面向极端灾害的电网弹性增强与自适应重构方法及系统与流程

本发明属于电力系统灾害应急，具体涉及一种面向极端灾害的电网弹性增强与自适应重构方法及系统。

背景技术：

1、现有技术中电力系统在应对极端灾害时，移动应急电源调度与电网重构分别独立运行，移动储能设备调度主要依据设备容量状态进行功率分配，电网重构主要按照预设方案进行拓扑调整。在极端灾害导致电网大范围故障的运行场景下，移动应急电源部署与电网弹性重构无法实现有效协同。具体表现为当极端灾害导致主要输电线路中断需要紧急恢复关键负荷供电时，移动储能设备虽然具有快速部署能力但独立调度未与电网拓扑状态形成配合，移动应急电源的功率分配和电网负荷转移各自独立执行，无法根据灾害发展态势动态调整资源配置，造成应急电源利用效率低下和关键负荷保障不充分，电网重构虽然能够调整连接关系但无法根据移动电源实际位置优化重构方案，导致生命线负荷供电恢复时间过长且供电可靠性不足。此外，传统基于规则的应急调度系统无法有效处理移动电源与电网拓扑之间的复杂非线性关系，导致调度结果偏离实际供电需求。因此，亟需一种通过整合移动储能设备、应急发电车等移动应急电源与生命线负荷的协同调度来实现电网快速恢复和持续供电的技术，以解决电力系统面对极端灾害场景存在响应速度慢、资源配置不合理、供电可靠性差等问题，特别是在处理生命线负荷的优先级和移动电源的时空协同调度方面缺乏有效保障。

技术实现思路

1、本发明的目的是针对现有技术存在的上述问题，提供一种能够实现极端灾害下电网的快速弹性恢复和高效可靠应急供电的面向极端灾害的电网弹性增强与自适应重构方法及系统。

2、为实现以上目的，本发明的技术方案如下：

3、第一方面，本发明提供了一种面向极端灾害的电网弹性增强与自适应重构方法，所述方法包括：

4、采集并构建极端灾害下的移动应急电源协同时序数据集；

5、对移动应急电源协同时序数据集进行时空解耦分析和不确定性建模，构建自适应推断模型，通过自适应推断模型对负荷供电风险进行评估，输出移动电源故障概率分布和生命线负荷供电风险评估向量；

6、基于生命线负荷供电风险评估向量计算电网关键节点弹性指标，基于电网关键节点弹性指标构建电网弹性评估矩阵，根据电网弹性评估矩阵识别电网弹性薄弱环节，对于电网弹性薄弱环节建立弹性增强目标函数，采用多目标优化算法求解弹性增强目标函数，生成资源配置增强策略及拓扑结构优化策略，以形成电网弹性增强指导向量；

7、基于移动应急电源协同时序数据集构建移动应急电源时空关联图，结合电网弹性增强指导向量，采用分层强化学习算法进行协同控制策略构建，输出分级协同供电控制策略向量；

8、根据电网弹性增强指导向量和分级协同供电控制策略向量生成移动应急电源综合调度策略，基于移动应急电源综合调度策略通过通信网络向移动储能设备和应急发电车发送控制指令，对电网进行自适应重构。

9、所述对移动应急电源协同时序数据集进行时空解耦分析和不确定性建模，构建自适应推断模型，通过自适应推断模型对负荷供电风险进行评估，包括：

10、将移动式储能设备状态数据按时间维度和空间维度分别建立时序状态矩阵和空间位置矩阵；

11、采用变分推断算法对所述时序状态矩阵和空间位置矩阵进行解耦分析，构建时间演变隐变量和空间变化隐变量，并通过变分下界优化得到时空解耦状态矩阵；

12、基于所述时空解耦状态矩阵建立状态转移概率模型，引入位置切换不确定性扰动因子，采用动态贝叶斯网络对状态转移不确定性进行建模，计算状态预测误差协方差矩阵，根据所述状态预测误差协方差矩阵生成参数漂移补偿向量；

13、根据生命线负荷功率需求变化数据计算各生命线负荷的重要度系数，构建生命线负荷优先级权重矩阵，将所述参数漂移补偿向量与所述生命线负荷优先级权重矩阵通过加权平均算法进行融合，得到融合特征向量；

14、基于所述融合特征向量建立自适应贝叶斯推断模型，采用序贯蒙特卡洛方法对模型参数进行在线更新，输出移动电源故障概率分布和生命线负荷供电风险评估向量。

15、所述采用变分推断算法对所述时序状态矩阵和空间位置矩阵进行解耦分析，构建时间演变隐变量和空间变化隐变量，并通过变分下界优化得到时空解耦状态矩阵，包括：

16、对所述时序状态矩阵建立时间维度的高斯分布后验近似，得到时间演变隐变量的均值向量和协方差矩阵；

17、对所述空间位置矩阵建立空间维度的混合高斯分布后验近似，得到空间变化隐变量的位置聚类中心和散布矩阵；

18、构建时空联合变分目标函数，通过坐标上升算法交替优化时间演变隐变量和空间变化隐变量，当变分下界收敛时输出时空解耦状态矩阵。

19、所述基于所述时空解耦状态矩阵建立状态转移概率模型，引入位置切换不确定性扰动因子，采用动态贝叶斯网络对状态转移不确定性进行建模，计算状态预测误差协方差矩阵，根据所述状态预测误差协方差矩阵生成参数漂移补偿向量，包括：

20、将所述时空解耦状态矩阵按时间序列进行状态转移建模，构建马尔可夫状态转移链；

21、在所述马尔可夫状态转移链中引入位置切换不确定性扰动因子，建立扰动状态转移矩阵；

22、采用动态贝叶斯网络对所述扰动状态转移矩阵进行概率建模，通过前向-后向算法计算状态预测值与真实状态值的偏差；

23、根据状态预测值与真实状态值的偏差计算状态预测误差协方差矩阵，对所述状态预测误差协方差矩阵进行奇异值分解，提取主要误差分量构成参数漂移补偿向量。

24、所述根据生命线负荷功率需求变化数据计算各生命线负荷的重要度系数，构建生命线负荷优先级权重矩阵，将所述参数漂移补偿向量与所述生命线负荷优先级权重矩阵通过加权平均算法进行融合，得到融合特征向量，包括：

25、基于所述生命线负荷功率需求变化数据计算各生命线负荷的负荷波动方差和供电中断损失权重，根据所述负荷波动方差和供电中断损失权重计算重要度系数，构建生命线负荷优先级权重矩阵；

26、将所述参数漂移补偿向量的各维度分量与所述生命线负荷优先级权重矩阵的对应权重值进行逐元素相乘，通过加权平均算法得到融合特征向量；

27、所述基于所述融合特征向量建立自适应贝叶斯推断模型，采用序贯蒙特卡洛方法对模型参数进行在线更新，输出移动电源故障概率分布和生命线负荷供电风险评估向量，包括：

28、以所述融合特征向量为观测数据，建立贝叶斯线性回归模型作为自适应贝叶斯推断模型的基础框架；

29、采用序贯蒙特卡洛方法中的粒子滤波算法对所述自适应贝叶斯推断模型的参数进行实时更新，通过重采样和权重更新得到移动电源故障概率分布，基于所述移动电源故障概率分布和所述生命线负荷优先级权重矩阵计算生命线负荷供电风险评估向量。

30、所述基于移动应急电源协同时序数据集构建移动应急电源时空关联图，结合电网弹性增强指导向量，采用分层强化学习算法进行协同控制策略构建，输出分级协同供电控制策略向量，包括：

31、基于移动式储能设备状态数据构建移动储能设备节点、应急发电车节点和生命线负荷节点，建立节点间的时空关联边，构建移动储能-应急发电车-生命线负荷时空异质图，将时空异质图与生命线负荷功率需求变化数据按时间戳进行对齐配准，得到移动应急电源协同图结构数据；

32、将所述电网弹性增强指导向量作为奖励函数构建层次化ddpg算法框架，对所述移动应急电源协同图结构数据进行分级控制策略构建，得到层次化策略网络，对所述层次化策略网络的动作输出进行连续动作空间映射，将离散控制决策转换为连续功率调节指令，得到功率控制矩阵；

33、基于所述功率控制矩阵建立多智能体协同控制框架，将移动储能设备和应急发电车作为独立智能体，采用分布式一致性算法对各智能体的功率输出进行协同优化，输出分级协同供电控制策略向量。

34、所述构建移动储能-应急发电车-生命线负荷时空异质图，包括：

35、基于所述移动式储能设备状态数据提取移动储能设备的位置坐标、容量参数和充放电状态，建立移动储能设备节点集合；

36、基于应急发电车的位置信息、发电容量和燃料状态建立应急发电车节点集合；

37、基于生命线负荷的地理位置、负荷类型和优先级建立生命线负荷节点集合；

38、根据移动储能设备、应急发电车与生命线负荷之间的地理距离和供电能力建立空间关联边，根据各节点的状态变化时序建立时间关联边，得到移动储能-应急发电车-生命线负荷时空异质图。

39、所述将所述电网弹性增强指导向量作为奖励函数构建层次化ddpg算法框架，对所述移动应急电源协同图结构数据进行分级控制策略构建，得到层次化策略网络，包括：

40、将所述电网弹性增强指导向量的各维度分量设置为上层策略的奖励信号，构建上层行动决策网络和上层价值评估网络；

41、基于所述移动应急电源协同图结构数据建立状态空间表示，将图节点特征和边特征作为状态输入；

42、通过上层行动决策网络输出宏观调度策略，所述宏观调度策略包括区域间功率分配和优先级排序；

43、建立下层行动决策网络和下层价值评估网络，将上层策略作为下层网络的目标指导，输出设备控制动作；

44、通过经验回放和目标网络软更新训练所述上层行动决策网络、上层价值评估网络、下层行动决策网络和下层价值评估网络，得到层次化策略网络。

45、所述采用分布式一致性算法对各智能体的功率输出进行协同优化，包括：

46、基于所述功率控制矩阵将每个移动储能设备和应急发电车定义为独立智能体，建立智能体状态向量，所述智能体状态向量包括位置、容量、当前输出功率和邻居信息；

47、为每个独立智能体建立局部目标函数，所述局部目标函数包括自身功率输出优化项和邻居智能体协调约束项；

48、采用分布式一致性算法建立智能体间的信息交互机制，每个智能体通过与邻居智能体交换状态信息更新自身控制策略；

49、通过迭代更新使各智能体的功率输出在满足局部约束的同时达到全局一致性目标；

50、将各智能体的最优功率输出组合，形成分级协同供电控制策略向量。

51、第二方面，本发明提供了一种面向极端灾害的电网弹性增强与自适应重构系统，用于执行前述的面向极端灾害的电网弹性增强与自适应重构方法，所述系统包括：

52、数据采集与构建模块，用于采集并构建极端灾害下的移动应急电源协同时序数据集；

53、风险评估与推断模块，用于对移动应急电源协同时序数据集进行时空解耦分析和不确定性建模，构建自适应推断模型对负荷供电风险进行评估，输出移动电源故障概率分布和生命线负荷供电风险评估向量；

54、弹性分析与策略生成模块，用于基于生命线负荷供电风险评估向量计算电网关键节点弹性指标，构建电网弹性评估矩阵，根据电网弹性评估矩阵识别电网弹性薄弱环节并建立弹性增强目标函数，采用多目标优化算法求解弹性增强目标函数，生成资源配置增强策略和拓扑结构优化策略，得到电网弹性增强指导向量；

55、协同控制与优化模块，用于基于移动应急电源协同时序数据集构建移动应急电源时空关联图，结合电网弹性增强指导向量，采用分层强化学习算法进行协同控制策略构建，输出分级协同供电控制策略向量；

56、综合调度与重构模块，用于根据电网弹性增强指导向量和分级协同供电控制策略向量生成移动应急电源综合调度策略，基于移动应急电源综合调度策略通过通信网络向移动储能设备和应急发电车发送控制指令，对电网进行自适应重构。

57、与现有技术相比，本发明的有益效果为：

58、1、本发明所述方法通过构建移动应急电源协同时序数据集并采用时空解耦变分推断建立自适应贝叶斯推断模型，实现了对生命线负荷供电风险的精准评估；通过构建电网弹性评估矩阵识别弹性薄弱环节并采用多目标优化算法生成资源配置增强策略和拓扑结构优化策略；通过构建移动储能-应急发电车-生命线负荷时空异质图并采用层次化ddpg算法进行分级控制策略构建，实现了移动储能与应急发电车的协同优化；最终将电网弹性增强指导向量与分级协同供电控制策略向量融合生成综合调度策略，通过通信网络实现移动应急电源与电网重构的协同配合，实现了极端灾害下电网的快速弹性恢复和高效可靠应急供电。

59、2、本发明所述方法通过采用变分推断算法对移动式储能设备状态数据的时序状态矩阵和空间位置矩阵进行解耦分析，构建时间演变隐变量和空间变化隐变量并通过变分下界优化得到时空解耦状态矩阵；通过建立状态转移概率模型并引入位置切换不确定性扰动因子，采用动态贝叶斯网络对状态转移不确定性进行建模生成参数漂移补偿向量；通过将参数漂移补偿向量与生命线负荷优先级权重矩阵进行加权融合构建自适应贝叶斯推断模型，采用序贯蒙特卡洛方法对模型参数进行在线更新，从而实现了移动电源时空状态演变与生命线负荷需求变化之间复杂耦合关系的精确建模，实现了移动电源故障概率分布和生命线负荷供电风险评估的高精度、实时化预测。

60、3、本发明所述方法通过构建移动储能-应急发电车-生命线负荷时空异质图并与生命线负荷功率需求变化数据进行时序配准，建立了移动应急电源的协同图结构表示；通过将电网弹性增强指导向量作为奖励函数构建层次化ddpg算法框架，实现高层策略和低层执行的分级控制策略构建，并通过连续动作空间映射将离散控制决策转换为连续功率调节指令；通过建立多智能体协同控制框架并采用分布式一致性算法对移动储能设备和应急发电车各智能体的功率输出进行协同优化，从而实现了移动储能设备、应急发电车与生命线负荷之间复杂时空关联关系的精确建模和分层协同控制，实现了移动应急电源的高效协同调度和精细化功率控制。