配网故障重构方法、装置以及存储介质制造方法及图纸

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。求的问题。求的问题。

【技术实现步骤摘要】
配网故障重构方法、装置以及存储介质


[0001]本申请属于电网故障重构
，具体涉及配网故障重构方法、装置及存储介质。

技术介绍

[0002]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。

技术实现思路

[0003]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，用于解决现有本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：