[发明专利]结合数据与模型混合驱动的分层化网络重构方法及系统

说明书

本发明涉及一种结合数据与模型混合驱动的分层化网络重构方法及系统。该方法考虑新能源分布式接入电网后使电网最优运行结构发生变化，将网络重构以及聚类的数学模型与深度学习模型结合，利用智能电表记录的数据，以数据‑模型混合驱动的方式进行网络重构；提出网络的压缩以及基于深度学习的分层解压缩方法，并利用分布式计算以及在线计算与离线计算相结合的方式提高网络重构的效率。本发明能够在一定程度上缩小解空间，降低计算复杂度，提高计算速度。

技术领域

本发明涉及配电网重构领域，特别是涉及一种结合数据与模型混合驱动的分层化网络重构方法及系统。

背景技术

配电网重构是寻求配电网中所有开关的最优开断组合，在满足系统辐射状结构运行以及节点电压和功率约束的前提下，实现网络的网损最小以及提高系统经济性等目的。开关状态是一个二进制变量，而系统的潮流是连续变量，因此，配电网重构是一个混合整数非线性规划问题，其求解方法一般可以分为数学优化算法、智能算法。对于大型网络，仅采用数学规划算法难以进行求解，采用智能算法时，需要对所有可能的情况进行遍历，并多次计算全网潮流分布，因此需要较长的在线计算时间及大量的计算资源。

发明内容

本发明的目的是提供一种结合数据与模型混合驱动的分层化网络重构方法及系统，能够在一定程度上缩小解空间，降低计算复杂度，提高计算速度。

为实现上述目的，本发明提供了如下方案：

一种结合数据与模型混合驱动的分层化网络重构方法，包括：

基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；

根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；

对所述聚类结果进行学习，得到压缩网络模型的离线数据库；

根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；

判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；

若否，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；

对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；

根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络，并返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；

若是，则将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

可选地，所述根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果，具体包括：

根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；

根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。

可选地，所述对所述聚类结果进行学习，得到压缩网络模型的离线数据库，具体包括：

采用LSTM深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。