本發(fā)明涉及電力系統(tǒng)事故響應(yīng)決策方法，特別是涉及一種主配網(wǎng)一體化事故響應(yīng)決策方法。

背景技術(shù)：

在大電網(wǎng)的復(fù)雜事故響應(yīng)決策中，最大的困難在于決策時間短與主配網(wǎng)一體化仿真分析計算時間長，且對實時狀態(tài)估計結(jié)果依賴大。基于此，本專利使用超立方拉丁采樣法生成主配網(wǎng)一體化仿真運行情景集，并根據(jù)故障概率和風(fēng)險值，從初始故障集進行篩選生成仿真分析故障集；輸入運行情景集和故障集進行主配網(wǎng)一體化快速仿真，即進行主配網(wǎng)全局優(yōu)化得到故障最優(yōu)恢復(fù)控制策略；真實記錄電網(wǎng)故障前后運行狀態(tài)和控制策略，建立全局協(xié)調(diào)策略知識庫；通過特征提取技術(shù)對全局協(xié)調(diào)策略知識庫中電網(wǎng)運行狀態(tài)的關(guān)鍵特征屬性進行提取，建立仿真情景決策規(guī)則庫；當實時運行中的電網(wǎng)(主網(wǎng)或含分布式電源的配網(wǎng))發(fā)生實際故障后，采用狀態(tài)感知技術(shù)得到當前運行狀態(tài)，進而采用特征匹配搜索技術(shù)從仿真情景決策規(guī)則庫中搜索得到相應(yīng)的全局協(xié)調(diào)控制策略，實現(xiàn)故障的快速恢復(fù)和響應(yīng)。

傳統(tǒng)上主網(wǎng)和配網(wǎng)的事故分析響應(yīng)決策主要是孤立進行的。主網(wǎng)故障后造成的線路傳輸阻塞問題或電壓問題主要靠控制主網(wǎng)的可控資源來消除和恢復(fù)，不考慮配網(wǎng)的協(xié)調(diào)和支援；而配網(wǎng)饋線故障后造成的供電恢復(fù)策略也僅計及配網(wǎng)的供電能力，未考慮主網(wǎng)的協(xié)調(diào)和支援。這無疑造成很多情況下，控制決策的經(jīng)濟性差，很多可用資源被閑置未加利用，甚至可能造成負荷無法全部恢復(fù)，供電可靠性降低。隨著大量DG接入配電網(wǎng)，配電網(wǎng)自身的可控性和靈活性有了很大提高，對主網(wǎng)的支援能力也有了很大提高?，F(xiàn)有主網(wǎng)和配網(wǎng)事故響應(yīng)決策孤立進行的方式已經(jīng)不再適應(yīng)。

目前，急需一種建立主配網(wǎng)一體化事故響應(yīng)決策的方法，在主網(wǎng)和 配網(wǎng)實際發(fā)生故障前做出預(yù)判，向主網(wǎng)運行人員和配網(wǎng)運行人員提供預(yù)防控制措施，或者在故障實際發(fā)生后快速給出緊急和恢復(fù)控制策略。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種提高電網(wǎng)整體的運行穩(wěn)定性、安全性、可靠性和經(jīng)濟性的主配網(wǎng)一體化事故響應(yīng)決策方法。

為實現(xiàn)上述發(fā)明目的，本發(fā)明提供的技術(shù)方案是：

一種主配網(wǎng)一體化事故響應(yīng)決策方法，所述方法包括以下步驟：

步驟一、建立主配網(wǎng)一體化運行情景集和故障集；

步驟二、基于主配網(wǎng)一體化快速仿真結(jié)果建立全局協(xié)調(diào)控制策略知識庫；

步驟三、采用特征提取、決策樹生成技術(shù)生成仿真情景決策規(guī)則庫；

步驟四、通過主配網(wǎng)運行狀態(tài)感知技術(shù)和自主決策匹配方法實現(xiàn)故障后主配網(wǎng)的自主決策匹配響應(yīng)。

進一步地，在步驟一中，通過拉丁超立方抽樣法模擬生成所述運行情景集，預(yù)測力與預(yù)測誤差分布，對每個輸入隨機變量進行采樣，確保隨機分布區(qū)域能夠被采樣點完全覆蓋；改變各隨機變量采樣值的排列順序，使相互獨立的隨機變量的采樣值的相關(guān)性趨于最小，采用Cholesky分解法進行排列順序，

采樣值公式為

其中，X_nm表示隨機變量X_n的第m個采樣值，U_m表示采樣值。

進一步地，在步驟一中，通過給出各故障發(fā)生概率與嚴重性的綜合度量，以此篩選故障，生成所述故障集，綜合度量的數(shù)學(xué)表達式為：

其中，X_f為當前系統(tǒng)運行狀態(tài)；E_i為第i個預(yù)想故障；P_r(E_i)為E_i發(fā)生的概率；S_ev(E_i)為E_i發(fā)生后系統(tǒng)損失的嚴重程度。

進一步地，在步驟一中，故障概率模型公式為：

P_r(F_i)＝1-exp(-λ_it_s)，

其中，F(xiàn)_i為第i條線路發(fā)生故障；P_r(F_i)為第i條線路發(fā)生故障的概率；λ_i為第i條線路的故障率；

系統(tǒng)發(fā)生故障后支路的過載損失值計算公式為：

其中，ω_Li表示過載損失值，L_i為支路i的實際輸送功率與功率限額之比；L₀為設(shè)定的閾值，若L_i小于L₀，調(diào)度人員認為該支路不存在過載風(fēng)險；

定義支路i的過載嚴重程度計算公式為：

其中，a、c均為正數(shù)，ω_Li表示過載損失值；

系統(tǒng)發(fā)生故障后節(jié)點i的電壓越限損失值ω_Vi計算公式為：

其中，U_i為節(jié)點i的電壓幅值；U_imax、U_imin分別為節(jié)點i的電壓幅值的上、下限；

定義節(jié)點i的電壓越限嚴重程度計算公式為：

其中，a、c均為正數(shù)，ω_vi表示電壓越限損失值；

通過故障篩選與排序，將排序結(jié)果中排在前面的若干故障生成所述故障集。

進一步地，在步驟二中，所述知識庫由電網(wǎng)故障前的運行狀態(tài)，電網(wǎng)故障后的運行狀態(tài)，故障最優(yōu)恢復(fù)控制策略組成，通過輸入運行情景集和故障集進行主配網(wǎng)一體化快速仿真，進行主配網(wǎng)全局優(yōu)化得到故障最優(yōu)恢 復(fù)控制策略，記錄電網(wǎng)發(fā)生的故障和故障前后運行狀態(tài)、控制策略，建立所述全局協(xié)調(diào)策略知識庫。

進一步地，建立知識庫的步驟如下：

步驟2a主、配網(wǎng)智能體獲取當前時刻電網(wǎng)斷面信息，通過主配網(wǎng)一體化狀態(tài)估計建立各自潮流初態(tài)；

步驟2b主配網(wǎng)智能體收集各自電網(wǎng)內(nèi)氣象信息數(shù)據(jù)，結(jié)合電網(wǎng)典型運行方式通過拉丁超立方采樣技術(shù)得到電網(wǎng)運行情景集。得到電網(wǎng)仿真故障集；

步驟2c針對故障集合中每個待仿真故障，采用主配網(wǎng)一體化故障恢復(fù)控制優(yōu)化問題的求解，得到主配網(wǎng)協(xié)調(diào)控制策略；

步驟2d將故障前電網(wǎng)狀態(tài)、故障后電網(wǎng)狀態(tài)和控制策略寫入全局協(xié)調(diào)控制策略知識庫，對原有庫進行更新。

進一步地，在步驟三中，所述仿真情景決策規(guī)則庫是通過特征選擇技術(shù)對全局協(xié)調(diào)策略知識庫中電網(wǎng)運行狀態(tài)的關(guān)鍵特征屬性進行提取，將選擇出的特征屬性作為輸入屬性，自動生成決策樹，從決策樹中提取精細規(guī)則，建立仿真情景決策規(guī)則庫。

進一步地，基于屬性分離進行特征選擇，將高維組合問題降為低維組合問題，屬性間相關(guān)度的計算公式為：

其中，H(X)、H(Y)分別為屬性X與Y的熵；I(X；Y)為屬性X與Y之間互信息；

選擇特征屬性的公式為：

其中，k為屬性分類的數(shù)量，Ω_i表示為第i類。m_i、和分別為Ω_i當前提供的特征屬性個數(shù)、特征屬性集合、提供的信息量；F為特征選擇結(jié)果屬性集；m為F中的特征屬性個數(shù)；C為目標屬性。

進一步地，所述決策樹算法為檢測所有的屬性，選擇信息增益率最大的屬性產(chǎn)生決策樹節(jié)點，由該屬性的不同取值建立分支，再對各分支的子集遞歸調(diào)用該方法建立決策樹節(jié)點的分支，直到所有子集僅包含同一類別的數(shù)據(jù)為止。

進一步地，在步驟四中，所述主配網(wǎng)運行狀態(tài)感方法，在主配網(wǎng)運行范圍內(nèi)，認知、理解電網(wǎng)實時運行中各個設(shè)備的運行狀態(tài)和運行參數(shù)，將所有信息識別并轉(zhuǎn)化為主配網(wǎng)的實時運行狀態(tài)量，并甄別和剔除出其中錯誤、無效的信息，通過分析外部數(shù)據(jù)和內(nèi)部數(shù)據(jù)獲得電網(wǎng)受到擾動后運行狀態(tài)和參數(shù)，通過計算得到自主決策匹配用的特征量信息。

進一步地，在步驟四中，使用Rete算法加快規(guī)則庫的決策匹配，構(gòu)建Rete匹配網(wǎng)絡(luò)的步驟包括：

步驟4a創(chuàng)建根節(jié)點，形成匹配網(wǎng)絡(luò)的入口；

步驟4b從情景決策規(guī)則庫中提取新的規(guī)則，從規(guī)則的條件中提取出各個狀態(tài)變量滿足的條件：

i)檢查該規(guī)則的條件中是否出現(xiàn)了新的狀態(tài)變量，如果是新的狀態(tài)變量，添加一個類型節(jié)點；

ii)檢查該規(guī)則中的各個狀態(tài)變量滿足的條件是否已經(jīng)存在于α節(jié)點中，如果存在則記錄下該α節(jié)點的位置，如果沒有，則將該狀態(tài)變量滿足的條件作為一個新的α節(jié)點加入到網(wǎng)絡(luò)中；

iii)重復(fù)步驟ii)，直至將該規(guī)則中所有的狀態(tài)變量滿足的條件都處理完畢；

iv)組合β節(jié)點：第一個β節(jié)點由兩個α節(jié)點組合而成，其后的每個β節(jié)點由上一層的β節(jié)點和新的α節(jié)點相組合；

v)重復(fù)步驟iv)，直至生成所有β節(jié)點；

vi)將該規(guī)則對應(yīng)的執(zhí)行動作封裝成最后節(jié)點；

步驟4c重復(fù)步驟4b，直至規(guī)則庫中的所有規(guī)則都處理完畢。

進一步地，在步驟四中，基于Rete算法進行主配網(wǎng)故障自主決策匹 配與響應(yīng)時，除了首次匹配時需要對主配網(wǎng)中的每個狀態(tài)變量都進行匹配以外，之后每隔一個周期進行匹配時，只需判別當前主配網(wǎng)狀態(tài)變量相較于上個周期變化大的部分，根據(jù)變化較大的狀態(tài)變量對應(yīng)的α節(jié)點從β網(wǎng)絡(luò)中直接繼續(xù)匹配工作，省去了對變化小的狀態(tài)變量重復(fù)匹配的過程。

采用上述技術(shù)方案，本發(fā)明具有如下有益效果：

本發(fā)明提出的主配網(wǎng)一體化事故響應(yīng)決策方法能夠在實際故障發(fā)生時，僅啟動實時狀態(tài)快速感知和故障自主決策匹配與響應(yīng)功能，即可自動得到最優(yōu)控制策略，解決了在大電網(wǎng)的復(fù)雜事故響應(yīng)決策中，決策時間短、主配網(wǎng)一體化分布式并行仿真分析計算時間長，且對實時狀態(tài)估計結(jié)果依賴大的問題。

本發(fā)明建立主配網(wǎng)一體化事故響應(yīng)決策的方法，在主網(wǎng)和配網(wǎng)實際發(fā)生故障前做出預(yù)判，向主網(wǎng)運行人員和配網(wǎng)運行人員提供預(yù)防控制措施，或者在故障實際發(fā)生后快速給出緊急和恢復(fù)控制策略。提高電網(wǎng)整體的運行穩(wěn)定性、安全性、可靠性和經(jīng)濟性。

附圖說明

圖1為本發(fā)明主配網(wǎng)一體化事故響應(yīng)決策流程圖；

圖2為本發(fā)明實施例中主配網(wǎng)中發(fā)生故障前結(jié)構(gòu)示意圖；

圖3為本發(fā)明實施例中主配網(wǎng)發(fā)生配網(wǎng)故障時的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實施例中主配網(wǎng)發(fā)生配網(wǎng)故障后的最優(yōu)控制策略圖；

圖5為本發(fā)明實施例中主配網(wǎng)中發(fā)生主網(wǎng)故障時的結(jié)構(gòu)示意圖；

圖6為本發(fā)明實施例中主配網(wǎng)中發(fā)生主網(wǎng)故障后的最優(yōu)控制策略圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，下面結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的結(jié)構(gòu)圖及具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

圖1為本發(fā)明主配網(wǎng)一體化事故響應(yīng)決策流程圖，如圖1所示，本發(fā)明提供了一種主配網(wǎng)一體化事故響應(yīng)決策方法，方法包括以下步驟：

步驟一、建立主配網(wǎng)一體化運行情景集和故障集；

步驟二、基于主配網(wǎng)一體化快速仿真結(jié)果建立全局協(xié)調(diào)控制策略知識庫；

步驟三、采用特征提取、決策樹生成技術(shù)生成仿真情景決策規(guī)則庫；

步驟四、通過主配網(wǎng)運行狀態(tài)感知技術(shù)和自主決策匹配方法實現(xiàn)故障后主配網(wǎng)的自主決策匹配響應(yīng)。

實施例1

在步驟一中：主配網(wǎng)一體化仿真的運行情景集設(shè)計應(yīng)考慮氣象條件下分布式電源和負荷的不確定性。本發(fā)明通過拉丁超立方抽樣技術(shù)模擬生成一系列運行情景。

拉丁超立方抽樣(Latin hypercube sampling,LHS)是一種采樣值可有效反映隨機變量整體分布的多維分層采樣方法，該方法保證了所有的采樣區(qū)域都能被采樣點覆蓋。拉丁超立方抽樣法一般分為采樣和排序2步：首先對每個輸入隨機變量進行采樣，確保隨機分布區(qū)域能夠被采樣點完全覆蓋；然后改變各隨機變量采樣值的排列順序，使相互獨立的隨機變量的采樣值的相關(guān)性趨于最小。本發(fā)明采用拉丁超立方抽樣法，根據(jù)風(fēng)電、光伏等各典型氣象條件下的預(yù)測出力與預(yù)測誤差分布，模擬生成風(fēng)電、光伏出力的運行場景。

(1)區(qū)間采樣

假設(shè)有N個服從一定概率分布的獨立隨機變量X₁，X₂，...，X_N，其中X_n為其中任意隨機變量，累計概率函數(shù)可表示為：

Y_n＝F_n(X_n) n＝1,2,...,N (1)

拉丁超立方抽樣的具體采樣方法為：取M為采樣規(guī)模，由于每個隨機變量的累計概率函數(shù)Y_n是連續(xù)單調(diào)遞增函數(shù)，將其對應(yīng)的取值空間[0,1]平均劃分為M個不重疊區(qū)間，即[0,1/M]，[1/M,2/M]，...，[(M-1)/M,1]，從每 個等距離區(qū)間中隨機選擇一個作為采樣值，每個采樣值可表示為：

其中采樣值U_m的取值范圍為：

同時每個區(qū)間只能隨機生成一個采樣值，不重復(fù)采樣。

得到M個區(qū)間Y_n隨機采樣值后，利用反函數(shù)即可計算得到X_n采樣值：

公式(4)中：X_nm為隨機變量X_n的第m個采樣值。

對隨機變量X_n采樣結(jié)束后，得到M個采樣值，排為采樣矩陣的第n行。當K個變量全部采樣完成后，采樣值構(gòu)成初始采樣矩陣X_s，階數(shù)為N×M。

(2)排序

在形成初始采樣矩陣X_s之后，需要結(jié)合相關(guān)性控制算法對其進行排序，通過改變各隨機變量采樣值的順序來降低它們之間的相關(guān)性。本發(fā)明采用Cholesky分解法對采樣矩陣重新排序，主要分為以下步驟：

1)形成順序矩陣L。L的階數(shù)與X_s相同，即N×M階，L中每一行由1～M個數(shù)隨機排列形成的，各元素代表著X_s中相應(yīng)行采樣值在新矩陣中的位置；

2)順序矩陣L的更新。假設(shè)對稱正定矩陣ρ_L為L的行相關(guān)系數(shù)矩陣，則通過Cholesky分解的得到矩陣D，D是一個非奇異下三角實數(shù)矩陣，滿足以下關(guān)系：

ρ_L＝DD^T (5)

然后構(gòu)造矩陣G：

G＝D^-1L (6)

G是一個N×M階矩陣，而其相關(guān)系數(shù)矩陣N×N階單位矩陣，這說明矩陣G中各行向量間不存在相關(guān)性。將矩陣L中各行元素按照G中對應(yīng)元素 從大到小排序，得到新的順序矩陣L；

3)得到新的X_s矩陣。將X_s中元素按L中的順序值進行替換，實現(xiàn)X_s矩陣相關(guān)性的降低。

為了便于計算，在生成主配網(wǎng)一體化仿真運行情景集時一般先排列后采樣，即先生成順序矩陣L，然后再進行采樣，形成X_s。例如，考慮風(fēng)電、光伏等出力時，X_s中行元素代表某種氣象條件下風(fēng)電、光伏出力的采樣值。

本發(fā)明對運行情景中發(fā)電機出力、負荷大小等其余屬性均采用拉丁超立方抽樣法模擬采樣，將所有采樣結(jié)果排列組合后形成多個運行情景，生成主配網(wǎng)一體化仿真的運行情景集。

主配網(wǎng)一體化仿真的故障集設(shè)計，由于實際電網(wǎng)中故障數(shù)量非常龐大，且并非所有故障都會造成嚴重的后果，若將所有故障都放于各運行情景集中進行主配網(wǎng)一體化快速仿真，則過會導(dǎo)致計算量過大。所以本發(fā)明考慮根據(jù)設(shè)備的實時運行情況、電網(wǎng)實際調(diào)度需求、故障對電網(wǎng)的影響等因素，給出各故障發(fā)生概率與嚴重性的綜合度量，以此來篩選故障，生成主配網(wǎng)一體化仿真的故障集。綜合度量的數(shù)學(xué)表達式為：

式中：X_f為當前系統(tǒng)運行狀態(tài)；E_i為第i個預(yù)想故障；P_r(E_i)為E_i發(fā)生的概率；S_ev(E_i)為E_i發(fā)生后系統(tǒng)損失的嚴重程度。

(1)故障概率模型

對于某條線路，根據(jù)泊松分布，第i條線路在時間區(qū)間t_s內(nèi)發(fā)生故障的概率為：

P_r(F_i)＝1-exp(-λ_it_s) (8)

式中：F_i為第i條線路發(fā)生故障；P_r(F_i)為第i條線路發(fā)生故障的概率；λ_i為第i條線路的故障率。

對于單重故障有

多重故障情況下的計算公式可類推。

(2)故障嚴重程度評價模型

線路故障停運對電力系統(tǒng)的影響主要表現(xiàn)為支路過載和節(jié)點電壓越限，支路過載可能引發(fā)連鎖故障，節(jié)點電壓越限可能導(dǎo)致電壓崩潰。為此，將系統(tǒng)故障損失分為支路過載和節(jié)點電壓越限2類。

考慮到故障嚴重程度函數(shù)應(yīng)能反映運行狀態(tài)量越限的成都和不同故障間的相對嚴重程度，本發(fā)明采用效用函數(shù)來度量故障后果。

系統(tǒng)發(fā)生故障后支路i的過載損失值ω_Li的定義式為：

式中：L_i為支路i的實際輸送功率與功率限額之比；L₀為設(shè)定的閾值，優(yōu)選地，本發(fā)明中取為0.9。若L_i小于L₀，調(diào)度人員認為該支路不存在過載風(fēng)險。

定義支路i的過載嚴重程度為：

式中：a、c均為正數(shù)。

由公式(11)可以看出，過載嚴重程度關(guān)于過載損失值的1階導(dǎo)數(shù)和2階導(dǎo)數(shù)均大于0，這表示隨著故障損失增加，運行人員的不滿意程度及其變化速率均增加，充分體現(xiàn)了運行人員對故障后果的心理承受能力，符合電力系統(tǒng)實際運行情況。

同理，系統(tǒng)發(fā)生故障后節(jié)點i的電壓越限損失值ω_Vi的定義式為：

公式中：U_i為節(jié)點i的電壓幅值；U_imax、U_imin分別為節(jié)點i的電壓幅值的上、下限。若U_i在允許范圍內(nèi)，運行人員認為該節(jié)點不存在電壓越限風(fēng)險。

定義節(jié)點i的電壓越限嚴重程度為：

本發(fā)明通過故障綜合度量指標來進行故障篩選與排序，從幾千個預(yù)想故障中篩選出嚴重故障并對其排序，組成主配網(wǎng)一體化仿真故障集。通過 故障篩選與排序，將排序結(jié)果中前M個故障生成主配網(wǎng)一體化仿真故障集。

考慮到氣象因素的影響，在大霧、暴雨、高溫、冰凍、臺風(fēng)特定的惡劣氣象條件下，部分地區(qū)的設(shè)備發(fā)生故障的概率會顯著提高，此時應(yīng)將其中發(fā)生概率較高的故障也加入到故障集中。

實施例2

本發(fā)明的步驟二：

知識庫由三部分內(nèi)容組成：電網(wǎng)故障前的運行狀態(tài)，電網(wǎng)故障后的運行狀態(tài)，故障最優(yōu)恢復(fù)控制策略。通過輸入運行情景集和故障集進行主配網(wǎng)一體化快速仿真，即進行主配網(wǎng)全局優(yōu)化得到故障最優(yōu)恢復(fù)控制策略，真實記錄電網(wǎng)發(fā)生的故障和故障前后運行狀態(tài)、控制策略，建立全局協(xié)調(diào)策略知識庫。

圖2為主配網(wǎng)中發(fā)生故障前結(jié)構(gòu)示意圖，如圖2所示，讀入某一運行情景后的主配網(wǎng)中發(fā)生配網(wǎng)故障前的結(jié)構(gòu)示意圖。圖3是故障時結(jié)構(gòu)示意圖，根據(jù)圖3可知，知識庫中存儲的故障前運行狀態(tài)包括主網(wǎng)中發(fā)電機1、2的出力、變壓器1的抽頭位置，電容器組1、2的投切組數(shù)，配網(wǎng)中聯(lián)絡(luò)開關(guān)1～3的開斷狀態(tài)，DG1～4的出力等電網(wǎng)運行狀態(tài)。讀入故障集中某一配網(wǎng)故障，如配網(wǎng)1中發(fā)生如圖3所示的線路開斷故障，此時記錄故障后的主配網(wǎng)運行狀態(tài)量并存儲于知識庫中，之后通過圖4所示的主配網(wǎng)一體化快速仿真得到故障最優(yōu)恢復(fù)控制策略。為該主配網(wǎng)故障后得到的故障最優(yōu)恢復(fù)控制策略，包括主網(wǎng)中發(fā)電機2增大出力，配網(wǎng)中聯(lián)絡(luò)開關(guān)3閉合、DG1、4增大出力等策略，將這些策略存儲于知識庫中，建立全局協(xié)調(diào)控制策略知識庫。圖5為主配網(wǎng)中發(fā)生主網(wǎng)故障時的結(jié)構(gòu)示意圖，若主配網(wǎng)中發(fā)生如圖5所示的主網(wǎng)中發(fā)電機2停運故障，則通過主配網(wǎng)一體化快速仿真可得到如圖6所示的故障最優(yōu)恢復(fù)控制策略，包括主網(wǎng)中發(fā)電機1增大出力，配網(wǎng)中DG1～4增大出力等。

主配網(wǎng)一體化全局協(xié)調(diào)控制知識庫的建立步驟為：

(1)主、配網(wǎng)智能體獲取當前時刻電網(wǎng)斷面信息，通過主配網(wǎng)一體 化狀態(tài)估計建立各自潮流初態(tài)。

(2)主配網(wǎng)智能體收集各自電網(wǎng)內(nèi)氣象信息數(shù)據(jù)，結(jié)合電網(wǎng)典型運行方式通過拉丁超立方采樣技術(shù)得到電網(wǎng)運行情景集，同時得到電網(wǎng)仿真故障集；

(3)針對故障集合中每個待仿真故障，采用主配網(wǎng)一體化故障恢復(fù)控制優(yōu)化問題的求解，得到主配網(wǎng)協(xié)調(diào)控制策略；

(4)將故障前電網(wǎng)狀態(tài)、故障后電網(wǎng)狀態(tài)和控制策略寫入本發(fā)明定義的全局協(xié)調(diào)控制策略知識庫，對原有庫進行更新。

實施例3

在本發(fā)明的步驟三中：

主配網(wǎng)一體化仿真情景決策規(guī)則庫是通過特征選擇技術(shù)對全局協(xié)調(diào)策略知識庫中電網(wǎng)運行狀態(tài)的關(guān)鍵特征屬性進行提取，然后將選擇出的特征屬性作為輸入屬性，自動生成決策樹，從決策樹中提取精細規(guī)則，建立主配網(wǎng)一體化仿真情景決策規(guī)則庫。

特征選擇是提取特征屬性的可行方法。電力系統(tǒng)具有有功無功解耦、分層分區(qū)調(diào)度等特點。鑒于此，本發(fā)明使用基于屬性分類的特征選擇方法(mutual information feature selection based on classification of attributes,MIFS-C)。該法首先將屬性進行分類，不同類的屬性之間的相關(guān)性很小。特征選擇可在各類中分別進行，從而將高維組合問題降為低維組合問題，降低計算量。MIFS-C特征選擇的過程如下：

(1)計算各屬性之間的相關(guān)度。公式(14)定義了屬性X與Y之間的相關(guān)度：

公式中：H(X)、H(Y)分別為屬性X與Y的熵；I(X；Y)為屬性X與Y之間互信息。

公式中：S_x，S_y為X，Y的可能取值集合。p(x)是X取x的概率，p(y)的含 義與p(x)類似；p(x,y)是X取x，Y取y的聯(lián)合概率。本發(fā)明在熵和互信息的計算中，對連續(xù)屬性進行了離散化處理。

由公式(14)可見，R(X；Y)的取值范圍為[0,1]，它反映了屬性X與Y之間的相關(guān)性，如果大，則R(X；Y)屬性X與Y強相關(guān)；反之則屬性X與Y弱相關(guān)。

(2)剔除冗余屬性

如果R(X；Y)≥α(本發(fā)明取α＝0.95)，則屬性X與Y強相關(guān)。進一步，若H(X)≤H(Y)，則剔除X；反之，剔除Y。設(shè)剔除冗余屬性后的屬性集為Ω。

(3)屬性分類

若Ω₁、Ω₂和Ω的任意2個互不相交的子集，定義它們之間的相關(guān)度為：

R(Ω₁；Ω₂)＝max{R(Z_i；Z_j),Z_i∈Ω₁,Z_j∈Ω₂} (16)

分類就是將Ω分為數(shù)個互不相交的子集，任意子集Ω_i和Ω_j間均滿足R(Ω_i；Ω_j)＜β(本發(fā)明取β＝0.04)，即屬于不同類的屬性之間的相關(guān)性都很小。本發(fā)明分類采用遞歸算法，其具體過程如下：①當前Ω中有n個元素，將每個元素單獨作為1個類，這樣，Ω被分為n個類；②利用式(16)確定任意2個類之間的相關(guān)度；③將相關(guān)度最大的2個類合并為1個類，n＝n-1；④利用式(16)確定n個類中任意2類的相關(guān)度；⑤如果n≠2，轉(zhuǎn)步驟③；⑥如果n＝2，說明Ω已經(jīng)被分為2類，這里記為Ω₁、Ω₂，若R(Ω₁；Ω₂)＜β，將Ω分為Ω₁、Ω₂，否則Ω標記為“不可分”；⑦遞歸過程：對每個子類，重復(fù)步驟①～⑥進行再分類，直到所有子類都“不可分”，完成分類。

(4)選擇特征屬性

設(shè)分類得到K個屬性分類，用Ω_i表示為第i類。m_i、和分別為Ω_i當前提供的特征屬性個數(shù)、特征屬性集合、提供的信息量；F為特征選擇結(jié)果屬性集；m為F中的特征屬性個數(shù)；C為目標屬性，定義：

式中：屬性η為常數(shù)，本發(fā)明取η＝0.3。

選擇M個特征屬性的過程如下：

(1)初始化：m＝0，對I(F_i⁰；C)＝0。對對m_i＝0，在Ω_i中以最大為目標選擇1個屬性組成

(2)m在原來基礎(chǔ)上增加1，即m←m+1，選擇m個特征屬性的步驟為：①對計算信息增益②若類Ω_i的信息增益最大，則更新特征屬性集合：③為下一步特征選擇做準備：對Ω_i，將m_i在原來基礎(chǔ)上增加1，即m_i←m_i+1，以最大為目標選m_i個屬性組成

(3)若m＜M，轉(zhuǎn)步驟(2)；否則輸出特征屬性集F。

規(guī)則庫中的規(guī)則生成使用了基于C4.5算法的決策樹方法，決策樹的根節(jié)點到葉節(jié)點的每條路徑都對應(yīng)一條IF-THEN條件規(guī)則。本發(fā)明以主配網(wǎng)一體化快速仿真結(jié)果為樣本空間，使用特征提取技術(shù)選擇出的電網(wǎng)故障后的運行狀態(tài)關(guān)鍵特征屬性和故障最優(yōu)恢復(fù)控制策略作為輸入屬性，作為目標屬性，基于C4.5算法生成決策樹。

C4.5決策樹算法以信息論為基礎(chǔ)，以信息熵和信息增益率為屬性作為判斷和選擇的標準，使用貪心算法自頂向下搜索的方式生成決策樹。其具體方法為：檢測所有的屬性，選擇信息增益率最大的屬性產(chǎn)生決策樹節(jié)點，由該屬性的不同取值建立分支，再對各分支的子集遞歸調(diào)用該方法建立決策樹節(jié)點的分支，直到所有子集僅包含同一類別的數(shù)據(jù)為止。

設(shè)S是s個樣本的集合。假定分類屬性具有m個不同值，定義m個不同值為C_i(i＝1,...,m)。設(shè)s_i為類C_i中的樣本數(shù)。則對一個給定的樣本分類所需的期望信息為：

公式中：p_i＝s_i/s為樣本屬于C_i的概率。由于信息用二進制編碼，則對數(shù)函數(shù)以2為底。

設(shè)屬性A具有v個不同值{a₁,a₂,...,a_v}，則用屬性A將S劃分為v個子集{S₁,S₂,...,S_v}，其中S_j中的樣本在屬性A上具有相同的值a_j(j＝1,2,...,v)。設(shè)s_ij是子集S_j中類C_i的樣本數(shù)。對給定的子集S_j，由A劃分子集的熵或信息期望為：

公式中：p_ij＝s_ij/s_j是S_j中樣本屬于C_i的概率。

則在屬性A上分枝可獲得的信息增益為：

Gain(A)＝I(s₁,s₂,...,s_m)-E(A) (20)

樣本點的集合的信息熵為：

則信息增益率為：

基于C4.5算法的決策樹生成方法過程如下：

(1)決策樹已代表整個樣本集全部記錄的單個節(jié)點作為根節(jié)點；

(2)如果樣本記錄都屬于同一類，則該節(jié)點為葉節(jié)點，并用該節(jié)點中樣本所屬的類進行標記；

(3)否則，算法使用信息增益率的度量指標作為啟發(fā)信息，從樣本屬性候選集合中選擇能將樣本最優(yōu)分類的屬性，該屬性稱為該節(jié)點的“測試”或“判定”屬性，在對于本發(fā)明的電網(wǎng)運行狀態(tài)屬性有許多連續(xù)值，需先將其離散化；

(4)對選定測試屬性的每個已知值，創(chuàng)建一個分枝，并據(jù)此將樣本數(shù)據(jù)劃分到各個分枝中；

(5)算法遞歸同樣適用上述過程，形成每個劃分的子樣本決策樹，一旦一個屬性被選作為一個節(jié)點的測試屬性，就不必再考慮在該節(jié)點的任何后代上作測試屬性的可能性；

(6)遞歸劃分步驟僅當下列條件之一成立時停止：

1)給定節(jié)點上的所有樣本數(shù)據(jù)屬于同一類，即所有記錄類標號屬性的取值相同；

2)沒有剩余候選屬性可以用來進一步劃分樣本，在此情況下，使用 多數(shù)表決法，這需要強制的將待分列的節(jié)點轉(zhuǎn)換成葉節(jié)點，并用該節(jié)點樣本數(shù)據(jù)中的多數(shù)記錄所屬的類標記它；

3)分列后，某分枝中沒有樣本記錄，在這種情況下，以樣本數(shù)據(jù)中的多數(shù)類創(chuàng)建一個葉節(jié)點。

實施例4

在本發(fā)明的步驟四中：

主配網(wǎng)的運行態(tài)勢感知是指在主配網(wǎng)運行范圍內(nèi)，認知、理解電網(wǎng)實時運行中各個設(shè)備的運行狀態(tài)和運行參數(shù)，將所有信息識別并轉(zhuǎn)化為主配網(wǎng)的實時運行狀態(tài)量，并甄別和剔除出其中錯誤、無效的信息。本發(fā)明中的故障主要是來自于電網(wǎng)外部環(huán)境因素和內(nèi)部的設(shè)備運行特性變化時對電網(wǎng)的擾動。因此，態(tài)勢感知技術(shù)主要是感知到這種擾動，對其進行一系列分析，得到這種擾動后電網(wǎng)運行狀態(tài)和運行參數(shù)。感知的故障主要內(nèi)容具體可以來自于不同數(shù)據(jù)源的數(shù)據(jù)，在本發(fā)明中主要來自于外部數(shù)據(jù)和內(nèi)部數(shù)據(jù)，外部數(shù)據(jù)主要是指當?shù)貧庀蟛块T所提供的高精度氣象災(zāi)害數(shù)據(jù)；內(nèi)部數(shù)據(jù)又可分為動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)兩部分，動態(tài)數(shù)據(jù)主要是指從EMS/DMS和SCADA提取的電網(wǎng)實時運行狀態(tài)量數(shù)據(jù)，靜態(tài)數(shù)據(jù)主要是指電網(wǎng)電氣元器件的屬性參數(shù)及電網(wǎng)GIS的地理數(shù)據(jù)，從GIS獲得的地理數(shù)據(jù)主要有當?shù)嘏潆娋W(wǎng)的地理沿布圖，線路單線圖以及元器件的SVG圖等。因此，通過主配網(wǎng)的運行態(tài)勢感知技術(shù)能夠?qū)崟r獲得以上這些龐大的數(shù)據(jù)源，為主配網(wǎng)一體化事故響應(yīng)決策系統(tǒng)的下一步分析建立基礎(chǔ)。

總之，通過主配網(wǎng)一體化運行的態(tài)勢感知技術(shù)，可以從電網(wǎng)實時數(shù)據(jù)中獲得主配網(wǎng)一體化仿真所需要的主配網(wǎng)運行狀態(tài)的信息，以及當前發(fā)生的故障信息。并且根據(jù)這些原始信息，通過計算得到自主決策匹配用的特征量信息。

1.主配網(wǎng)故障自主決策匹配與響應(yīng)

主配網(wǎng)的實時運行狀態(tài)信息在實際運行中是不斷變化的，檢測到系統(tǒng)發(fā)生故障后需要快速通過自主決策匹配盡快從情景決策規(guī)則庫中匹配出符合當前主配網(wǎng)運行狀態(tài)的規(guī)則來執(zhí)行。然而由于電網(wǎng)運行情況復(fù)雜，主 配網(wǎng)一體化情景決策規(guī)則庫中的規(guī)則數(shù)目過于龐大，如果每次都對整個規(guī)則庫進行匹配，其效率將十分低下，采用一定的方法提高自主決策匹配的效率勢在必行，因此本發(fā)明中使用Rete算法加快規(guī)則庫的決策匹配過程。

(1)Rete算法的原理

Rete算法是目前效率最高的一個前向鏈形匹配算法，其核心思想是將分離的匹配項根據(jù)內(nèi)容動態(tài)構(gòu)造匹配樹，以達到顯著降低計算量的效果。在匹配規(guī)則的過程中，規(guī)則的前提中可能會有很多相同的判斷條件，因此在匹配規(guī)則前提時，將進行大量的重復(fù)運算，這樣就帶來時間冗余性問題。例如：

RULE1:IF(A>B)and C or D THEN E＝100

RULE2:IF(A>B)and (B<C) THEN E＝200

RULE3:IF(A>B)or (B<C) THEN E＝300

若要匹配這3條規(guī)則時，對于表達式A＞B要進行三次計算，對B＜C需要兩次計算。Rete采用的方法為：令M＝A＞B，N＝B＜C，則上述三條規(guī)則可改寫為：

RULE1:IF M and C or D THEN E＝100

RULE2:IF M and N THEN E＝200

RULE3:IF M or N THEN E＝300

這樣只有當A或B發(fā)生變化時，才重新計算M；同樣當B或C發(fā)生變化時，才重新計算N。這樣的處理方法避免了在每次進行規(guī)則匹配時都重復(fù)計算相同的表達式，而只要檢測相關(guān)狀態(tài)變量是否變化來決定是否需要更新表達式，這樣在匹配過程中節(jié)省了大量時間和開銷，從而提高了匹配效率?？梢钥闯?，Rete算法需要存儲額外的匹配信息，是一個用空間換取時間的算法。

主配網(wǎng)在實際運行時，大部分狀態(tài)變量的變化是連續(xù)而緩慢的，在較短的時間段內(nèi)不會出現(xiàn)太大的波動，即使主網(wǎng)或配網(wǎng)中某處發(fā)生故障，離其較遠的部分電網(wǎng)大多數(shù)情況下并不會受到太大的影響，如果每次循環(huán)都 匹配所有的狀態(tài)變量，效率將會非常低下，采用Rete算法，在匹配規(guī)則時變化較小的狀態(tài)變量不再重復(fù)匹配，只針對變化大的狀態(tài)變量進行比較，可以極大地提高效率。

(2)Rete圖的網(wǎng)絡(luò)結(jié)構(gòu)和建立

Rete算法的實現(xiàn)流程可通過Rete圖來說明。Rete圖包含類型節(jié)點(Type Node)、Alpha節(jié)點(Alpha Node)和Beta節(jié)點(Beta Node)，在主配網(wǎng)故障自主決策匹配與響應(yīng)的實現(xiàn)過程中，類型節(jié)點即可設(shè)置為匹配時所比較的主配網(wǎng)的狀態(tài)變量，Alpha節(jié)點即為每條規(guī)則中每個狀態(tài)變量具體滿足的條件，Beta節(jié)點則由Alpha節(jié)點依次組合的結(jié)果。

將情景決策規(guī)則庫中所有規(guī)則按照7所示Rete圖的結(jié)構(gòu)構(gòu)建即可形成成Rete匹配網(wǎng)絡(luò)。其具體的構(gòu)建過程如下：

1)創(chuàng)建根節(jié)點，形成匹配網(wǎng)絡(luò)的入口；

2)從情景決策規(guī)則庫中提取新的規(guī)則，從規(guī)則的條件中提取出各個狀態(tài)變量滿足的條件：

a)檢查該規(guī)則的條件中是否出現(xiàn)了新的狀態(tài)變量，如果是新的狀態(tài)變量，添加一個類型節(jié)點；

b)檢查該規(guī)則中的各個狀態(tài)變量滿足的條件是否已經(jīng)存在于Alpha節(jié)點中，如果存在則記錄下該Alpha節(jié)點的位置，如果沒有，則將該狀態(tài)變量滿足的條件作為一個新的Alpha節(jié)點加入到網(wǎng)絡(luò)中；

c)重復(fù)b)，直至將該規(guī)則中所有的狀態(tài)變量滿足的條件都處理完畢；

d)組合Beta節(jié)點：第一個Beta節(jié)點由兩個Alpha節(jié)點組合而成，其后的每個Beta節(jié)點由上一層的Beta節(jié)點和新的Alpha節(jié)點相組合；

e)重復(fù)d)，直至生成所有Beta節(jié)點；

f)將該規(guī)則對應(yīng)的執(zhí)行動作封裝成最后節(jié)點；

3)重復(fù)2)，直至規(guī)則庫中的所有規(guī)則都處理完畢。

(3)基于Rete算法的主配網(wǎng)故障自主決策匹配與響應(yīng)

基于Rete算法進行主配網(wǎng)故障自主決策匹配與響應(yīng)時，除了首次匹配時需要對主配網(wǎng)中的每個狀態(tài)變量都進行匹配以外，之后每隔一個周期進行匹配時，只需判別當前主配網(wǎng)狀態(tài)變量相較于上個周期變化大的部分，根據(jù)變化較大的狀態(tài)變量對應(yīng)的Alpha節(jié)點從Beta網(wǎng)絡(luò)中直接繼續(xù)后續(xù)的匹配工作，省去了對變化小的那部分狀態(tài)變量重復(fù)匹配的過程。其具體匹配過程如下：

(1)首次匹配時，比較主配網(wǎng)中所有狀態(tài)變量的信息，尋找相應(yīng)的規(guī)則；

(2)每隔一定的周期，檢測系統(tǒng)中的狀態(tài)變量相較于上個周期的變化量，甄別出其中變化超過決策樹對應(yīng)條件所在離散區(qū)間的狀態(tài)變量；

(3)根據(jù)變化的狀態(tài)變量所對應(yīng)的Alpha節(jié)點，搜索其中對應(yīng)層數(shù)最少的Beta節(jié)點，從該Beta節(jié)點開始尋找滿足條件的規(guī)則并記錄下本次匹配的Rete圖；

(4)執(zhí)行規(guī)則對應(yīng)的動作，做出響應(yīng)動作。

以上所述實施例僅表達了本發(fā)明的實施方式，其描述較為具體和詳細，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。