本發(fā)明屬于配電網(wǎng)優(yōu)化配置，具體涉及一種基于配電網(wǎng)可觀測(cè)性評(píng)估的測(cè)量終端優(yōu)化配置方法及裝置。

背景技術(shù)：

1、配電網(wǎng)作為電網(wǎng)的重要組成部分，直接連接用戶，對(duì)供電可靠性至關(guān)重要。近年來(lái)，隨著可再生能源、分布式儲(chǔ)能、電動(dòng)汽車等的接入，配電網(wǎng)傳統(tǒng)的單向潮流格局被打破，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，分布式電源輸出的隨機(jī)性導(dǎo)致運(yùn)行狀態(tài)頻繁變化，配電網(wǎng)的實(shí)時(shí)監(jiān)測(cè)與控制面臨更大挑戰(zhàn)。

2、可觀測(cè)性評(píng)估是確定系統(tǒng)運(yùn)行狀態(tài)是否可以通過(guò)狀態(tài)估計(jì)(se)唯一標(biāo)識(shí)的過(guò)程。一旦配電網(wǎng)可觀測(cè)，就可以利用現(xiàn)有的測(cè)量數(shù)據(jù)推斷出所有節(jié)點(diǎn)的電壓幅值和相角，從而支持態(tài)勢(shì)感知、故障診斷等。雖然已經(jīng)部署了各種測(cè)量終端，如饋線終端單元(ftu)和智能融合終端(ift)，但配電網(wǎng)中通常存在不可觀測(cè)區(qū)域。配電網(wǎng)面積大、分支多。一方面，如果測(cè)量終端部署不當(dāng)，無(wú)法實(shí)現(xiàn)狀態(tài)估計(jì)，網(wǎng)絡(luò)不可觀測(cè)。另一方面，所有節(jié)點(diǎn)都配備測(cè)量終端的方案在經(jīng)濟(jì)上不可行。因此，基于現(xiàn)有測(cè)量終端評(píng)估可觀測(cè)性至關(guān)重要。在測(cè)量不足的情況下，應(yīng)該識(shí)別對(duì)網(wǎng)絡(luò)可觀測(cè)性有重大影響的關(guān)鍵測(cè)量位置。通過(guò)部署必要的最少測(cè)量終端，配電網(wǎng)的運(yùn)行狀態(tài)是可觀測(cè)和可描述的。這樣，運(yùn)營(yíng)商可以減少測(cè)量終端的投資成本，同時(shí)增強(qiáng)配電網(wǎng)的態(tài)勢(shì)感知。

3、配電網(wǎng)可觀測(cè)性評(píng)估研究多采用數(shù)值方法，例如，專利cn107017631b公開一種基于線性電路的三相配電網(wǎng)可觀測(cè)性分析方法，屬于電力系統(tǒng)調(diào)度自動(dòng)化與電網(wǎng)仿真技術(shù)領(lǐng)域，本發(fā)明首先完成三相配電網(wǎng)各類量測(cè)建模，其次基于量測(cè)雅可比矩陣的秩分析得到三相系統(tǒng)中不可觀測(cè)支路，最后根據(jù)支路可觀測(cè)性分析結(jié)果得到系統(tǒng)可觀測(cè)島。該方法可處理三角型連接的線電壓量測(cè)和功率量測(cè)，能夠處理分布式電源對(duì)可觀測(cè)性的影響，能夠處理配電變壓器檔位的可觀測(cè)性分析。然而，該數(shù)值方法依賴于大量的浮點(diǎn)運(yùn)算，這通常會(huì)導(dǎo)致計(jì)算成本高，并且無(wú)法相應(yīng)地搜索關(guān)鍵的測(cè)量位置。另外，現(xiàn)有在進(jìn)行配電網(wǎng)終端配置時(shí)，僅通過(guò)考慮配置數(shù)量和成本實(shí)現(xiàn)測(cè)量終端的配置，其最終配置方案僅適用于配電網(wǎng)部分正常運(yùn)行的情況，對(duì)于配電網(wǎng)出現(xiàn)故障或數(shù)據(jù)異常的情況下，其可觀測(cè)性較差。

4、因此，如何提供一種成本低、可觀測(cè)性高且魯棒性好的測(cè)量終端配置方法是本領(lǐng)域技術(shù)人員亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明提供了一種基于配電網(wǎng)可觀測(cè)性評(píng)估的測(cè)量終端優(yōu)化配置方法及裝置。可以在減少測(cè)量終端投資成本的同時(shí)，提高了配電網(wǎng)的態(tài)勢(shì)感知能力和運(yùn)行可靠性。

2、第一方面，本發(fā)明提供一種基于配電網(wǎng)可觀測(cè)性評(píng)估的測(cè)量終端優(yōu)化配置方法，包括：

3、獲取配電網(wǎng)拓?fù)鋱D并對(duì)其進(jìn)行劃分，得到多個(gè)可觀測(cè)區(qū)域；

4、基于多個(gè)可觀測(cè)區(qū)域內(nèi)測(cè)量終端的初始配置方案，分別進(jìn)行可觀測(cè)性分析；

5、基于可觀測(cè)性分析結(jié)果，以測(cè)量終端布置數(shù)量和成本最小化以及可觀測(cè)性最大化為目標(biāo)，構(gòu)建目標(biāo)優(yōu)化模型并給出約束條件；

6、基于優(yōu)化算法對(duì)目標(biāo)優(yōu)化模型進(jìn)行求解，給出多個(gè)可觀測(cè)區(qū)域內(nèi)測(cè)量終端的最優(yōu)配置方案。

7、進(jìn)一步的，獲取配電網(wǎng)拓?fù)鋱D并對(duì)其進(jìn)行劃分，得到多個(gè)可觀測(cè)區(qū)域，包括：

8、基于配電網(wǎng)的實(shí)際網(wǎng)絡(luò)結(jié)構(gòu)，確定配電網(wǎng)拓?fù)鋱D的所有支路和節(jié)點(diǎn)；

9、獲取配電網(wǎng)拓?fù)鋱D中與主變電站通過(guò)支路連接的初始節(jié)點(diǎn)；

10、將自每一初始節(jié)點(diǎn)通過(guò)支路依次連接的節(jié)點(diǎn)劃分為一個(gè)可觀測(cè)區(qū)域。

11、進(jìn)一步的，基于多個(gè)可觀測(cè)區(qū)域內(nèi)測(cè)量終端的初始配置方案，分別進(jìn)行可觀測(cè)性分析，包括：

12、獲取每個(gè)可觀測(cè)區(qū)域內(nèi)配置有測(cè)量終端的節(jié)點(diǎn)，并確定可觀測(cè)節(jié)點(diǎn)；

13、根據(jù)確定的可觀測(cè)節(jié)點(diǎn)和可觀測(cè)區(qū)域內(nèi)的所有節(jié)點(diǎn)，確定可觀測(cè)性；

14、將可觀測(cè)性與指標(biāo)閾值進(jìn)行對(duì)比，給出未達(dá)到指標(biāo)閾值的可觀測(cè)區(qū)域。

15、進(jìn)一步的，測(cè)量終端包括ftu測(cè)量終端和ift測(cè)量終端；

16、確定可觀測(cè)節(jié)點(diǎn)，包括：

17、根據(jù)可觀測(cè)區(qū)域內(nèi)配置有ftu測(cè)量終端的節(jié)點(diǎn)，將其確定為可觀測(cè)節(jié)點(diǎn)；

18、在配置有ift測(cè)量終端的節(jié)點(diǎn)的相鄰節(jié)點(diǎn)中至多存在一個(gè)未配置測(cè)量終端的節(jié)點(diǎn)時(shí)，將其確定為可觀測(cè)節(jié)點(diǎn)。

19、進(jìn)一步的，基于可觀測(cè)性分析結(jié)果，以測(cè)量終端布置數(shù)量和成本最小化以及可觀測(cè)性最大化為目標(biāo)，構(gòu)建目標(biāo)優(yōu)化模型，包括：

20、對(duì)未達(dá)到指標(biāo)閾值的可觀測(cè)區(qū)域，確定每個(gè)可觀測(cè)區(qū)域內(nèi)的所有節(jié)點(diǎn)和支路；

21、基于確定的節(jié)點(diǎn)，以測(cè)量終端布置數(shù)量和成本最小化以及可觀測(cè)性最大化為目標(biāo)，構(gòu)建目標(biāo)優(yōu)化模型；

22、基于確定的節(jié)點(diǎn)和支路，給出目標(biāo)優(yōu)化模型的約束條件。

23、進(jìn)一步的，基于優(yōu)化算法對(duì)目標(biāo)優(yōu)化模型進(jìn)行求解，包括：通過(guò)nbi算法并結(jié)合離散二進(jìn)制粒子群優(yōu)化算法對(duì)目標(biāo)優(yōu)化模型進(jìn)行求解。

24、進(jìn)一步的，通過(guò)nbi算法并結(jié)合離散二進(jìn)制粒子群優(yōu)化算法對(duì)目標(biāo)優(yōu)化模型進(jìn)行求解，包括：

25、基于目標(biāo)優(yōu)化模型，給出可觀測(cè)性下降模型；

26、結(jié)合可觀測(cè)性下降模型和目標(biāo)優(yōu)化模型，通過(guò)nbi算法構(gòu)建多個(gè)目標(biāo)之間的單目標(biāo)優(yōu)化模型；

27、通過(guò)離散二進(jìn)制粒子群優(yōu)化算法對(duì)單目標(biāo)優(yōu)化模型進(jìn)行更新粒子的速度和位置，給出可觀測(cè)性貢獻(xiàn)最大的關(guān)鍵節(jié)點(diǎn)。

28、進(jìn)一步的，給出可觀測(cè)性下降模型并結(jié)合目標(biāo)優(yōu)化模型，通過(guò)nbi算法構(gòu)建多個(gè)目標(biāo)之間的單目標(biāo)優(yōu)化模型，包括：

29、根據(jù)目標(biāo)優(yōu)化模型，確定以測(cè)量終端布置數(shù)量和成本最小化的第一目標(biāo)函數(shù)，以及以可觀測(cè)性最大化的第二目標(biāo)函數(shù)；

30、基于不同節(jié)點(diǎn)配置的測(cè)量終端存在失效和/或預(yù)定測(cè)量誤差的情況，確定以可觀測(cè)性下降程度最小化的第三目標(biāo)函數(shù)；

31、通過(guò)nbi算法對(duì)第一目標(biāo)函數(shù)、第二目標(biāo)函數(shù)和第三目標(biāo)函數(shù)進(jìn)行優(yōu)化，給出單目標(biāo)優(yōu)化模型；

32、其中，單目標(biāo)優(yōu)化模型，滿足以下關(guān)系：

33、

34、f3(x)＝-r(x)

35、

36、式中，f1(x)為第一目標(biāo)函數(shù)，f2(x)為第二目標(biāo)函數(shù)，f3(x)為第三目標(biāo)函數(shù)，λj為各個(gè)目標(biāo)函數(shù)的權(quán)重，v為懲罰參數(shù)，d為單位向量，作為目標(biāo)函數(shù)的方向，ci為在第i個(gè)節(jié)點(diǎn)配置測(cè)量終端的成本，xi為第i個(gè)節(jié)點(diǎn)的決策變量，xi＝1表示第i個(gè)節(jié)點(diǎn)配置測(cè)量終端，xi＝0表示第i個(gè)節(jié)點(diǎn)未配置測(cè)量終端，φi(x)為節(jié)點(diǎn)i的可觀測(cè)性，r(x)為平均可觀測(cè)性，n為可觀測(cè)區(qū)域的節(jié)點(diǎn)數(shù)量。

37、進(jìn)一步的，通過(guò)離散二進(jìn)制粒子群優(yōu)化算法對(duì)單目標(biāo)優(yōu)化模型進(jìn)行更新粒子的速度和位置，給出可觀測(cè)性貢獻(xiàn)最大的關(guān)鍵節(jié)點(diǎn)，包括：

38、將可觀測(cè)區(qū)域內(nèi)的每個(gè)節(jié)點(diǎn)配置測(cè)量終端的結(jié)果整合作為離散二進(jìn)制粒子群優(yōu)化算法的粒子；

39、根據(jù)可觀測(cè)區(qū)域內(nèi)的節(jié)點(diǎn)數(shù)和所有節(jié)點(diǎn)配置測(cè)量終端的結(jié)果，初始化粒子個(gè)數(shù)、粒子維數(shù)和最大迭代次數(shù)，并隨機(jī)初始化粒子的位置和速度；

40、將目標(biāo)優(yōu)化模型的約束條件和單目標(biāo)優(yōu)化模型分別作為離散二進(jìn)制粒子群優(yōu)化算法的約束條件和目標(biāo)函數(shù)，并確定粒子適應(yīng)度；

41、基于粒子群中粒子適應(yīng)度，確定每個(gè)粒子的個(gè)體最優(yōu)位置和全局最優(yōu)位置，并重復(fù)更新粒子的速度和位置直至達(dá)到最大迭代次數(shù)；

42、輸出全局最優(yōu)位置，確定可觀測(cè)區(qū)域內(nèi)配置測(cè)量終端的節(jié)點(diǎn)。

43、第二方面，本發(fā)明還提供一種基于配電網(wǎng)可觀測(cè)性評(píng)估的測(cè)量終端優(yōu)化配置裝置，采用上述基于配電網(wǎng)可觀測(cè)性評(píng)估的測(cè)量終端優(yōu)化配置方法，測(cè)量終端優(yōu)化配置裝置，包括：

44、區(qū)域劃分模塊，其用于獲取配電網(wǎng)拓?fù)鋱D并對(duì)其進(jìn)行劃分，得到多個(gè)可觀測(cè)區(qū)域；

45、觀測(cè)分析模塊，其用于基于多個(gè)可觀測(cè)區(qū)域內(nèi)測(cè)量終端的初始配置方案，分別進(jìn)行可觀測(cè)性分析；

46、模型構(gòu)建模塊，其用于基于可觀測(cè)性分析結(jié)果，以測(cè)量終端布置數(shù)量和成本最小化以及可觀測(cè)性最大化為目標(biāo)，構(gòu)建目標(biāo)優(yōu)化模型并給出約束條件；

47、方案配置模塊，其用于基于優(yōu)化算法對(duì)目標(biāo)優(yōu)化模型進(jìn)行求解，給出多個(gè)可觀測(cè)區(qū)域內(nèi)測(cè)量終端的最優(yōu)配置方案。

48、進(jìn)一步的，區(qū)域劃分模塊包括：

49、基于配電網(wǎng)的實(shí)際網(wǎng)絡(luò)結(jié)構(gòu)，確定配電網(wǎng)拓?fù)鋱D的所有支路和節(jié)點(diǎn)；

50、獲取配電網(wǎng)拓?fù)鋱D中與主變電站通過(guò)支路連接的初始節(jié)點(diǎn)；

51、將自每一初始節(jié)點(diǎn)通過(guò)支路依次連接的節(jié)點(diǎn)劃分為一個(gè)可觀測(cè)區(qū)域。

52、進(jìn)一步的，觀測(cè)分析模塊包括：

53、獲取每個(gè)可觀測(cè)區(qū)域內(nèi)配置有測(cè)量終端的節(jié)點(diǎn)，并確定可觀測(cè)節(jié)點(diǎn)；

54、根據(jù)確定的可觀測(cè)節(jié)點(diǎn)和可觀測(cè)區(qū)域內(nèi)的所有節(jié)點(diǎn)，確定可觀測(cè)性；

55、將可觀測(cè)性與指標(biāo)閾值進(jìn)行對(duì)比，給出未達(dá)到指標(biāo)閾值的可觀測(cè)區(qū)域。

56、進(jìn)一步的，觀測(cè)分析模塊還包括：

57、根據(jù)可觀測(cè)區(qū)域內(nèi)配置有ftu測(cè)量終端的節(jié)點(diǎn)，將其確定為可觀測(cè)節(jié)點(diǎn)；

58、在配置有ift測(cè)量終端的節(jié)點(diǎn)的相鄰節(jié)點(diǎn)中至多存在一個(gè)未配置測(cè)量終端的節(jié)點(diǎn)時(shí)，將其確定為可觀測(cè)節(jié)點(diǎn)。

59、進(jìn)一步的，模型構(gòu)建模塊包括：

60、對(duì)未達(dá)到指標(biāo)閾值的可觀測(cè)區(qū)域，確定每個(gè)可觀測(cè)區(qū)域內(nèi)的所有節(jié)點(diǎn)和支路；

61、基于確定的節(jié)點(diǎn)，以測(cè)量終端布置數(shù)量和成本最小化以及可觀測(cè)性最大化為目標(biāo)，構(gòu)建目標(biāo)優(yōu)化模型；

62、基于確定的節(jié)點(diǎn)和支路，給出目標(biāo)優(yōu)化模型的約束條件。

63、進(jìn)一步的，方案配置模塊包括：

64、基于目標(biāo)優(yōu)化模型，給出可觀測(cè)性下降模型；

65、結(jié)合可觀測(cè)性下降模型和目標(biāo)優(yōu)化模型，通過(guò)nbi算法構(gòu)建多個(gè)目標(biāo)之間的單目標(biāo)優(yōu)化模型；

66、通過(guò)離散二進(jìn)制粒子群優(yōu)化算法對(duì)單目標(biāo)優(yōu)化模型進(jìn)行更新粒子的速度和位置，給出可觀測(cè)性貢獻(xiàn)最大的關(guān)鍵節(jié)點(diǎn)。

67、進(jìn)一步的，方案配置模塊還包括：

68、根據(jù)目標(biāo)優(yōu)化模型，確定以測(cè)量終端布置數(shù)量和成本最小化的第一目標(biāo)函數(shù)，以及以可觀測(cè)性最大化的第二目標(biāo)函數(shù)；

69、基于不同節(jié)點(diǎn)配置的測(cè)量終端存在失效和/或預(yù)定測(cè)量誤差的情況，確定以可觀測(cè)性下降程度最小化的第三目標(biāo)函數(shù)；

70、通過(guò)nbi算法對(duì)第一目標(biāo)函數(shù)、第二目標(biāo)函數(shù)和第三目標(biāo)函數(shù)進(jìn)行優(yōu)化，給出單目標(biāo)優(yōu)化模型。

71、本發(fā)明提供的一種基于配電網(wǎng)可觀測(cè)性評(píng)估的測(cè)量終端優(yōu)化配置方法及裝置，至少包括如下有益效果：

72、(1)通過(guò)對(duì)配電網(wǎng)拓?fù)浣Y(jié)構(gòu)進(jìn)行分析并劃分，可以實(shí)現(xiàn)對(duì)當(dāng)前測(cè)量終端布置下的可觀測(cè)性評(píng)估。當(dāng)評(píng)估配電網(wǎng)的狀態(tài)為不可觀測(cè)時(shí)，通過(guò)優(yōu)化算法確定關(guān)鍵的測(cè)量位置，優(yōu)化測(cè)量終端的布置，確保所有節(jié)點(diǎn)的狀態(tài)都可被觀測(cè)，最終可以在減少測(cè)量終端投資成本的同時(shí)，提高配電網(wǎng)的態(tài)勢(shì)感知能力和運(yùn)行可靠性。

73、(2)使用nbi算法并結(jié)合離散二進(jìn)制粒子群優(yōu)化算法進(jìn)行輔助求解，可以用于解決多個(gè)目標(biāo)之間進(jìn)行權(quán)衡的優(yōu)化問(wèn)題，例如：測(cè)量終端的布置成本：在確保配電網(wǎng)可觀測(cè)性的前提下，最小化測(cè)量終端的布置數(shù)量和成本。網(wǎng)絡(luò)可觀測(cè)性：最大化配電網(wǎng)的可觀測(cè)性，確保系統(tǒng)的運(yùn)行狀態(tài)可以被準(zhǔn)確監(jiān)控和估計(jì)。魯棒性：優(yōu)化測(cè)量終端的布置，使得在出現(xiàn)故障或數(shù)據(jù)異常的情況下，系統(tǒng)依然具有較高的可觀測(cè)性。