一种基于优化引导学习的柔性配电网分布鲁棒滚动控制方法及系统

本发明属于配电网优化控制领域，具体涉及一种基于优化引导学习的柔性配电网分布鲁棒滚动控制方法及系统。

背景技术：

1、随着分布式光伏、储能装置及柔性互联装置等设备接入配电网，配电网由单向供电网络逐渐转变为源、网、荷协同运行的柔性配电网。光伏出力和负荷需求具有波动性，其预测结果与实际运行状态之间存在偏差，容易引起节点电压越限、线路潮流变化及网络损耗增加，因此需要根据配电网实时运行状态对柔性调节设备进行动态控制。

2、现有配电网优化控制方法通常根据光伏出力和负荷的预测值建立确定性优化模型，或者预先假设预测偏差服从特定概率分布。当实际预测偏差与预设分布不一致时，求得的控制方案可能难以满足配电网运行约束。分布鲁棒优化方法能够利用历史预测偏差构建概率分布集合，并在概率分布不完全确定的条件下求解控制方案，但在滚动控制过程中，需要随着运行状态变化反复求解包含不确定性约束和配电网物理约束的优化模型，计算量较大，求解效率容易受到优化变量初值和问题规模的影响。

3、此外，基于历史运行数据直接生成控制量的方法虽然能够降低在线计算量，但其生成的控制量未必满足当前配电网的物理约束及不确定性约束。因此，现有技术仍难以同时兼顾源荷不确定性的处理、滚动优化的求解效率以及最终控制量的物理可行性。

技术实现思路

1、发明目的：本发明的目的在于提供一种基于优化引导学习的柔性配电网分布鲁棒滚动控制方法，以解决柔性配电网滚动控制过程中分布鲁棒优化模型需要反复求解、在线求解效率较低以及数据驱动控制结果难以保证物理可行性的问题。

2、技术方案：一种基于优化引导学习的柔性配电网分布鲁棒滚动控制方法，所述方法包括：

3、获取柔性配电网的拓扑、线路参数、节点电压、节点功率及源荷预测偏差，根据拓扑和线路参数确定节点间电气距离关系，根据线路参数和节点功率传输关系确定节点间电气耦合关系，根据节点间电气距离关系和电气耦合关系，将节点电压、节点有功功率和节点无功功率按滚动时间窗口组织为多属性状态矩阵；

4、根据源荷预测偏差的历史样本建立经验分布，以经验分布为中心构建概率分布模糊集，以概率分布模糊集表征源荷预测偏差的概率分布，以配电网物理约束限定控制量和配电网运行状态的可行域，建立预测时域内的分布鲁棒优化模型；

5、以不同的多属性状态矩阵作为当前状态求解分布鲁棒优化模型，得到对应的优化控制量，并获得优化控制量作用后的后继多属性状态矩阵，由当前多属性状态矩阵、优化控制量和后继多属性状态矩阵形成训练样本集，利用训练样本集训练学习辅助模型；

6、在当前调度时刻，将当前多属性状态矩阵输入训练好的学习辅助模型，得到控制变量初值，以控制变量初值初始化分布鲁棒优化模型的控制变量，在概率分布模糊集和配电网物理约束下求解得到预测时域内的控制量序列；

7、向柔性调节设备下发控制量序列中对应当前调度时刻的控制量，采集执行该控制量后的节点电压、节点有功功率和节点无功功率，更新多属性状态矩阵并进入下一调度时刻。

8、一种基于优化引导学习的柔性配电网分布鲁棒滚动控制系统，包括：

9、状态表征模块，用于获取柔性配电网的拓扑、线路参数、节点电压、节点功率及源荷预测偏差，根据拓扑和线路参数确定节点间电气距离关系，根据线路参数和节点功率传输关系确定节点间电气耦合关系，根据节点间电气距离关系和电气耦合关系，将节点电压、节点有功功率和节点无功功率按滚动时间窗口组织为多属性状态矩阵；

10、鲁棒优化模块，用于根据源荷预测偏差的历史样本建立经验分布，以经验分布为中心构建概率分布模糊集，以概率分布模糊集表征源荷预测偏差的概率分布，以配电网物理约束限定控制量和配电网运行状态的可行域，建立预测时域内的分布鲁棒优化模型；

11、模型训练模块，用于以不同的多属性状态矩阵作为当前状态求解分布鲁棒优化模型，得到对应的优化控制量，并获得优化控制量作用后的后继多属性状态矩阵，由当前多属性状态矩阵、优化控制量和后继多属性状态矩阵形成训练样本集，利用训练样本集训练学习辅助模型；

12、在线控制模块，用于在当前调度时刻，将当前多属性状态矩阵输入训练好的学习辅助模型，得到控制变量初值，以控制变量初值初始化分布鲁棒优化模型的控制变量，在概率分布模糊集和配电网物理约束下求解得到预测时域内的控制量序列；

13、反馈更新模块，用于向柔性调节设备下发控制量序列中对应当前调度时刻的控制量，采集执行该控制量后的节点电压、节点有功功率和节点无功功率，更新多属性状态矩阵并进入下一调度时刻。

14、本发明还提供一种电子设备，包括处理器、存储器以及存储在所述存储器中并可由所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于优化引导学习的柔性配电网分布鲁棒滚动控制方法。

15、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于优化引导学习的柔性配电网分布鲁棒滚动控制方法。

16、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述基于优化引导学习的柔性配电网分布鲁棒滚动控制方法。

17、有益效果：

18、（1）本发明通过构建融合配电网拓扑结构、线路参数及节点电压信息的连续化状态空间，提高了对复杂运行状态的表征能力；通过引入基于wasserstein距离的分布鲁棒优化模型，有效刻画分布式电源出力及负荷波动带来的不确定性，提高了优化决策的鲁棒性；通过滚动时域优化框架，实现对配电网运行状态的动态预测与实时校正，提升了控制策略的在线响应能力，并且引入学习辅助模型，在每个调度时刻根据当前多属性状态矩阵提供控制变量初值，使分布鲁棒优化模型能够复用不同运行状态下已经获得的优化求解结果，减少每次滚动求解时重新搜索控制变量所需的计算开销，从而缓解分布鲁棒优化模型在滚动控制过程中反复求解造成的计算负担，提高在线求解效率。

19、（2）本发明将学习辅助模型输出的控制量预测结果作为分布鲁棒优化模型的控制变量初值，而不将其直接作为柔性调节设备的控制指令；分布鲁棒优化模型以概率分布模糊集表征源荷预测偏差的概率分布，并在配电网物理约束下重新求解控制量序列，使最终下发的控制量经过源荷不确定性和配电网物理约束的统一校核，从而避免数据驱动生成的控制结果未经物理约束验证而直接作用于柔性调节设备，提高控制结果的物理可行性。相比现有方法，本发明能够在高渗透分布式光伏场景下实现对源荷波动的快速响应与稳定调节，显著提升配电网的运行可靠性及综合承载能力。

1.一种基于优化引导学习的柔性配电网分布鲁棒滚动控制方法，其特征在于，所述方法包括：

2.根据权利要求权利要求1所述的方法，其特征在于，节点间电气距离关系和节点间电气耦合关系的确定，包括：

3.根据权利要求1所述的方法，其特征在于，多属性状态矩阵的构建方法如下：

4.根据权利要求1所述的方法，其特征在于，概率分布模糊集的构建方法如下：

5.根据权利要求4所述的方法，其特征在于，分布鲁棒优化模型的建立方法如下：

6.根据权利要求1所述的方法，其特征在于，学习辅助模型的训练，包括：

7.根据权利要求1所述的方法，其特征在于，所述多属性状态矩阵的更新，包括：

8.一种基于优化引导学习的柔性配电网分布鲁棒滚动控制系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可由所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至7任一项所述的基于优化引导学习的柔性配电网分布鲁棒滚动控制方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于优化引导学习的柔性配电网分布鲁棒滚动控制方法。