基于图强化学习的配电网故障恢复决策

针对配电网拓扑变化时启发式等算法在配电网故障恢复决策中求解效果与适应性变差的问题,提出了一种基于图强化学习的故障恢复决策方法。首先,利用图数据表征故障恢复中的决策信息,包括配电网拓扑结构与电气特征信息。然后,在图强化学习模型中设置前置图神经网络接收图数据输入,应对故障恢复过程中配电网的拓扑变化。最后,由内嵌图神经网络的强化学习智能体输出最终故障恢复策略以提高决策速度。采用改进的PG&E 69节点配电网算例进行验证,结果表明所提算法求解速度达到毫秒级,较启发式和遗传算法在求解效率上提高了6%～7%,故障恢复策略的负荷恢复率也更高。     

基于路径描述的配网灾后供电恢复策略

配电网防灾建设薄弱,易受自然灾害侵袭而发生元件故障,导致非故障区域负荷失电。文中通过给出灾后供电恢复策略,对配电网的开关刀闸进行重构操作,改变负荷的供电路径,使失电负荷尽可能恢复供电。通过路径描述方法对配电网拓扑进行建模,采用深度优先算法在配网模型中搜索出所有可能的供电路径。以"确保所有重要负荷恢复供电,尽量恢复所有非重要负荷"为优化目标,建立优化方程组,求解可得配网的灾后重构拓扑及相应供电恢复策略。此算法不依赖配网潮流计算,可以显著提升计算效率,增强灾后供电恢复策略生成的实时性。     

基于HSA-FNSA混合算法的配电网群故障恢复多目标优化决策

为快速获得系统故障后配电网群故障恢复优化方案,提出了一种基于启发式搜索-快速非支配排序混合算法（HSA-FNSA）的配电网群故障恢复多目标优化决策方法。首先,建立了配电网群故障前后的拓扑模型及故障类型的图论描述,并采用HSA算法获得故障恢复方案集;随后利用分层前推回代法求解配电网潮流以获得运行参数;进一步建立考虑配电网韧性、网损、电压不平衡量和开关操作次数的故障恢复多目标优化决策模型;引入FNSA算法获得帕累托非劣解集并确定终选方案。通过IEEE三馈线算例验证了所提方法在求解配电网群多类型故障恢复的可行性和优越性。     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

基于深度强化学习的配电网负荷转供控制方法

随着城市规模的快速扩张以及电能替代的不断推进,配电网节点数大量增加,结构愈加复杂,发生故障后拓扑变化不确定性较大,传统负荷转供方法难以在短时间内给出高质量的解决方案。为此,提出基于深度强化学习的配电网负荷转供控制方法。将负荷转供过程视为一个马尔可夫决策过程,与配电网实时电气、拓扑数据进行交互,对联络开关与分段开关进行控制。为了提高算法的精度与泛化能力,针对算法动作策略加入了预模拟机制,调整了动作与学习的比例并采用自适应优化算法进行求解。算例分析表明,所提方法能够应对不同故障下配电网的拓扑变化,即时给出负荷恢复量、电网损耗、开关动作次数多方面最优的转供控制方案,这对于减小故障后的停电损失与提高用户满意度有着重要意义。     

基于分层拓扑模型的配电网故障定位优化算法

随着配电网规模的不断扩大 ,配电网中的电源点及T接点的数量不断增多 ,配电网故障定位的实时性矛盾将日益突出。针对此问题 ,提出了基于分层拓扑模型的配电网故障定位优化算法。该算法充分考虑配电网故障定位的特点 ,采用分层拓扑模型 ,利用对分法 ,通过计算某一区间中间层顶点故障信息状态组合情况 ,以确定故障所属的更小区间 ,逐步压缩并逼近故障所属区间 ,实现故障的快速、准确定位。     

配电网故障定位、隔离和供电恢复系统工程实践

配电网自动化系统中一种基于主站端软件集中进行故障处理的设计方案 ,是通过现场的功能试验装置FTU将检测的故障信息上传给主站 ,主站通过接收到的故障指示信息和配电网的实时拓扑信息 ,在配网模型的基础上按照故障识别算法确定故障区域 ,下达操作指令给相关的FTU跳闸以隔离故障。然后 ,主站通过供电恢复决策计算 ,确定恢复方案 ,对非故障停电区域恢复供电 ,完成负荷转供。     

基于分层拓扑模型的配电网故障定位优化算法

随着配电网规模的不断扩大，配电网中的电源点及T接点的数量不断增多，配电网故障定位的实时性矛盾将日益突出。针对此问题，提出了基于分层拓扑模型的配电网故障定位优化算法。该算法充分考虑配电网故障定位的特点，采用分层拓扑模型，利用对分法，通过计算某一区间中间层顶点故障信息状态组合情况，以确定故障所属的更小区间，逐步压缩并逼近故障所属区间，实现故障的快速、准确定位。     

基于深度强化学习的主动配电网高恢复力决策方法

随着全球极端天气事件频发,电力系统在极端自然灾害下恢复力的研究日益受到关注。本文提出基于深度强化学习的高恢复力决策方法,将极端灾害下配电网运行状态和线路故障状态作为观测状态集合,自学习智能体Agent在当前环境观测状态下寻求可行的决策策略进行动作,定义自学习Agent的回报函数以进行动作评价;采用观测状态数据,开展基于竞争深度Q网络(dueling deep Q network,DDQN)的深度强化学习(deep reinforcement learning,DRL)训练,智能体Agent通过试错学习方式选择动作,试错经验在估值函数Q矩阵中存储,实现状态到主动配电网实时故障恢复策略的非线性映射;最后结合改进的IEEE 33节点算例,基于蒙特卡罗法仿真随机故障场景,对所提出方法生成的故障恢复随机优化决策进行分析。结果表明:通过主动配电网的分布式电源、联络开关和可中断负荷的协调优化控制,可以有效提升极端灾害下供电能力。     

地区配电网重构与故障恢复问题

采用图解蚂蚁系统求解地区配电网的重构与故障恢复问题.将求解过程划分为离线和在线2个阶段,使拓扑分析与搜索寻优分离,以提高计算速度.离线阶段对配电网进行拓扑分析,用构造图表示可行解解集,不同元件故障恢复问题的可行解解集由重构问题的可行解解集经简单变化得到,以避免重复进行拓扑分析;在线阶段通过模拟蚁群在构造图中行走进行搜索寻优.通过修改传统蚁群算法的路径选择规则和信息素更新规则,以避免搜索陷入停滞.以一个实际的地区配电网作为算例.仿真结果表明,所提方法可以有效地提高地区配电网运行的经济性,同时可以提供可靠的故障恢复方案.     

一种配电网基于模型诊断的专属最小碰集算法

现有配电网故障诊断的最小碰集算法由于没有考虑配电网的拓扑结构特点,导致其求解速度和准确率不高,对此,提出了一种仅适用于配电网故障的改进最小碰集算法。该算法首先分析了现有各适应度函数的特点,通过加权融合的方式构建出一种新适应度函数。其次,通过分析配电网的拓扑结构,得出配电网故障的最小冲突集之间没有交集的特点,并利用该特点,提出了最小碰集判据。最后,算例分析结果表明,所提最小碰集算法在求解速度上都有较大提高,在求解准确率上略微上升,且更加适合配电网故障的基于模型诊断。     

基于二阶锥规划考虑主动管理的主动配电网故障恢复

故障恢复是未来智能配电系统实现自愈的关键环节,对满足用户供电需求和减少停电损失有重要作用。针对含分布式电源的主动配电网,提出了考虑主动管理措施的故障恢复方法。考虑分布式电源出力调节和电容器组无功补偿约束,首先,构建了主动配电网孤岛划分模型,利用深度优先搜索结合广度优先搜索的算法进行孤岛的划分。然后,建立了主动配电网故障重构模型,采用二阶锥松弛技术将其转化为混合整数二阶锥规划模型进行快速求解。最后,在改进的IEEE 33节点主动配电网算例上进行了仿真计算,算例结果验证了所述模型和方法的合理性和有效性。     

多源协同的智能配电网故障恢复次序优化决策方法

当因极端事件导致电力系统发生大规模停电时，可以协同配电网中的分布式电源、储能系统等本地资源恢复网内重要负荷，以提升配电网韧性。为了快速平稳地使系统从停电后状态过渡至恢复状态，需要优化开关投切次序。文章提出了多源协同的智能配电网故障恢复操作次序优化决策方法，将问题建模为混合整数线性规划模型，并利用成熟的商业优化求解器快速求解，确定最优的开关投切操作次序以及每次恢复操作后的系统运行状态。优化模型计及负荷重要度权重，以快速恢复重要负荷为目标，考虑了三相不对称潮流约束、系统运行约束以及恢复过程中的恢复操作约束等。通过改进的IEEE 13节点系统和IEEE 123节点系统验证了所提出的配电网故障恢复次序优化决策方法的有效性。     

基于改进二进制粒子群算法的配电网故障恢复

鉴于现有的配电网故障恢复算法普遍存在着计算速度慢或难以搜索到全局最优解的问题,提出了一种基于改进二进制粒子群算法的配电网故障恢复算法。首先采用等效负荷模型简化网络;在确定目标函数时,引入了层次分析法求解各指标的权重值,较之传统的经验确定法更符合实际;然后从惯性权重和学习因子的选取及粒子相似性控制2个方面对基本二进制粒子群算法进行了改进。算例分析表明,文中所提出的方法计算速度快,易收敛到全局最优解,能有效地求解配电网故障恢复问题。     

基于深度强化学习的城市配电网多级动态重构优化运行方法

随着配电网分布式电源的大量接入以及城市区域负荷的快速发展,使得配电网运行环境愈发复杂。同时由于配电网重构涉及大量的开关状态二进制零散变量,现有优化方法很难求解大规模城市配电网重构问题。基于此,提出一种基于深度强化学习的城市配电网多级动态重构方法。首先,建立基于深度学习的配电网多级重构快速判断模型,通过该模型实现对重构级别在线决策,并对智能体动作空间进行降维。其次,使用含参数冻结和经验回放机制的深度Q网络对预测负荷、光伏能源输出功率等环境信息进行学习。以运行成本、电压偏移度以及负荷均衡度最优为目标,通过习得的策略集对配电网进行动态重构与运行优化。建立多智能体强化学习模型,对各个时段的不同重构主体进行联合优化。最后,通过算例分析验证了所提方法的有效性。     

基于蚁群算法的配电网故障后恢复重构

蚁群算法是一种求解组合优化问题的新型通用启发式方法,具有正反馈、并行计算和鲁棒性强等优点.将蚁群算法应用于配电网故障后恢复重构,提出了综合考虑切负荷最小和开关操作次数最少的恢复重构模型,并详细介绍了其求解过程.算例证明该算法在配电网故障后恢复重构中应用的可行性和有效性.     

基于二进制粒子群算法的交直流混合配电网故障恢复方法

针对交直流混合配电网特殊的网架结构和电气特性,构建交直流混合配电网故障恢复模型。所提出的模型以故障恢复综合满意度指标为目标函数,并计及潮流约束、节点电压约束、支路传输约束和网络辐射状约束等约束。对所建立的模型设计两阶段优化求解流程,第一阶段采用二进制粒子群算法进行求解,第二阶段采用粒子群算法进行求解。最后通过一个算例表明,交直流混合配电网故障位置对故障恢复策略以及故障恢复综合满意度指标有着较大影响,同时所提出的模型适用于交直流混合配电网故障恢复问题。     

基于混合编码方式的配电网故障恢复算法研究

为提高遗传算法求解配电网故障恢复问题的效率,提出了一种染色体混合编码模型。对配电网的网络拓扑进行节点深度法编码,通过相应的交叉变异操作,产生可行的配电网生成树。非故障失电区的可中断负荷采用0-1编码,实现切负荷控制,增加故障恢复的灵活性。这种混合编码方式可以大大降低不可行解的数量,加快算法收敛速度。采用多目标优化算法NSGA-Ⅱ,减少权重系数主观性对最优解的影响,实现各个优化目标的协同进化,可以为调度人员提供多个最优恢复方案。算例计算结果验证了所提出的模型和算法的正确性和有效性。     

基于边缘计算和深度学习的有限信息配电网单相接地故障区段定位

目前围绕量测条件受限的配电网展开的故障定位研究较少,且传统的主站集中式故障定位系统在实时性与安全性等方面存在不足。针对上述问题,提出一种基于边缘计算和深度学习的单相接地故障区段定位方法。首先,构建基于分区修正的边缘计算单元配置多目标优化模型。该模型通过分区修正方法降低了故障定位系统的通信时延,提升了数据传输安全性,进而保障配电网安全运行。其次,将基于数据驱动的智能算法应用于配电网故障区段定位,选择易获取的相电流稳态有效值在故障前后的变化量作为故障特征,利用全连接型深度神经网络学习样本特征与标签间的映射关系,得到离线训练好的定位模型并储存在边缘节点以实现快速故障定位。最后,以IEEE33节点系统为例进行仿真。算例结果表明该模型在分布式电源接入、高阻故障、噪声干扰以及拓扑改变等情况下均具有良好表现。     

基于深度强化学习的新能源配电网双时间尺度无功电压优化EI北大核心CSCD

新能源大量接入配电网,其波动性及间歇性容易导致配电网电压的频繁波动问题。传统基于模型的无功电压优化方法高度依托于电网的精准建模,其求解精度与计算速度难以满足含新能源配电网对于电压控制的要求。该文基于深度强化学习,提出一种双时间尺度配电网无功电压优化方法。该方法将电力系统无功电压优化问题转化为马尔可夫决策过程,统筹考虑无功补偿设备的差异化调节特性和不同深度强化学习算法的特点,设计针对离散型设备和连续型设备协调控制的双时间尺度优化方案。其中,长时间尺度上制定并联电容器组投切计划,以调整电压偏移,同时最小化全系统网损;短时间尺度上设置滚动预测窗,制定SVG出力计划,以跟踪电压变化,解决新能源并网带来的配电网电压频繁波动问题。最后通过IEEE33节点拓展系统验证该数据驱动方案在无功电压优化的实现速度和效果上所具有的优势。