一种主配网一体化事故响应决策方法与流程

本发明涉及电力系统事故响应决策方法，特别是涉及一种主配网一体化事故响应决策方法。

背景技术：

在大电网的复杂事故响应决策中，最大的困难在于决策时间短与主配网一体化仿真分析计算时间长，且对实时状态估计结果依赖大。基于此，本专利使用超立方拉丁采样法生成主配网一体化仿真运行情景集，并根据故障概率和风险值，从初始故障集进行筛选生成仿真分析故障集；输入运行情景集和故障集进行主配网一体化快速仿真，即进行主配网全局优化得到故障最优恢复控制策略；真实记录电网故障前后运行状态和控制策略，建立全局协调策略知识库；通过特征提取技术对全局协调策略知识库中电网运行状态的关键特征属性进行提取，建立仿真情景决策规则库；当实时运行中的电网(主网或含分布式电源的配网)发生实际故障后，采用状态感知技术得到当前运行状态，进而采用特征匹配搜索技术从仿真情景决策规则库中搜索得到相应的全局协调控制策略，实现故障的快速恢复和响应。

传统上主网和配网的事故分析响应决策主要是孤立进行的。主网故障后造成的线路传输阻塞问题或电压问题主要靠控制主网的可控资源来消除和恢复，不考虑配网的协调和支援；而配网馈线故障后造成的供电恢复策略也仅计及配网的供电能力，未考虑主网的协调和支援。这无疑造成很多情况下，控制决策的经济性差，很多可用资源被闲置未加利用，甚至可能造成负荷无法全部恢复，供电可靠性降低。随着大量DG接入配电网，配电网自身的可控性和灵活性有了很大提高，对主网的支援能力也有了很大提高。现有主网和配网事故响应决策孤立进行的方式已经不再适应。

目前，急需一种建立主配网一体化事故响应决策的方法，在主网和 配网实际发生故障前做出预判，向主网运行人员和配网运行人员提供预防控制措施，或者在故障实际发生后快速给出紧急和恢复控制策略。

技术实现要素：

本发明的目的是提供一种提高电网整体的运行稳定性、安全性、可靠性和经济性的主配网一体化事故响应决策方法。

为实现上述发明目的，本发明提供的技术方案是：

一种主配网一体化事故响应决策方法，所述方法包括以下步骤：

步骤一、建立主配网一体化运行情景集和故障集；

步骤二、基于主配网一体化快速仿真结果建立全局协调控制策略知识库；

步骤三、采用特征提取、决策树生成技术生成仿真情景决策规则库；

步骤四、通过主配网运行状态感知技术和自主决策匹配方法实现故障后主配网的自主决策匹配响应。

进一步地，在步骤一中，通过拉丁超立方抽样法模拟生成所述运行情景集，预测力与预测误差分布，对每个输入随机变量进行采样，确保随机分布区域能够被采样点完全覆盖；改变各随机变量采样值的排列顺序，使相互独立的随机变量的采样值的相关性趋于最小，采用Cholesky分解法进行排列顺序，

采样值公式为

其中，X_nm表示随机变量X_n的第m个采样值，U_m表示采样值。

进一步地，在步骤一中，通过给出各故障发生概率与严重性的综合度量，以此筛选故障，生成所述故障集，综合度量的数学表达式为：

其中，X_f为当前系统运行状态；E_i为第i个预想故障；P_r(E_i)为E_i发生的概率；S_ev(E_i)为E_i发生后系统损失的严重程度。

进一步地，在步骤一中，故障概率模型公式为：

P_r(F_i)＝1-exp(-λ_it_s)，

其中，F_i为第i条线路发生故障；P_r(F_i)为第i条线路发生故障的概率；λ_i为第i条线路的故障率；

系统发生故障后支路的过载损失值计算公式为：

其中，ω_Li表示过载损失值，L_i为支路i的实际输送功率与功率限额之比；L₀为设定的阈值，若L_i小于L₀，调度人员认为该支路不存在过载风险；

定义支路i的过载严重程度计算公式为：

其中，a、c均为正数，ω_Li表示过载损失值；

系统发生故障后节点i的电压越限损失值ω_Vi计算公式为：

其中，U_i为节点i的电压幅值；U_imax、U_imin分别为节点i的电压幅值的上、下限；

定义节点i的电压越限严重程度计算公式为：

其中，a、c均为正数，ω_vi表示电压越限损失值；

通过故障筛选与排序，将排序结果中排在前面的若干故障生成所述故障集。

进一步地，在步骤二中，所述知识库由电网故障前的运行状态，电网故障后的运行状态，故障最优恢复控制策略组成，通过输入运行情景集和故障集进行主配网一体化快速仿真，进行主配网全局优化得到故障最优恢 复控制策略，记录电网发生的故障和故障前后运行状态、控制策略，建立所述全局协调策略知识库。

进一步地，建立知识库的步骤如下：

步骤2a主、配网智能体获取当前时刻电网断面信息，通过主配网一体化状态估计建立各自潮流初态；

步骤2b主配网智能体收集各自电网内气象信息数据，结合电网典型运行方式通过拉丁超立方采样技术得到电网运行情景集。得到电网仿真故障集；

步骤2c针对故障集合中每个待仿真故障，采用主配网一体化故障恢复控制优化问题的求解，得到主配网协调控制策略；

步骤2d将故障前电网状态、故障后电网状态和控制策略写入全局协调控制策略知识库，对原有库进行更新。

进一步地，在步骤三中，所述仿真情景决策规则库是通过特征选择技术对全局协调策略知识库中电网运行状态的关键特征属性进行提取，将选择出的特征属性作为输入属性，自动生成决策树，从决策树中提取精细规则，建立仿真情景决策规则库。

进一步地，基于属性分离进行特征选择，将高维组合问题降为低维组合问题，属性间相关度的计算公式为：

其中，H(X)、H(Y)分别为属性X与Y的熵；I(X；Y)为属性X与Y之间互信息；

选择特征属性的公式为：

其中，k为属性分类的数量，Ω_i表示为第i类。m_i、和分别为Ω_i当前提供的特征属性个数、特征属性集合、提供的信息量；F为特征选择结果属性集；m为F中的特征属性个数；C为目标属性。

进一步地，所述决策树算法为检测所有的属性，选择信息增益率最大的属性产生决策树节点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树节点的分支，直到所有子集仅包含同一类别的数据为止。

进一步地，在步骤四中，所述主配网运行状态感方法，在主配网运行范围内，认知、理解电网实时运行中各个设备的运行状态和运行参数，将所有信息识别并转化为主配网的实时运行状态量，并甄别和剔除出其中错误、无效的信息，通过分析外部数据和内部数据获得电网受到扰动后运行状态和参数，通过计算得到自主决策匹配用的特征量信息。

进一步地，在步骤四中，使用Rete算法加快规则库的决策匹配，构建Rete匹配网络的步骤包括：

步骤4a创建根节点，形成匹配网络的入口；

步骤4b从情景决策规则库中提取新的规则，从规则的条件中提取出各个状态变量满足的条件：

i)检查该规则的条件中是否出现了新的状态变量，如果是新的状态变量，添加一个类型节点；

ii)检查该规则中的各个状态变量满足的条件是否已经存在于α节点中，如果存在则记录下该α节点的位置，如果没有，则将该状态变量满足的条件作为一个新的α节点加入到网络中；

iii)重复步骤ii)，直至将该规则中所有的状态变量满足的条件都处理完毕；

iv)组合β节点：第一个β节点由两个α节点组合而成，其后的每个β节点由上一层的β节点和新的α节点相组合；

v)重复步骤iv)，直至生成所有β节点；

vi)将该规则对应的执行动作封装成最后节点；

步骤4c重复步骤4b，直至规则库中的所有规则都处理完毕。

进一步地，在步骤四中，基于Rete算法进行主配网故障自主决策匹 配与响应时，除了首次匹配时需要对主配网中的每个状态变量都进行匹配以外，之后每隔一个周期进行匹配时，只需判别当前主配网状态变量相较于上个周期变化大的部分，根据变化较大的状态变量对应的α节点从β网络中直接继续匹配工作，省去了对变化小的状态变量重复匹配的过程。

采用上述技术方案，本发明具有如下有益效果：

本发明提出的主配网一体化事故响应决策方法能够在实际故障发生时，仅启动实时状态快速感知和故障自主决策匹配与响应功能，即可自动得到最优控制策略，解决了在大电网的复杂事故响应决策中，决策时间短、主配网一体化分布式并行仿真分析计算时间长，且对实时状态估计结果依赖大的问题。

本发明建立主配网一体化事故响应决策的方法，在主网和配网实际发生故障前做出预判，向主网运行人员和配网运行人员提供预防控制措施，或者在故障实际发生后快速给出紧急和恢复控制策略。提高电网整体的运行稳定性、安全性、可靠性和经济性。

附图说明

图1为本发明主配网一体化事故响应决策流程图；

图2为本发明实施例中主配网中发生故障前结构示意图；

图3为本发明实施例中主配网发生配网故障时的结构示意图；

图4为本发明实施例中主配网发生配网故障后的最优控制策略图；

图5为本发明实施例中主配网中发生主网故障时的结构示意图；

图6为本发明实施例中主配网中发生主网故障后的最优控制策略图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的结构图及具体实施例仅用以解释本发明，并不用于限定本发明。

图1为本发明主配网一体化事故响应决策流程图，如图1所示，本发明提供了一种主配网一体化事故响应决策方法，方法包括以下步骤：

步骤一、建立主配网一体化运行情景集和故障集；

步骤二、基于主配网一体化快速仿真结果建立全局协调控制策略知识库；

步骤三、采用特征提取、决策树生成技术生成仿真情景决策规则库；

步骤四、通过主配网运行状态感知技术和自主决策匹配方法实现故障后主配网的自主决策匹配响应。

实施例1

在步骤一中：主配网一体化仿真的运行情景集设计应考虑气象条件下分布式电源和负荷的不确定性。本发明通过拉丁超立方抽样技术模拟生成一系列运行情景。

拉丁超立方抽样(Latin hypercube sampling,LHS)是一种采样值可有效反映随机变量整体分布的多维分层采样方法，该方法保证了所有的采样区域都能被采样点覆盖。拉丁超立方抽样法一般分为采样和排序2步：首先对每个输入随机变量进行采样，确保随机分布区域能够被采样点完全覆盖；然后改变各随机变量采样值的排列顺序，使相互独立的随机变量的采样值的相关性趋于最小。本发明采用拉丁超立方抽样法，根据风电、光伏等各典型气象条件下的预测出力与预测误差分布，模拟生成风电、光伏出力的运行场景。

(1)区间采样

假设有N个服从一定概率分布的独立随机变量X₁，X₂，...，X_N，其中X_n为其中任意随机变量，累计概率函数可表示为：

Y_n＝F_n(X_n) n＝1,2,...,N (1)

拉丁超立方抽样的具体采样方法为：取M为采样规模，由于每个随机变量的累计概率函数Y_n是连续单调递增函数，将其对应的取值空间[0,1]平均划分为M个不重叠区间，即[0,1/M]，[1/M,2/M]，...，[(M-1)/M,1]，从每 个等距离区间中随机选择一个作为采样值，每个采样值可表示为：

其中采样值U_m的取值范围为：

同时每个区间只能随机生成一个采样值，不重复采样。

得到M个区间Y_n随机采样值后，利用反函数即可计算得到X_n采样值：

公式(4)中：X_nm为随机变量X_n的第m个采样值。

对随机变量X_n采样结束后，得到M个采样值，排为采样矩阵的第n行。当K个变量全部采样完成后，采样值构成初始采样矩阵X_s，阶数为N×M。

(2)排序

在形成初始采样矩阵X_s之后，需要结合相关性控制算法对其进行排序，通过改变各随机变量采样值的顺序来降低它们之间的相关性。本发明采用Cholesky分解法对采样矩阵重新排序，主要分为以下步骤：

1)形成顺序矩阵L。L的阶数与X_s相同，即N×M阶，L中每一行由1～M个数随机排列形成的，各元素代表着X_s中相应行采样值在新矩阵中的位置；

2)顺序矩阵L的更新。假设对称正定矩阵ρ_L为L的行相关系数矩阵，则通过Cholesky分解的得到矩阵D，D是一个非奇异下三角实数矩阵，满足以下关系：

ρ_L＝DD^T (5)

然后构造矩阵G：

G＝D^-1L (6)

G是一个N×M阶矩阵，而其相关系数矩阵N×N阶单位矩阵，这说明矩阵G中各行向量间不存在相关性。将矩阵L中各行元素按照G中对应元素 从大到小排序，得到新的顺序矩阵L；

3)得到新的X_s矩阵。将X_s中元素按L中的顺序值进行替换，实现X_s矩阵相关性的降低。

为了便于计算，在生成主配网一体化仿真运行情景集时一般先排列后采样，即先生成顺序矩阵L，然后再进行采样，形成X_s。例如，考虑风电、光伏等出力时，X_s中行元素代表某种气象条件下风电、光伏出力的采样值。

本发明对运行情景中发电机出力、负荷大小等其余属性均采用拉丁超立方抽样法模拟采样，将所有采样结果排列组合后形成多个运行情景，生成主配网一体化仿真的运行情景集。

主配网一体化仿真的故障集设计，由于实际电网中故障数量非常庞大，且并非所有故障都会造成严重的后果，若将所有故障都放于各运行情景集中进行主配网一体化快速仿真，则过会导致计算量过大。所以本发明考虑根据设备的实时运行情况、电网实际调度需求、故障对电网的影响等因素，给出各故障发生概率与严重性的综合度量，以此来筛选故障，生成主配网一体化仿真的故障集。综合度量的数学表达式为：

式中：X_f为当前系统运行状态；E_i为第i个预想故障；P_r(E_i)为E_i发生的概率；S_ev(E_i)为E_i发生后系统损失的严重程度。

(1)故障概率模型

对于某条线路，根据泊松分布，第i条线路在时间区间t_s内发生故障的概率为：

P_r(F_i)＝1-exp(-λ_it_s) (8)

式中：F_i为第i条线路发生故障；P_r(F_i)为第i条线路发生故障的概率；λ_i为第i条线路的故障率。

对于单重故障有

多重故障情况下的计算公式可类推。

(2)故障严重程度评价模型

线路故障停运对电力系统的影响主要表现为支路过载和节点电压越限，支路过载可能引发连锁故障，节点电压越限可能导致电压崩溃。为此，将系统故障损失分为支路过载和节点电压越限2类。

考虑到故障严重程度函数应能反映运行状态量越限的成都和不同故障间的相对严重程度，本发明采用效用函数来度量故障后果。

系统发生故障后支路i的过载损失值ω_Li的定义式为：

式中：L_i为支路i的实际输送功率与功率限额之比；L₀为设定的阈值，优选地，本发明中取为0.9。若L_i小于L₀，调度人员认为该支路不存在过载风险。

定义支路i的过载严重程度为：

式中：a、c均为正数。

由公式(11)可以看出，过载严重程度关于过载损失值的1阶导数和2阶导数均大于0，这表示随着故障损失增加，运行人员的不满意程度及其变化速率均增加，充分体现了运行人员对故障后果的心理承受能力，符合电力系统实际运行情况。

同理，系统发生故障后节点i的电压越限损失值ω_Vi的定义式为：

公式中：U_i为节点i的电压幅值；U_imax、U_imin分别为节点i的电压幅值的上、下限。若U_i在允许范围内，运行人员认为该节点不存在电压越限风险。

定义节点i的电压越限严重程度为：

本发明通过故障综合度量指标来进行故障筛选与排序，从几千个预想故障中筛选出严重故障并对其排序，组成主配网一体化仿真故障集。通过 故障筛选与排序，将排序结果中前M个故障生成主配网一体化仿真故障集。

考虑到气象因素的影响，在大雾、暴雨、高温、冰冻、台风特定的恶劣气象条件下，部分地区的设备发生故障的概率会显着提高，此时应将其中发生概率较高的故障也加入到故障集中。

实施例2

本发明的步骤二：

知识库由三部分内容组成：电网故障前的运行状态，电网故障后的运行状态，故障最优恢复控制策略。通过输入运行情景集和故障集进行主配网一体化快速仿真，即进行主配网全局优化得到故障最优恢复控制策略，真实记录电网发生的故障和故障前后运行状态、控制策略，建立全局协调策略知识库。

图2为主配网中发生故障前结构示意图，如图2所示，读入某一运行情景后的主配网中发生配网故障前的结构示意图。图3是故障时结构示意图，根据图3可知，知识库中存储的故障前运行状态包括主网中发电机1、2的出力、变压器1的抽头位置，电容器组1、2的投切组数，配网中联络开关1～3的开断状态，DG1～4的出力等电网运行状态。读入故障集中某一配网故障，如配网1中发生如图3所示的线路开断故障，此时记录故障后的主配网运行状态量并存储于知识库中，之后通过图4所示的主配网一体化快速仿真得到故障最优恢复控制策略。为该主配网故障后得到的故障最优恢复控制策略，包括主网中发电机2增大出力，配网中联络开关3闭合、DG1、4增大出力等策略，将这些策略存储于知识库中，建立全局协调控制策略知识库。图5为主配网中发生主网故障时的结构示意图，若主配网中发生如图5所示的主网中发电机2停运故障，则通过主配网一体化快速仿真可得到如图6所示的故障最优恢复控制策略，包括主网中发电机1增大出力，配网中DG1～4增大出力等。

主配网一体化全局协调控制知识库的建立步骤为：

(1)主、配网智能体获取当前时刻电网断面信息，通过主配网一体 化状态估计建立各自潮流初态。

(2)主配网智能体收集各自电网内气象信息数据，结合电网典型运行方式通过拉丁超立方采样技术得到电网运行情景集，同时得到电网仿真故障集；

(3)针对故障集合中每个待仿真故障，采用主配网一体化故障恢复控制优化问题的求解，得到主配网协调控制策略；

(4)将故障前电网状态、故障后电网状态和控制策略写入本发明定义的全局协调控制策略知识库，对原有库进行更新。

实施例3

在本发明的步骤三中：

主配网一体化仿真情景决策规则库是通过特征选择技术对全局协调策略知识库中电网运行状态的关键特征属性进行提取，然后将选择出的特征属性作为输入属性，自动生成决策树，从决策树中提取精细规则，建立主配网一体化仿真情景决策规则库。

特征选择是提取特征属性的可行方法。电力系统具有有功无功解耦、分层分区调度等特点。鉴于此，本发明使用基于属性分类的特征选择方法(mutual information feature selection based on classification of attributes,MIFS-C)。该法首先将属性进行分类，不同类的属性之间的相关性很小。特征选择可在各类中分别进行，从而将高维组合问题降为低维组合问题，降低计算量。MIFS-C特征选择的过程如下：

(1)计算各属性之间的相关度。公式(14)定义了属性X与Y之间的相关度：

公式中：H(X)、H(Y)分别为属性X与Y的熵；I(X；Y)为属性X与Y之间互信息。

公式中：S_x，S_y为X，Y的可能取值集合。p(x)是X取x的概率，p(y)的含 义与p(x)类似；p(x,y)是X取x，Y取y的联合概率。本发明在熵和互信息的计算中，对连续属性进行了离散化处理。

由公式(14)可见，R(X；Y)的取值范围为[0,1]，它反映了属性X与Y之间的相关性，如果大，则R(X；Y)属性X与Y强相关；反之则属性X与Y弱相关。

(2)剔除冗余属性

如果R(X；Y)≥α(本发明取α＝0.95)，则属性X与Y强相关。进一步，若H(X)≤H(Y)，则剔除X；反之，剔除Y。设剔除冗余属性后的属性集为Ω。

(3)属性分类

若Ω₁、Ω₂和Ω的任意2个互不相交的子集，定义它们之间的相关度为：

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

分类就是将Ω分为数个互不相交的子集，任意子集Ω_i和Ω_j间均满足R(Ω_i；Ω_j)＜β(本发明取β＝0.04)，即属于不同类的属性之间的相关性都很小。本发明分类采用递归算法，其具体过程如下：①当前Ω中有n个元素，将每个元素单独作为1个类，这样，Ω被分为n个类；②利用式(16)确定任意2个类之间的相关度；③将相关度最大的2个类合并为1个类，n＝n-1；④利用式(16)确定n个类中任意2类的相关度；⑤如果n≠2，转步骤③；⑥如果n＝2，说明Ω已经被分为2类，这里记为Ω₁、Ω₂，若R(Ω₁；Ω₂)＜β，将Ω分为Ω₁、Ω₂，否则Ω标记为“不可分”；⑦递归过程：对每个子类，重复步骤①～⑥进行再分类，直到所有子类都“不可分”，完成分类。

(4)选择特征属性

设分类得到K个属性分类，用Ω_i表示为第i类。m_i、和分别为Ω_i当前提供的特征属性个数、特征属性集合、提供的信息量；F为特征选择结果属性集；m为F中的特征属性个数；C为目标属性，定义：

式中：属性η为常数，本发明取η＝0.3。

选择M个特征属性的过程如下：

(1)初始化：m＝0，对I(F_i⁰；C)＝0。对对m_i＝0，在Ω_i中以最大为目标选择1个属性组成

(2)m在原来基础上增加1，即m←m+1，选择m个特征属性的步骤为：①对计算信息增益②若类Ω_i的信息增益最大，则更新特征属性集合：③为下一步特征选择做准备：对Ω_i，将m_i在原来基础上增加1，即m_i←m_i+1，以最大为目标选m_i个属性组成

(3)若m＜M，转步骤(2)；否则输出特征属性集F。

规则库中的规则生成使用了基于C4.5算法的决策树方法，决策树的根节点到叶节点的每条路径都对应一条IF-THEN条件规则。本发明以主配网一体化快速仿真结果为样本空间，使用特征提取技术选择出的电网故障后的运行状态关键特征属性和故障最优恢复控制策略作为输入属性，作为目标属性，基于C4.5算法生成决策树。

C4.5决策树算法以信息论为基础，以信息熵和信息增益率为属性作为判断和选择的标准，使用贪心算法自顶向下搜索的方式生成决策树。其具体方法为：检测所有的属性，选择信息增益率最大的属性产生决策树节点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树节点的分支，直到所有子集仅包含同一类别的数据为止。

设S是s个样本的集合。假定分类属性具有m个不同值，定义m个不同值为C_i(i＝1,...,m)。设s_i为类C_i中的样本数。则对一个给定的样本分类所需的期望信息为：

公式中：p_i＝s_i/s为样本属于C_i的概率。由于信息用二进制编码，则对数函数以2为底。

设属性A具有v个不同值{a₁,a₂,...,a_v}，则用属性A将S划分为v个子集{S₁,S₂,...,S_v}，其中S_j中的样本在属性A上具有相同的值a_j(j＝1,2,...,v)。设s_ij是子集S_j中类C_i的样本数。对给定的子集S_j，由A划分子集的熵或信息期望为：

公式中：p_ij＝s_ij/s_j是S_j中样本属于C_i的概率。

则在属性A上分枝可获得的信息增益为：

Gain(A)＝I(s₁,s₂,...,s_m)-E(A) (20)

样本点的集合的信息熵为：

则信息增益率为：

基于C4.5算法的决策树生成方法过程如下：

(1)决策树已代表整个样本集全部记录的单个节点作为根节点；

(2)如果样本记录都属于同一类，则该节点为叶节点，并用该节点中样本所属的类进行标记；

(3)否则，算法使用信息增益率的度量指标作为启发信息，从样本属性候选集合中选择能将样本最优分类的属性，该属性称为该节点的“测试”或“判定”属性，在对于本发明的电网运行状态属性有许多连续值，需先将其离散化；

(4)对选定测试属性的每个已知值，创建一个分枝，并据此将样本数据划分到各个分枝中；

(5)算法递归同样适用上述过程，形成每个划分的子样本决策树，一旦一个属性被选作为一个节点的测试属性，就不必再考虑在该节点的任何后代上作测试属性的可能性；

(6)递归划分步骤仅当下列条件之一成立时停止：

1)给定节点上的所有样本数据属于同一类，即所有记录类标号属性的取值相同；

2)没有剩余候选属性可以用来进一步划分样本，在此情况下，使用 多数表决法，这需要强制的将待分列的节点转换成叶节点，并用该节点样本数据中的多数记录所属的类标记它；

3)分列后，某分枝中没有样本记录，在这种情况下，以样本数据中的多数类创建一个叶节点。

实施例4

在本发明的步骤四中：

主配网的运行态势感知是指在主配网运行范围内，认知、理解电网实时运行中各个设备的运行状态和运行参数，将所有信息识别并转化为主配网的实时运行状态量，并甄别和剔除出其中错误、无效的信息。本发明中的故障主要是来自于电网外部环境因素和内部的设备运行特性变化时对电网的扰动。因此，态势感知技术主要是感知到这种扰动，对其进行一系列分析，得到这种扰动后电网运行状态和运行参数。感知的故障主要内容具体可以来自于不同数据源的数据，在本发明中主要来自于外部数据和内部数据，外部数据主要是指当地气象部门所提供的高精度气象灾害数据；内部数据又可分为动态数据和静态数据两部分，动态数据主要是指从EMS/DMS和SCADA提取的电网实时运行状态量数据，静态数据主要是指电网电气元器件的属性参数及电网GIS的地理数据，从GIS获得的地理数据主要有当地配电网的地理沿布图，线路单线图以及元器件的SVG图等。因此，通过主配网的运行态势感知技术能够实时获得以上这些庞大的数据源，为主配网一体化事故响应决策系统的下一步分析建立基础。

总之，通过主配网一体化运行的态势感知技术，可以从电网实时数据中获得主配网一体化仿真所需要的主配网运行状态的信息，以及当前发生的故障信息。并且根据这些原始信息，通过计算得到自主决策匹配用的特征量信息。

1.主配网故障自主决策匹配与响应

主配网的实时运行状态信息在实际运行中是不断变化的，检测到系统发生故障后需要快速通过自主决策匹配尽快从情景决策规则库中匹配出符合当前主配网运行状态的规则来执行。然而由于电网运行情况复杂，主 配网一体化情景决策规则库中的规则数目过于庞大，如果每次都对整个规则库进行匹配，其效率将十分低下，采用一定的方法提高自主决策匹配的效率势在必行，因此本发明中使用Rete算法加快规则库的决策匹配过程。

(1)Rete算法的原理

Rete算法是目前效率最高的一个前向链形匹配算法，其核心思想是将分离的匹配项根据内容动态构造匹配树，以达到显著降低计算量的效果。在匹配规则的过程中，规则的前提中可能会有很多相同的判断条件，因此在匹配规则前提时，将进行大量的重复运算，这样就带来时间冗余性问题。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

若要匹配这3条规则时，对于表达式A＞B要进行三次计算，对B＜C需要两次计算。Rete采用的方法为：令M＝A＞B，N＝B＜C，则上述三条规则可改写为：

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

这样只有当A或B发生变化时，才重新计算M；同样当B或C发生变化时，才重新计算N。这样的处理方法避免了在每次进行规则匹配时都重复计算相同的表达式，而只要检测相关状态变量是否变化来决定是否需要更新表达式，这样在匹配过程中节省了大量时间和开销，从而提高了匹配效率。可以看出，Rete算法需要存储额外的匹配信息，是一个用空间换取时间的算法。

主配网在实际运行时，大部分状态变量的变化是连续而缓慢的，在较短的时间段内不会出现太大的波动，即使主网或配网中某处发生故障，离其较远的部分电网大多数情况下并不会受到太大的影响，如果每次循环都 匹配所有的状态变量，效率将会非常低下，采用Rete算法，在匹配规则时变化较小的状态变量不再重复匹配，只针对变化大的状态变量进行比较，可以极大地提高效率。

(2)Rete图的网络结构和建立

Rete算法的实现流程可通过Rete图来说明。Rete图包含类型节点(Type Node)、Alpha节点(Alpha Node)和Beta节点(Beta Node)，在主配网故障自主决策匹配与响应的实现过程中，类型节点即可设置为匹配时所比较的主配网的状态变量，Alpha节点即为每条规则中每个状态变量具体满足的条件，Beta节点则由Alpha节点依次组合的结果。

将情景决策规则库中所有规则按照7所示Rete图的结构构建即可形成成Rete匹配网络。其具体的构建过程如下：

1)创建根节点，形成匹配网络的入口；

2)从情景决策规则库中提取新的规则，从规则的条件中提取出各个状态变量满足的条件：

a)检查该规则的条件中是否出现了新的状态变量，如果是新的状态变量，添加一个类型节点；

b)检查该规则中的各个状态变量满足的条件是否已经存在于Alpha节点中，如果存在则记录下该Alpha节点的位置，如果没有，则将该状态变量满足的条件作为一个新的Alpha节点加入到网络中；

c)重复b)，直至将该规则中所有的状态变量满足的条件都处理完毕；

d)组合Beta节点：第一个Beta节点由两个Alpha节点组合而成，其后的每个Beta节点由上一层的Beta节点和新的Alpha节点相组合；

e)重复d)，直至生成所有Beta节点；

f)将该规则对应的执行动作封装成最后节点；

3)重复2)，直至规则库中的所有规则都处理完毕。

(3)基于Rete算法的主配网故障自主决策匹配与响应

基于Rete算法进行主配网故障自主决策匹配与响应时，除了首次匹配时需要对主配网中的每个状态变量都进行匹配以外，之后每隔一个周期进行匹配时，只需判别当前主配网状态变量相较于上个周期变化大的部分，根据变化较大的状态变量对应的Alpha节点从Beta网络中直接继续后续的匹配工作，省去了对变化小的那部分状态变量重复匹配的过程。其具体匹配过程如下：

(1)首次匹配时，比较主配网中所有状态变量的信息，寻找相应的规则；

(2)每隔一定的周期，检测系统中的状态变量相较于上个周期的变化量，甄别出其中变化超过决策树对应条件所在离散区间的状态变量；

(3)根据变化的状态变量所对应的Alpha节点，搜索其中对应层数最少的Beta节点，从该Beta节点开始寻找满足条件的规则并记录下本次匹配的Rete图；

(4)执行规则对应的动作，做出响应动作。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。