CN111082401B - 基于自学习机制的配电网故障恢复方法 - Google Patents

Abstract

本发明公开了一种基于自学习机制的配电网故障恢复方法，电网正常运行时，依据风险评估结果进行预想事故仿真，进而构建基于事故预案与历史故障恢复方案的自学习数据库；故障后，提取故障特征，并计算当前故障与数据库中存储故障的相似度，按照由高到低的顺序排序；利用匹配到相似故障的供电恢复方案快速可靠地实现供电恢复的任务。本发明将传统复杂耗时的在线优化问题，转变成有限故障状态的相似性评估问题，在保证故障恢复方案质量的同时，大大降低了实时计算量，从而提高了供电恢复决策速度和方案性能，使供电恢复***升级为具有自我学习、自我完善和不断进化能力的智能控制***。

Description

基于自学习机制的配电网故障恢复方法

技术领域

本发明涉及一种基于自学习机制的配电网故障恢复方法，属于电力***自动化和配电网故障恢复领域。

背景技术

电力***中配电网承担着将电能分配给千家万户的重任，直接影响着电力用户的供电可靠性及电能质量，随着社会经济的发展与生活水平的不断提高，提升配电网供电可靠性已受到广泛重视，供电恢复作为智能配电网自愈控制的核心功能，在***故障后通过网络重构完成对失电负荷的转供电，对提高电网供电可靠性具有重要意义。

配电网供电恢复需统筹考虑失电负荷量、开关动作次数、负荷均衡、电压质量和网损等因素，是一个多目标多约束非线性的组合优化问题，现有研究大多采用在线决策的供电恢复方式，催生了大量速度快、性能优的求解算法，其中，混合算法兼具了不同算法的优点，具有良好的全局趋优能力和收敛速度，越来越多的学者采用混合算法来求解供电恢复问题，如周湶等(周湶,解慧力,郑柏林,等.基于混合算法的配电网故障重构与孤岛运行配合[J].电网技术,2015,39(1):136-142.)将孤岛划分后的停电负荷纳入目标函数，提出了基于二进制粒子群和差分进化混合算法实现网络重构和孤岛划分合理配合的恢复策略，如郇嘉嘉等(郇嘉嘉,黄少先.基于免疫原理的蚁群算法在配电网恢复中的应用[J].电力***保护与控制，2008,17：41-44.)针对蚁群算法存在的易陷入局部最优和收敛难的问题，引入免疫算法中的抗体浓度的选择机制和多样性策略，加强了蚁群算法的全局搜索能力，有效地防止了算法的早熟。

对于同一网络，其拓扑结构、运行方式以及故障情况，在不同时刻具有高度的相似性，合理选择和利用相似故障的供电恢复方案，可大幅提高供电恢复决策速度和方案质量，然而，现阶段采用的在线决策方式未能有效利用仿真事故方案和历史故障的处理经验，对于大规模复杂网络，存在计算量过大，求解速度过慢的问题，尤其发生大规模严重失电情况下，无法保证快速可靠地完成供电恢复，转供电速度与方案性能需要进一步提升。

发明内容

本发明所要解决的技术问题是：克服现有技术的不足，提供一种能够解决传统在线决策方式速度慢、方案性能较差的缺陷，且能够有效利用预想事故和相似历史故障的处理经验而提出的一种基于自学习机制的配电网故障恢复方法。

本发明为解决技术问题所采取的技术方案是：

一种基于自学习机制的配电网故障恢复方法，包括如下步骤：

步骤一：构建自学习数据库；配电网正常运行时，根据风险评估结果合理制定预想事故集，并按照风险由高到低的顺序，依次对高风险设备和位置进行预想事故仿真，从而构建基于预想事故仿真和历史故障处理方案的自学习数据库，以便故障后可以直接利用相似故障的转供电方案；

步骤二：相似故障状态评估与匹配；故障后，提取当前网络故障特征，依次计算当前故障与数据库中保存故障的网络拓扑相似性和负荷分布相似性，从而得到当前故障与存储故障的相似度；

步骤三：生成故障恢复方案；按照相似度由大到小的顺序，依次验证保存故障的转供电方案能否适用于当前故障情况，若满足各种约束条件，则执行相似故障的转供电方案，快速完成供电恢复任务。

在步骤一中，构建自学习数据库由预想事故仿真和历史故障处理方案两部分组成：

(1)预想事故仿真

基于风险评估的预想事故仿真的过程为：

Step1：正常状态下，对网络运行状态进行风险评估，搜索风险等级最高或最易发生故障的脆弱点；

Step2：对***不同位置和设备按风险程度由大到小排序，确定预想事故集；

Step3：采用MOPSO算法优先制定高风险设备的故障恢复方案，为故障后快速恢复供电提供备案；

(2)历史故障处理方案

在实际配电网中，相同设备在不同时刻可能会多次发生故障，当网络结构和负荷水平相似的情况下，相同位置的故障特征及供电恢复方案具有很高的相似性，配电网完成转供电后，将每次故障信息和相应的处理方案保存至自学习数据库中，能够为后续故障恢复提供指导。

在数据库中保存的信息包括：故障前的网络结构、负荷分布、故障情况(故障位置、失电情况)以及最终的供电恢复方案。

在步骤二中，配电网故障前的负荷分布反映了用户的用电需求，而且这种用电需求在故障前后的短时间内不会发生大规模变化，因此，可认为故障恢复后的负荷需求与故障前相同；利用线路电流表示负荷分布情况，则负荷分布相似性(LDS)评估函数为：

式中，I和L分别表示不同状态的负荷分布序列，b为线路数

配电网邻接矩阵的奇异值序列与网络拓扑结构是彼此对应的，并且对奇异值序列做降维、压缩和重构处理后，可得到与原网络相同的拓扑结构，因此可将网络邻接矩阵的奇异值序列作为拓扑相似性评估指标；

网络拓扑相似性评估函数定义为，两个网络奇异值序列距离测度的倒数，即奇异值序列的距离越近，相似度越高，设两个n维奇异值序列X＝(x₁,x₂,…x_n)和Y＝(y₁,y₂,…y_n)，则网络拓扑相似性(NTS)评估公式为：

式中，k表示只取序列的前k维作相似性评估，需要根据实际网络和序列维度来确定取值。

在步骤二中，在分析网络结构相似和负荷分布相似的基础上，利用线性加权法建立故障相似性评估函数(SIM)，计算公式为：

SIM＝k₁NTS+k₂LDS (3)

式中，NTS为网络拓扑相似度，LDS为负荷分布相似度，k₁和k₂分别为二者的权值，且k₁+k₂＝1。

在步骤三中，故障相似性评估完成后，利用相似故障恢复方案完成转供电，具体步骤如下：

Step1：故障后计算故障相似度SIM，并按由大到小的顺序生成故障相似度排列向量Sim(n维向量)，令i＝0；

Step2：令i＝i+1，判断i是否小于n，若小于，则继续下一步；反之，则输出无相似故障，返回结束；

Step3：判断Sim(i)是否大于0.8，若大于0.8，则继续下一步；反之，则数据库中没有相似的网络状态，返回结束；

Step4：选择网络i中相同位置发生故障时的供电恢复方案，作为方案i；Step5：判断方案i是否满足潮流要求，若满足，则执行该方案；否则，返回Step3继续执行。

本发明的积极有益效果是：

本发明提出了一种基于自学习机制的配电网供电恢复方法，故障后通过对相似故障状态进行评估和匹配，直接利用相似预想事故和历史故障的转供电方案，将复杂耗时的在线优化问题转化成有限个网络状态的相似性评估问题，从而快速可靠地完成供电恢复任务，使配电网供电恢复***升级为具有自我学习、自我完善、不断进化能力的智能化***。

附图说明

图1为本发明基于自学习机制的配电网故障恢复方法的流程示意图；

图2为本发明基于自学习机制的配电网故障恢复方法中的预想事故仿真流程图；

图3为本发明中IEEE33节点***图。

具体实施方式

下面结合附图1、图2、图3和具体实施例对本发明作进一步的解释和说明：

一种基于自学习机制的配电网故障恢复方法，包括如下步骤：

步骤一：构建自学习数据库；配电网正常运行时，根据风险评估结果合理制定预想事故集，并按照风险由高到低的顺序，依次对高风险设备和位置进行预想事故仿真，从而构建基于预想事故仿真和历史故障处理方案的自学习数据库，以便故障后可以直接利用相似故障的转供电方案；

步骤二：相似故障状态评估与匹配；故障后，提取当前网络故障特征，依次计算当前故障与数据库中保存故障的网络拓扑相似性和负荷分布相似性，从而得到当前故障与存储故障的相似度；

步骤三：生成故障恢复方案；按照相似度由大到小的顺序，依次验证保存故障的转供电方案能否适用于当前故障情况，若满足各种约束条件，则执行相似故障的转供电方案，快速完成供电恢复任务。

在步骤一中，构建自学习数据库由预想事故仿真和历史故障处理方案两部分组成：

(1)预想事故仿真

基于风险评估的预想事故仿真的过程为：

Step1：正常状态下，对网络运行状态进行风险评估，搜索风险等级最高或最易发生故障的脆弱点；

Step2：对***不同位置和设备按风险程度由大到小排序，确定预想事故集；

Step3：采用MOPSO算法优先制定高风险设备的故障恢复方案，为故障后快速恢复供电提供备案；

(2)历史故障处理方案

在实际配电网中，相同设备在不同时刻可能会多次发生故障，当网络结构和负荷水平相似的情况下，相同位置的故障特征及供电恢复方案具有很高的相似性，配电网完成转供电后，将每次故障信息和相应的处理方案保存至自学习数据库中，能够为后续故障恢复提供指导。

在步骤二中，配电网故障前的负荷分布反映了用户的用电需求，而且这种用电需求在故障前后的短时间内不会发生大规模变化，因此，可认为故障恢复后的负荷需求与故障前相同；利用线路电流表示负荷分布情况，则负荷分布相似性(LDS)评估函数为：

式中，I和L分别表示不同状态的负荷分布序列，b为线路数

配电网邻接矩阵的奇异值序列与网络拓扑结构是彼此对应的，并且对奇异值序列做降维、压缩和重构处理后，可得到与原网络相同的拓扑结构，因此可将网络邻接矩阵的奇异值序列作为拓扑相似性评估指标；

网络拓扑相似性评估函数定义为，两个网络奇异值序列距离测度的倒数，即奇异值序列的距离越近，相似度越高，设两个n维奇异值序列X＝(x₁,x₂,…x_n)和Y＝(y₁,y₂,…y_n)，则网络拓扑相似性(NTS)评估公式为：

式中，k表示只取序列的前k维作相似性评估，需要根据实际网络和序列维度来确定取值。

在步骤二中，在分析网络结构相似和负荷分布相似的基础上，利用线性加权法建立故障相似性评估函数(SIM)，计算公式为：

SIM＝k₁NTS+k₂LDS (3)

式中，NTS为网络拓扑相似度，LDS为负荷分布相似度，k₁和k₂分别为二者的权值，且k₁+k₂＝1。

在步骤三中，故障相似性评估完成后，利用相似故障恢复方案完成转供电，具体步骤如下：

Step1：故障后计算故障相似度SIM，并按由大到小的顺序生成故障相似度排列向量Sim(n维向量)，令i＝0；

Step2：令i＝i+1，判断i是否小于n，若小于，则继续下一步；反之，则输出无相似故障，返回结束；

Step3：判断Sim(i)是否大于0.8，若大于0.8，则继续下一步；反之，则数据库中没有相似的网络状态，返回结束；

Step4：选择网络i中相同位置发生故障时的供电恢复方案，作为方案i；

Step5：判断方案i是否满足潮流要求，若满足，则执行该方案；否则，返回Step3继续执行。

下面结合附图3所示的IEEE33节点配电网仿真模型，对本发明做实例说明，该***有33个负荷节点，37条线路(分为32个分段开关和5个联络开关)，在节点13、18、31处接入容量分别为300kW、500kW和500kW的分布式电源，负荷分类情况如表1所示：

表1***负荷等级情况

(1)假设线路4故障，计算9种网络与原始网络的拓扑相似度，经标准化处理后的结果如表2所示：

表2相似网络与原始网络间的拓扑相似度

(2)计算每种网络结构下，不同负荷水平与原始负荷水平间的负荷分布相似度，计算结果经标准化后如表3所示。

表3不同负荷需求下的负荷分布相似度

(3)代入公式(3)，权值系数设为k₁＝0.6，k₂＝0.4，计算不同网络、不同负荷需求下的故障相似度，结果如表4所示。

表4不同网络、不同负荷需求下的故障相似度

由表4可知，网络1和网络3在上述5种负荷水平下的相似度均大于0.8，其故障恢复方案均具备参考价值。

(4)对上述表格中相似度SIM>0.8的状态由大到小排序，逐个验证故障恢复方案是否满足条件。优先选择网络1在“1/4-”负荷水平下，线路4故障的供电恢复方案，结果如表5所示。

表5相似故障恢复方案验证

由表5可知，网络1在“1/4-”的负荷水平下，线路4发生故障的供电恢复方案共有5种，且均满足潮流要求，因此可用于当前故障的供电恢复。

本发明利用相似故障状态评估和匹配方法，计算当前故障与数据库中存储故障的相似度并排序，利用相似预想事故和历史故障的处理方案，快速可靠地完成供电恢复任务；基于自学习机制的供电恢复决策，通过学习和借鉴相似故障的处理方案，将传统复杂耗时的在线优化问题，转变成有限个网络状态的相似性评估问题，在保证方案质量的同时，大大降低实时计算量，从而提高了供电恢复决策速度和方案性能。自学习机制的引入，使供电恢复***升级为具有自我学习、自我完善和不断进化能力的智能控制***。

以上所述，仅是本发明的优先实施例而已，并未对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的保护范围内。

Claims (4)

1.一种基于自学习机制的配电网故障恢复方法，其特征在于，包括如下步骤：

步骤一：构建自学习数据库；配电网正常运行时，根据风险评估结果合理制定预想事故集，并按照风险由高到低的顺序，依次对高风险设备和位置进行预想事故仿真，从而构建基于预想事故仿真和历史故障处理方案的自学习数据库，以便故障后可以直接利用相似故障的转供电方案；

构建自学习数据库由预想事故仿真和历史故障处理方案两部分组成：

(1)预想事故仿真

基于风险评估的预想事故仿真的过程为：

Step1：正常状态下，对网络运行状态进行风险评估，搜索风险等级最高或最易发生故障的脆弱点；

Step2：对***不同位置和设备按风险程度由大到小排序，确定预想事故集；

Step3：采用MOPSO算法优先制定高风险设备的故障恢复方案，为故障后快速恢复供电提供备案；

(2)历史故障处理方案

在实际配电网中，相同设备在不同时刻可能会多次发生故障，当网络结构和负荷水平相似的情况下，相同位置的故障特征及供电恢复方案具有很高的相似性，配电网完成转供电后，将每次故障信息和相应的处理方案保存至自学习数据库中，能够为后续故障恢复提供指导；

步骤二：相似故障状态评估与匹配；故障后，提取当前网络故障特征，依次计算当前故障与数据库中保存故障的网络拓扑相似性和负荷分布相似性，从而得到当前故障与存储故障的相似度；

步骤三：生成故障恢复方案；按照相似度由大到小的顺序，依次验证保存故障的转供电方案能否适用于当前故障情况，若满足各种约束条件，则执行相似故障的转供电方案，快速完成供电恢复任务。

2.根据权利要求1所述的基于自学习机制的配电网故障恢复方法，其特征是：在步骤二中，配电网故障前的负荷分布反映了用户的用电需求，而且这种用电需求在故障前后的短时间内不会发生大规模变化，因此，可认为故障恢复后的负荷需求与故障前相同；利用线路电流表示负荷分布情况，则负荷分布相似性即LDS评估函数为：

式中，I和L分别表示不同状态的负荷分布序列，b为线路数；

配电网邻接矩阵的奇异值序列与网络拓扑结构是彼此对应的，并且对奇异值序列做降维、压缩和重构处理后，可得到与原网络相同的拓扑结构，因此可将网络邻接矩阵的奇异值序列作为拓扑相似性评估指标；

网络拓扑相似性评估函数定义为，两个网络奇异值序列距离测度的倒数，即奇异值序列的距离越近，相似度越高，设两个n维奇异值序列X＝(x₁,x₂,…x_n)和Y＝(y₁,y₂,…y_n)，则网络拓扑相似性即NTS评估公式为：

式中，k表示只取序列的前k维作相似性评估，需要根据实际网络和序列维度来确定取值。

3.根据权利要求2所述的基于自学习机制的配电网故障恢复方法，其特征是：在步骤二中，在分析网络结构相似和负荷分布相似的基础上，利用线性加权法建立故障相似性评估函数即SIM，计算公式为：

SIM＝k₁NTS+k₂LDS (3)

式中，NTS为网络拓扑相似性，LDS为负荷分布相似性，k₁和k₂分别为二者的权值，且k₁+k₂＝1。

4.根据权利要求3所述的基于自学习机制的配电网故障恢复方法，其特征是：在步骤三中，故障相似性评估完成后，利用相似故障恢复方案完成转供电，具体步骤如下：

Step1：故障后计算故障相似性SIM，并按由大到小的顺序生成故障相似度排列向量Sim(n)，n为故障相似度排列向量Sim的向量维度，令i＝0；

Step2：令i＝i+1，判断i是否小于n，若小于，则继续下一步；反之，则输出无相似故障，返回结束；

Step3：判断Sim(i)是否大于0.8，若大于0.8，则继续下一步；反之，则数据库中没有相似的网络状态，返回结束；

Step4：选择网络i中相同位置发生故障时的供电恢复方案，作为方案i；Step5：判断方案i是否满足潮流要求，若满足，则执行该方案；否则，返回Step3继续执行。

Images