基于深度学习的城市配电网多级动态重构方法及系统技术方案

本发明专利技术涉及基于深度学习的城市配电网多级动态重构方法及系统，属于城市配电网动态重构技术领域，针对现有城市配电网多级动态重构数学模型在对大规模城市配电网重构级别进行识别时求解速度慢甚至难以求解的问题，本发明专利技术跨过级别识别过程，提出一种基于深度学习算法的城市配电网多级动态重构决策方法，可实现输入净负荷数据与重构方案决策之间的非线性映射。根据部署后的深度学习模型获取多级重构方案决策结果，能够帮助配电网运行人员进行快速决策，避免全局大范围潮流转移给电网运行带来的负担，具有实用价值。具有实用价值。具有实用价值。

【技术实现步骤摘要】
基于深度学习的城市配电网多级动态重构方法及系统


[0001]本专利技术属于城市配电网动态重构
，具体涉及基于深度学习的城市配电网多级动态重构方法及系统。

技术介绍

[0002]随着科学技术的飞速发展，城市配电网自动化建设逐渐完善，这给配电网重构技术的运用提供了条件。该技术通过改变配电网拓扑结构来转移负荷，可以起到均衡负荷、降低网损、改善经济性的作用，同时也可保障系统各区域的安全稳定运行，避免大面积失负荷情况的发生。近些年来，城市配电网中分布式光伏的含量越来越高，运用该技术可提高光伏消纳水平并改善以传统负荷和分布式光伏为代表的净负荷的时空分布不均衡问题。
[0003]然而随着城市配电网规模日渐庞大，传统的全局动态重构显然不符合实际，且大范围全局重构并不一定带来更强的潮流转移能力，反而模型因包含大量表征开关状态的布尔变量而变得求解慢、求解难甚至无法求解会产生大规模潮流转移，给配电网运行带来风险，针对这一问题，多级动态重构技术应运而生，该技术可满足大规模配电网优化灵活高效的需求，该方法虽然在一定程度上减少了模型的布尔变量，使得模型的求解难度降低，但是重构方案的决策依赖于重构级别的识别，且在大规模配电网中重构级别识别模型也是相当复杂。深度学习不赖于显式模型，直接以数据为驱动，具有强大的特征提取能力与极快的求解速度，随着问题复杂程度的增大，深度学习的优势愈加明显，可为规模逐渐庞大的复杂配电网多级动态重构策略高效求解问题提供新的思路，故基于深度学习的城市配电网多级动态重构方法值得深入研究。
[0004]因此，现阶段需设计基于深度学习的城市配电网多级动态重构方法及系统，来解决以上问题。

技术实现思路

[0005]本专利技术目的在于提供基于深度学习的城市配电网多级动态重构方法及系统，用于解决上述现有技术中存在的技术问题，多级动态重构技术可满足大规模配电网优化灵活高效的需求，该方法虽然在一定程度上减少了模型的布尔变量，使得模型的求解难度降低，但是重构方案的决策依赖于重构级别的识别，且在大规模配电网中重构级别识别模型也是相当复杂。
[0006]为实现上述目的，本专利技术的技术方案是：
[0007]基于深度学习的城市配电网多级动态重构方法，包括以下步骤：
[0008]步骤一，根据“馈线
‑
变压器
‑
变电站”三级重构模式构建三级重构数学模型，获取历史数据标签；
[0009]步骤二，采用深度学习的方法在调度中心处对配电网多级动态重构进行决策，针对城市配电网净负荷在时间与空间上分布不均衡的数据特性，采用CNN网络对城市配电网净负荷数据进行空间特征上的学习，提取出净负荷分布在空间上的不平衡特征，并引入特
征空间注意力机制来强化模型对负荷、光伏等非连续数据在高维空间中潜在联系的感知；
[0010]步骤三，采用GRU网络来学习数据在时序上的特征，提取出净负荷在时间分布上的不平衡特征，并引入时间注意力机制来强化模型对非连续数据在长时间尺度下的挖掘；
[0011]步骤四，训练本专利技术所提模型以充分拟合“馈线
‑
变压器
‑
变电站”三级重构数学模型，获得配电网多级动态重构最优策略。
[0012]进一步的，步骤一中所述的“馈线
‑
变压器
‑
变电站”三级重构模式包括三个级别：馈线级重构、变压器级重构、变电站级重构，不同级别下参与重构的联络开关的级别也不相同。馈线级重构只改变馈线联络开关和支路分段开关的状态组合，潮流在同一变压器下不同馈线之间转移；变压器级重构可同时改变变压器联络开关、馈线联络开关、支路分段开关的状态组合，潮流可在同一变电站下的不同变压器之间或同一变压器下的不同馈线之间转移；变电站级重构则可改变所有级别开关的状态组合，潮流可实现馈线之间、变压器之间、变电站之间的转移。三种重构级别等级由低到高依次递增，可调节的潮流分布范围也是依次增大。
[0013]进一步的，步骤一中所述的三级重构数学模型为：
[0014]目标函数：
[0015]上层重构级别决策模型对优先局部自治进行成本量化。一定程度上，馈线级重构、变压器级重构、变电站级重构所产生的成本逐渐增大，重构级别成本C
lev
的大小将反映局部化程度。C
lev
越小，则说明系统重构局部化水平更高。
[0016][0017]式中：表示隶属j变电站的变压器f进行馈线级重构的状态标识；表示j变电站进行变压器级重构和变电站级重构的状态标识；c
FR
、c
TR
、c
SR
分别表示进行单次馈线级重构、变压器级重构、变电站级重构的成本，且c
FR
＜c
TR
＜c
SR
。
[0018]下层重构优化模型侧重改善配网弃光、失负荷问题，将忽略优化过程中的网络损耗，只计入馈线有功负荷和网络拓扑约束，从而助力上层重构级别决策层快速识别各变电站、变压器的重构级别需求，为系统操作人员快速提供级别识别结果。馈线级重构、变压器级重构、变电站级重构分别以变压器内、变电站内、多变电站内节点的弃光失负荷量最小为目标函数。
[0019][0020][0021][0022]式中：m为主体标识；M1、M2分别表示失负荷、弃光的惩罚成本；分别表示失负荷、弃光的惩罚成本；分别表示节点j的负荷削减有功、光伏预测出力和光伏实际出力；节点集合B
m
、光伏节点集合根据不同优化主体m而改变。
[0023]约束条件：
[0024](1)重构级别决策约束
[0025]馈线级、变压器级、变电站级三级重构模式选择之间存在耦合约束。
[0026][0027](m,n关联)
[0028][0029]式中：表示j变电站包含的变压器总数；上述第一个式子表示j变电站不可能同时参与变电站级重构和变压器级重构；上述第二个式子表示关联的m、n变电站同时参与/不参与变电站级重构；时，上述第三个式子表示对于j变电站下的任意变压器只能为0，即上层变电站j进行变压器级/变电站级重构时，内部变压器不能重复进行馈线级重构。
[0030](2)多级重构约束
[0031]多级重构手段的实施以可操作开关集合、节点支路集合进行区分，这里统一表达不同主体m的节点功率平衡约束、网络重构约束、主网出力约束、PV出力约束和失负荷约束，并省略下标m。
[0032]1)节点功率平衡
[0033][0034][0035][0036][0037]式中：α(j)为以j为初始节点的支路终端节点集合；β(j)为以j为终端节点的支路初始节点集合；B表示网络中所有节点集合；P
ij
、表示支路ij传输的有功功率及最大值；P
j
表示节点j注入的有功功率；w
ij
表示支路ij的开关状态，若w
ij
＝1，则说明支路ij开关闭合；E
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的城市配电网多级动态重构方法，其特征在于，包括以下步骤：步骤一，根据“馈线
‑
变压器
‑
变电站”三级重构模式构建三级重构数学模型，获取历史数据标签；步骤二，采用深度学习的方法在调度中心处对配电网多级动态重构进行决策，针对城市配电网净负荷在时间与空间上分布不均衡的数据特性，采用CNN网络对城市配电网净负荷数据进行空间特征上的学习，提取出净负荷分布在空间上的不平衡特征，并引入特征空间注意力机制来强化模型对非连续数据在高维空间中潜在联系的感知；步骤三，采用GRU网络来学习数据在时序上的特征，提取出净负荷在时间分布上的不平衡特征，并引入时间注意力机制来强化模型对非连续数据在长时间尺度下的挖掘；步骤四，训练模型以充分拟合“馈线
‑
变压器
‑
变电站”三级重构数学模型，获得配电网多级动态重构最优策略。2.根据权利要求1所述的基于深度学习的城市配电网多级动态重构方法，其特征在于，步骤一中的“馈线
‑
变压器
‑
变电站”三级重构模式包括三个级别：馈线级重构、变压器级重构、变电站级重构，不同级别下参与重构的联络开关的级别也不相同；馈线级重构只改变馈线联络开关和支路分段开关的状态组合，潮流在同一变压器下不同馈线之间转移；变压器级重构可同时改变变压器联络开关、馈线联络开关、支路分段开关的状态组合，潮流可在同一变电站下的不同变压器之间或同一变压器下的不同馈线之间转移；变电站级重构则可改变所有级别开关的状态组合，潮流可实现馈线之间、变压器之间、变电站之间的转移；三种重构级别等级由低到高依次递增，可调节的潮流分布范围也是依次增大。3.根据权利要求2所述的基于深度学习的城市配电网多级动态重构方法，其特征在于，步骤一中所述的三级重构数学模型为：目标函数：上层重构级别决策模型对优先局部自治进行成本量化；馈线级重构、变压器级重构、变电站级重构所产生的成本逐渐增大，重构级别成本C
lev
的大小反映局部化程度；C
lev
越小，则说明系统重构局部化水平更高；式中：表示隶属j变电站的变压器f进行馈线级重构的状态标识；表示j变电站进行变压器级重构和变电站级重构的状态标识；c
FR
、c
TR
、c
SR
分别表示进行单次馈线级重构、变压器级重构、变电站级重构的成本，且c
FR
＜c
TR
＜c
SR
；下层重构优化模型侧重改善配网弃光、失负荷问题，将忽略优化过程中的网络损耗，只计入馈线有功负荷和网络拓扑约束；馈线级重构、变压器级重构、变电站级重构分别以变压器内、变电站内、多变电站内节点的弃光失负荷量最小为目标函数；
式中：m为主体标识；M1、M2分别表示失负荷、弃光的惩罚成本；分别表示失负荷、弃光的惩罚成本；分别表示节点j的负荷削减有功、光伏预测出力和光伏实际出力；节点集合B
m
、光伏节点集合根据不同优化主体m而改变；约束条件：(1)重构级别决策约束；馈线级、变压器级、变电站级三级重构模式选择之间存在耦合约束；馈线级、变压器级、变电站级三级重构模式选择之间存在耦合约束；(m,n关联)式中：表示j变电站包含的变压器总数；上述第一个式子表示j变电站不可能同时参与变电站级重构和变压器级重构；上述第二个式子表示关联的m、n变电站同时参与/不参与变电站级重构；时，上述第三个式子表示对于j变电站下的任意变压器只能为0，即上层变电站j进行变压器级/变电站级重构时，内部变压器不能重复进行馈线级重构；(2)多级重构约束；以下统一表达不同主体m的节点功率平衡约束、网络重构约束、主网出力约束、PV出力约束和失负荷约束，并省略下标m；1)节点功率平衡：1)节点功率平衡：1)节点功率平衡：1)节点功率平衡：式中：α(j)为以j为初始节点的支路终端节点集合；β(j)为以j为终端节点的支路初始节点集合；B表示网络中所有节点集合；P
ij
、表示支路ij传输的有功功率及最大值；P
j
表示节点j注入的有功功率；w
ij
表示支路ij的开关状态，若w
ij
＝1，则说明支路ij开关闭合；E
SW
、E分别表示优化区域内开关支路集合和所有支路集合；2)网络重构约束：式中：E
Always
表示网架中一直处于闭合状态不可调节的支路总数；若优化主体为变电站或变压器，即进行变压器级重构或馈线级重构，则N
Sub
＝1；若优化主体为多变电站，即进行变电站级重构，则N
Sub
与优化主体的变电站数目有关；含有分布式发电的配电网络在以上约
束下仍可能出现孤岛运行的情况；因此，在非变电站节点节点注入功率ε，通过简化的潮流约束来保证非变电站节点和变电站节点的连通性；约束来保证非变电站节点和变电站节点的连通性；约束来保证非变电站节点和变电站节点的连通性；式中：表示支路ij上的辅助潮流有功功率而非实际传输有功功率；3)主网出力约束；3)主网出力约束；4)PV出力约束；5)失负荷约束；4.根据权利要求3所述的基于深度学习的城市配电网多级动态重构方法，其特征在于，步骤二中采用CNN网络对...

【专利技术属性】
技术研发人员：高红均，姜思远，王仁浚，贺帅佳，
申请(专利权)人：四川大学，
类型：发明
国别省市：