配电网自愈控制领域，设备故障概率和电网运行风险的差异控制方法

随着智能电网的迅速发展，分布式电源的大量不确定接入，配电网的结构越来越复杂，配电网运行风险的评估和预测以及故障的快速诊断和恢复越来越困难。近年来，国内外学者从不同的角度，提出了一系列的自愈控制方法，虽然这方面的研究工作取得了一些进展和成果，但仍然存在不足。

传统的电网运行风险评估采用的都是概率和故障后果的乘积，这虽然考虑了发生概率小、后果严重的故障，但是却忽略了发生概率大，但是后果不严重的故障，相比较而言，这种故障发生的可能性却更大，因此依据这种方法得出的电网运行风险评估并不能令人满意。目前电网自愈的目标，主要以提高电网运行可靠性为目标，并没有充分考虑电网经济运行和可靠性的关系，得出的优化方案往往不能兼顾经济性和可靠性。

问题拆分

包括：1、采集运行数据以及天气数据并计算各配电网设备各自对应的综合故障概率；

2、确定出风险阈值；

3、判断综合故障概率是否超过该配电网设备对应的风险阈值，若是则基于第一多目标函数，优化电网运行方式；否则基于第二多目标函数，优化电网运行方式；同时设置电网运行方式优先级；

4、基于多分类回归树算法预测电网下一时刻的负荷大小并计算下一时刻设备的综合停运概率和综合故障风险；

5、确定是否执行优化措施。本发明充分考虑了设备故障概率和电网的运行风险，同时采用差异自愈控制，实现了在尽量不甩负荷的情况下保证了电网的经济可靠运行。

问题解决

鉴于已有技术存在的缺陷，本发明的目的是要提供一种基于设备故障概率和电网运行风险的差异自愈控制方法，本发明充分考虑了设备故障概率和电网的运行风险，同时采用差异自愈控制，实现了在尽量不甩负荷的情况下保证了电网的经济可靠运行。

为了实现上述目的，本发明的技术方案：

一种基于设备故障概率和电网运行风险的差异自愈控制方法，其特征在于，包括如下步骤：

步骤1、采集电网内各配电网设备的运行数据以及所述电网所在区域对应的天气数据，基于所设定的设备停运概率模型计算各配电网设备各自对应的综合故障概率；

步骤2、确定出各配电网设备进行评估所需的风险阈值；

步骤3、判断所计算出的综合故障概率是否超过该配电网设备对应的风险阈值，若是则基于第一多目标函数，优化电网运行方式；否则基于第二多目标函数，优化电网运行方式；同时设置电网运行方式优先级，以使得电网处于所设定的突发大故障时，能够优先采用基于多次寻优方法的电网运行方式进行快速网络重构；

步骤4、基于多分类回归树算法预测电网下一时刻的负荷大小，并计算下一时刻设备的综合停运概率和综合故障风险，所述综合故障风险具体是指所述综合停运概率和故障后果的乘积；

步骤5：根据步骤3确定的电网运行方式和步骤4预测的下一时刻的综合运行概率和综合故障风险确定是否执行优化措施。

进一步优选的，所述设备停运概率模型是指t时刻配电网设备Xi发生故障停电的风险值，具体是指某一时刻t，该配电网设备Xi发生故障的概率与故障停电影响程度相乘所确定的模型，对应的公式形式如下式所示

Rt(Xi)＝P(Xi|t)L(Xi)

其中，P(Xi|t)是t时刻配电网设备Xi发生故障的概率；L(Xi)是配电网设备Xi的故障停电影响程度。

更进一步优选的，t时刻配电网设备Xi发生故障的概率P(Xi|t)等于不同风险源所对应的该设备故障概率之和，如下式所示

其中，Pk(Xi|t)是在t时刻，风险源k使设备Xi发生故障的概率；M是风险源的个数；

所述风险源至少包括下述所列的几种或者全部的故障因素：

(1)配电设备自身的故障率λ，其对应的函数公式为λ(Y)，具体如下式所示

其中，Y表示使用年限，0≤β≤1；p表示固定故障率，t1表示属于设备下降区域所对应的年限，t2表示属于设备属于上升区域所对应的年限；

(2)设备过负荷的故障率P，P即过负荷引发设备故障的概率，具体为基于效用函数，在配电设备自身的故障率λ的基础上引入设备的过负荷值LOD，对应的函数公式如下式所示

其中，L是流过配电设备的电流占其额定电流的比例，a是用户自由设定的额定电流比例阈值；

(3)外部因素导致的设备故障率，所述外部因素至少包括大风大雨因素、雷击因素及施工破坏因素；

则大风大雨因素所对应的设备故障停电概率PWR对应的函数公式如下式所示

PWR＝NGWR/(NDNWR)

其中，NGWR为大风大雨因素所导致的此类设备故障停电次数，ND为配电网中某类设备总数，NWR为所设定的统计期内配电网发生大风大雨次数；

则雷击因素所对应的设备故障停电概率PTH对应的函数公式如下式所示

PTH＝NGTH/(NDNTH)

其中，NGTH为雷击因素所导致的此类设备故障停电次数，ND为配电网中某类设备总数，NTH为所设定的统计期内配电网发生雷击次数；

则雷击因素所对应的设备故障停电概率PS对应的函数公式如下式所示

PS＝NGS/NS

其中，NGS为因附近施工而发生该类设备故障停电的次数，NS为所设定的统计期内发现配电网某类设备附近施工总次数。

进一步优选的，所述故障停电影响程度L(Xi)，对应的设备故障停电影响程度的指标包括损失负荷LL、损失电量EL、停电用户小时数hPOU、停电用户级别加权户数WPOU指标；

损失负荷LL是指配电网任意设备发生故障后，负荷集S内各负荷停电的损失负荷，其用该负荷配变年度平均负荷表示，计算公式如下式所示

其中，Ai是负荷集S内负荷i对应的配变年度抄见电量，TA是配电网中配变的年度平均运行时间，

损失电量EL是指该设备所属类别的设备的平均修复时间TR期间，负荷集S内负荷持续停电所对应的电量数据，计算公式如下式所示

EL＝LLTR

停电用户小时数hPOU的计算公式如下式所示

其中，WLUi是负荷集S内负荷i对应的用户数；

停电用户级别加权户数WPOU的计算公式如下式所示

其中，αm表示负荷集S内负荷节点i中第m个用户在某一负荷级别下所对应的取值；

本文采用层次分析法(AHP)确定各评估指标权重，最后确定各设备故障停电影响程度；

进一步优选的，所述步骤2包括下述步骤：

步骤21、选取n组历史数据di，基于所设定的设备停运概率模型计算配电网中每一设备各自对应的综合故障概率样本数据；

步骤22、分别对各所述综合故障概率样本数据设定权重范围和权重的分布函数，并基于蒙特卡罗模拟确定出所对应的权重，对各所述确定的权重进行归一化处理得各年的权重，对应的公式为并计算所对应的模拟阈值即：

步骤23、将模拟阈值中的均值确定为所需的风险阈值。

进一步优选的步骤3中基于多次寻优方法的电网运行方式进行快速网络重构具体包括下述步骤：

步骤31、确定电网中负荷重要程度、以电力失负荷价值即失电所造成的经济损失以及对社会的影响程度来衡量负荷重要程度，并将断电会严重影响社会经济运行负荷定义为不可失电负荷；

步骤32、进行第一次寻优：若发生严重故障不能恢复所有负荷时，则选取出负荷所直接连接的开关，并对开关进行编号；同时根据枚举法对所有不可失电负荷开关进行搜索，计算出满足发电量的所有开关组合状态并将所计算的负荷重要程度总值进行降序排列；

步骤33进行第二次寻优：根据得到降序排列的负荷重要程度总值，依次进行潮流计算，并判断是否满足约束条件，优先恢复对不可失电负荷的供电；所述约束条件包括用非线性潮流方程表示的等式约束条件以及不等式约束条件；

所述等式约束，即下式所述公式

式中：PGi、QDi分别为节点i的发电机有功出力和无功出力；QGi、QDi分别为节点i有功负荷和无功负荷；θij为节点i和j间的电压相角差；Gij、Bij分别为支路i-j的电导和电纳；所述不等式约束包括控制变量约束和状态变量约束，即下式所述公式

式中：Qi为发电机i的无功出力；Pimin、Pimax分别为发电机有功出力下限和上限，Qimin、Qimax分别为发电机无功出力下限和上限，Ti、Timax分别为支路i传输的功率及其容量极限，SD、SL分别为负荷母线集合和支路集合；

步骤34进行第三次寻优：将上述已经确定的供应不可失电负荷直接连接的开关闭锁，并对剩余开关进行重新优化；在优化过程中计算满足发电量的所有开关组合状态，并计算负荷重要程度总值降序排列；

步骤35进行第四次寻优：根据得到的降序排列的负荷重要程度总值，进行潮流计算，判断是否满足约束条件，满足时，即为能够满足恢复条件的最大值，确定为最优解。

进一步优选的，所述步骤4包括：

步骤41、采集历史样本数据，所述历史样本数据选择包含有影响电力负荷的因素的数据，即其至少包括气象因素信息、日类型、负荷信息、大用户生产计划数据，设定第i天的样本的特征向量为：

Yi＝[yi1 yi2 … yiM] i＝1,2,…,n

式中：n为历史样本总数；yiM为第i个样本的第M个影响因素值；

步骤42、构建灰色关联判断矩阵，以待预测的日向量为矩阵的母序列，且使得各行除以第一行的数据，以初始化所述灰色关联判断矩阵；

步骤43、采用熵权法确定各影响因素的权重，则权向量为W＝[w1 w2 … wm]，得到加权灰色关联决策矩阵

步骤44、将加权灰色关联决策矩阵F′中的第一行视为一个行向量，则第1行为待预测日行向量，记为A0,其他每个历史样本行向量记为Ai，每个样本Ai与A0向量间的夹角即为该样本的灰色投影角；则各个历史日行向量与待预测日行向量的灰色关联投影值为：

式中：Di表示第i个样本向量在待预测日向量上的投影值；i＝1,2,…,n，wj表示第j个影响因素所对应的权重，j＝1,2,…,m，Fij表示第i个样本中第j个影响因素与母序列所对应的关联度；

步骤45、将各个历史日向量的灰色投影值按从大到小排序，并设置投影值阈值，并从大到小依次选择部分样本组成相似日样本集；

步骤46、将上述相似日样本集作为原始训练数据集，假定其数据总量为X，并从原始训练数据集中抽样生成k个训练样本集，假定每个训练样本集中数据为x，则每个样本集即为多分类回归树算法中每棵分类树的全部训练数据；同时判断所抽取的k个训练样本集中数据总量是否没有超过原始训练数据集中的数据总量，是则不对抽取的训练样本集做处理；否则检测是否所有数据都能被抽中，若存在未被抽中的数据，则执行覆盖操作即以未被抽中的数据随机覆盖掉已经抽中的数据，覆盖数量为(k·x)/X，并重新检测是否所有数据都能被抽中，否则重复覆盖操作；

步骤47、使得每棵训练样本集生长成为一颗不剪枝叶的分类树，在树的节点处从M个特征中随机挑选m个特征，并在每个节点上从m个特征中依据基尼指数选取最优特征进行分支生长；同时检测是否有未被选中而且权重超过阈值的特征，此时将这些未选中的特征随机覆盖已选中的特征，覆盖数量为(m×k)/M，并检测是否所有重要特征都被选中，否则重复覆盖操作，所述重要特征即用户所确定的在所有的特征中对预测负荷有一定影响因素所对应的特征；

本算法所采用的基尼指数(Gini index)是指假设数据集D包含m个类别，那么基尼指数GD的计算公式为：

式中：pj为j类元素出现的频率；同时基尼指数需要考虑每个属性的二元划分，则假定属性A的二元划分将数据集D划分成D1和D2，则此次在子节点以某属性A划分样本集D的基尼指数表示为：

其中，表示在数据集D1上的基尼指数，表示在数据集D2上的基尼指数，本步骤实际上是要获得两个基尼指数的加权平均值；

对于每个属性，考虑每种可能的二元划分，最终选择该属性产生的最小基尼指数的子集作为其分裂子集；在此规则下，由上至下不断分裂，直到整棵决策树生长完成；

步骤48、根据生成的所有树预测值均值得到预测结果。

进一步优选的，所述步骤5：根据步骤3确定的电网运行方式和步骤4预测的下一时刻的综合运行概率和综合故障风险确定是否执行优化措施。

进一步优选的，判断是否执行当前优化措施有以下几个判据：

(51)当给出的优化措施不甩负荷，只需要增加电源出力和网络重构，直接采用当前优化措施；

(52)当优化措施需要甩负荷时，此时需要比较下一时刻的综合运行风险和设备综合故障概率是否超过阈值：

(521)当预测的设备停运概率超过阈值，此时执行甩负荷操作；

(522)当预测的设备停运概率没有超过阈值，并且当实时综合故障风险f1<预测下一时刻的综合故障风险，此时执行甩负荷等操作；

(523)当预测的设备停运概率没有超过阈值，并且当实时综合故障风险f1>预测下一时刻的综合运行风险，不执行甩负荷措施，以增加电源出力和网络重构为主要措施减小电网风险。

与现有技术相比，本发明的有益效果：

本发明充分考虑设备故障概率和电网的运行风险，不仅考虑发生概率低、后果严重的故障，而且也充分的考虑了发生概率大，后果不严重的故障；同时差异自愈控制，实现在电网不同运行状况下采用不同的目标函数，尽量不甩负荷的情况下保证电网的经济可靠运行；因此，基于设备故障概率和电网运行风险的差异自愈控制方法，具有一定的现实意义。