一种适应检修计划的多时间断面配电网重构方法与流程

1.本发明涉及配电网技术领域，更具体地说，是涉及一种适应检修计划的多时间断面配电网重构方法。


背景技术：

2.随着国民经济的发展，电网规模逐渐扩大，电力用户对供电可靠性提出了更高的要求。电力系统用于产生和消耗电能，包括发变输配用等环节，发电厂所产生的电能传输到用电集中区域，再由配电网分配电能给用户。配电网是电网和用户之间的最终纽带，其安全可靠运行对于用户的生产生活用电有着重大影响。
3.鉴于配电网在电力系统和国民经济发展中的重要性，目前亟需从优化的角度管理，其中如何合理利用产消用户的有功和无功资源，在确保产消用户利益的同时优化配电网运行的安全性和经济性是目前配电网优化中的最大不足。此外，配电网的线路布置方式，基础设施与配电网网络相矛盾的情况和变电站维护管理都有待改进。一旦电力需求过大，出现临时接线行为，电力安全隐患骤增；新城区的基础设施逐渐完善，而配电网网络相对薄弱，事故故障问题常发。
4.随着现代配电网网络规模的不断扩展，配电网重构问题也随之越来越复杂。配电网重构问题是一个庞大的非线性整数组合优化问题，将配电网开关组合状态作为优化变量，将电网的可靠性与稳定性作为目标函数，进行全局搜索是可能会出现“组合爆炸”的问题，而且计算过程的收敛性难以验证。随着人工智能算法以及深度学习的兴起，众多学者主要将研究与改进的主要方向集中在优化算法和优化目标两个方面，但元启发式算法中的随机性问题还是未得到有效解决，配电网重构问题仍是一个亟需解决的问题。
5.近两年来国内各个单位针对配电网重构已经结合分布式电源接入配电网具有波动性和随机性的特点，采用了一些配电网优化重构模型，并结合人工智能算法对配电网重构模型进行求解，但是建立模型所考虑的方面不够全面，求解策略的全局搜索能力和收敛速度不够理想，并且应用的工作场景划分不够明确，这些因素共同导致了配电网重构技术对于配电网优化的效果不够明显。


技术实现要素：

6.本发明所要解决的技术问题是，克服现有技术中存在的不足，提供一种适应检修计划的多时间断面配电网重构方法。
7.本发明一种适应检修计划的多时间断面配电网重构方法，通过下述技术方案予以实现，包括以下步骤：
8.s1：构建配电网变时滞模糊双曲神经网络模型tdfhnn，具体步骤包括：
9.s1-1：搭建tdfhnn的三层网络，网络的输入层和输出层节点分别表示状态变量以及状态变量的导数，输入层节点与隐层节点之间没有交叉连接；隐层的激励函数采用双曲
正切函数，输出层的激励函数为线性函数；设置隐层节点是输入层节点数的倍；
10.在时变时滞模糊双曲神经网络拓扑结构中，定义f1(x)＝tanh(x),f2(x)＝x；定义k
x
＝diag(k1,k2,...,kn)为模糊隶属函数p
xj
与n
xj
的中心；a
ij
与b
ij
(i,j＝1,2,...,n)表示从输出层的第i个节点到隐层的第j个节点的常量连接权和常量时滞连接权；d1,d2,...,dn＞0为常量；τjlj(t)＞0(i,j＝1,2,...,n，lj＝0,1,...,ωj)组成的τ(t)表示时变传输时滞；i1,i2,...,in表示阈值；
11.s1-2：通过前馈学习方法对tdfhnn模型的连接权进行训练，具体如下：
12.a.初始化权值：tdfhnn本质上是模糊模型，其初值不可以随机选取，必须由专家系统选择初值，专家系统在推理过程中通过与用户的交互，不断获得有关tdfhnn模型的信息，按照以上所述基于tdfhnn模型的公式，计算出各个模型节点的初值；
13.b.确定结构参数以及定义变量：确定训练样本个数，训练样本个数为n；输入变量xi(t)(i＝1,2,...,n),神经网络第n次迭代后输出变量yi(t)(i＝1,2,...,n)；设定期望输出为ξi(t)(i＝1,2,...,n)；设定误差精度e；
14.c.输入训练样本；
15.d.正向传播：将构建的训练样本输入xi(t)(i＝1,2,...,n)带入模型,计算出网络的输出yi(t)(i＝1,2,...,n)，并求得与期望值ξi(t)(i＝1,2,...,n)的误差e(n)；
[0016][0017]
式(1)为误差计算公式,训练过程中期望值与输出值的误差e(n)处理方法如下:
[0018]
如果e(n)＞e,则转至环节e；
[0019]
如果e(n)≤e,则转至环节f；
[0020]
e.反向传播：反向传播环节也称为误差修正环节或权值最优搜索环节，权值的修正梯度为误差对权值的偏微分权值用统一符号ω
ij
表示：
[0021][0022]
ω
ij
(n+1)＝ω
ij
(n)+δω
ij
(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]
式中：ω
ij
(n)表示网络的连接权符号，ω
ij
(n)是多个权值的集合而不是单一的权值；ηi(n)表示网络的学习效率，其选取方法如下：
[0024]
ηi(n+1)＝ληi(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0025]
式中：λ的取值遵循以下原则：e(n)＞e(n+1)时，λ∈(1.2,1.6)；e(n)＜e(n+1)时，λ∈(0.2,0.6)；
[0026]
新的参数计算完成后带入环节c继续循环，直至达到指定误差精度e；
[0027]
f.算法终止；
[0028]
s2：考虑负荷和dg时变性，建立以网损重构成本、电压指标和弃电率为优化目标的适应检修计划的多时间断面配电网重构模型；分别设计基于ce-nsga-ii的配网重构算法和基于ce-moclpso的dg出力调度算法，将两算法纳入多目标协同进化模型用于求解多目标配
电网重构和dg调度问题，所述s2的具体步骤如下：
[0029]
s2-1：考虑负荷和dg时变性，建立适应检修计划的多时间断面配电网重构模型，基于协同合作思想将多目标配电网重构和dg调度问题分解为多个子模块，并为每个子模块设置相应种群，种群进化过程相互隔离，仅通过生态系统发生协同作用。
[0030]
多目标协同进化算法的主流程为：首先，利用克隆选择、突变和协同算子增强群体多样性，多目标进化算法的收敛速度；其次，通过记忆、聚类算法等操作，实现了非支配解集优化；最后，通过约束条件保证了最优解的合法性，寻找帕累托最优解集。
[0031]
协同进化模型框架可分为3个子模块，分别为生态系统模型，配电网重构问题以及dg出力调度问题，三者可分为两层，生态系统模型指导配电网重构问题和dg出力调度问题，最终生态系统模型结果表征全局最优：第1个子模块指导重构和调度综合问题，用于执行多目标协同进化算法流程，协同其他子模块计算适应度，方式为某种群个体通过与其他种群的代表个体协作以估计前者的适应度，第2个模型采用ce-nsga-ii算法更新种群，用于确定最优开关状态，第3个模块采用ce-moclpso算法更新种群；
[0032]
s2-2：基于ce-nsga-ii算法对配电网进行重构，采用二进制数0/1对网络支路开关状态编码，0表示相应支路开关断开，1表示相应支路开关闭合，为减小染色体长度，对不包含于任一环路的支路不进行编码，以提高算法寻优效率，具体步骤如下：
[0033]
(1)将父种群和子种群合并为临时种群,对其进行非劣排序分层，得到各非支配层f1、f2、l、f
l
，其中l表示最大层数；
[0034]
(2)依次对f1、f2、l、f
l
进行拥挤距离排序,选取其中较优的一半个体形成下一代父种群:按非支配序从开始选取下一代个体，直到达到种群规模限制，对中的个体按拥挤距离由大到小依次选取直到下一代种群数量达到规模限制；
[0035]
(3)选取f1的个体作为配网重构问题的代表个体；
[0036]
(4)对下一代父种群m
u+1
依次进行选择、交叉和变异操作，得到下一代子种群d
u+1
，子种群个体的适应度将由生态系统采用协同方式估算得到，若只考虑配电网重构只需在这一步之后直接计算d
u+1
的适应度即可；
[0037]
其中选择采取二元竞标赛方式，保留占优的父代个体,若互不占优则随机选择一个父代个体保留；考虑重构问题的性质和编码方式，本发明提出适用于重构问题的两点交叉方式，首先随机选择两点，并将两点间含两点的染色体称为交叉区，交叉区保证至少包含一条断开的支路，且两个父代染色体交叉区拥有相同数量的闭合支路，交叉后若子代染色体长度小于规定值则对其随机补零，即随机加入断开的支路，若长度大于规定值则在其交叉区的前段部分随机删零，即随机去除断开的支路；变异采取随机操作和倒位操作两种方式，随机操作的变异程度较大，对染色体中任意一对0和1进行交换，倒位变异程度较小，只对相邻的一对0和1进行交换，提升算法的局部搜索能力；(5)对遗传操作得到的下一代子种群d
u+1
进行检验和修正，首先采用广度优先搜索对染色体进行连通性和辐射性检验，然后通过检验结果对环网进行解环，对孤岛进行连接，保证染色体满足配电网拓扑约束。
[0038]
与现有技术相比，本发明的有益效果是：
[0039]
1、本发明考虑配电网通信、科学计算等时滞不确定性，以配电网供电可靠性最高和经济性最佳为目标，构建配电网tdfhnn模型，实现更精准的故障诊断，为快速有效的网络重构提供基础。
[0040]
2、本发明建立了以网损重构成本、电压指标和弃电率为优化目标，考虑负荷和dg时变性的配电网多目标协同优化模型，并采用智能优化算法对配电网动态重构和dg调控联立优化求解，有效提升了配电网的运行水平。
[0041]
在不增加投资的情况下，网络重构是配电网优化的重要手段之一，通过改变联络开关和分段开关的状态修改配电网的拓扑结构，达到优化运行的目的。正常状态下，配电网重构可提高配电系统的供电可靠性、平衡负荷、降低线路损耗、改善电压质量、提高网络消纳dg的能力；配电网故障时，利用重构的方式将断电负荷转移到正常供电的区域，实现故障自愈，配网重构因其不需要大量的硬件投入,却能提高配电系统运行的安全性和可靠性这一特点，已成为配电网研究的重点研究方向。
[0042]
由于过去的配电网重构模型的构建以及求解策略难以满足日益庞大的电网规模的需求，因此需要继续针对配电网重构模型的构建及求解策略进行研究，为了更好的实现配电网经济效益优化以及供电可靠性的数据支撑，因此有必要考虑配电网通信、科学计算等时滞不确定性，以配电网供电可靠性最高和经济性最佳为目标，构建配电网时变时滞模糊双曲神经网络模型；考虑负荷和dg时变性，建立以网损重构成本、电压指标和弃电率为优化目标的适应检修计划的多时间断面配电网重构模型，分别设计基于ce-nsga-ii的配网重构算法和基于ce-moclpso的dg出力调度算法，将两算法纳入多目标协同进化模型用于求解多目标配电网重构和dg调度问题，从理论上彻底解决了多时间断面配电网重构的问题，也为后续的其他高级应用奠定了较为全面的理论基础。
附图说明
[0043]
图1是tdfhnn拓扑结构图；
[0044]
图2是多目标协同进化流程图；
[0045]
图3是多目标协同进化模型框架图；
[0046]
图4是ce-nsga-ii算法原理图；
[0047]
图5是ieee-33节点系统图；
[0048]
图6是6：00-7：00时各个节点的电压分布。
具体实施方式
[0049]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。
[0050]
本发明一种适应检修计划的多时间断面配电网重构方法，如图1、图2、图3、图4、图5、图6以及表1、表2所示，包括以下步骤：
[0051]
s1：考虑配电网通信、科学计算等时滞不确定性，以配电网供电可靠性最高和经济性最佳为目标，构建配电网变时滞模糊双曲神经网络(time-varying delay fuzzy hyperbolic neural network,tdfhnn)模型，实现更精准的故障诊断，为快速有效的网络重构提供基础。
[0052]
而且，所述s1的具体步骤包括：
[0053]
s1-1：搭建tdfhnn的三层网络，网络的输入层和输出层节点分别表示状态变量以及状态变量的导数，输入层节点与隐层节点之间没有交叉连接；隐层的激励函数采用双曲
正切函数，输出层的激励函数为线性函数。设置隐层节点是输入层节点数的倍，拓扑结构如图1所示。
[0054]
在时变时滞模糊双曲神经网络拓扑结构中，定义f1(x)＝tanh(x),f2(x)＝x；定义k
x
＝diag(k1,k2,...,kn)为模糊隶属函数p
xj
与n
xj
的中心；a
ij
与b
ij
(i,j＝1,2,...,n)表示从输出层的第i个节点到隐层的第j个节点的常量连接权和常量时滞连接权；d1,d2,...,dn＞0为常量；τjlj(t)＞0(i,j＝1,2,...,n，lj＝0,1,...,ωj)组成的τ(t)表示时变传输时滞；i1,i2,...,in表示阈值。
[0055]
s1-2：通过前馈学习方法对tdfhnn模型的连接权进行训练。分为初始化权值、确定结构参数以及定义变量、正向传播和反向传播等部分。
[0056]
a.初始化权值。tdfhnn本质上是模糊模型，其初值不可以随机选取，必须由专家系统选择初值。
[0057]
b.确定结构参数以及定义变量。确定训练样本个数，本发明拟定训练样本个数为n；输入变量xi(t)(i＝1,2,...,n),神经网络第n次迭代后输出变量yi(t)(i＝1,2,...,n)；设定期望输出为ξi(t)(i＝1,2,...,n)；设定误差精度e。
[0058]
c.输入训练样本。
[0059]
d.正向传播。将构建的训练样本输入xi(t)(i＝1,2,...,n)带入模型,计算出网络的输出yi(t)(i＝1,2,...,n)，并求得与期望值ξi(t)(i＝1,2,...,n)的误差e(n)。
[0060][0061]
式(1)为误差计算公式,训练过程中期望值与输出值的误差e(n)处理方法如下:
[0062]
如果e(n)＞e,则转至环节e；
[0063]
如果e(n)≤e,则转至环节f。
[0064]
e.反向传播。反向传播环节也称为误差修正环节或权值最优搜索环节，权值的修正梯度为误差对权值的偏微分本发明的权值较多为了方便撰写，用统一符号ω
ij
表示：
[0065][0066]
ω
ij
(n+1)＝ω
ij
(n)+δω
ij
(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0067]
式中：ω
ij
(n)表示网络的连接权符号，ω
ij
(n)是多个权值的集合而不是单一的权值；ηi(n)表示网络的学习效率，其选取方法如下：
[0068]
ηi(n+1)＝ληi(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0069]
式中：λ的取值遵循以下原则：e(n)＞e(n+1)时，λ∈(1.2,1.6)；e(n)＜e(n+1)时，λ∈(0.2,0.6)。
[0070]
新的参数计算完成后带入环节c继续循环，直至达到指定误差精度e。
[0071]
f.算法终止。
[0072]
s2：考虑负荷和dg时变性，建立以网损重构成本、电压指标和弃电率为优化目标的
适应检修计划的多时间断面配电网重构模型；分别设计基于ce-nsga-ii的配网重构算法和基于ce-moclpso的dg出力调度算法，将两算法纳入多目标协同进化模型用于求解多目标配电网重构和dg调度问题。
[0073]
而且，所述s2的具体步骤包括：
[0074]
s2-1：考虑负荷和dg时变性，建立适应检修计划的多时间断面配电网重构模型，基于协同合作思想将多目标配电网重构和dg调度问题分解为多个子模块，并为每个子模块设置相应种群，种群进化过程相互隔离，仅通过生态系统发生协同作用。
[0075]
图2为多目标协同进化算法的主流程。图3所示的协同进化模型框架可分为3个子模块。第1个子模块为生态系统模型，表示重构和调度综合问题，用于执行图2的算法流程，协同其他子模块计算适应度，方式为某种群个体通过与其他种群的代表个体协作以估计前者的适应度。生态系统模型不涉及具体的问题细节，只需将综合问题分解得到的子模块与其对接就能推广至更为复杂的场景。第2和第3个子模块为具体的优化子问题，其中第2个模型为配电网重构问题，采用ce-nsga-ii算法更新种群，用于确定最优开关状态:第3个模块为dg出力调度问题，采用ce-moclpso算法更新种群。
[0076]
s2-2：基于ce-nsga-ii算法对配电网进行重构，采用二进制数0/1对网络支路开关状态编码，0表示相应支路开关断开，1表示相应支路开关闭合。为减小染色体长度，对不包含于任一环路的支路不进行编码，以提高算法寻优效率。图4为ce-nsga-ii算法原理图。
[0077]
(1)将父种群和子种群合并为临时种群,对其进行非劣排序分层，得到各非支配层f1、f2、l、f
l
，其中l表示最大层数。
[0078]
(2)依次对f1、f2、l、f
l
进行拥挤距离排序,选取其中较优的一半个体形成下一代父种群:按非支配序从开始选取下一代个体，直到达到种群规模限制，对中的个体按拥挤距离由大到小依次选取直到下一代种群数量达到规模限制。
[0079]
(3)选取f1的个体作为配网重构问题的代表个体。
[0080]
(4)对下一代父种群m
u+1
依次进行选择、交叉和变异操作，得到下一代子种群d
u+1
，子种群个体的适应度将由生态系统采用协同方式估算得到。若只考虑配电网重构只需在这一步之后直接计算d
u+1
的适应度即可。
[0081]
其中选择采取二元竞标赛方式，保留占优的父代个体,若互不占优则随机选择一个父代个体保留；考虑重构问题的性质和编码方式，本发明提出适用于重构问题的两点交叉方式，首先随机选择两点，并将两点间(含两点)的染色体称为交叉区，交叉区保证至少包含一条断开的支路，且两个父代染色体交叉区拥有相同数量的闭合支路，交叉后若子代染色体长度小于规定值则对其随机补零，即随机加入断开的支路，若长度大于规定值则在其交叉区的前段部分随机删零，即随机去除断开的支路；变异采取随机操作和倒位操作两种方式，随机操作的变异程度较大，对染色体中任意一对0和1进行交换，倒位变异程度较小，只对相邻的一对0和1进行交换，提升算法的局部搜索能力。在算法搜索早期会以更大的概率采用随机变异，随着搜索不断进行采用倒位变异的概率会不断提高，这种变异策略使算法在前期能更为充分地搜索整个解空间，在后期能对前期搜索结果进一步开发,且保证了算法收敛性。
[0082]
(5)对遗传操作得到的下一代子种群d
u+1
进行检验和修正，首先采用广度优先搜索对染色体进行连通性和辐射性检验，然后通过检验结果对环网进行解环，对孤岛进行连接，
保证染色体满足配电网拓扑约束。
[0083]
为验证本发明方法的有效性和合理性，在matlab的平台上编程实现。选取ieee-33节点系统作为测试系统。分别在节点10、18和21接入风电，额定有功功率分别为600、1100和1000kw。在节点7、16和33接入光伏，额定有功功率分别为500、900和1100kw。弃风弃光成本为1元/(kw
·
h)，网络损耗成本为0.5元/(kw
·
h)，开关操作成本为7元/次。在ce-nsga-ii算法中，种群大小为100个，迭代次数为100次，变异概率为0.02，交叉概率为0.7。系统图如图5所示。
[0084]
为验证算法的正确性，进行了单目标和多目标的对比分析，即分别以运行成本和电压偏移进行优化与运行成本和电压偏移的多目标进行优化的结果进行对比，如表1所示。可以看出，相比以系统运行成本最小进行单目标优化，多目标优化以增加系统运行成本为代价，提升了系统的电压质量。同样，对比以电压偏移为目标进行单目标优化，多目标优化以降低系统电压质量为代价，降低了系统运行成本，这符合帕累托最优思想，验证了模型的正确性。
[0085]
表1多目标与单目标优化对比分析
[0086]
优化结果以运行成本为目标以电压偏移为目标多目标弃风弃光成本/103元0.49697.56281.8292开关操作成本/元784756728网络损耗成本/104元1.45131.93251.5618总运行成本/104元1.57942.76441.8175电压偏移/pu20.232211.221113.4718
[0087]
通过上述方法以ieee-33节点系统为例进行配电网动态重构。优化结果如表2所示。可以看出，考虑网络重构时，弃风弃光成本为1.8292
×
103元，网络损耗为成本为1.5618
×
104元，开关操作成本为728元。当不考虑网络重构时，虽然开关操作成本为0元，但是弃风弃光成本增加了39.47％，网络损耗成本增加了17.02％，最终导致总运行成本增加了14.59％，表明了网络重构对降低系统运行成本具有明显的作用。同时，在考虑网络重构时，配电网的电压偏移为13.4718pu，不考虑重构时，配电网的电压偏移为20.9789pu，可以看出网络重构也有利于提高系统的电压稳定性。
[0088]
表2优化结果
[0089]
优化结果考虑重构不考虑重构弃风弃光成本/103元1.82822.5511开关操作成本/元7280网络损耗成本/104元1.56181.8276总运行成本/104元1.81752.0827电压偏移/pu13.471820.9789
[0090]
考虑重构时，各个时段的详细优化结果如表3所示。可以看出在6:00-7:00时电压偏移最大。因此，选择6:00-7:00时3种情况下的电压分布进行对比分析。电压分布图如图6所示，可以得出，原网络的电压波动很大，系统的最低电压出现在节点17，最低电压为0.9108pu远远低于满足系统稳定要求的电压下限值。当加入分布式电源之后，相比原来的网络，电压波动的幅度虽然有所改善，但是节点29、30、31、32和33的电压依然低于指定的下
限值0.95pu。当考虑网络重构时间，所有节点的电压均在0.95～1pu的范围内，满足系统稳定的要求。同时，电压的波动也较以上两种情况小。因此，ce-nsga-ii算法下的动态重构对电压分布的优化具有显著作用。
[0091]
表3网络动态重构结果
[0092][0093][0094]
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技
术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。