针对多个意外事件的配电系统重新配置的制作方法

1.本技术涉及配电系统。更具体地，本技术涉及针对多个断电意外事件的配电系统重新配置。


背景技术：

2.在大规模配电系统中，通过包含每个负载的冗余馈电路径而将鲁棒性设计到系统中。开关被策略性地定位在网络中，允许电力沿不同路径到达每个负载。开关是常开或常闭的。断电(例如，由于恶劣天气或野火)的意外事件规划涉及执行意外事件研究，以确定用于重新配置辐射状馈电路径以绕过故障的最佳情况开关决定，从而恢复系统负载的电力，理想情况下，恢复尽可能多的断电总线。关键负载(例如，医院、紧急事件响应者等)是优先事项，并且最小化恢复时间是重要目标。对线路断电的快速响应需要以适当的顺序采取关键的控制行动以减轻系统风险。找到电源的替代路径是复杂的，因为在整个网络中可能有数千条总线和数百个开关。开关通常需要派遣工作人员手动操作开关，并且多个开关操作的正确顺序是关键的。
3.在工业中，通常的做法是执行n-1次意外事件研究，其中n-1表示配电系统中的n个总线减去1个总线，这是因为单个组件故障(即，在具有单个组件故障的各种情形下研究电力系统性能，例如单线路断电)。另一意外事件研究类型是n-1-1，其中存在单个损耗，随后是另一单个损耗。在规划阶段，电力系统工程师运行穷举的n-1个案例以确保电力系统在任何单线故障/断电下都是鲁棒的。更全面的意外事件研究试图为具有多个断电(即，k次故障)的场景建模更严重的分配系统故障。然而，在工业中通常不探索n-k个意外事件研究，因为即使对于小的k值，可能的意外事件的数量也使得总的枚举在计算上难以处理。一旦识别了一组k条线路断电(断电后)，易处理的方法依赖于确定服务恢复策略。
4.研究人员在学术界对n-k意外事件研究进行了探索，重点研究了两种解决方法。第一种方法将问题制定为优化问题并用标准优化求解器求解。该方法的优点在于对连续控制变量进行建模，并且能够进行多步决策。然而，这种方法的限制仅适用于小型配电系统，由于存在整数变量而不能扩展到较大的系统。第二种方法将问题制定为图简化问题，然后使用图搜索(例如，最小生成树)来使用单步决策过程求解。该方法在解决大规模问题的同时，既不能对连续控制变量建模，也不能进行多步决策。
5.现有技术的另一个缺点是尝试使用确定性断电来对意外事件建模，例如使用分配系统软件工具(例如，开源软件opendss)。取决于是否存在用于n-k个确定性配电系统弹性研究的专用功能，确定性n-k弹性可通过堆叠多个n-1个研究来执行。然而，线路断电是不确定的，因为在某些区域(例如在穿过山地的积雪区域)中的电力线在其它区域中易遭受更多的脆弱性。此外，自然灾害产生固有随机的断电。因此，适当的响应意外事件需要随机分析。


技术实现要素：

6.提供了用于针对多个意外事件的配电系统重新配置模拟的系统和方法。在一个方
面中，贪婪拓扑结构重新配置算法对配电系统建模，并模拟单个(n-1)、顺序(n-1-1)或同时(n-k)意外事件情况。拓扑结构重新配置算法设法确定哪组开关在配电系统中运行以服务于最大负载，同时遵守网络和操作约束，例如辐射结构、线路和变压器负载限制以及总线电压。意外事件分析可用于断电前规划或断电后恢复。
7.在一个方面中，提供了一种用于针对多个意外事件进行配电系统重新配置的计算机系统。存储器存储可由处理器执行的算法模块，该模块包括决策树引擎和电力流模拟引擎。决策树引擎实例化被配置为具有对应于配电系统中的一个或多个总线的模拟断电状态和配电系统中的可重新配置开关的模拟状态的节点和边缘的图的决策树模型。模型以分支的辐射模式从父节点跨越到子节点。决策树引擎断开与每个断电相关的模型中的边缘，并通过迭代树搜索算法来确定将多个开关重新配置为闭合状态的重新配置路径。电力流模拟引擎响应于模拟触发器生成模拟以估计重新配置的原始图上的馈电电缆和变压器负载以及总线电压，将估计与包括系统额定容量和最小电压的约束进行比较，从配电系统数据库中提取约束，并且在满足约束的条件下将重新配置分类为成功。重复树搜索算法的迭代，以识别附加候选重新配置路径对分类为成功的重新配置路径进行排列。
附图说明
8.参考以下附图描述本实施例的非限制性和非穷举性实施例，其中除非另有说明，否则在所有附图中相同的附图标记表示相同的元件。
9.图1示出了根据本发明的实施例的用于执行n-k意外事件分析的基于计算机的系统的示例。
10.图2示出了根据本发明的实施例的配电系统数据的示例。
11.图3示出了根据本发明的实施例的决策树建模的示例。
12.图4示出了根据本发明的实施例的随机对抗意外事件特征的示例。
13.图5是根据本发明的实施例的将负载损耗聚合为快速随机弹性预测的一部分的算法组件的示例的流程图。
14.图6示出了根据本发明的实施例的用于n-k意外事件考虑的示例场景。
15.图7示出了根据本发明的实施例的用于多个候选重新配置的配电馈电n-k弹性概况的示例。
16.图8示出了根据本发明的实施例的并行化和模型简化特征的示例。
17.图9示出了根据本发明的实施例的用于针对经识别的断电重新配置配电系统的基于规则过程的示例的流程图。
18.图10示出了其中可以实现本发明的实施例的计算环境的示例。
具体实施方式
19.公开了用于通过在n-k意外事件分析的背景中优化总负载服务恢复来增强大型配电系统的弹性的系统和方法。由馈电总线、馈电线(这里，“线”涉及来自总线的馈电电缆)和变压器组成的配电系统遵循辐射树图案以在一个方向上从馈电头总线在下游方向上向负载总线分配电力，这保持了保护性安全措施。作为用于假设的k个故障的n-k个意外事件分析的一部分，决策树模型引擎生成可以识别所有可行恢复路径的模型。作为实际应用的例
子，配电系统可以具有n≥10000条总线和k≤4次断电。目的是找到将最大负载恢复到包括优先化的关键负载的系统的最高候选恢复路径。另一个目的是确定可配置开关的最佳操作顺序。从这点产生的好处是在配电系统中更有弹性的运行。一方面，诸如恶劣天气事件或自然灾害的意外事件经常依次打击配电系统。另一方面，典型的配电系统包括许多操作成本高的手动断路器，因为公用设施必须派遣现场技术人员打开/闭合它们。结果，如果做出的决定很差，则有可能在第一次决定闭合最初打开的开关之后，再做出第二次决定打开同一开关。
20.此外，随机特征被结合到意外事件分析中，这对于断电前规划和断电后恢复是有用的。通过考虑对抗意外事件的概率，系统操作者能够最好地考虑具有较高平均损害的情况。自然灾害通常是随机的。一些线路断电可能发生，但具有区域性影响，其它线路断电不可能发生，然而可能引入级联故障。确定性n-k规划倾向于忽略具有小概率但具有大后果的意外事件。本发明的实施例发现大概率/小损坏与小概率/大损坏事件之间的平衡，从而帮助配电系统运营商避免配电系统中的黑天鹅事件。
21.图1示出了根据本发明的实施例的用于执行n-k意外事件分析的基于计算机的系统的示例。系统100包括处理器120和具有存储软件模块的存储器110，该软件模块具有可由处理器120执行的指令。决策树模型引擎111被配置为构建决策树模型，当在模型模拟期间探索意外事件恢复路径时，该决策树模型以辐射模式从父节点跨越到子节点。电力流模拟引擎112被配置为模拟总线电压、变压器负载和馈电线路负载，用于与设计约束进行比较，以评估意外事件恢复路径是否成功。配电系统数据131存储在可通过网络连接访问的远程数据库中。
22.图2示出了根据本发明的实施例的配电系统数据的示例。在一个实施例中，决策树引擎111接收配电系统数据131作为输入，如图2中以系统图200(例如，由公用事业公司提供)的形式所示，该系统图200具有馈电总线211、馈电电缆、变压器(未示出)和总线负载201的辐射网络。如图所示，系统图200表示整个配电系统的一部分，为了说明的目的而简化。实际的配电系统可以包括1000条总线或更多条总线。每条总线211具有一个或多个馈电，其可以根据以分配式方式布置的常闭开关221或常开开关222的状态来提供初级或次级电源，以通过冗余来提高系统的稳定性。配电数据131可以由决策树引擎111从诸如系统图200的图表或图中提取并存储为数据库。在一个方面，配电系统数据131包括开关状态信息、负载信息、总线211的父子关系、馈电电缆容量额定值和变压器容量额定值。
23.在一个实施例中，决策树引擎111基于配电系统数据131生成电路图。如图所示，电路图230示出了这样的电路图，其表示用于顶层总线b0、b1、b2、b3、r1和r2的配电系统220的一部分。常开开关由虚线边缘表示，而常闭开关由实线边缘表示。在一个实施例中，决策树引擎111基于配电系统数据131生成决策树。决策树可以直接从配电系统数据131或基于使用电路图230的中间数据产生。决策树部分的示例由决策树240示出，其中每个节点表示系统的状态。在该示例中，节点n1h0表示系统的初始状态，例如正常状态。在总线b0和b1之间的第一模拟断电时，产生代表断电事件的断电决策树节点n1h1，从该节点跨越三个可能的决策树路径到三个动作决策树节点n2h1。例如，第一动作树节点可以表示响应于对边缘(b0、b1)的断电而闭合边缘(r1、b1)的常开开关的决定。类似地，可以生成动作决策树节点，用于决定闭合边缘(r2、b1)或(b2、b1)的常开开关。
24.决策树引擎111的断电模拟生成跟踪与节点的相应决策相关的信息的决策树节点，其可包括以下中的一个或多个：开关和线路状态、与边缘相关的动作、奖励和惩罚值以促进或阻碍决策路径，以及k次断电的顺序。开关和线路状态表示由于来自断电(即，电路图中的边缘断电)的总线损耗而导致的开路线。动作信息可以包括表示断电的开放边缘的动作，或者响应于断电而由重新配置的开关引起的手动动作。将奖励值计算为总线负载，该总线负载将由当前决策路径的开关重新配置(例如，闭合常开开关)恢复。恢复的目的是最大化损耗负载恢复。通过根据被重新连接的电路图树的深度进行加权来计算惩罚值，这考虑了与电路长度成比例的预期电压降。惩罚值可以满足将总线电压保持为大于针对稳定电力传送所定义的最小可允许阈值的目标(例如，具有最小输入电压要求以满足向消费者传送标准输出电压的系统变压器)。断电序列信息可以由决策树跟踪以用于模拟，从而可以比较不同的意外事件。例如，为了模拟电路图230的k＝3个意外事件的n-k，可以模拟不同的序列，并且可以针对不同的意外事件评估结果的弹性。继续图2中的模拟，可以针对边缘(b0、b2)模拟第二断电，并且决策树240可以由决策树111重新绘制以反映该附加损耗。结果，动作的决策路径(b2、b2)不再可用，并且通过决策树240的意外事件的探索被相应地修改。可以为边缘(b0、b3)选择序列中的第三断电，并且将再次重新绘制决策树。对于不同的序列情况，第一、第二和第三断电将被重新排列，以便以同样的方式评估决策树探索的结果。在一个实施例中，可以在同时断电的模拟中评估所有三个断电。当评估实际的配电系统时，由于电路图230的大小被极大地扩展以表示所有总线和开关可能性，所以可以探索断电序列的更多变化。也可以探索更高级别的n-k意外事件，例如对于k》3。
25.图3示出了根据本发明的实施例的决策树建模的示例。在一个实施例中，决策树引擎111通过为第一模拟选择k个总线断电来开始n-k意外事件研究。决策树引擎111基于配电系统数据131实例化虚拟决策树301。接下来在302，从图中移除k个馈电，以模拟针对意外事件分析的多个故障场景(n-k)。如上文针对图2所述，该序列可以被分析为被模拟为一系列断电而不是同时发生的单个断电。为了执行恢复候选路径的探索，决策树引擎111结合生成树搜索(sts)算法330执行蒙特卡罗树搜索(mcts)320。
26.对于顺序决策制定(即，n-k个意外事件)，mcts引擎使用mcts算法来找出可配置开关的最佳操作序列。对于每个k，确定每次的开关配置决定。决策树的深度对应于k个意外事件。mcts算法执行迭代方法，其中每次迭代有四个步骤：选择111、扩展112、模拟113和反向传播114。在选择阶段111中，算法根据置信上限搜索最佳子节点。一旦到达最佳子节点，扩展步骤112扩展决策树。mcts算法320在该阶段调用sts算法330以确定要做出的可能的决定。
27.对于每个意外事件，sts算法330根据以下步骤找出所有可能可行的重新配置解决方案。sts算法330检索扩展的决策树331并打开所有可配置开关332中的一个或多个(例如，设置打开可配置开关的子集)。该步骤提供了优于现有技术解决方案的显著改进，现有技术解决方案通常仅分析保持所有常闭开关闭合的配电系统。通过打开用于意外事件研究的所有可配置开关中的一个或多个，更多数量的可能重新配置意外事件在候选池中。接下来，sts算法330识别连接的组件333的岛，找到压缩图334的生成树，并重构决策树335。在步骤333期间，通过将所连接的组件的岛聚合为图上的单个负载节点来显着减小原始图的大小，这将在下面参考图5更详细地解释。图简化步骤333大大加速了意外事件分析，而不牺牲预
测解的强度。
28.在树生成之后，mcts算法320取得重构图，并使用将打开开关操作到闭合状态的、将负载连接到虚拟模型中的扩展总线的决定来执行模拟步骤313。用于闭合的开关的选择可以是随机决定，或者可以基于将在下面参考图9更详细地描述的优化。mcts算法320指示电力流模拟引擎112为当前重新配置尝试确定每个总线上的新负载，以及作为对候选重新配置意外事件进行排列的度量的总恢复负载值。基于新的负载值，模拟引擎112执行总线电压、馈电电缆电流和变压器负载的估计，以相对于系统约束进行评估，例如对于馈电容量(例如，电流(安培)过载)、变压器容量和最小总线电压(例如，0.95额定电压)。如果在定义的容限内满足所有约束，则模拟引擎112确定当前重新配置尝试在安全和系统稳定性要求下是令人满意的。
29.在完成模拟313之后，mcts算法320对模拟结果(通常称为奖励)执行反向传播114，以更新沿着导致该决定的路径的每个节点的成功率。例如，每个节点保持比率分数(s/a)，其中s是每a次尝试的成功重新配置的值。如上所描述，mcts算法320和sts算法330操作多次迭代n。根据成功率分数和/或哪些重新配置使重新连接的负载最大化来对候选重新配置进行排列。例如，迭代次数可以由基于实验的n的最小值来定义。或者，可以重复迭代直到满足收敛测试，例如被排列候选列表的收敛。
30.图4示出了根据本发明的实施例的随机对抗意外事件特征的示例。在一个实施例中，在模拟步骤313期间，以机会节点的形式将随机对抗意外事件构建到由决策树引擎111生成的决策树模型中。作为示例，图4中的机会节点401跟踪分支a和分支b之间的重新配置分支决策的概率。对于特定的配电系统状态，机会节点401必须向子节点a或b馈电，对应于两个可能的对抗意外事件。机会节点401捕获成功重新配置的概率，并因此根据概率(在该分支中，a具有概率p＝0.8，分支b具有概率p＝0.2)生长决策树。在一个实施例中，概率基于来自先前迭代的趋势。在另一实施例中，概率可以捕获从配电系统的历史数据导出的故障可能性，该配电系统诸如在特定天气条件(例如，大雪或冰)期间最容易发生断电的分支。当有限的维修人员必须派遣到用于操作可重新配置的开关的不同位置时，这种故障概率对于恢复工作是有益的。然后，由系统100使用机会节点401执行的意外事件研究是用于预测配电系统的哪些部分最易并且可能在一系列k个故障中接下来发生故障的有用工具。候选恢复意外事件可以指示哪些场景具有高于平均损伤。一些预测的线路断电具有很高的发生可能性，但也具有区域性影响。其它预测的线路断电不太可能发生，然而，它们可能引入级联故障。确定性n-k规划倾向于忽略具有小概率但具有大后果的意外事件。随机实施例发现大概率小损坏和小概率大损坏事件之间的平衡，从而帮助配电系统操作者避免配电系统中的黑天鹅事件。
31.图5是根据本发明的实施例的将负载损耗聚合为快速随机回弹性预测的一部分的算法组件的示例的流程图。在一个实施例中，在树决策引擎中部分地基于辐射分布馈电中的负载聚合来引入两部分过程500。该两部分过程由电力流模拟引擎112在模拟阶段313期间执行。可以分别定义独立且相同分配(i.i.d)的多条线路/变压器输出。然后，取决于是n-1意外事件还是n-k意外事件，使用不同的i.i.d.断电组合来计算联合断电概率。
32.术语
[0033][0034][0035]
在过程500的第一部分501中，以宽度优先搜索(bfs)类型的遍历方式遍历决策树，以识别连接的组件(步骤333)，然后以自下而上的方式遍历，目的是确定每一条线路下的聚合负载，使得如果取出一条线路(n-1意外事件)，则可以立即检索负载损耗。
[0036]
过程500的第二部分502涉及基于聚合负载损耗结果来计算n-k的负载损耗。在子部分502a中，电力流模拟引擎112确定所有可能的n-k个负载损耗场景。在配电系统中给定m条线路遭受损耗的情况下，可能情况的数目可以表示为组合在子部分502b中，电力流模拟引擎112确定每个场景中这些k次断电与负载损耗的关系。两部分算法500被配置成避免误算负载损耗(即，过高估计)，该负载损耗可能由简单地对配电电路同一分支上两条线路的聚合负载求和而导致。
[0037]
为了执行过程500的第一部分501，确定各个配电电路的负载聚合。在不失一般性的情况下，配电系统中总共有n条总线。对于具有辐射结构的配电系统，线路/变压器的数量是n。n条线路/变压器中的m个具有断电的机会且k是线路断电的实际数量。使用具有从根指向叶的方向的抽象有向图g＝(v,e)来评估n-k弹性预测问题，其中v是系统中的节点集合，并且e是系统中的边缘集合。
[0038]
在下面的算法1中给出部分501的伪码的例子。
[0039]
[0040][0041]
为了计算每种情况下可能的负载损耗，算法1首先定义每条总线下的聚合负载。bfs遍历算法计算负载聚合。算法1执行图的bfs并将总线(节点)访问序列存储在队列中。节点访问对于跟踪决策树中的特定意外事件路径的置信度等级是有用的，其中较多的访问次数表示较高的置信度等级。队列q从队列尾部卸载，并以自底向上的方式累加来自馈电端的聚合负载l。结果，算法1执行n-1弹性水平预测问题以确定断电后的总负载损耗。对于该分析，由在自然灾害下可能发生故障的m个不同线路/变压器来定义断电故障。线路/变压器i的断电概率表示为pi，线路/变压器j的断电概率表示为pj，其中假设如果i≠j，则pi和pj为i.i.d。n-1意外事件考虑了仅发生m个可能的断电之一的事件，并且每个事件被表示为场景。利用m个可能断电的定义，该算法确定每个场景下的负载损耗，并计算m个可能断电中只有一个发生的联合概率。给定使用算法1计算的累积负载，电力模拟引擎确定与n-1个场景中的每一个相关联的概率，其可以表示如下：
[0042][0043]
其中pi是线路/开关元件i具有断电的概率。
[0044]
过程500的第二部分502基于深度优先搜索(dfs)遍历的变量来确定用于意外事件重新配置路径的n-k弹性水平预测，该深度优先搜索遍历在深度运动中遍历图，并且当在任
何迭代中发生死端时，使用栈来调用以获得下一顶点来开始搜索。与每个n-k场景关联的概率可以计算如下：
[0045][0046]
其中k是具有断电的k条线路的集合。
[0047]
当在k≥2的k个断电情况下确定每个配电电路的负载损耗时，情况比n-1情况更复杂。图6示出了根据本发明的实施例的用于n-k意外事件考虑的示例场景。在该示例中，小网络由具有四个节点的图600表示，每个节点具有负载。可以使用根据算法1的负载聚合来聚合负载。节点0下的聚合负载包含节点0、1、2和3的负载。类似地，节点1下的聚合负载具有节点1和2的聚合负载。因此，如果两个图边缘(即，图节点之间的关系线)具有断电，则负载损耗取决于损耗节点的父-子关系。例如，如果断电导致边缘(0，1)和(0，3)的损耗，则负载的总损耗是节点1下的聚合负载和节点3下的聚合负载l(3)之和l(1)。可替换地，如果断电导致边缘(0，1)和(1，2)的损耗，则总负载损耗仅是节点1下的合计负载l(1)。因此，需要确定k个损耗边缘之间的父和子关系。
[0048]
执行dfs以确定断电边缘之间的父子关系。给定两个节点u和v，从变电站总线执行dfs。参考图6，记录节点被推入栈时的时间戳值intime()和节点从栈弹出的时间戳值outtime()。该关系可以通过应用以下规则来确定：
[0049]
如果intime(u)《intime(v)且outtime(u)》outtime(v)
→
u是v的父代
[0050]
否则如果intime(u)》intime(v)且outtime(u)《outtime(v)
→
v是u的父代否则，u和v不在同一分支上。
[0051]
例如，在节点u对应于节点0且节点v对应于节点3的情况下，应用上述规则揭示u是v的父代。或者，在节点u对应于节点2且节点v对应于节点3的情况下，应用上述规则揭示u和v不在同一分支上。
[0052]
在下面作为算法2给出部分502的伪码的例子。
[0053][0054][0055]
具有随机重新配置的两部分过程500的优点包括如下。与确定性n-k弹性相比，该结果为系统操作者提供了对于每个候选重新配置的系统弹性水平的更好的概观。在一个实施例中，过程500的结果被发送到用户界面以向用户显示呈现。作为这样的显示呈现的示例，图7示出了根据本发明的实施例的用于多个候选重新配置的随机n-k意外事件弹性分配。在本示例中，模拟了随机选择的m＝200个可能的线路/变压器断电(例如，模拟自然灾害或严重天气事件的不确定性)，其均匀分配在[0,0.01]之间。错误！未找到参考源。图7示出了使用由随机过程500增强的树搜索过程300的n-2(即，k＝2)意外事件模拟的弹性水平预测结果。如图所示，结果被分到100kw的直条中，使得产生100kw或更少的一个或多个意外事
件被分组在该直条中。因此，给出了结果的分配，通过100kw的直条进行离散化，以获得简化的结果快照。此特定呈现并不受限制，因为可界定其它直条大小和范围。每个直条内的概率分配被合计。例如，第一直条指示系统对于高达100kw的负载损耗具有大致10％的概率。第二直条对于大于100kw和高达200kw的损耗显示2.5％的概率，对于每个其它直条如此等等。从该模拟中，直条分配700落入簇中，如图7所示，作为直条岛701、702、703、704，每个与配电系统的分支相关联。在每个直条岛内，配电随功耗而衰减。这是所期望的，因为大多数随机选择的线路/变压器断电在馈电端，其具有较高的累加概率但具有较小的负载。较少随机选择的线路/变压器故障出现在馈电头处，其具有较小的累加概率但具有较大的聚合负载。如该示例所示，来自两部分算法的n-k弹性结果可以向配电系统操作者提供可能的负载损耗和与每个意外事件重新配置相关联的负载损耗的概率。这可以是有用的电网操作工具，其给予系统操作者对系统弹性的更好的概述。由此，操作者可以采取抢占措施来提高系统的弹性。例如，操作者可以通过以低概率对减轻大负载损耗进行优先级排列来定义弹性，或者可以对损耗平均负载(负载损耗*概率)进行优先级排列。取决于偏好，可以相应地定义树搜索算法(例如mcts算法)的奖励。最后，在给定定义的弹性偏好的情况下，过程500结合过程300确定每个意外事件重新配置和相关联负载损耗的概率，并将它们按偏好标准排列进行比较以选择最佳候选重新配置。
[0056]
为了对上述弹性预测方法进行额外增强，根据本发明的实施例引入并行化和模型缩减特征，如图8的流程图实例所示。在第一示例中，过程800包括根据算法1运行bfs遍历801以及根据算法2运行dfs遍历802，其中散列表记录断电边缘的intime()和outtime()值。下一步骤804生成所有可能的场景组合。因为不同的场景是相互独立的，所以每个场景的概率计算(算法2的行6-7)可以在不同的处理器上并行化(步骤805)。另外，父子关系的dfs(算法2的行8-14)可以在不同的处理器上并行化。步骤806处的收集器操作将每个场景的聚合负载和概率制成表格。
[0057]
在另一示例中，过程850类似于过程800，其中步骤851、852、854、855和856对应于步骤801、802、804、805和806。过程850引入模型缩减步骤853，其中滤除无关紧要的总线。例如，在m个可能的线路断电的原始集合中，一些断电可能是非常低的概率或在该线路下具有非常小的聚合负载。结果，步骤851应用经验阈值以将候选损耗负载的数量从m减少到m’。因此，在851处产生的组合的数目可以被极大地减少，这加速了弹性预测计算。
[0058]
与确定性方法相比，上述并行化和模型缩减特征的优点在于，对于具有10,000个馈电总线或更多的大型配电系统，可以更快地获得结果，并且可以实现结果。表1总结了与使用opendss的传统确定性方法相比，在计算时间上的性能。
[0059]
表1
[0060]
情况opendss并行化模型缩减时间(s)99天2s396ms增速-4m x20m x
[0061]
通过在所提出的随机n-k弹性中使用的bfs和dfs算法的组合，使模型缩减组件成为可能。bfs和dfs都是o(顶点+边缘)，因此它可以扩展到非常大规模的配电系统。
[0062]
图9示出了根据本发明的实施例的用于针对识别出的断电重新配置配电系统的基
于规则的过程的示例的流程图。算法900中的决策树引擎111的目的是在给定断电条件的情况下寻找用于重新配置的最佳候选路径，应用过滤标准，该过滤标准有利于具有充足操作裕度的配电分支和馈电临界负载和/或最大数量的消费者的分支。对于其中k次断电已经被识别(步骤901)的场景，诸如在用于大型配电网络(例如，大约数千条公共汽车)的恶劣天气事件的情况下，n-k意外事件研究可以由决策树引擎111执行以将网络建模为决策树，诸如图3中的模型301。接下来，决策树引擎111基于已知断电的输入来识别哪些节点是断电节点，并且将该模型缩减为多个连接的组件(步骤902)，例如图3中的模型302，其中一些节点是并网的，其余的是岛状的。在步骤903中，由决策树引擎111按照重要性准则的顺序对岛状组件进行排列。例如，可以根据类别(诸如提供基本服务(例如，医院)的组件和提供最大消费者分组的组件)将重要性等级分配给组件。其它标准可以被定义为重要性排列所必需的。接下来，评估打开的开关(其将岛连接到电网)。决策树引擎111识别具有最大操作裕度(基于馈电电缆和变压器容量额定值)的开关，并向下选择这些分支(步骤904)。基于其他因素执行对最高等级组件的进一步过滤，例如还考虑了开关的通电侧上的电网连接的馈电的负载(即，对应于消耗者的数量)以及高于最小规格的节点电压(步骤905)。决策树引擎111选择具有最高等级的开关作为最佳解决方案，并闭合虚拟模型中的开关(步骤906)。对于顺序决策制定，该算法通过对负载重新排列并进行先前的步骤来进行，直到网络中不再有岛。其中断电是概率性的随机版本n-k制定可以通过使用负载损耗指数的概率来对岛进行排列来处理。
[0063]
图10示出了其中可以实现本发明的实施例的计算环境的示例。计算环境1000包括计算机系统1010，其可包括诸如系统总线1021的通信机制或用于在计算机系统1010内传送信息的其它通信机制。计算机系统1010还包括与系统总线1021联接的用于处理信息的一个或多个处理器1020。在一个实施例中，计算环境1000对应于用于在多个断电意外事件中对配电系统的重新配置建模的系统，其中计算机系统1010涉及下面更详细描述的计算机。
[0064]
处理器1020可以包括一个或多个中央处理单元(cpu)、图形处理单元(gpu)或本领域已知的任何其他处理器。更一般地，这里描述的处理器是用于执行存储在计算机可读介质上的机器可读指令的设备，用于执行任务，并且可以包括硬件和固件中的任何一个或其组合。处理器还可以包括存储可执行用于执行任务的机器可读指令的存储器。处理器通过操纵、分析、修改、转换或传输由可执行程序或信息装置使用的信息和/或通过将信息路由到输出装置来对信息起作用。处理器可以使用或包括例如计算机、控制器或微处理器的能力，并且使用可执行指令来调节以执行不由通用计算机执行的专用功能。处理器可以包括任何类型的适当处理单元，包括但不限于中央处理单元、微处理器、精简指令集计算机(risc)微处理器、复杂指令集计算机(cisc)微处理器、微控制器、专用集成电路(asic)、现场可编程门阵列(fpga)、片上系统(soc)、数字信号处理器(dsp)等。此外，处理器1020可具有任何合适的微架构设计，其包括任何数目的组成组件，例如寄存器、多路复用器、算术逻辑单元、用于控制对高速缓冲存储器的读取/写入操作的高速缓冲存储器控制器、分支预测器等。处理器的微体系结构设计能够支持多种指令集中的任何指令集。处理器可以与能够在其间进行交互和/或通信的任何其它处理器联接(电联接和/或包括可执行组件)。用户界面处理器或生成器是已知的元件，包括用于产生显示图像或其部分的电子电路或软件或两者的组合。用户界面包括使用户能够与处理器或其它设备交互的一个或多个显示图像。
[0065]
系统总线1021可以包括系统总线、存储器总线、地址总线或消息总线中的至少一个，并且可以允许在计算机系统1010的各个组件之间交换信息(例如，数据(包括计算机可执行代码)、信令等)。系统总线1021可以包括但不限于存储器总线或存储器控制器、外围总线、加速图形端口等。系统总线1021可与任何合适的总线体系结构相关联，包括但不限于工业标准体系结构(isa)、微通道体系结构(mca)、增强型isa(eisa)、视频电子标准协会(vesa)体系结构、加速图形端口(agp)体系结构、外围组件互连(pci)体系结构、pci-express体系结构、个人计算机存储卡国际协会(pcmcia)体系结构、通用串行总线(usb)体系结构等。
[0066]
继续参考图10，计算机系统1010还可以包括联接到系统总线1021的系统存储器1030，用于存储信息和要由处理器1020执行的指令。系统存储器1030可以包括易失性和/或非易失性存储器形式的计算机可读存储介质，例如只读存储器(rom)1031和/或随机存取存储器(ram)1032。ram 1032可包括其它动态存储设备(例如，动态ram、静态ram和同步dram)。rom 1031可包括其它静态存储设备(例如，可编程rom、可擦除prom和电可擦除prom)。此外，系统存储器1030可用于在处理器1020执行指令期间存储临时变量或其它中间信息。基本输入/输出系统1033(bios)包含有助于诸如在启动期间在计算机系统1010内的元件之间传递信息的基本例程，它可以存储在rom 1031中。ram 1032可以包含可由处理器1020立即访问和/或当前正由处理器1020操作的数据和/或程序模块。系统存储器1030另外包括用于执行所述实施例的模块，例如决策树引擎111和电力流模拟引擎112。
[0067]
操作系统1038可以被加载到存储器1030中，并且可以提供在计算机系统1010上执行的其它应用软件与计算机系统1010的硬件资源之间的接口。更具体地，操作系统1038可包括一组计算机可执行指令，用于管理计算机系统1010的硬件资源并向其它应用程序提供公共服务(例如，管理各种应用程序之间的存储器分配)。在某些示例实施例中，操作系统1038可以控制被描绘为存储在数据存储1040中的一个或多个程序模块的执行。操作系统1038可包括现在已知或将来可开发的任何操作系统，包括但不限于任何服务器操作系统、任何主机操作系统或任何其它专有或非专有操作系统。
[0068]
计算机系统1010还可以包括联接到系统总线1021的磁盘/介质控制器1043，以控制用于存储信息和指令的一个或多个存储设备，诸如磁硬盘1041和/或可移动介质驱动器1042(例如，软盘驱动器、光盘驱动器、磁带驱动器、闪存驱动器和/或固态驱动器)。可以使用适当的设备接口(例如，小型计算机系统接口(scsi)、集成设备电子设备(ide)、通用串行总线(usb)或firewire)将存储设备1040添加到计算机系统1010。存储设备1041、1042可以在计算机系统1010的外部。
[0069]
计算机系统1010可以包括用于与图形用户接口(gui)1061通信的用户接口模块1060和显示屏或监视器，图形用户接口可以包括一个或多个输入/输出设备，诸如键盘、触摸屏、输入板和/或定点设备，用于与计算机用户交互并向处理器1020提供信息。在一个方面中，gui 1061涉及用于呈现如前所述的弹性水平分配的显示器。
[0070]
计算机系统1010可以响应于处理器1020执行包含在诸如系统存储器1030的存储器中的一个或多个指令的一个或多个序列来执行本发明实施例的处理步骤的一部分或全部。这样的指令可以从存储器1040的另一计算机可读介质(诸如磁硬盘1041或可移动介质驱动器1042)读入系统存储器1030。硬磁盘1041和/或可移动介质驱动器1042包含本发明的
实施例所使用的一个或多个数据存储和数据文件。数据存储1040可包括但不限于数据库(例如关系型、面向对象的等)、文件系统、平面文件，其中数据存储在计算机网络的多于一个节点上的分配式数据存储、对等网络数据存储等。数据存储内容和数据文件可以被加密以提高安全性。处理器1020也可以用在多处理装置中以执行包含在系统存储器1030中的一个或多个指令序列。在替换实施例中，硬连线电路可以代替软件指令或与软件指令结合使用。因此，实施例不限于硬件电路和软件的任何特定组合。
[0071]
如上所叙述，计算机系统1010可以包括至少一个计算机可读介质或存储器，用于保存根据本发明的实施例编程的指令，并且用于包含数据结构、表、记录或这里描述的其它数据。这里使用的术语“计算机可读介质”是指参与向处理器1020提供指令以供执行的任何介质。计算机可读介质可以采用许多形式，包括但不限于非瞬态、非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘，诸如磁硬盘1041或可移动介质驱动器1042。易失性介质的非限制性示例包括动态存储器，诸如系统存储器1030。传输介质的非限制性示例包括同轴电缆、铜线和光纤，包括构成系统总线1021的导线。传输介质也可以采用声波或光波的形式，例如在无线电波和红外数据通信期间产生的声波或光波。
[0072]
用于执行本发明的操作的计算机可读介质指令可以是汇编指令、指令集体系结构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，或者以一种或多种编程语言的任何组合编写的源代码或目标代码，所述编程语言包括诸如smalltalk、c++等的面向对象的编程语言，以及诸如“c”编程语言或类似编程语言的常规过程编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包，部分在用户的计算机上执行，部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(lan)或广域网(wan)，或者连接到外部计算机(例如，通过使用因特网服务提供商的因特网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令，以便执行本发明的各方面。
[0073]
在此参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图来描述本发明的各方面。应当理解，流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读介质指令来实现。
[0074]
计算环境1000还可包括在使用到诸如远程计算设备1073等一个或多个远程计算机的逻辑连接的网络化环境中操作的计算机系统1010。网络接口1070可以实现例如经由网络1071与其他远程设备1073或系统和/或存储设备1041、1042的通信。远程计算设备1073可以是个人计算机(膝上型计算机或台式计算机)、移动设备、服务器、路由器、网络pc、对等设备或公共网络节点，并且通常包括以上相对于计算机系统1010描述的许多或所有元件。当在联网环境中使用时，计算机系统1010可以包括调制解调器1072，用于在诸如因特网的网络1071上建立通信。调制解调器1072可经由用户网络接口1070或经由另一适当机制连接到系统总线1021。
[0075]
网络1071可以是本领域中通常已知的任何网络或系统，包括因特网、内联网、局域网(lan)、广域网(wan)、城域网(man)、直接连接或一系列连接、蜂窝电话网络，或能够促进
计算机系统1010与其它计算机(例如，远程计算设备1073)之间的通信的任何其它网络或介质。网络1071可以是有线的、无线的或其组合。有线连接可以使用以太网、通用串行总线(usb)、rj-6或本领域公知的任何其它有线连接来实现。无线连接可以使用wi-fi、wimax、和蓝牙、红外、蜂窝网络、卫星或本领域公知的任何其它无线连接方法来实现。另外，若干网络可单独工作或彼此通信以促进网络1071中的通信。
[0076]
应当理解，图10中所示的存储在系统存储器1030中的程序模块、应用、计算机可执行指令、代码等仅仅是说明性的，而不是穷举性的，并且描述为由任何特定模块支持的处理可以可替换地分配在多个模块上或者由不同的模块执行。此外，可以提供各种一个或多个程序模块、一个或多个脚本、一个或多个插件、一个或多个应用编程接口(api)，或在计算机系统1010、远程设备1073上本地托管的和/或在可经由一个或多个网络1071访问的其它一个或多个计算设备上托管的任何其它合适的计算机可执行代码，以支持由图10中描绘的程序模块、应用或计算机可执行代码提供的功能和/或附加或替代功能。此外，功能可以被不同地模块化，使得被描述为由图10所示的程序模块集合共同支持的处理可以由更少或更多数量的模块执行，或者被描述为由任何特定模块支持的功能可以至少部分地由另一模块支持。此外，支持这里描述的功能的程序模块可形成可根据诸如客户机-服务器模型、对等模型等任何合适的计算模型在任何数量的系统或设备上执行的一个或多个应用程序的一部分。另外，被描述为由图10中描绘的任何程序模块支持的任何功能可以至少部分地以硬件和/或固件在任意数量的设备上实现。
[0077]
虽然已经描述了本发明的特定实施例，但是本领域的普通技术人员将认识到，在本发明的范围内存在许多其它修改和替换实施例。例如，关于特定设备或组件描述的任何功能和/或处理能力可以由任何其他设备或组件来执行。此外，虽然已经根据本发明的实施例描述了各种说明性实现和架构，但是本领域普通技术人员将理解，对本文描述的说明性实现和架构的许多其他修改也在本发明的范围内。另外，应了解，本文中描述为基于另一操作、元件、组件、数据等的任何操作、元件、组件、数据等可另外基于一个或多个其它操作、元件、组件、数据等。因此，短语“基于”或其变体应被解释为“至少部分地基于”。
[0078]
图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。在一些可替换的实施方式中，方框中指出的功能可以不按附图中指出的顺序发生。例如，根据所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行。还将注意到，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的基于专用硬件的系统来实现。

技术特征：
1.一种用于模拟针对多个意外事件的配电系统重新配置的计算机系统，所述计算机系统包括：处理器；以及存储有可由所述处理器执行的算法模块的存储器，所述模块包括：决策树引擎，被配置成：实例化决策树模型，所述决策树模型被配置为具有与所述配电系统中一个或多个总线的模拟断电状态和所述配电系统中可重新配置开关的模拟状态对应的节点和边缘的图，所述模型以分支的辐射模式从父节点跨越到子节点；断开与每个断电相关的模型中的边缘；以及通过树搜索算法的迭代，利用被重新配置到闭合状态的多个开关，确定重新配置路径；以及电力流模拟引擎，被配置成：生成模拟以估计所述重新配置路径上的馈电电缆和变压器负载以及总线电压；将所述估计与包括系统额定容量和最小电压的约束进行比较，所述约束从配电系统数据库中提取；以及在满足所述约束的条件下将重新配置分类为成功；其中，重复所述树搜索算法的进一步迭代，以识别额外候选重新配置路径并对被分类为成功的重新配置路径进行排列。2.根据权利要求1所述的计算机系统，其中，树算法的所述迭代包括：执行蒙特卡罗树搜索(mcts)算法和生成树搜索(sts)算法，其中，mcts算法被配置为选择用于扩展的子节点，并且sts算法被配置为：设置打开所述模型中可配置开关的子集；通过连接的负载的聚合来识别连接的组件的岛；以及从聚合组件上的生成树来重构压缩图；其中，所述mcts算法通过选择至少一个开关闭合来触发电力流模拟。3.根据权利要求1所述的计算机系统，其中，所述决策树引擎还被配置成在所述决策树模型中产生机会节点，用于跟踪父节点到两个子节点中任一者的重新配置分支决策的概率，其中，所述概率涉及成功重新配置分类。4.根据权利要求3所述的计算机系统，其中，所述处理器包括一组并行处理器，并且所述概率在所述并行处理器上以并行化方式计算。5.根据权利要求1所述的计算机系统，其中，所述电力流模拟引擎还被配置成通过使用宽度优先搜索遍历算法遍历所述决策树来确定每条馈电线路下的聚合负载。6.根据权利要求5所述的计算机系统，其中，所述电力流模拟引擎还被配置成确定负载损耗场景的所有组合和断电边缘之间的父子关系，并且计算断电中损耗的每个配电电路的所有聚合负载的总负载损耗。7.根据权利要求6所述的计算机系统，其中，所述父子关系是基于intime()和outtime()记录的时间戳值来确定的，所述时间戳值用于在所述决策树模型的深度优先搜索遍历期间何时将断电节点推入栈和从栈中推出。8.根据权利要求1所述的计算机系统，其中，所述电力流模拟引擎还被配置成基于具有低概率的断电或具有低于低阈值的聚合负载的断电来应用阈值以减少候选损耗负载的数
量。9.根据权利要求1所述的计算机系统，其中，已知已发生k次断电，并且所述决策树引擎还被配置成通过以下方式来确定要闭合哪个开关：按照重要性标准对成岛状的组件进行排列，基于在所述开关的通电侧上的并网的馈电的负载和节点电压高于最小规格来过滤最高排列的组件。10.根据权利要求1所述的计算机系统，进一步其中，电力模拟引擎还被配置成：为每个意外事件确定概率；将所述配电系统的弹性水平分布作为意外事件概率对意外事件负载损耗的图发送到显示器；以及根据弹性水平对所述候选重新配置进行排列。11.一种模拟针对多个意外事件的配电系统重新配置的计算机实现的方法，所述方法包括：实例化决策树模型，所述决策树模型被配置为具有与所述配电系统中一个或多个总线的模拟断电状态和所述配电系统中可重新配置开关的模拟状态对应的节点和边缘的图，所述模型以分支的辐射模式从父节点跨越到子节点；断开与每个断电相关的所述模型中的边缘；以及通过树搜索算法的迭代，利用被重新配置到闭合状态的多个开关，确定重新配置路径；生成模拟以估计所述重新配置路径上的馈电电缆和变压器负载以及总线电压；将所述估计与包括系统额定容量和最小电压的约束进行比较，所述约束从配电系统数据库中提取；以及在满足所述约束的条件下将所述重新配置分类为成功；其中，重复树搜索算法的进一步迭代以识别额外候选重新配置路径并对被分类为成功的重新配置路径进行排列。12.根据权利要求11所述的方法，其中，树算法的所述迭代包括：执行蒙特卡罗树搜索(mcts)算法和生成树搜索(sts)算法，其中，mcts算法被配置为选择用于扩展的子节点，并且sts算法被配置为：设置打开所述模型中可配置开关的子集；通过连接的负载的聚合来识别连接的组件的岛；以及从聚合组件上的生成树来重构压缩图；其中，所述mcts算法通过选择至少一个开关闭合来触发电力流模拟。13.根据权利要求9所述的方法，还包括：在所述决策树模型中生成机会节点，用于跟踪父节点到两个子节点中任一个的重新配置分支决策的概率，其中，所述概率涉及成功的重新配置分类。14.根据权利要求9所述的方法，还包括：通过使用宽度优先搜索遍历算法遍历所述决策树来确定每条馈电线路下的聚合负载；确定负载损耗场景的所有组合和断电边缘之间的父子关系；以及计算断电中损耗的每个分配电路的所有聚合负载的总负载损耗；其中，所述父子关系是基于intime()和outtime()记录的时间戳值来确定的，所述时
间戳值用于在所述决策树模型的深度优先搜索遍历期间何时将断电节点推入栈和从栈推出。15.根据权利要求11所述的方法，其中，已知已经发生k次断电，所述方法还包括：通过以下方式确定哪个开关闭合：按照重要性标准对成岛状的组件进行排列，以及基于在所述开关的通电侧上的并网的馈电的负载和节点电压高于最小规格来过滤最高等级的组件。

技术总结
系统和方法模拟针对多个意外事件的配电系统重新配置。决策树模型被实例化为具有与配电系统中一个或多个总线的模拟断电状态和配电系统中可重新配置开关的模拟状态对应的节点和边缘的图，与每个断电相关的边缘被断开。通过树搜索算法的迭代，利用被重新配置为闭合状态的多个开关来确定重新配置路径。模拟估计重新配置的路径上的馈电电缆和变压器负载以及总线电压，用于与包括系统额定容量和最小电压的约束进行比较。进一步的迭代识别额外的候选重新配置路径，其可以通过总负载恢复来排列。列。列。


技术研发人员：王语博 西达尔特
受保护的技术使用者：西门子公司
技术研发日：2021.08.30
技术公布日：2023/8/24