CN101763034B - 在配网终端实现自适应网络恢复重构的方法 - Google Patents

Abstract

本发明涉及电力供配电技术领域，其公开了一种在配网终端实现自适应网络恢复重构的方法，其特征在于，包括以下步骤：(a)构造配网终端神经网络模块的输入向量和输出向量；(b)初始化神经网络；(c)用样本对神经网络进行训练；(d)用训练后的神经网络模块处理配电网络恢复重构。本发明的有益效果是：本发明通过借助于神经网络输入与输出之间的非线性映射关系，以及自适应自学习能力，来建立变化的配电网负荷与最优化网络拓扑之间的对应关系，以实现配电网重构，从而降低配电网线损，提高***经济性；同时均衡负荷，消除过载，提高供电电压质量；进一步提高供电可靠性。

Description

在配网终端实现自适应网络恢复重构的方法

技术领域

本发明涉及电力供配电技术领域，特别涉及一种在配网终端实现自适应网络恢复重构的方法。

背景技术

网络重构是配电***运行和控制的重要手段，也是配电管理***的重要组成部分。网络重构在理论上是一个复杂的多目标非线性组合优化问题。自上世纪80年代以来，人们对配电网络重构进行了广泛的研究，形成了比较成熟的网络重构的方法和理论。配电网络重构算法产生的背景是在网络重构的过程中，由于配电网的网损与电压是非线性关系，且有其他的各种约束条件，进行配电网络重构的分析实际上是一个复杂的多目标非线性优化问题。配电网络重构算法由于配电网络重构的多目标性，可以取不同的目标函数来进行算法研究，目前较多的是以网损最小为目标函数的算法。

随着电网规模的扩大和电网结构复杂程度的增加，主站处理的数据急剧增加，网络重构的复杂程度也随之增长，重构算法的实现难度及处理时间都随之增加。现在的配电网络重构方式的缺点在于网络重构必须依赖于配电主站，对配电网通信的依赖性强，当通信***发生故障或控制中心故障，则不可避免地导致整个控制***瘫痪，无法实现配电网的网络重构；而发生的线路故障，无法实现网络重构，不能恢复对故障区域供电。

发明内容

为了解决现有技术中的问题，本发明提供了一种在配网终端实现自适应网络恢复重构的方法，解决现有技术中配电网重构时网络重构必须依赖于配电主站，控制中心发生故障时无法实现配电网的网络重构的问题，达到供电可靠性目的。

本发明解决现有技术问题所采用的技术方案是：设计和制造一种在配网终端实现自适应网络恢复重构的方法，包括以下步骤：(a)构造配网终端神经网络模块的输入向量和输出向量；(b)初始化神经网络；(c)用样本对神经网络进行训练；(d)用训练后的神经网络模块处理配电网络恢复重构。

本发明进一步的改进是：所述步骤(a)进一步包括：(a1)按配网终端流经故障电流以及位置加上转移负荷所在开关构造配网终端神经网络模块的输入向量；(a2)按配网终端所在的开关及断路器分合状态构造配网终端神经网络模块的输出向量。

本发明进一步的改进是：所述步骤(b)中，利用电力专家经验初始化神经网络；所述利用电力专家经验初始化神经网络是利用电力专家对配电网恢复重构的处理经验，确定中间层与输入层以及输出层与中间层的连接权值的初始值。

本发明进一步的改进是：所述步骤(c)进一步包括：(c1)计算中间层、输出层各神经元输出；(c2)计算期望输出与实际输出误差；(c3)反向传递误差，调整中间层与输入层以及输出层与中间层的连接权值；(c4)对神经网络进行训练，若误差满足要求时则结束训练，否则重复训练。

本发明进一步的改进是：所述步骤(d)进一步包括：(d1)配网终端检测到故障，将故障信息上报主站；(d2)接收关联终端的相应信息，通过故障处理程序得出切离故障需要断开的开关及需要转移的负荷所在开关；(d3)将接收到的开关负荷信息及切离故障需要断开的开关和需要转移的开关流经负荷信息作为为终端神经网络程序输入，终端由相应的神经网络模块输出得出分段开关和联络开关以及断路器的操作逻辑；(d4)终端将神经网络模块得出的开关操作逻辑上报主站以作为参考；(d5)当与主站不能够通信或得知主站故障时，终端由神经网络模块得出的开关操作逻辑，操作分段开关和联络开关以及断路器；(d6)完成配电网络的恢复重构。

本发明的有益效果是：本发明通过借助于神经网络输入与输出之间的非线性映射关系，以及自适应自学习能力，来建立变化的配电网负荷与最优化网络拓扑之间的对应关系，以实现配电网重构，从而降低配电网线损，提高***经济性；同时均衡负荷，消除过载，提高供电电压质量；进一步提高供电可靠性。

附图说明

图1是本发明在配网终端实现自适应网络恢复重构的方法流程示意图。

图2是本发明中配电网络恢复重构处理流程图。

图3是本发明中配网终端管理与转移负荷的神经网络程序训练流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1，一种在配网终端实现自适应网络恢复重构的方法，包括以下步骤：a构造配网终端神经网络模块的输入向量和输出向量；b初始化神经网络；c用样本对神经网络进行训练；d用训练后的神经网络模块处理配电网络恢复重构。

所述步骤a进一步包括：a1按配网终端流经故障电流以及位置加上转移负荷所在开关构造配网终端神经网络模块的输入向量；a2按配网终端所在的开关及断路器分合状态构造配网终端神经网络模块的输出向量。

所述步骤b中，利用电力专家经验初始化神经网络；所述利用电力专家经验初始化神经网络是利用电力专家对配电网恢复重构的处理经验，确定中间层与输入层以及输出层与中间层的连接权值的初始值。

所述步骤c进一步包括：c1计算中间层、输出层各神经元输出；c2计算期望输出与实际输出误差；c3反向传递误差，调整中间层与输入层以及输出层与中间层的连接权值；c4对神经网络进行训练，若误差满足要求时则结束训练，否则重复训练。

所述步骤d进一步包括：d1配网终端检测到故障，将故障信息上报主站；d2接收关联终端的相应信息，通过故障处理程序得出切离故障需要断开的开关及需要转移的负荷所在开关；d3将接收到的开关负荷信息及切离故障需要断开的开关和需要转移的开关流经负荷信息作为为终端神经网络程序输入，终端由相应的神经网络模块输出得出分段开关和联络开关以及断路器的操作逻辑；d4终端将神经网络模块得出的开关操作逻辑上报主站以作为参考；d5当与主站不能够通信或得知主站故障时，终端由神经网络模块得出的开关操作逻辑，操作分段开关和联络开关以及断路器；d6完成配电网络的恢复重构。

在本发明的一优选实施例中，***中将配电上的断路器、分段开关和联络开关当作节点并进行编号，构造网络描述矩阵。其中分段开关所在配网终端与断路器所在配网终端以及相应联络开关所在配网终端，按流经负荷以及位置加上转移负荷所在开关构造神经网络输入参数，各配网终端所在的开关及断路器分合状态作为神经网络输出。

借助于神经网络输入与输出之间的非线性映射关系，以及自适应自学习能力，来建立变化的配电网负荷与最优化网络拓扑之间的对应关系，以实现配电网重构。将配电网络上的断路器、分段开关和联络开关当作节点并进行编号，构造网络描述矩阵。其中分段开关所在配网终端与断路器所在配网终端以及相应联络开关所在配网终端，按流经负荷以及位置加上转移负荷所在开关构造神经网络输入参数，各配网终端所在的开关及断路器分合状态作为神经网络输出。神经网络采用适用于自适应控制的多层BP前向网络，采用有教师学习方式，可根据相关专家经验选取初始权值和阈值，以使神经网络更好收敛。本发明在配网终端中实现自适应网络重构，主要目标是在控制中心发生故障时，能实现故障后的配电网恢复重构，所以在神经网络训练时以开关操作次数最少和切负荷最小为目标函数，把配电网线损最小和均衡负荷作为选取方案的一个条件。

图3示出了本发明的配电网络恢复重构的神经网络程序训练方法。

本发明可采用BP神经网络，基于误差传递算法，须通过学习样本与教师样本得出输出层误差，通过每层的误差传递调整神经网络，改变输出误差，以使输出误差小于给定误差指标。

训练神经网络程序时，程序中设定的中间层节点数以及学习速率都会影响网络收敛速度，即对训练次数造成影响。若中间层节点数太少，网络可能根本不能训练或网络性能很差；若中间层节点数太多，虽然可使网络的***误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也容易出现“过拟合”。学习速率在0和1之间取值，取值较大容易使网络不稳定，取值较小会使训练时间过长。

神经网络程序初始化时，需要通过专家经验来对神经网络取初始权值，以减少网络的训练时间，避免陷入非要求的局部极值。专家经验来自于已有的电力专家对配电网络恢复重构的处理经验。

神经网络训练的学习样本和教师样本来自于配网终端所应用的配电网络，以开关操作次数最少和切负荷最小为目标函数。

BP神经网络包括输入层、中间层和输出层，是一种误差反向传播网络。其基本思想是最小二乘法，采用梯度搜索技术，以使网络的实际输出值与期望值的均方误差最小。输入层输入配电网络中的配网终端流经负荷以及位置加上需转移负荷所在开关，中间层与输入层的初始连接权值通过电力专家对配电网络恢复重构的处理经验得出，中间层的节点是输入层节点输出的加权和，节点的激发函数采用S(Sigmoid)型函数。

输出层的节点的输入是中间层节点输出的加权和，输出层与中间层的初始连接权值通过电力专家对配电网络恢复重构的处理经验得出。将输出层的输出结果即各配网终端所在的开关及断路器分合状态与教师样本的期望输出作比较，如不符合则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的加权系数，使输出层节点上得到的输出结果即各配网终端所在的开关及断路器分合状态与期望输出之间的误差信号最小。

神经网络学习时取学习指标函数：

$e=\frac{1}{2}{[y^d\left(t\right)-y\left(t\right)]}^2=\min$

式中，y^d(t)是当前时刻的期望***输出；y(t)是当前神经网络实际输出。

对于每一个样本数据对，从输入节点开始通过前向传播计算出各节点的输出值，然后再从输出节点开始使用反向传播计算出所有隐含节点的偏导数，广义学习规则为：

$\mathrm{\Δw}\∝-\∂e/\∂w$

$w(t+1)=w\left(t\right)+\mathrm{\η}(-\∂e/\∂w)$

式中：η为学习速率

$\∂e/\∂w=\∂e/\∂f\×\∂f/\∂w=\∂e/\∂f\×\∂f/\∂a\×\∂a/\∂w$

学习时先计算输出层广义误差，然后通过输出层广义误差计算反馈误差和调整输出层权系数，再通过反馈误差调整输入层权系数。

当一个样本完成网络加权系数调整后，再送入另一样本模式对，进行类似学习，直到完成所有样本的训练学习。

样本的训练学习完成后计算神经网络程序输出误差，并与设定的误差作比较，如果小于设定误差则保存神经网络的权系数值，退出训练。如果输出误差大于设定误差则继续对全体样本进行训练。

图2示出了本发明的配电网络恢复重构处理流程。

当配电网络发生故障时，配网终端检测到故障信息，并将故障信息上报主站。

检测到故障的配网终端接收关联终端的相应信息，并通过故障处理程序得出切离故障需要断开的开关及需要转移的负荷所在开关。

配网终端将接收到的开关负荷信息及切离故障需要断开的开关和需要转移的开关流经负荷信息作为终端神经网络程序输入，终端由相应的神经网络程序输出得出分段开关和联络开关以及断路器的操作逻辑。

终端将神经网络程序得出的开关操作逻辑上报主站，作为参考。

当与主站不能够通信或得知主站工作不正常时，终端由神经网络程序得出的开关操作逻辑，操作分段开关和联络开关以及断路器，来完成配电网络的恢复重构。

本发明在配网终端中用神经网络程序来处理配电网络恢复重构，克服了配电网重构时网络重构必须依赖于配电主站，控制中心发生故障时无法实现配电网的网络重构的问题。同时应用了神经网络输入与输出之间的非线性映射关系，以及自适应自学习能力，使终端无需潮流计算就可得出配电网络恢复重构的开关逻辑，可在紧急状态下不依赖于主站实现配电网络的恢复重构。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (3)

1.一种在配网终端实现自适应网络恢复重构的方法，其特征在于，包括以下步骤：（a）构造配网终端神经网络模块的输入向量和输出向量；（b）初始化神经网络模块；（c）用样本对神经网络模块进行训练；（d）用训练后的神经网络模块处理配电网络恢复重构；

所述步骤（d）进一步包括：（d1）配网终端检测到故障，将故障信息上报主站；（d2）配网终端接收关联终端的相应信息，通过故障处理程序得出切离故障需要断开的开关及需要转移的开关流经负荷信息；（d3）将接收到的开关负荷信息及切离故障需要断开的开关和需要转移的开关流经负荷信息作为配网终端神经网络模块输入，配网终端由相应的神经网络模块输出得出分段开关和联络开关以及断路器的操作逻辑;（d4）配网终端将神经网络模块得出的开关操作逻辑上报主站以作为参考；（d5）当与主站不能够通信或得知主站故障时，配网终端由神经网络模块得出的开关操作逻辑，操作分段开关和联络开关以及断路器;(d6) 完成配电网络的恢复重构；

所述步骤（a）进一步包括：（a1）将配网终端位置以及故障电流流经配网终端位置加上需要转移的开关流经负荷信息构造配网终端神经网络模块的输入向量；（a2）按配网终端所在的开关及断路器分合状态构造配网终端神经网络模块的输出向量。

2.  根据权利要求1所述在配网终端实现自适应网络恢复重构的方法，其特征在于：所述步骤（b）中，利用电力专家经验初始化神经网络模块；所述利用电力专家经验初始化神经网络模块是利用电力专家对配电网恢复重构的处理经验，确定中间层与输入层以及输出层与中间层的连接权值的初始值。

3.  根据权利要求1所述在配网终端实现自适应网络恢复重构的方法，其特征在于：所述步骤（c）进一步包括：（c1） 计算中间层、输出层各神经元输出；（c2）计算期望输出与实际输出误差；（c3）反向传递误差，调整中间层与输入层以及输出层与中间层的连接权值；（c4）对神经网络模块进行训练，若误差满足要求时则结束训练，否则重复训练。

Images