结合数据与模型混合驱动的分层化网络重构方法及系统与流程

本发明涉及配电网重构领域，特别是涉及一种结合数据与模型混合驱动的分层化网络重构方法及系统。

背景技术：

配电网重构是寻求配电网中所有开关的最优开断组合，在满足系统辐射状结构运行以及节点电压和功率约束的前提下，实现网络的网损最小以及提高系统经济性等目的。开关状态是一个二进制变量，而系统的潮流是连续变量，因此，配电网重构是一个混合整数非线性规划问题，其求解方法一般可以分为数学优化算法、智能算法。对于大型网络，仅采用数学规划算法难以进行求解，采用智能算法时，需要对所有可能的情况进行遍历，并多次计算全网潮流分布，因此需要较长的在线计算时间及大量的计算资源。

技术实现要素：

本发明的目的是提供一种结合数据与模型混合驱动的分层化网络重构方法及系统，能够在一定程度上缩小解空间，降低计算复杂度，提高计算速度。

为实现上述目的，本发明提供了如下方案：

一种结合数据与模型混合驱动的分层化网络重构方法，包括：

基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；

根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；

对所述聚类结果进行学习，得到压缩网络模型的离线数据库；

根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；

判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；

若否，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；

对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；

根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络，并返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；

若是，则将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

可选地，所述根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果，具体包括：

根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；

根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。

可选地，所述对所述聚类结果进行学习，得到压缩网络模型的离线数据库，具体包括：

采用lstm深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。

可选地，所述将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案，具体包括：

利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

一种结合数据与模型混合驱动的分层化网络重构系统，包括：

压缩网络建立模块，用于基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络；

第一重构组合结果确定模块，用于根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果；

第一离线数据库确定模块，用于对所述聚类结果进行学习，得到压缩网络模型的离线数据库；

平行解压缩网络确定模块，用于根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络；

判断模块，用于判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；

第二重构组合结果确定模块，用于当所述解压缩网络的各个环中断开的开关不是由原网络中的两个分段开关等效得到的分段开关，则根据所述配电网重构模型及聚类模型，计算多个所述平行解压缩网络的重构组合结果及聚类结果；

离线数据库确定模块，用于对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；

下一层平行解压缩网络确定模块，用于根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络；

返回模块，用于返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”；

最终重构方案确定模块，用于当所述解压缩网络的各个环中断开的开关是由原网络中的两个分段开关等效得到的分段开关时，将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

可选地，所述第一重构组合结果确定模块，具体包括：

最优重构组合结果确定单元，用于根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；

聚类结果确定单元，用于根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。

可选地，所述第一离线数据库确定模块，具体包括：

第一离线数据库确定单元，用于采用lstm深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。

可选地，所述最终重构方案确定模块，具体包括：

最终重构方案确定单元，用于利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

(1)本发明通过建立数据模型混合驱动的网络重构方法，利用网络重构及聚类的数学模型得到不同负荷样本的最优重构方案及各个独立的聚集，并以此构造负荷样本与最优重构方案的数据库，通过数据驱动的方式，对数据库中相同最优重构方案的类别进行学习，形成类别的权重系数，依此形成不同重构方案的离线数据库。

(2)本发明通过构建配电网络的压缩模型与解压缩过程形成分层化的重构方法，并证明了所提压缩方法的等效性，减少变量维度，简化网络重构的计算，通过压缩网络的最优重构方案及聚类结果，结合模型及数据驱动结果分层进行解压缩，形成多层独立的解压缩网络，每个解压缩网络对应一个离线数据库。

(3)本发明通过数据模型混合驱动的方式构造最优重构方案的离线数据库，通过网络压缩模型与解压缩过程形成多层解压缩网络，基于此构造在线计算与离线计算相结合的方法，通过各离线数据库，快速得到负荷样本最后一层的解压缩网络，并利用简单的带入计算，求得最后的最优重构方案。有效减少了计算时间以及对计算资源的消耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为结合数据与模型混合驱动的分层化网络重构方法流程图；

图2为网络结构示意图；

图3为n节点支路的等效过程示意图；

图4为分层网络解压缩过程示意图；

图5为结合数据与模型混合驱动的分层化网络重构系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为结合数据与模型混合驱动的分层化网络重构方法流程图。如图1所示，一种结合数据与模型混合驱动的分层化网络重构方法包括：

步骤101：基于配电网结构及联络开关，为配电网划分环路，通过网络的压缩过程，建立压缩网络。

本发明中基于配电网结构及联络开关根据“至少包含一个联络开关，且包含的分段开关尽可能少”的原则，为配电网划分环路，同时将配电网的分段开关和联络开关划分到不同的环路中。

划分好环路的配电网可以看做是由节点和支路构成的有向图g＝(v,e,a)，其中，v是n个节点的集合，e是边的集合，a是有向图g的邻接矩阵。如图2所示网络结构，每个支路都对应一个分段开关或联络开关。在图2中，一个节点所连接支路的条数称为节点的度。根据节点的度，可以给出如下网络压缩的定义。

定义1：在配电网中，几个度为2的连续节点合并到最后一个节点，相应支路的开关整合为一个分段开关，称之为网络压缩。

根据定义1，图2中所示28节点网络可以压缩为9节点网络，如支路1’7’是由7条支路整合得到的。得到压缩后的网架结构后，依据定理1进行网络参数的等效处理。

定理1：在保证网络压缩前后的功率损耗不变时，几个连续的度为2的节点可以等效为一个节点，且对应的节点功率和支路参数满足公式(1)-(2)。

其中，r′、x′、p′、q′分别是网络压缩等效后的支路电阻、支路电抗、节点有功功率和节点无功功率，r(n-1)n、x(n-1)n、pn、xn分别是支路(n-1)n的支路电阻、支路电抗、节点n的有功功率和无功功率。

证明：

网络损耗可以按照式(3)-(4)进行计算。

其中，δpij、δqij分别是支路ij的有功损耗和无功损耗，pj、qj、uj分别是节点j的有功功率、无功功率和节点电压，rij、xij分别是支路ij的支路电阻和支路电抗，kij表示支路ij上开关的开闭状态，1表示开关闭合，0表示开关断开。

根据式(3)计算图3所示n节点支路的有功损耗。

考虑到单支路的无功功率一般较小，因此公式(5)中的第二个等号成立。在配电网的正常运行情况下，相邻节点的电压偏差较小，因此公式(5)的第三个等号成立。根据公式(5)及定义1可以得到n节点支路可以等效为1节电支路，即由图3中支路a压缩等效为支路b，且等效支路的线路参数和节点有功功率满足公式(1)。根据无功损耗的计算公式(4)及保持无功损耗不变，同理可以得到支路压缩等效后的支路电抗和节点无功功率满足公式(2)。

步骤101提出的网络压缩模型，通过对网络中度为2的节点进行合并处理，保持网络中的结构及环的划分不变，得到压缩网络，使网络中节点数量减少，计算的复杂程度降低。

步骤101中提出网络压缩的定理，证明所提压缩网络在仅存在度为2的节点时，节点功率以及支路阻抗与原网络的等效性。但在存在度大于2节点的支路上网损会出现微小的偏差，通过提出修正方法加以修正，证明所提压缩网络的可使用性。

之所以会出现微小偏差，是因为根据压缩模型，压缩支路仅受与其直接相关的支路阻抗和节点功率的影响，可以视作内部网络等效，而网损由所有支路的阻抗和节点功率共同决定的，因此网络压缩前与压缩后，包含度大于2节点的支路的网损会出现较小偏差。

步骤102：根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果和聚类结果，具体包括：

根据所述压缩网络建立配电网重构模型及以相同重构策略为目标的聚类模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。

(1)配电网重构数学模型

本发明中通过对开关状态的转变进行配电网重构，重构基于潮流计算进行。为了达到配电网辐射状运行的要求，采用前推回代法计算网络潮流，该方法首先对网络进行预处理，找到根节点以及网络的连接关系，而后假设节点电压不变，通过前向传递计算每条线路的潮流，再通过反向传递计算每个节点的电压，潮流计算的模型可以表示为：

其中，ij是节点i和j之间的支路，网络中节点数量为n，rij及xij为支路ij的电阻及电抗，s为功率，且s＝p+jq，u为电压，且u＝u∠θ。

由于网络重构的目标为网络网损最小，通过潮流计算的结果可以对网络的网损进行计算，全网的网损可以通过每个支路网损的和进行计算：

其中g为开关变化的次数，csw为单次开关动作的损耗，k为开关个数。

因此可以得到以网损最小为目标的网络重构数学模型：

s.t.umin＜|ui|＜umax,(11)

f(x)＝0,(13)

δp+∑i∈n(pli)≤∑i∈npgi,(14)

radialsystem,(15)

其中和为电力线传输容量的上下限，kij为支路ij的开关，如果为联络开关的话，以lij表示，式(13)为潮流计算约束，式(14)为功率平衡约束。

(2)改进和声搜索算法对模型的求解

鉴于网络重构模型为与图论相关的复杂组合优化问题，采用数学方法求解存在困难，和声搜索算法作为一种启发式算法，可以通过和声矩阵的更新及替换找到问题的全局最优解，因此采用和声搜索算法求解该重构问题，并基于配电网的运行特性，对该算法进行改进。其中每个和声所指的为重构的一种可行方案，以步骤101中所确定的各个环中断开的开关表示。本发明中不限于只采用和声搜索算法对模型求解，还有其他求解方式。

基于步骤101中对网络分环的结果，在重构过程中，每个环只允许断开一个开关，以保证配电网开环运行的要求，改进和声搜索算法的步骤如下：

(1)初始化。对和声搜索算法的5个参数进行初始化，和声矩阵大小，对应解空间的大小(hms)，其中矩阵中每个向量表示问题的一种解；从和声矩阵中选择某个解的概率(hmcr)；微调所选择解的概率(par)；微调的范围(bw)；迭代的最大次数(tmax)。将所有解空间分为两部分，分别为初始和声矩阵和剩余和声矩阵，二者随机分配，并可表示为：

hmini＝[k¹k²…k^hms]^t,(18)

hmleft＝[k^hmsk^hms+1…k^total]^t,(19)

其中，k^hms为和声向量，可表示为：

其中，n表示网络中的环，表示环n中断开的开关，且网络中环的数量等于联络开关的数量。

(2)产生新的和声向量。在初始和声矩阵以及剩余和声矩阵中选择向量。产生一个0-1之间的随机值τ。若τ＜hmcr，k^new＝k，其中k是初始和声矩阵中的和声向量；若τ＜par，k^new＝k^index+bw*a，其中a是介于0-1之间的一个随机产生的值；否则k^new＝k^j，j∈[hms，…，total]，k^j为剩余和声矩阵中的和声向量。

(3)更新和声矩阵，若目标函数(4)在新选择的和声矩阵中有更小的网损，那么新的和声向量k^new将代替原来和声矩阵中的那一项。

(4)判断终止条件，当最大迭代次数tmax达到时，或是前后两次的网损差值小于10^-5，改进和声搜索算法停止。

基于该算法对网络重构的数学模型进行求解，得到网络在某一负荷条件下的最优重构组合结果。

修正：由于节点存在度大于2的情况，使得压缩网络中的串联支路与原网络相应支路的网损存在偏差。此外，由于配电网以闭环形式设计，所以一个环中与度大于2的节点相联系的分段开关与联络开关在不同的串联支路上。位于度大于2节点处串联之路的网络变化将会导致对分段开关及联络开关状态的误判。因此，提出式(22)所示的修正方法，通过比较分别开分段开关和联络开关情况下的网损，选择最小值作为最优策略，得到最优结果。

式中，为环l的分段开关，为环l的联络开关。

采用表示最优重构组合结果，结合配电网重构问题的求解以及修正方法，最优重构组合结果将满足：

目标导向的聚类基于配电网重构问题进行，目的在于在最小网损的条件下最小化各个最优重构策略的距离，将相同最优重构策略作为聚类的目标形成聚集，聚类的过程即求解下述问题：

其中为聚集m中的最优重构策略，γm为最优重构策略及其表现之间欧式距离。m为聚集的序数，总数为m，g(·)为聚类的目标函数。

聚类的结果可以表示为：

其中为聚集m，ks-m为除了聚集m的重构策略。

步骤103：对所述聚类结果进行学习，得到压缩网络模型的离线数据库。作为一种可选的实施方式，采用lstm深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库，本发明还可采用其他方法对聚类结果进行学习，不限于本发明中指出的lstm深度学习网络。

建立基于智能电表量测数据的数据驱动模型，在离线条件下，采用lstm深度学习网络对聚类结果进行学习，形成聚集的各个权重系数，形成压缩网络的离线数据库。

基于步骤102，可以得到网络重构的最优开关组合及聚集，基于这些聚集以及负荷数据的样本，构成重构的负荷及开关组合对应聚集的数据集，采用深度学习模型进行学习，形成各个类别的权重系数，由于对所有样本的学习过程是离线的，因此也称为离线数据库。

由于同一个用户每天的负荷都呈现相似的分布规律，并且在一天内负荷分布存在时间耦合，因此负荷的分布具有时间序列特征。长短期记忆网络(lstm)可以很好的解决对于具有时间依赖性的问题，因此采用该网络构建数据驱动模型。

lstm网络的特征由最优重构组合结果以及网络结构两部分组成，构成一个特征矩阵：

pi∈n×2(25)

其中，n为网络的节点数，按照网络的标签排序，2表示各节点的有功功率及无功功率，由重构数学模型计算得出，每个特征都将对网络重构聚集划分的准确率产生影响。

采用max-min归一化将每个特征的大小缩小至0-1范围内。网络重构的目标为划分出不同的重构结果(即开关组合)，因此lstm网络的输出为各最优重构方案的类标。

通过特征矩阵作为输入，聚集类标作为输出，在lstm网络隐含层(共有三个层，输入层、隐含层，输出层)中的遗忘门机制将有助于形成输入与输出之间的关系，并最小化学习的误差：

其中，q为输出层节点个数，uq(·)为节点q的输出函数，代表真是的输出结果，为节点q理想的输出结果。

在lstm网络的学习中，将聚类得到的相同最优重构方案作为一个类别，基于各个类别学习各节点功率与最优重构方案之间的关系，类别的表示如下所示：

其中，lm的为类别，与为不同负荷分布下的最优重构组合结果。

通过lstm网络对聚类结果的学习，将在所有样本中形成多个数据库，并具有形成这些数据库的权重，即可以区分某个样本应该属于哪个数据库那种，每个数据库中包含相同最优重构组合结果的样本。

步骤103中所提的数据驱动方法，通过步骤102中网络重构及聚类数学模型的求解结果，利用lstm网络进行学习，通过聚类模型计算得出几类聚类结果，每种聚类结果对应一种最优重构方案，并形成离线的重构数据库，学习形成各数据库的权重系数。通过各离线数据库，可迅速区分出某种负荷分布的重构策略。

步骤104：根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络。

基于步骤103中lstm网络对于压缩电力网络学习形成的离线数据库，构建网络的解压缩模型，在压缩网络的基础上，依据lstm网络对聚集的学习，分别在步骤101中所述的各个环中解压缩部分压缩区域，形成多个平行的第一次解压缩网络。

根据步骤103中所得的压缩网络离线数据库，可以得到压缩网络中开关的状态，若等效开关为断开状态时，需要按照网络解压缩算法进一步确定断开开关的具体位置。

本发明中网络解压缩算法的具体过程如下所示。

(1)判断压缩网络中支路ij的断开开关是否是由步骤1得到的等效开关，若是，则执行(2-4)，否则，执行(5)；

(2)判断压缩网络中支路ij在原网络中对应支路的分段开关数量m，若m＝2，则执行(5)，否则，在压缩网络支路ij中增加分段开关i’，并执行(3-4)；

(3)若m＝2k+1(k∈n+)，则压缩网络的支路ii’包含原网络中相应支路上的k个分段开关，支路i’j则包含相应支路上的(k+1)个分段开关；

(4)若m＝2k(k∈n+)，则压缩网络中支路ii’包含原网络中相应支路上的k个分段开关，支路i’j包含相应支路上的k个分段开关；

(5)结束网络解压缩算法。

根据图2所示的压缩网络架构，假设在一定数量的负荷样本中，经过步骤102的网络重构模型可以得到三类最优重构结果，且每类结果中分别存在一个断开的等效开关，即在第一类结果中断开等效开关7’，第二类中断开等效开关4’，第二类中断开等效开关8’。按照网络解压缩算法，将对这三个等效开关所在支路进行解压缩，形成3个独立的解压缩网络，解压缩结果如图3所示，第一个网络在支路1’7’中增加分段开关a1，第二个网络在支路3’4’中增加分段开关a2，第三个网络在支路2’8’中增加分段开关a3。

步骤104中所述网络的解压缩过程，基于步骤101中压缩网络，以及步骤103中针对步骤102的网络重构结果的聚类学习，形成多个离线数据库，根据各个数据库对应的开关组合，对压缩网络的支路进行解压缩，使得压缩网络逼近原网络。例如在图2中网络的其中一个最优重构组合结果为7'，10'，11'，则对环k1中的开关7'进行解压缩，得到第一次解压缩网络。根据上述过程循环进行解压缩，直至步骤8所述停止条件达到。

步骤102-104中通过网络重构数学模型以及数据驱动的深度学习模型构成了数据-模型混合驱动的重构方案，使用模型驱动的方法求解不同负荷样本的最优重构组合结果，在最优重构组合结果的基础上，形成负荷样本与最优重构方案的数据库，通过数据驱动的lstm网络进行对聚类结果进行学习，形成各个聚集的权重系数。结合网络的压缩模型与解压缩算法，进行分层化的网络重构。

步骤105：判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关；

步骤106：若否，则根据所述配电网重构模型，计算多个所述平行解压缩网络的重构组合结果。

经过步骤104，得到第一次解压缩网络的网络架构，相对于步骤101中压缩网络，在各个环中增加了几个开关。同样采用步骤102所述配电网重构模型，对各个第一次解压缩网络进行最优重构方案与聚集计算，得到各个第一次解压缩网络分别对应的重构方案数据集及聚集。

步骤107：对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库；

基于步骤106中得到的第一次解压缩网络的重构方案数据集，利用步骤103中所述lstm网络的输入输出特征、学习过程，针对第一次解压缩网络的数据集进行学习，仍让将一个聚集作为一个学习的类别，学习各个样本分类的依据，即网络的权重系数，构建第一次解压缩网络的各个离线数据库。

步骤108：根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络，并返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”。

根据步骤107中第一次解压缩网络的重构方案，并基于步骤104中的网络解压缩算法，对第一次解压缩得到的三个平行网络(分别增加分段开关a1,a2,a3后的网络)做进一步的解压缩，即在第一类第一次解压缩网络的k1环中增加b1,b2解压缩支路，得到两个独立的第二次解压缩网络；在第二类第一次解压缩网络的k2环中增加解压缩支路b3，得到一个第二次解压缩网络；在第三类第一次解压缩网络的k3环中增加解压缩支路b4,b5，得到两个独立的第二次解压缩网络。如图2所示，共得到5个独立的第二次解压缩网络。

这里“返回判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”相当于循环执行步骤107-109，直至按照步骤101所述压缩网络的每个环的开关数量在最后一次解压缩网络与原网络之间相差小于等于2时，停止解压缩过程。如图2所示增加分段开关a1,a2,a3,b1,b2,b3,b4,b5后的配电网络即为最后一层的解压缩网络。

步骤109：若是，则将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案，具体包括：

利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

根据步骤108中得到的最后一层解压缩网络，仍然不能确定最终的重构方案，但是每个环中最多仅需要判断2个分段开关的开闭状态，与原网络相比，大大减小了解空间，因此可以采用枚举法得到最优重构方案，即将各个环中可能处于断开状态的分段开关进行排列组合，并分别将可能的重构方案带入到步骤102所述网络重构模型中，计算对应网损，选取网损最小的开关组合作为最优重构方案。即求解以下问题：

min{a,b,…|a＝f(k1ⁿ),b＝f(k2ⁿ),…}(28)

s.t.umin＜|ui|＜umax,

f(x)＝0

其中，k1ⁿ，k2ⁿ分别表示最后一层数据库中类别n的两种开关组合，且“1”表示开关闭合，“0”表示开关断开。

步骤102-109中构造的离线计算与在线计算相结合的重构方法，有效减少在线计算时间以及对计算资源的消耗。由于该过程中数据库的构造为离线进行，任何一个负荷样本的在线计算过程是在已经构建好的数据库中进行分类，并经过步骤109所述枚举法，将经过分层重构的网络中剩余的开关状态进行排列组合，直接带入到重构模型中求解网损，选取网损最小的作为原网络的最优重构方案。

首先，根据本发明定义的配电网中环路的划分原则，在网络拓扑中划分环路，为重构策略的优化求解框架奠定基础。之后分别建立网络的压缩模型及配电网重构与聚类的数学模型，并采用改进和声搜索算法求解最优重构方案，并将相同最优重构方案聚为一类；根据各负荷样本的数据以及其对应的最优重构方案聚集，采用数据驱动的方法，构建学习模型，并基于数据驱动的学习结果，按类别分别建立压缩网络的离线数据库。建立网络解压缩模型，根据压缩网络的拓扑结构及最优重构方案进行网络解压缩，得到多个独立的解压缩网络，网络的解压缩过程将伴随着数据-模型混合驱动的方法分层进行，直至达到终止条件。在完成分层解压缩过程后，最后一层解压缩网络的各个环路中与原网络只相差至多2个开关，通过枚举法对不同环的开关进行排列组合，并直接带入重构模型进行计算，得到对应的网络损耗，选择最小网损对应的重构策略作为最优重构策略，完成重构策略的优化求解。

在图4中，ko是每一层的最优重构方案，kt,t∈{1,2,3}是每个环lt中的每个开关的状态集合，kt是环lt中已经确定的开关的状态集合。网络的分层解压缩过程由开关状态决定。第一层对应压缩后的网络，图4中所示为9节点系统，根据其离线数据库及网络拓扑结构，分别在支路1’7’、支路3’4’、支路2’8’增加分段开关a1,a2,a3，得到第二层的三个独立解压缩网络。由图4中网络a可知，此时并不满足停止解压缩的条件，因此分别建立第二层平行网络的离线数据库并进行解压缩，得到第三层对应的独立解压缩网络，如第二层的第三个网络，分别解压缩支路2’，a3和支路a3，8’得到第三层的两个独立解压缩网络，由图4中网络b可知，此时满足停止解压缩的条件，因此停止分层解压缩过程。

本发明提出一种结合数据与模型混合驱动的分层化网络重构方法。通过网络重构及以相同重构策略为目标的聚类的数学模型得到多个样本的最优重构策略及聚集，并在此基础上借助深度学习模型实现的聚集特征的学习，构建负荷样本与重构策略的离线数据库；提出网络的压缩模型，缩减配电网重构问题的解空间，并结合数据驱动模型得到的离线数据库构成压缩网络的分层解压缩过程，基于此构造在线计算与离线计算相结合的求解方法。通过离线数据库，快速定位每个环中断开开关的最小范围，再将缩小解空间中可能的重构策略直接带入重构的数据模型中，计算相应的网络损耗，得到其最优重构方案，缩短计算时间以及减少对计算资源的消耗。

本发明提出一种结合数据与模型混合驱动的分层化网络重构方法，该方法考虑网络重构的及聚类数学模型，以及由改进模型得到的最优重构方案与对应负荷样本构成的数据库，采用数据驱动的方法，对相同聚类结果进行学习，基于学习结果构造离线数据库，并通过解压缩解模型，构造分层化的解压缩网络，通过在线离线方法相结合，逐步求解最优重构方案。

通过采用本发明所述的分层化重构方法，可将该方法应用于现有的电力系统中，利用在线离线相结合的方法减少网络重构计算的时间及资源消耗。在分布式光伏大量接入配电网的大背景下，为配电网侧的能量优化调度提供解决方法，重构可以根据配电网的负荷变化按需求进行，通过调整网架结构减少网络运行得网损。所提出的数据模型混合驱动方式，将利用电网中的离线计算资源，计算分层以后各层网络最优重构策略的离线数据库，在实际执行网络重构计算时，带入网络的节点负荷信息，即可通过在各数据库中寻找到最优重构方案的匹配快速缩小重构问题的解空间，减少重构计算对计算资源的占用，更高效、更快速、更经济的安排网络运行的最优开关组合。所提出的网络压缩及分层解压缩结合数据模型混合驱动的模型，除了在网络重构中使用以外，还可以推广至多种设计到数据压缩与复原的计算场景中，例如车联网的优化调度、p2p的能量优化调度，增加优化计算的效率支撑实时性计算要求。

图5为结合数据与模型混合驱动的分层化网络重构系统结构图。如图5所示，一种结合数据与模型混合驱动的分层化网络重构系统包括：

压缩网络建立模块201，用于基于配电网结构及联络开关，为配电网划分环路，建立压缩网络。

第一重构组合结果确定模块202，用于根据所述压缩网络建立配电网重构模型以及聚类模型，并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果，并依此进行以最小网损下相同策略为目标的聚类。

第一离线数据库确定模块203，用于采用lstm深度学习网络对所述聚类结果进行学习，得到压缩网络模型的离线数据库。

平行解压缩网络确定模块204，用于根据所述压缩网络模型的离线数据库，构建网络解压缩模型，得到多个平行解压缩网络。

判断模块205，用于判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关。

第二重构组合结果确定模块206，用于当所述解压缩网络的各个环中断开的开关不是由原网络中的两个分段开关等效得到的分段开关，则根据所述配电网重构模型，计算多个所述平行解压缩网络的重构组合结果。

离线数据库确定模块207，用于采用lstm深度学习网络对所述平行解压缩网络的聚类结果进行学习，得到解压缩网络的离线数据库。

下一层平行解压缩网络确定模块208，用于根据所述平行解压缩网络和所述解压缩网络的离线数据库，得到下一层多个平行解压缩网络。

返回模块209，用于返回“判断所述解压缩网络的各个环中断开的开关是否是由原网络中的两个分段开关等效得到的分段开关”。

最终重构方案确定模块210，用于当所述解压缩网络的各个环中断开的开关是由原网络中的两个分段开关等效得到的分段开关时，将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

所述第一重构组合结果确定模块202，具体包括：

最优重构组合结果确定单元，用于根据所述压缩网络建立配电网重构模型，采用和声搜索算法并求解所述配电网重构模型，得到配电网在某一负荷条件下的最优重构组合结果；

聚类结果确定单元，用于根据所述最优重构组合结果进行以最小网损下相同策略为目标的聚类，得到聚类结果。

所述第一离线数据库确定模块203，具体包括：

第一离线数据库确定单元，用于采用lstm深度学习网络对聚类结果进行学习，一个聚集构成学习的一个类别，形成类别的各个权重系数，形成压缩网络模型的离线数据库。

所述最终重构方案确定模块210，具体包括：

最终重构方案确定单元，用于利用枚举法将各个环内未解压缩的开关进行排列组合，结合已通过所述离线数据库确认的开关状态，带入到所述配电网重构模型的潮流计算模型中，计算网络潮流及网损，选取网损最小的开关组合作为最终的重构方案。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。