结合数据与模型混合驱动的分层化网络重构方法及系统技术方案

本发明专利技术涉及一种结合数据与模型混合驱动的分层化网络重构方法及系统。该方法考虑新能源分布式接入电网后使电网最优运行结构发生变化，将网络重构以及聚类的数学模型与深度学习模型结合，利用智能电表记录的数据，以数据‑模型混合驱动的方式进行网络重构；提出网络的压缩以及基于深度学习的分层解压缩方法，并利用分布式计算以及在线计算与离线计算相结合的方式提高网络重构的效率。本发明专利技术能够在一定程度上缩小解空间，降低计算复杂度，提高计算速度。

【技术实现步骤摘要】
结合数据与模型混合驱动的分层化网络重构方法及系统
本专利技术涉及配电网重构领域，特别是涉及一种结合数据与模型混合驱动的分层化网络重构方法及系统。
技术介绍
配电网重构是寻求配电网中所有开关的最优开断组合，在满足系统辐射状结构运行以及节点电压和功率约束的前提下，实现网络的网损最小以及提高系统经济性等目的。开关状态是一个二进制变量，而系统的潮流是连续变量，因此，配电网重构是一个混合整数非线性规划问题，其求解方法一般可以分为数学优化算法、智能算法。对于大型网络，仅采用数学规划算法难以进行求解，采用智能算法时，需要对所有可能的情况进行遍历，并多次计算全网潮流分布，因此需要较长的在线计算时间及大量的计算资源。
技术实现思路
本专利技术的目的是提供一种结合数据与模型混合驱动的分层化网络重构方法及系统，能够在一定程度上缩小解空间，降低计算复杂度，提高计算速度。为实现上述目的，本专利技术提供了如下方案：一种结合数据与模型混合驱动的分层化网络重构方法，包括：基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；对所述聚类结果进行学习，得到压缩网络模型的离线数据库；根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；若否，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络，并返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；若是，则将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。可选地，所述根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果，具体包括：根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。可选地，所述对所述聚类结果进行学习，得到压缩网络模型的离线数据库，具体包括：采用LSTM深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。可选地，所述将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案，具体包括：利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。一种结合数据与模型混合驱动的分层化网络重构系统，包括：压缩网络建立模块，用于基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；第一重构组合结果确定模块，用于根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；第一离线数据库确定模块，用于对所述聚类结果进行学习，得到压缩网络模型的离线数据库；平行解压缩网络确定模块，用于根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；判断模块，用于判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；第二重构组合结果确定模块，用于当所述解压缩网络的各个环中断开的开关不是由原网络中的两个分段开关等效得到的分段开关，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；离线数据库确定模块，用于对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；下一层平行解压缩网络确定模块，用于根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络；返回模块，用于返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；最终重构方案确定模块，用于当所述解压缩网络的各个环中断开的开关是由原网络中的两个分段开关等效得到的分段开关时，将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。可选地，所述第一重构组合结果确定模块，具体包括：最优重构组合结果确定单元，用于根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；聚类结果确定单元，用于根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。可选地，所述第一离线数据库确定模块，具体包括：第一离线数据库确定单元，用于采用LSTM深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。可选地，所述最终重构方案确定模块，具体包括：最终重构方案确定单元，用于利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：(1)本专利技术通过建立数据模型混合驱动的网络重构方法，利用网络重构及聚类的数学模型得到不同负荷样本的最优重构方案及各个独立的聚集，并以此构造负荷样本与最优重构方案的数据库，通过数据驱动的方式，对数据库中相同最优重构方案的类别进行学习，形成类别的权重系数，依此形成不同重构方案的离线数据库。(2)本专利技术通过构建配电网络的压缩模型与解压缩过程形成分层化的重构方法，并证明了所提压缩方法的等效性，减少变量维度，简化网络重构的计算，通过压缩网络的最优重构方案及聚类结果，结合模型及数据驱动结果分层进行解压缩，形成多层独立的解压缩网络，每个解压缩网络对应一个离线数据库。(3)本专利技术通过数据本文档来自技高网...

【技术保护点】
1.一种结合数据与模型混合驱动的分层化网络重构方法，其特征在于，包括：/n基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；/n根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；/n对所述聚类结果进行学习，得到压缩网络模型的离线数据库；/n根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；/n判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；/n若否，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；/n对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；/n根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络，并返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；/n若是，则将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。/n...

【技术特征摘要】
1.一种结合数据与模型混合驱动的分层化网络重构方法，其特征在于，包括：
基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；
根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；
对所述聚类结果进行学习，得到压缩网络模型的离线数据库；
根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；
判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；
若否，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；
对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；
根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络，并返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；
若是，则将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。


2.根据权利要求1所述的结合数据与模型混合驱动的分层化网络重构方法，其特征在于，所述根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果，具体包括：
根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；
根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。


3.根据权利要求1所述的结合数据与模型混合驱动的分层化网络重构方法，其特征在于，所述对所述聚类结果进行学习，得到压缩网络模型的离线数据库，具体包括：
采用LSTM深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。


4.根据权利要求1所述的结合数据与模型混合驱动的分层化网络重构方法，其特征在于，所述将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案，具体包括：
利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。


5.一种结合数据与模型混合驱动的分层化网络重构系统，其特征在于，包括：
压缩网络建...

【专利技术属性】
技术研发人员：刘念，陈刘东，李晨晨，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11