一种基于深度均衡网络的极端天气下配电网动态安全极限值估计与韧性调度方法及系统

本发明属于电网领域，涉及配电网韧性调度、电力系统人工智能估计和鲁棒优化运行技术，具体涉及一种基于深度均衡网络的极端天气下配电网动态安全极限值估计与韧性调度方法及系统，适用于覆冰、强风、低温、冻雨等极端天气条件下配电网动态安全边界估计和自适应韧性运行。

背景技术：

1、随着分布式光伏、风电、储能系统和柔性负荷在配电网中的接入比例不断提高，配电网运行状态呈现出更强的随机性和动态性。极端天气条件下，覆冰、低温、强风和冻雨会改变线路承载能力、设备安全裕度和负荷需求特性，使得传统基于固定安全极限值的调度模型难以准确反映线路潮流极限和母线电压边界的实时变化。

2、现有配电网韧性优化调度方法通常将线路潮流约束和母线电压约束的安全极限值视为给定常数，或者基于显式时序估计模型对安全极限值进行估计。这类方法存在两方面不足：一是极端天气样本发生频率低，严重覆冰、高风速、高负荷等高风险运行工况样本稀缺，显式估计模型容易学习常规天气下的运行规律，难以准确刻画安全极限值在极端时段的突变；二是安全极限值估计与调度优化通常相互割裂，估计误差对调度成本、负荷损失和安全可行性的影响难以反馈至估计模型训练过程。

3、深度均衡网络能够将动态系统的长期演化过程表示为隐式不动点关系，无需对深层时序网络进行显式展开，适合刻画气象扰动、负荷状态、调度反馈和电气设备安全极限值之间的耦合均衡关系。然而，若直接将深度均衡网络用于极端天气安全极限值估计，仍会受到极端样本覆盖不足、均衡收敛不稳定和调度目标未参与训练等问题的影响。因此，需要一种能够同时考虑极端天气样本增强、动态安全极限值估计、鲁棒韧性调度和调度反馈闭环更新的方法。

技术实现思路

1、发明目的：为了解决极端天气小样本场景下动态安全边界估计不稳定、固定安全极限值调度保守或失真、估计模型与调度模型割裂的问题，本发明提出一种基于深度均衡网络的极端天气下配电网动态安全极限值估计与韧性调度方法及系统，通过均衡感知样本增强、深度均衡网络安全极限值估计、两阶段鲁棒韧性调度和调度反馈闭环更新的协同设计，能够缓解极端天气小样本条件下安全边界估计不稳定的问题，提高动态安全极限值估计精度和鲁棒调度可行性，降低极端天气下配电网负荷损失和运行成本，提升配电网韧性运行能力。

2、技术方案：为了实现上述发明目的，本发明提供的一种基于深度均衡网络的极端天气下配电网动态安全极限值估计与韧性调度方法，包括以下步骤：

3、步骤1：根据配电网运行数据、资源设备数据和气象数据的历史数据，构造均衡感知条件向量，基于wasserstein生成对抗网络对安全极限值样本进行数据增强，得到扩增样本集；

4、步骤2：将步骤1得到的扩增样本集输入深度均衡网络，建立动态安全极限值与气象条件、负荷状态、调度决策之间的隐式均衡关系，根据平衡隐状态输出母线电压动态安全上下限和线路潮流动态安全上限；

5、步骤3：将步骤2得到的动态安全极限值嵌入配电网两阶段鲁棒韧性调度模型，两阶段鲁棒韧性调度模型第一阶段确定初始调度方案，第二阶段在给定天气与负荷不确定扰动后进行校正调度，基于列约束生成算法得到满足母线电压动态安全上下限和线路潮流动态安全上限的极端天气下配电网韧性调度方案；

6、步骤4：引入决策聚焦学习策略评估步骤3得到的韧性调度方案并更新动态安全极限值，形成动态安全极限值估计与韧性调度协同优化的闭环。

7、进一步地，所述步骤1中配电网运行数据包括各母线电压、有功潮流、无功潮流、线路负载率和负荷需求；资源设备数据包括分布式光伏、分布式风电、储能系统和主网购电接口的容量、功率上下限、爬坡速率、储能荷电状态和充放电效率；气象数据包括环境温度、相对湿度、风速、冻雨速率和覆冰厚度。

8、进一步地，所述步骤1中，确定的相关决策变量包括：

9、对于每一个调度时段t和节点k，分布式发电单元的有功出力；

10、对于每一个调度时段t，配电网向上级主网购电功率；

11、对于每一个调度时段t，储能充电功率、储能放电功率；

12、对于每一个调度时段t和负荷节点k，负荷损失量；

13、对于每一个不确定场景，第二阶段校正调度变量。

14、进一步地，所述步骤1中均衡感知条件向量表示为，其中为t时段气象变量，为t时段负荷变量，为t时段调度决策；将真实平衡安全极限值样本与条件向量作为判别器输入，将条件向量和随机噪声作为生成器输入，得到生成平衡安全极限值样本，通过最小化真实平衡分布与生成平衡分布之间的wasserstein距离完成样本增强。

15、进一步地，所述步骤1中生成平衡安全极限值样本用于补充严重覆冰、低温、高风速和高负荷工况下的样本空间边界区域，以扩展深度均衡网络的不动点收敛训练样本覆盖范围。

16、进一步地，所述步骤2中深度均衡网络的输入特征，平衡隐状态满足，其中为参数为θ的非线性平衡映射；将均衡残差作为非线性方程，通过broyden迭代求解，得到平衡隐状态；再通过输出映射得到动态安全极限值。

17、进一步地，所述非线性平衡映射由门控隐式平衡算子实现，具体表达如下：

18、（1）

19、（2）

20、（3）

21、（4）

22、（5）

23、式中，为更新门；为重置门；为sigmoid激活函数；、和为隐状态权重矩阵；为当前隐状态；为候选平衡状态；、和为输入权重矩阵；、和为调整更新门输出的偏置项；表示hadamard乘积。

24、进一步地，所述步骤3中两阶段鲁棒韧性调度模型的目标函数如下：

25、（6）

26、（7）

27、（8）

28、（9）

29、（10）

30、（11）

31、（12）

32、式中，；表示第一阶段初始调度成本；表示最不利不确定场景下的第二阶段校正成本；表示不确定场景下的校正决策；为deq模型估计得到的动态安全极限值，包括动态电压安全上下限和动态线路潮流上限；为鲁棒风险权重；为天气与负荷估计误差构成的不确定集；为总运行成本；表示分布式发电成本；表示主网购电成本；表示储能运行成本；表示负荷损失成本；、表示单位分布式发电成本、时变电价、；、表示分布式发电有功功率、主网购电功率、；表示冰灾经历时间，t表示冰灾时期；表示配电网中的母线；表示分布式发电的类型，其中1表示分布式光伏发电，2表示分布式风力发电；表示储能退化成本系数；表示负荷损失惩罚系数；和分别表示当前充电功率和放电功率；表示损失负荷量。

33、进一步地，所述步骤3中两阶段鲁棒韧性调度模型的约束条件包括：

34、分布式发电出力上下限约束、爬坡约束和启停约束；

35、储能荷电状态递推约束、荷电状态上下限约束、充电功率约束和放电功率约束；

36、主网购电功率上限约束；

37、有功功率平衡约束和无功功率平衡约束；

38、由步骤2得到的动态安全极限值确定的母线电压动态约束和线路潮流动态约束；

39、负荷损失非负约束和系统安全运行约束。

40、进一步地，天气与负荷不确定扰动通过预算型不确定集描述，预算型不确定集限定各类气象变量估计误差和节点负荷估计误差的上下界，并通过不确定预算参数控制全部估计误差的总偏离程度，从而调节鲁棒调度方案的保守性。

41、进一步地，所述步骤4中深度均衡网络训练目标包括估计损失、均衡一致性损失和决策损失，如下：

42、（13）

43、（14）

44、（15）

45、（16）

46、式中，为总目标损失函数；为估计损失；为均衡网络损失；为决策损失；表示基于估计动态安全极限值得到的调度方案；表示真实动态安全极限值。

47、估计损失用于度量动态安全极限值估计值与真实安全极限值之间的偏差，均衡一致性损失用于度量平衡隐状态与非线性平衡映射输出之间的残差，决策损失用于度量基于估计安全极限值得到的鲁棒调度方案的运行成本和负荷损失水平。

48、进一步地，所述步骤3中两阶段鲁棒韧性调度模型采用列约束生成算法求解，初始化有限不确定场景集合后交替求解主问题和最坏场景子问题；当最坏场景子问题产生新的违反鲁棒约束的场景或更高校正成本场景时，将该场景加入场景集合并重新求解主问题，直至上下界差值小于预设收敛阈值。

49、本发明还提供一种基于深度均衡网络的极端天气下配电网动态安全极限值估计与韧性调度系统，包括：

50、配电网数据分析与样本增强模块，用于根据配电网运行数据、资源设备数据和气象数据的历史数据，构造均衡感知条件向量，基于wasserstein生成对抗网络对极端天气下稀缺的平衡安全极限值样本进行增强，得到扩展样本集；

51、动态安全极限值估计模块，用于将配电网数据分析与样本增强模块得到的扩展样本集输入深度均衡网络，建立动态安全极限值与气象条件、负荷状态、调度决策之间的隐式均衡关系，通过broyden不动点迭代求解平衡隐状态，并根据所述平衡隐状态输出母线电压动态安全上下限和线路潮流动态安全上限；

52、鲁棒韧性调度决策模块，用于将动态安全极限值估计模块得到的动态安全极限值嵌入两阶段鲁棒韧性调度模型，第一阶段确定初始调度方案，第二阶段在给定天气与负荷不确定扰动后进行校正调度，求解得到满足动态电压约束、动态线路潮流约束和设备运行约束的韧性调度方案；

53、闭环反馈更新模块，用于将鲁棒韧性调度决策模块得到的韧性调度方案反馈至配电网运行状态更新和深度均衡网络训练过程，对后续时段的输入特征、平衡隐状态和动态安全极限值进行滚动更新，形成动态安全极限值估计与韧性调度协同演化的闭环。

54、有益效果：与现有技术相比，本发明具有以下技术效果：

55、1、本发明将极端天气下电力安全极限值的演化建模为由气象扰动、负荷状态和调度反馈共同决定的隐式均衡过程，相比固定安全极限值或显式序列估计方法，能够更准确地刻画母线电压边界和线路潮流边界的时变特征。

56、2、本发明利用wasserstein生成对抗网络扩展严重覆冰、低温、高风速和高负荷等高风险运行工况的样本覆盖范围，缓解极端天气样本稀缺导致的深度均衡网络不动点收敛不稳定问题，提高动态安全极限值估计的泛化能力。

57、3、本发明将估计得到的动态安全极限值嵌入两阶段鲁棒韧性调度模型，并通过调度反馈和决策损失驱动模型更新，使安全极限值估计不再仅服务于估计精度，而是直接服务于降低运行成本、减少负荷损失和提升鲁棒可行性。