[发明专利]一种基于数据驱动的配电网动态自主重构方法及系统

说明书

本公开提供了一种基于数据驱动的配电网动态自主重构方法及系统，属于配电网重构计算领域，所述方法包括以下步骤：获取电力系统的节点负荷数据以及分布式电源出力数据；将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；根据当前节点负荷、分布式电源出力和上一控制时段的拓扑结构，得到第一运行成本，根据前节点负荷、分布式电源出力和实时重构解，得到第二运行成本；当第二运行成本大于第一运行成本时，拓扑结构更新，否则维持当前拓扑结构不变；本公开可以有效地降低运行成本，同时具有较高的鲁棒性并可以在极短的时间内找到最优的重构方案。

技术领域

本公开涉及配电网重构技术领域，特别涉及一种基于数据驱动的配电网动态自主重构方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

配电网重构(Distribution Network Reconfiguration，DNR)是配电管理系统中的一项重要功能，其目的通常包含最小化网损，提升电能质量及供电可靠度。DNR可以分为两类：静态重构和动态重构(Dynamic Reconfiguration，DR)。静态重构主要用于在恒定负载条件下优化网络拓扑。动态重构可以确保配电网安全、高质量和经济性的运行，与静态重构相比，其更符合配电网(Distribution Network，DN)实际运行调度的需求。

本公开发明人发现，在DNR模型中，潮流约束方程是非线性和非凸的，其辐射网络结构约束包含离散整数变量。因此，DNR是一种典型的混合整数非线性规划问题。全局最优解难以获得，且求解效率低。动态重构的主要方法可以分为3类：启发式算法或元启发式算法、混合整数规划算法和动态规划算法。

元启发式算法的计算负担通常太重，不能用于实时决策问题。混合整数规划(Mixed-integer Programming，MIP)是解决DNR问题的数学规划方法。有研究人员提出了一种基于最优重构的动态费率方法，用于降低系统网损，它使用MIP解决DR问题；也有研究人员引入了几种线性化方法来将DR公式化为混合整数线性规划问题，有研究人员通过使用动态规划方法实现基于状态的DR，以减少分布式电源出力和负荷的削减。但是，现有的操作控制动作通常是离线确定的，它们的优化程度较低，并且无法适应未知的系统变化。

随着诸如深度学习(Deep Learning，DL)和强化学习(Reinforcement Learning，RL)等人工智能技术的不断发展，有研究人员开始利用DL和RL解决DNR问题。有研究人员提出了一种基于DL的实时在线数据驱动的DNR方法，该方法使用深度卷积神经网络提取配电网状态与最优拓扑之间的映射关系，但是，它仅考虑静态DNR。有研究人员提出了一种数据驱动的批量约束RL算法，该算法可以从有限的历史操作数据集中学习DR控制策略，而无需与配电网络进行交互，但是，使用数据驱动来解决DNR问题需要大量的历史数据，而这些历史数据通常不容易获得。此外，由于分布式电源(Distribution Generation，DG)并网的规模逐步提高，DG的间歇性以及DG渗透率的增加，给配电网带来了很大的不确定性。

发明内容

为了解决现有技术的不足，本公开提供了一种基于数据驱动的配电网动态自主重构方法及系统，可以有效地降低运行成本，具有较高的鲁棒性并可以在极短的时间内找到最优的重构方案。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于数据驱动的配电网动态自主重构方法。

一种基于数据驱动的配电网动态自主重构方法，包括以下步骤：

获取电力系统的节点负荷数据以及分布式电源出力数据；

将获取到的数据输入到训练好的长短期记忆网络中，得到实时重构解；