[发明专利]基于深度学习算法的配电网实时动态重构方法及装置

说明书

本发明涉及一种配电网重构技术领域，是一种基于深度学习算法的配电网实时动态重构方法及装置，包括：获取配电网节点实时负荷和DG输出实时数据；使用静态重构模型对配电网节点实时负荷和DG输出实时数据进行分析，输出对应的配电网静态重构解决策略；利用基于运行成本实时差值的开关动作函数和大M法对配电网静态重构解决策略进行动态重构，输出配电网动态重构策略。本发明使用二阶锥将原始可行域松弛为凸可行域，再使用基于启发式规则的循环矩阵变量缩减法，缩减可行域，有效获得DNR控制策略数据集，使得大大缩减可行域的范围，提高了计算的效率，同时能在结合运营成本实时差异的基础上，实现自主动态重构优化，有效地降低运行成本。

技术领域

本发明涉及一种配电网重构技术领域，是一种基于深度学习算法的配电网实时动态重构方法及装置。

背景技术

网络重构是一种非常重要的降低网路运行成本的方法，现有的大量的网络优化都是基于网络重构。然而以往的网络重构在处理大规模系统时效率低，且一些运行控制动作通常是离线确定的，很难获得最优解，而且需要充分考虑DG输出的不确定性，增加了分析的难度，不能适应不可预测的系统变化；部分基于数据驱动的算法，因为需要大量的历史数据进行模型训练，但是这些数据往往很难获取且历史数据可行域的范围大，计算效率低。

发明内容

本发明提供了一种基于深度学习算法的配电网实时动态重构方法及装置，克服了上述现有技术之不足，其能有效解决现有配电网重构方法存在的需要大量历史数据，且历史数据可行域的范围大，计算效率低的问题。

本发明的技术方案之一是通过以下措施来实现的：一种基于深度学习算法的配电网实时动态重构方法，包括：

获取配电网节点实时负荷和DG输出实时数据；

使用静态重构模型对配电网节点实时负荷和DG输出实时数据进行分析，输出对应的配电网静态重构解决策略，其中静态重构模型为使用历史动态网络重构数据集通过机器学习训练得出的，所述DNR控制策略数据集包括多组数据，多组数据中的每组数据均包括处理后的历史数据，历史数据包括配电网节点负荷数据、DG输出数据和对应的配电网参数；

利用基于运行成本实时差值的开关动作函数和大M法对配电网静态重构解决策略进行动态重构，输出配电网动态重构策略。

下面是对上述发明技术策略的进一步优化或/和改进：

上述静态重构模型的建立过程包括：

获得历史数据集，其中历史数据包括配电网节点负荷数据、DG输出数据和对应的配电网参数；

利用SCOP算法和基于启发式规则的循环矩阵变量缩减法对历史数据进行可行域缩减，输出DNR控制策略数据集；

将DNR控制策略数据集输入至LSTM模型中，对LSTM模型进行训练；

获得静态重构模型。

上述利用基于运行成本实时差值的开关动作判定函数和大M法对配电网静态重构解决策略进行动态重构，输出配电网动态重构策略，包括：

利用基于运行成本实时差值的开关动作函数和大M法建立实时动态重构模型；

其中，为当前负荷、DG输出和t时段拓扑结构对应的的运行成本；为当前负荷、DG输出和由静态重构模型得出的静态重构解决策略对应的的运行成本；λ_M是一个二元变量；

根据当前负荷、DG输出和t时段拓扑结构，计算

根据当前负荷、DG输出和由静态重构模型得出的静态重构解决策略，计算

判断是否大于响应于是，则拓扑结构更新，响应于否，则维持当前拓扑结构不变。