[发明专利]基于数据驱动启发式优化的城市高压配电网阻塞管理方法

说明书

本发明公开了一种基于数据驱动启发式优化的城市高压配电网阻塞管理方法，首先利用佳点集理论，产生大量运行断面数据，利用多个深度神经网络拟合高压配电网拓扑状态、节点负荷与节点电压、支路功率的非线性关系；其次将训练好的神经网络嵌入到启发式优化算法中，将输电线路传输容量、变电站容量、发电机出力上下限、电压幅值上下限、切负荷上限及神经网络拟合的非线性映射作为约束条件，以切负荷总量最小作为目标函数，构建城市电网阻塞管控模型，最后采用遗传算法求解。该模型将复杂的0‑1拓扑约束、交流潮流约束及N‑1约束用神经网络代替，避免了复杂耗时的N‑1校验过程，且深度网络对复杂非线性关系有良好的拟合能力，有效提高求解效率。

技术领域

本发明属于电力系统自动化技术领域，具体涉及一种基于数据驱动启发式优化的城市高压配电网阻塞管理方法。

背景技术

城市高压配电网的阻塞管理通常是一个大规模非凸非线性组合优化问题，其中包括了非凸交流潮流约束、拓扑辐射状约束以及N-1约束。上述约束导致阻塞管理决策的计算困难且费时，难以应对快速变化的城市电力负荷。近年来，随着计算机技术的发展，深度学习技术的出现为解决电力系统诸多问题提供了新的思路。其良好的非线性表征能力以及计算速度能够有效改善阻塞管理模型的计算性能。因此通过数据驱动结合启发式优化，构建新型城市高压配电网阻塞管理模型，避免传统优化模型中对非凸问题的处理，帮助调度员快速生成决策方案。

发明内容

本发明公开了一种基于数据驱动启发式优化的城市高压配电网阻塞管理方法，将大规模复杂非线性电力系统约束通过深度神经元网络进行拟合，将训练好的神经元网络嵌入到启发式优化框架中，不断迭代求得最优决策方案。

为达到上述发明目的，本发明采用的技术方案为：

基于数据驱动启发式优化的城市高压配电网阻塞管理方法，包括以下步骤：

S1：采集城市高压配电网节点支路连接关系，获取多个高压配电网可行拓扑及节点负荷样本；

S2：对每个可行拓扑及节点负荷样本，进行潮流计算，得到每个可行拓扑及节点负荷样本对应的节点电压、支路功率；

S3：对每个可行拓扑及节点负荷样本进行N-1校验，计算N-1违约量；

S4：建立节点电压预测神经元网络，对每个可行拓扑及节点负荷样本对应的节点电压进行拟合，建立支路功率预测神经元网络，对每个可行拓扑及节点负荷样本对应的支路功率进行拟合，建立N-1违约量预测神经元网络，对每个可行拓扑及节点负荷样本的N-1违约量进行拟合；

S5：将拟合好的节点电压预测神经元网络、支路功率预测神经元网络、N-1违约量预测神经元网络、输电线路传输容量、变电站容量、发电机出力上下限、电压幅值上下限、切负荷上限作为约束条件，将切负荷总量最小作为目标函数，构建城市高压配电网阻塞管控模型；

S6：获取当前高压配电网拓扑状态、节点切负荷量，求解城市高压配电网阻塞管控模型，输出优化后的高压配电网拓扑状态及切负荷量。

优选的，所述步骤S1中，基于佳点集理论获取多个高压配电网可行拓扑及节点负荷样本。

优选的，所述步骤S1中，高压配电网可行拓扑的表达如下：

其中，表示高压配电网拓扑状态，为其对应的可达性矩阵，表示电源点之间的连接关系矩阵，表示电源点和高压配电网节点的连接关系矩阵，表示高压配电网节点连接关系矩阵，表示矩阵的第j列元素，表示矩阵中第i行第j列元素。

优选的，所述步骤S1中，节点负荷样本的计算过程如下：

令P_n＝{r_sk,|k＝1,2,3,...,n}，则高压配电网中各节点负荷可计算为：