[发明专利]基于自学习机制的配电网故障恢复方法

权利要求书

1.一种基于自学习机制的配电网故障恢复方法，其特征在于，包括如下步骤：

步骤一：构建自学习数据库；配电网正常运行时，根据风险评估结果合理制定预想事故集，并按照风险由高到低的顺序，依次对高风险设备和位置进行预想事故仿真，从而构建基于预想事故仿真和历史故障处理方案的自学习数据库，以便故障后可以直接利用相似故障的转供电方案；

构建自学习数据库由预想事故仿真和历史故障处理方案两部分组成：

(1)预想事故仿真

基于风险评估的预想事故仿真的过程为：

Step1：正常状态下，对网络运行状态进行风险评估，搜索风险等级最高或最易发生故障的脆弱点；

Step2：对系统不同位置和设备按风险程度由大到小排序，确定预想事故集；

Step3：采用MOPSO算法优先制定高风险设备的故障恢复方案，为故障后快速恢复供电提供备案；

(2)历史故障处理方案

在实际配电网中，相同设备在不同时刻可能会多次发生故障，当网络结构和负荷水平相似的情况下，相同位置的故障特征及供电恢复方案具有很高的相似性，配电网完成转供电后，将每次故障信息和相应的处理方案保存至自学习数据库中，能够为后续故障恢复提供指导；

步骤二：相似故障状态评估与匹配；故障后，提取当前网络故障特征，依次计算当前故障与数据库中保存故障的网络拓扑相似性和负荷分布相似性，从而得到当前故障与存储故障的相似度；

步骤三：生成故障恢复方案；按照相似度由大到小的顺序，依次验证保存故障的转供电方案能否适用于当前故障情况，若满足各种约束条件，则执行相似故障的转供电方案，快速完成供电恢复任务。

2.根据权利要求1所述的基于自学习机制的配电网故障恢复方法，其特征是：在步骤二中，配电网故障前的负荷分布反映了用户的用电需求，而且这种用电需求在故障前后的短时间内不会发生大规模变化，因此，可认为故障恢复后的负荷需求与故障前相同；利用线路电流表示负荷分布情况，则负荷分布相似性即LDS评估函数为：

式中，I和L分别表示不同状态的负荷分布序列，b为线路数；

配电网邻接矩阵的奇异值序列与网络拓扑结构是彼此对应的，并且对奇异值序列做降维、压缩和重构处理后，可得到与原网络相同的拓扑结构，因此可将网络邻接矩阵的奇异值序列作为拓扑相似性评估指标；

网络拓扑相似性评估函数定义为，两个网络奇异值序列距离测度的倒数，即奇异值序列的距离越近，相似度越高，设两个n维奇异值序列X＝(x₁,x₂,…x_n)和Y＝(y₁,y₂,…y_n)，则网络拓扑相似性即NTS评估公式为：

式中，k表示只取序列的前k维作相似性评估，需要根据实际网络和序列维度来确定取值。

3.根据权利要求2所述的基于自学习机制的配电网故障恢复方法，其特征是：在步骤二中，在分析网络结构相似和负荷分布相似的基础上，利用线性加权法建立故障相似性评估函数即SIM，计算公式为：

SIM＝k₁NTS+k₂LDS (3)

式中，NTS为网络拓扑相似性，LDS为负荷分布相似性，k₁和k₂分别为二者的权值，且k₁+k₂＝1。

4.根据权利要求3所述的基于自学习机制的配电网故障恢复方法，其特征是：在步骤三中，故障相似性评估完成后，利用相似故障恢复方案完成转供电，具体步骤如下：

Step1：故障后计算故障相似性SIM，并按由大到小的顺序生成故障相似度排列向量Sim(n)，n为故障相似度排列向量Sim的向量维度，令i＝0；

Step2：令i＝i+1，判断i是否小于n，若小于，则继续下一步；反之，则输出无相似故障，返回结束；

Step3：判断Sim(i)是否大于0.8，若大于0.8，则继续下一步；反之，则数据库中没有相似的网络状态，返回结束；

Step4：选择网络i中相同位置发生故障时的供电恢复方案，作为方案i；Step5：判断方案i是否满足潮流要求，若满足，则执行该方案；否则，返回Step3继续执行。