和优化故障自愈控制预测模型；

若故障自愈控制预测模型的性能和预测效果满足预设的标准时，则将模型部署在实际的配电网故障自愈控制系统中；

若部署在实际系统中的故障自愈控制预测模型的性能和预测效果不满足预设的标准时，则根据新收集的实际数据对模型进行更新和优化，优化的目标是提高模型的预测准确率，提高故障自愈的效率和效果。

作为本发明所述的含分布式光伏的配电网故障自愈控制与评价方法的一种优选方案，其中：：所述故障解决预测，包括：

数据收集：收集含分布式光伏的配电网故障自愈控制的历史记录数据，并对收集到的数据进行预处理，处理缺失值、异常值和重复值；

特征处理：根据范围内含分布式光伏的配电网领域知识库，对采集的数据进行特征提取、特征变化和特征组合，获取具有预测显著性的特征；

数据集划分：将采集到的数据集按照4：3的比例分为训练集和测试集，利用训练集进行模型训练和参数优化，利用测试集评估模型的性能和预测能力；

模型选择和训练：使用随机森林模型进行故障解决预测的建模，通过训练集的随机采样和特征的随机选择，训练出多个决策树模型，调整决策树的数量、树的深度以及特征参数的选择对模型进行调优；

模型评估和特征重要性分析：使用测试集对训练好的随机森林模型进行准确率、精确率、召回率以及精确性的指标F1值评估，利用随机森林模型提供的特征重要性信息，分析各个特征对故障解决预测的贡献值；

模型持续监测和更新：利用训练好的随机森林模型部署在实际分布式光伏的配电网故障自愈控制中，并持续监测模型的性能和预测效果，根据实际数据对模型进行更新和优化。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

本发明的有益效果：本发明通过在光伏组件发生故障时，利用具有自我感知、自我诊断、自我决策以及自我恢复的能力的自愈控制方法，解决光伏组件故障给配电网供电稳定性和供电质量带来的不良影响，并结合故障解决时间、故障影响范围以及能源损失数据对光伏组件故障解决过程进行评价，实现故障分析和预测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的一种含分布式光伏的配电网故障自愈控制与评价方法的整体流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种含分布式光伏的配电网故障自愈控制与评价方法，包括：

S1：实时监测分布式光伏系统各个单元组件的数据，监测光伏组件故障状态，结合配电网拓扑分析，获取故障定位信息；

S11：数据采集：在分布式光伏发电系统中安装电流互感器、电压互感器、温度传感器以及漏电保护器、绝缘监测装置，通过安装在分布式光伏发电系统输出电缆上的电流互感器和电压互感器测量电流和电压来计算有功功率，通过安装在光伏组件表面的温度传感器实时测量温度，通过漏电电压监测装置监测输出电路的电流不平衡以及电流不匹配，判断是否存在漏电电压并监测漏电电压，通过集中式数据采集系统进行数据采集；

S12：数据传输和存储：利用无线传输技术或有线通信方式将采集到的数据传输到集中式数据存储系统进行存储和处理；

S13：故障状态监测与诊断：通过监测有功功率变化、组件综合温度异常以及漏电电压波动创建光伏组件故障判断矩阵，对光伏组件的故障状态进行监测和诊断；

S14：方向信号遥信与初始化方向标记对比：利用方向信号器以及定位设备发送的故障指示信号，将方向信号遥信与初始化方向标记进行比对，并与实际故障位置进行比对，确定故障组件的位置；

S15：配电网拓扑分析：根据配电网的设计图纸获取配电网的拓扑结构和连接关系，分析光伏组件在配电网中的位置和连接方式；

S16：故障定位信息获取：综合考虑故障状态监测、方向信号遥信与初始化方向标记对比以及配电网拓扑分析的结果，获取故障定位信息。

进一步的，S13步骤的优势在于，监测这些参数能够及时检测到光伏组件的异常情况，当有功功率变化、组件综合温度异常或漏电电压波动超出正常范围时，能够快速判断光伏组件存在故障，这有助于及时发现故障并采取相应的措施进行修复，防止故障进一步恶化；通过监测多个参数，能够创建一个故障判断矩阵，将不同参数的异常情况进行综合分析，提高了故障诊断的准确性，帮助确定光伏组件故障的具体位置和原因，准确的故障定位也能够节省维修时间和成本，提高光伏系统的可靠性和可用性；通过实时监测和诊断光伏组件的故障状态，能够及早发现潜在的故障风险，在故障发生之前，采取相应的预防措施，如调整组件连接、加强维护等，以防止故障事故的发生，有助于提高光伏系统的安全性和稳定性；通过监测和诊断光伏组件故障状态，能够准确确定故障的范围和原因，有助于优化维护计划，针对具体的故障组件进行维修或更换，避免对整个光伏系统进行不必要的维护，通过准确的故障诊断和维护，能够降低维护成本和维修时间。

组件综合温度取光伏组件上所有温度传感器监测温度和37℃之差与10℃的比值，当综合温度大于等于1时，判定组件温度过高故障，当综合温度小于1时，判定组件温度正常。

更进一步的，S14能够通过方向信号器和定位设备的配合，精确定位故障组件的位置，故障指示信号的比对和实际故障位置的比对能够帮助确定故障组件的具体位置，从而提供准确的故障定位信息，有助于快速找到故障点，减少故障排查的时间和成本；通过比对方向信号遥信与初始化方向标记，能够排除误差和干扰因素，提高故障诊断的准确性；通过精确定位故障组件，维修人员直接前往故障点进行维修，而无需对整个系统进行全面检查，大幅提高维修效率，缩短故障解决时间，减少对系统正常运行的干扰；精确定位故障组件有助于降低维修成本，准确的故障定位能够避免对整个系统的不必要维修和更换，减少了维修的范围和工作量，降低了维修的成本和人力资源的投入。

应说明的是，37℃是设定的一个基准温度，是基于光伏组件在这个温度下的工作效率较高，在这个温度下不会出现热降解等问题。而10℃是设定的一个温度阈值，表示光伏组件的温度可以在基准温度上下浮动10℃而不会对其工作效率产生太大影响。这个规则的设定可能还需要根据光伏组件的具体型号、材料、工作环境等因素进行调整，可能需要根据实际情况进行优化。

将组件综合温度与一个固定的阈值进行比较，即大于等于1或小于1，能够简化判断过程，这种简单的判断方法易于理解和实施，无需复杂的计算或统计分析；当组件综合温度大于等于1时，判定为温度过高故障，这种判断方法能够帮助及时发现光伏组件的温度异常情况，提前采取措施进行修复或维护，防止温度过高引发故障或损坏光伏组件；由于该判断方法仅需对组件综合温度进行简单的比较，因此在实际场景中易于应用，无论是基于传感器数据的实时监测还是基于历史数据的离线分析，都能够方便地使用这种判断方法进行故障诊断；相对于其他更复杂的温度分析方法，如基于机器学习的模型或统计算法，这种简单的比值判断方法更加直观和易于实施，能够帮助降低故障诊断的复杂性和相关的成本，特别是在资源受限或实施条件有限的情况下。

S2：获取故障定位信息后，根据配电网拓扑结构和能留分布，进行配电系统的重构和重连；

S21，获取故障组件定位和配电网拓扑分析结果，确定故障组件定位信息，与故障组件相连的电路、光伏组件和设备；

S22，故障组件隔离：根据故障定位信息，采用故障隔离约束条件将故障组件隔离，创建故障隔离带，切断与故障光伏组件相连电路；

S23，光伏组件重新连接：根据故障隔离后的配电网系统供电负荷缺口，重新连接其他可用的光伏组件，调整光伏组件的连接方式、调整配电网电路的拓扑信息，保证重新连接后的系统正常运行。

系统重构和重连能够实现故障隔离与快速恢复，实现能源利用与输出功率最大化，提高系统的灵活性和可靠性，使得维护和管理更加便利。

S3：重新连接光伏组件后，进行功率调节和平衡，控制光伏组件的输出功率；

S31，功率调节和平衡：根据配电网的负荷需求以及分布式光伏发电系统的实时输出情况，控制光伏组件的输出功率，对配电网和分布式发电系统进行功率调节和平衡；

S32，配电系统验证和监测：完成重构和重连后，对配电系统进行系统输入电功率和输出电功率验证和监测，使得配电网在预期输入电功率和输出电功率下运行。

S4：获取故障解决时间、故障影响范围以及能源损失数据，对故障解决的过程进行评价和预测，利用故障解决综合分析指标对故障解决过程进行分析和评价；

故障解决时间数据包括故障检测时间、故障定位时间和故障解决策略成型时间，故障解决时间指标为故障检测时间、故障定位时间和故障解决策略成型时间的平方和的算数平方根，故障解决时间指标的公式为：

式中：t_c为故障检测时间，t_l为故障定位时间，t_s为故障策略成型时间，α为叠合系数，根据故障检测时间、故障定位时间、故障策略成型时间的叠合程度进行计算，通过历史故障解决时间记录进行叠合分析获得，为完成故障检测时间、故障定位时间、故障策略成型时间之和与故障检测时间、故障定位时间、故障策略成型时间之和的比值。

故障解决时间指标结合了故障检测时间、故障定位时间和故障解决策略成型时间三个重要的时间指标，通过将这些指标平方并求和，再取算数平方根，综合考虑各个环节的时间消耗，更全面地评估故障解决时间的长短；故障解决涉及多个环节，其中每个环节的时间都对整个解决过程有影响，通过将各个时间指标进行平方和开根号的运算，能够平衡不同环节的重要性，较长的时间在平方运算后会更加显著地影响整体结果，因此更加注重短时间的环节，促使整个故障解决过程更快地进行；故障解决时间是评估解决效率和响应能力的重要指标，通过对时间指标进行平方和开根号的计算，能够加大对时间效率的考量，促使快速响应和故障解决，有助于提高故障解决的效率和迅速修复故障的能力，减少故障对系统运行的影响。

进一步地，根据故障影响范围数据构建故障解决范围指标的构建机制为：

故障影响范围数据包括故障对配电网引起电压波动的电路条数和引起负荷不平衡的点位数，故障影响范围指标为故障对配电网引起电压波动的电路条数与引起负荷不平衡的点位数之和，故障影响范围指标的公式为：

R_f＝N_dl+N_dw；

式中：N_dl为故障对配电网引起电压波动的电路条数，N_dw为故障对配电网引起负荷不平衡的点位数。

故障影响范围指标将故障对电压波动和负荷不平衡两个重要方面的影响进行综合考虑，故障引起的电压波动影响多个电路，而引起的负荷不平衡涉及多个点位，将两者的数量相加，能够更全面地评估故障对配电网的影响范围；故障影响范围指标不仅考虑了受影响的电路数量，还考虑了受影响的点位数量，能够更准确地描述故障对配电网的影响程度和范围，当故障影响的电路条数和点位数较多时，能够判断故障对整个配电网的影响范围更广泛，有助于识别和评估重要的故障情况；将故障影响范围指标定义为电压波动的电路条数与负荷不平衡的点位数之和，将其转化为一个具体的数值，方便对不同故障情况进行比较和评估，数值化的指标也便于对故障影响范围进行跟踪和统计，提供定量的参考依据；通过将电压波动和负荷不平衡的影响范围相加，得到综合的故障影响范围指标，能够对不同故障情况进行综合评估，并帮助决策者更好地了解故障对配电网的整体影响，从而采取相应的措施来应对和解决故障。

进一步地，根据能源损失数据构建能源损失指标的构建机制为：

能源损失数据包括故障光伏组件的发电功率、中断时间和恢复时间，能源损失指标为光伏组件故障期间的电能损失，为故障光伏组件中断时间和恢复时间之和与发电功率的乘积，能源损失指标的公式为：

R_e＝P_g*(t_zd+t_hf)；

式中：P_g为故障光伏组件发电功率，t_zd为故障光伏组件中断时间，t_hf为故障光伏组件恢复时间。

能源损失指标通过将故障期间的电能损失量化为数值，能够对能源损失进行定量评估，该指标结合了故障光伏组件中断时间、恢复时间以及发电功率，能够反映故障期间的实际电能损失情况；能源损失指标将故障光伏组件的中断时间和恢复时间之和考虑在内，中断时间指故障发生后无法正常发电的时间，恢复时间指恢复正常发电所需的时间，通过考虑这两个时间因素，能够更准确地评估故障期间的能源损失程度；能源损失指标与发电功率的乘积表示故障期间的能源损失量，发电功率是光伏组件正常发电的能力，将其与故障期间的能源损失相乘，能够反映故障对能源供给的影响程度，该指标能够更全面地考虑发电功率对能源损失的影响；能源损失指标能够帮助决策者评估故障期间的能源损失情况，并为采取相应的措施提供依据，通过对不同故障情况的能源损失指标进行比较，能够确定哪些故障对能源损失影响更大，进而制定优先处理的方案，以减少能源损失和提高供电可靠性。

若故障解决过程的分析和评价结果不满足预设的标准时，对故障解决过程进行优化。优化的目标是减少故障解决时间，减小故障影响范围，减少能源损失。具体实现方式可以包括：

提高故障检测的准确性和速度，例如通过引入更先进的检测技术或优化检测算法；

提高故障定位的准确性和速度，例如通过引入更精确的定位设备或优化定位算法；

提高故障解决策略的效率，例如通过引入更有效的解决策略或优化策略选择算法。

若故障解决过程的分析和评价结果满足预设的标准时，将故障解决过程的数据用于训练和优化故障自愈控制预测模型。具体实现方式可以包括：

使用故障解决过程的数据作为训练数据，训练故障自愈控制预测模型；

使用交叉验证等方法优化模型的参数，提高模型的预测性能；

使用新的故障解决过程的数据更新模型，使模型能够适应新的故障情况。

若故障自愈控制预测模型的性能和预测效果满足预设的标准时，将模型部署在实际的配电网故障自愈控制系统中。具体实现方式可以包括：

将训练好的模型集成到实际的配电网故障自愈控制系统中；

在实际系统中使用模型进行故障预测，根据预测结果采取相应的故障解决策略。

若部署在实际系统中的故障自愈控制预测模型的性能和预测效果不满足预设的标准时，根据新收集的实际数据对模型进行更新和优化。优化的目标是提高模型的预测准确率，提高故障自愈的效率和效果。具体实现方式可以包括：

使用新收集的实际数据更新模型，使模型能够适应新的故障情况；

使用新的优化算法或方法优化模型的参数，提高模型的预测性能；

根据模型的预测结果，优化故障解决策略，提高故障自愈的效率和效果。

S5：基于历史数据和故障解决评价结果，利用机器学习模型构建配电网故障自愈控制预测模型，利用该模型进行故障解决预测。

S51，数据收集：收集含分布式光伏的配电网故障自愈控制的历史记录数据，并对收集到的数据进行清洗和预处理；

S52，特征处理：根据范围内含分布式光伏的配电网领域知识库，对采集的数据进行特征提取、特征变化和特征组合，获取具有预测显著性的特征；

S53，数据集划分：将采集到的数据集按照4：3的比例分为训练集和测试集，利用训练集进行模型训练和参数优化，利用测试集评估模型的性能和预测能力；

S54，模型选择和训练：使用随机森林模型进行故障解决预测的建模，通过训练集的随机采样和特征的随机选择，训练出多个决策树模型，调整决策树的数量、树的深度以及特征参数的选择对模型进行调优。在训练过程中，我们会对训练集进行随机采样，对特征进行随机选择，以生成多个决策树。然后，我们会调整决策树的数量、树的深度以及特征参数的选择，以优化模型的性能。通过多次迭代和试验，以找到最优的模型参数。

S55，模型评估和特征重要性分析：使用测试集对训练好的随机森林模型进行准确率、精确率、召回率以及F1值评估，利用随机森林模型提供的特征重要性信息，分析各个特征对故障解决预测的贡献值；

S56，模型持续监测和更新：利用训练好的随机森林模型部署在实际分布式光伏的配电网故障自愈控制中，并持续监测模型的性能和预测效果，这包括定期检查模型的预测结果，以及对比实际的故障解决情况，以评估模型的实际效果。若发现模型的性能有下降，或者预测效果不佳，则需要根据新收集的实际数据对模型进行更新和优化。包括重新训练模型，或者调整模型的参数。这个过程是一个持续的过程，需要不断进行以保证模型的性能和预测效果。

进一步的，在机器学习中，数据集通常被划分为训练集和测试集。训练集用于训练模型，而测试集用于评估模型的性能。数据集的划分比例没有固定的规则，通常根据数据量、问题的复杂性和模型的复杂性等因素来确定，经多次验证，在本发明中4:3的训练集和测试集更加符合要求。

更进一步的，F1值是一种用于评估二分类模型精确性的指标，它是精确率和召回率的调和平均数。精确率和召回率都是评估模型性能的重要指标，但是它们往往存在权衡关系，即提高精确率可能会降低召回率，反之亦然。因此，F1值被用来在这两者之间找到一个平衡，提供一个单一的性能指标。

随机森林模型在处理复杂的故障解决预测问题时通常表现出很高的预测准确性。它能够通过集成多个决策树模型来进行预测，通过综合多个模型的结果来减小预测误差，从而提高准确性；随机森林模型能够有效处理包含大量特征的数据集，能够自动选择重要的特征，并对特征进行组合，从而更好地捕捉故障解决预测问题中的复杂关系，使得随机森林模型在处理高维数据时具有优势；随机森林模型通过随机抽样和随机特征选择的方式构建多个决策树，并通过集成的方式进行预测，这种随机性的引入能够降低模型的过拟合风险，提高模型的泛化能力；相比于一些黑盒模型，如神经网络，随机森林模型具有较强的可解释性，能够提供特征的重要性排序，帮助理解不同特征对故障解决预测的影响程度，对于理解故障解决预测问题的关键因素以及制定相应的决策有帮助；随机森林模型对于异常值和噪声的存在具有一定的鲁棒性，由于随机抽样和多个决策树的集成，单个异常值或噪声点不太可能对整个模型产生较大的影响，从而提高了模型的鲁棒性。

计算机设备可以是服务器。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力监控系统的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种含分布式光伏的配电网故障自愈控制与评价方法。

实施例2

为本发明的一个实施例，提供了一种含分布式光伏的配电网故障自愈控制与评价方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

首先，针对上述实施例方法，将该方法应用于配电网系统中与未采用本发明的配电网系统进行对比。

通过连续10天的故障频次和故障类型和时间记录，数据如下表所示：

在这个表格中，可以看到，使用本发明前的系统在10天内偶尔会出现不同类型和持续时间的故障，而使用发明后的系统在这10天内没有出现任何故障，这就证明了你们的发明具有显著的故障自愈能力。

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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种含分布式光伏的配电网故障自愈控制与评价方法，其特征在于，包括：

实时监测分布式光伏系统各个单元组件的数据，监测光伏组件故障状态，结合配电网拓扑分析，获取故障定位信息；

根据所述故障定位信息，进行配电系统的重构和重连；

通过重构和连接的光伏组件，进行功率调节和平衡，控制光伏组件的输出功率；

获取故障解决时间、故障影响范围以及能源损失数据，对故障解决的过程进行评价和预测分析；

基于历史数据和故障解决评价结果，构建配电网故障自愈控制预测模型，进行故障解决预测。

2.如权利要求1所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：获取所述故障定位信息，包括：

在分布式光伏发电系统中安装电流互感器、电压互感器、温度传感器以及漏电保护器、绝缘监测装置，通过安装在分布式光伏发电系统输出电缆上的电流互感器和电压互感器测量电流和电压来计算有功功率，通过安装在光伏组件表面的温度传感器实时测量温度，通过漏电电压监测装置监测输出电路的电流不平衡以及电流不匹配，判断是否存在漏电电压并监测漏电电压，通过集中式数据采集系统进行数据采集；

利用无线传输技术或有线通信方式将采集到的数据传输到集中式数据存储系统进行存储和处理；

通过监测有功功率变化、组件综合温度异常以及漏电电压波动创建光伏组件故障判断矩阵，对光伏组件的故障状态进行监测和诊断；

利用方向信号器以及定位设备发送的故障指示信号，将方向信号遥信与初始化方向标记进行比对，并与实际故障位置进行比对，确定故障组件的位置；

根据配电网的设计图纸获取配电网的拓扑结构和连接关系，分析光伏组件在配电网中的位置和连接方式；

综合考虑故障状态监测、方向信号遥信与初始化方向标记对比以及配电网拓扑分析的结果，获取故障定位信息；

所述对光伏组件的故障状态进行监测和诊断，还包括：

组件综合温度取光伏组件上所有温度传感器监测温度和37℃之差与10℃的比值，当综合温度大于等于1时，判定组件温度过高故障，当综合温度小于1时，判定组件温度正常。

3.如权利要求2所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：所述配电系统的重构和重连，包括：

获取故障组件定位和配电网拓扑分析结果，确定故障组件定位信息，获取与故障组件相连的电路、光伏组件和设备；

故障组件隔离：根据故障定位信息，采用故障隔离约束条件将故障组件隔离，切断与故障光伏组件相连电路，创建故障隔离带；

光伏组件重新连接：根据故障隔离后的配电网系统供电负荷缺口，重新连接其他可用的光伏组件，调整光伏组件的连接方式、调整配电网电路的拓扑信息，使重新连接后的系统正常运行。

4.如权利要求3所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：所述进行功率调节和平衡，包括：

功率调节和平衡：根据配电网的负荷需求以及分布式光伏发电系统的实时输出情况，控制光伏组件的输出功率，对配电网和分布式发电系统进行功率调节和平衡；

配电系统验证和监测：完成重构和重连后，对配电系统进行系统输入电功率和输出电功率验证和监测，使配电网在预期输入电功率和输出电功率下运行。

5.如权利要求4所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：对所述故障解决过程进行分析和评价，包括：

根据故障解决时间数据构建故障解决时间指标的构建机制为：

故障解决时间数据包括故障检测时间、故障定位时间和故障解决策略成型时间，故障解决时间指标的公式为：

式中：t_c为故障检测时间，t_l为故障定位时间，t_s为故障策略成型时间，α为叠合系数，根据故障检测时间、故障定位时间、故障策略成型时间的叠合程度进行计算，通过历史故障解决时间记录进行叠合分析获得，为完成故障检测时间、故障定位时间、故障策略成型时间之和与故障检测时间、故障定位时间、故障策略成型时间之和的比值。

6.如权利要求5所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：对所述故障解决过程进行分析和评价，还包括：

根据故障影响范围数据构建故障解决范围指标的构建机制为：

故障影响范围数据包括故障对配电网引起电压波动的电路条数和引起负荷不平衡的点位数，故障影响范围指标为故障对配电网引起电压波动的电路条数与引起负荷不平衡的点位数之和，故障影响范围指标为：

R_f＝N_dl+N_dw；

式中：N_dl为故障对配电网引起电压波动的电路条数，N_dw为故障对配电网引起负荷不平衡的点位数。

7.如权利要求6所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：对所述故障解决过程进行分析和评价，还包括：

根据能源损失数据构建能源损失指标的构建机制为：

能源损失数据包括故障光伏组件的发电功率、中断时间和恢复时间，能源损失指标为光伏组件故障期间的电能损失，为故障光伏组件中断时间和恢复时间之和与发电功率的乘积，能源损失指标的公式为：

R_e＝P_g*(t_zd+t_hf)；

式中：P_g为故障光伏组件发电功率，t_zd为故障光伏组件中断时间，t_hf为故障光伏组件恢复时间；

若故障解决过程的分析和评价结果不满足预设的标准时，则对故障解决过程进行优化，优化的目标是减少故障解决时间，减小故障影响范围，减少能源损失；

若故障解决过程的分析和评价结果满足预设的标准时，则将故障解决过程的数据用于训练和优化故障自愈控制预测模型；

若故障自愈控制预测模型的性能和预测效果满足预设的标准时，则将模型部署在实际的配电网故障自愈控制系统中；

若部署在实际系统中的故障自愈控制预测模型的性能和预测效果不满足预设的标准时，则根据新收集的实际数据对模型进行更新和优化，优化的目标是提高模型的预测准确率，提高故障自愈的效率和效果。

8.如权利要求7所述的含分布式光伏的配电网故障自愈控制与评价方法，其特征在于：所述故障解决预测，包括：

数据收集：收集含分布式光伏的配电网故障自愈控制的历史记录数据，并对收集到的数据进行预处理，处理缺失值、异常值和重复值；

特征处理：根据范围内含分布式光伏的配电网领域知识库，对采集的数据进行特征提取、特征变化和特征组合，获取具有预测显著性的特征；

数据集划分：将采集到的数据集按照4：3的比例分为训练集和测试集，利用训练集进行模型训练和参数优化，利用测试集评估模型的性能和预测能力；

模型选择和训练：使用随机森林模型进行故障解决预测的建模，通过训练集的随机采样和特征的随机选择，训练出多个决策树模型，调整决策树的数量、树的深度以及特征参数的选择对模型进行调优；

模型评估和特征重要性分析：使用测试集对训练好的随机森林模型进行准确率、精确率、召回率以及精确性的指标F1值评估，利用随机森林模型提供的特征重要性信息，分析各个特征对故障解决预测的贡献值；

模型持续监测和更新：利用训练好的随机森林模型部署在实际分布式光伏的配电网故障自愈控制中，并持续监测模型的性能和预测效果，根据实际数据对模型进行更新和优化。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。