一种基于多代理系统的主动配电网多故障抢修与恢复方法与流程

本发明涉及主动配电网维修领域，尤其是一种在主动配电网发生多故障制 定快速抢修与恢复策略实现国民经济损失最小的方法。

背景技术：

配电网分布在电力系统网络结构的终端，通过分配电能的线路将电能传送 到用户，是电力用户获取电能的直接来源。因此，配电网一旦发生故障，将严 重影响人们的日常生活甚至造成严重的事故危害。但是，随着配电网接入电源 形式的多样化以及配电网负荷控制技术向灵活性的趋势发展，当前配电网的功 能、结构和所采用的故障抢修与恢复供电模式却严重制约了这类资源的作用， 在这种情况下，ADN技术得到了越来越广泛的研究。2008年C6.11项目组提出 了关于ADN这一概念，即这种配电网能够利用操作便利的网络控制技术来实现 配网潮流的管理以及综合控制分散于电网中的DGs。因此，当ADN网络出现多 处故障时，如何充分利用ADN控制技术以及协调ADN的灵活性资源，提出一 套快速、高效的多故障抢修与恢复策略具有重要的意义。

随着经济和科技的发展，在科技和人民生活水平提高的同时，国家对能源 资源的需求也出现了增长的趋势。但是，资源环境问题却成了危害人类生活的 一大因素。为了解决资源引起的环境问题，提升绿色能源利用率以及改善一次 能源结构等成了未来研究的重要方向。与此同时，DG具有清洁、资源丰富、低 投资和开发潜力大的特点，可以为电力用户提供清洁、零污染和高效的电能。 因此，国家电网公司提出的“两个替代”的发展战略思想成为了电力转换形式 的必然之路。其中之一就是将污染排放大、资源消耗多的不可再生能源向依靠 太阳能、风能等绿色、低碳、清洁、可再生能源发电方式转变。当配电网中接 入DG以后，一方面能够使用户的用电质量得到很大提高；另一方面却使得网 络结构和运行方式与原来的网络结构相比发生很大变化，从而使得已有的故障 抢修与恢复方式变得更加复杂。同时，考虑到DG出力并不是恒定不变的，而 是带有一定的波动性，因此针对DG供电的不可靠性和无法持续性地为用户提 供电能的问题，如何制定更加完善、灵活、可持续供电、并且能够使得清洁能 源得到高效利用的故障抢修与供电恢复策略，将成为未来发展研究仍需要解决 的问题。

技术实现要素：

本发明目的在于提供一种国民经济损失最小的基于多代理系统的主动配电 网多故障抢修与恢复方法。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：

步骤1，多代理系统的构建；包括Agent的通用结构、多Agent系统构建、 基于多Agent的主动配电网区域划分；

步骤2，确定孤岛路径快速搜索方法；

步骤3，将含有多电源的失电区分为三种场景，并在这三种场景下制定失电 区孤岛划分策略；

步骤4，分时段故障恢复策略的制定；

步骤5，最优故障抢修策略的制定。

进一步的，所述步骤1的具体过程如下：

(1-1)Agent的通用结构

分布式人工智能多Agent系统，将各种问题的求解方式封装到了一个个具 有自主性的Agent中，通过Agent间的相互协调、协作共同完成问题的求解任务；

Agent单元通用结构含有多个模块，其中信息融合模块负责对外部环境与其 他多代理传入的全部信息进行分析、整理；信息处理模块包括内部数据库与方 法知识库，内部数据库是将融合后的数据存储起来；

(1-2)多Agent系统构建

基于多Agent技术构建了由决策层、协调层和设备层构成的多层分布式智 能决策系统；

设备层Agent包含分布式电源Agent、负荷Agent、开关Agent，其中分布 式电源Agent用来实时监控分布式电源的运行状态，执行子区域Agent下达的指 令，控制分布式电源的正常运行，上报分布式电源的状态信息；对于光储系统 Agent，会根据已获得的数据库历史数据和当前的环境数据预测未来一段时间内 光伏发电功率；负荷Agent用来检测负荷运行状态，存储负荷的动态数据，预 测一段时间内的负荷功率，对可控负荷进行合理调度；开关Agent负责对故障 进行隔离，控制分段开关或联络开关的通断，检测开关处馈线状态；

协调层Agent包含子区域Agent、抢修任务Agent，其中子区域Agent接收 并存储设备层Agent上报的状态信息数据，对数据分析、处理，各子区域Agent 相互交流、协商，确定故障位置、失电区范围和各时段最优恢复策略并将结果 上报给区域决策Agent，向设备层Agent下达控制指令；抢修任务Agent根据故 障类型、故障点位置等因素确定抢修故障所用时间、任意两故障点车程时间和 故障最长可持续时间，将信息上报给区域决策Agent并执行其下达的指令，派 遣抢修小队执行抢修任务；

决策层Agent用于调节协调层Agent之间的通讯与交流，接收子区域Agent 上报的各时段最优恢复方案，对数据分析、整理并做出最优抢修方案，向协调 层下达抢修与恢复指令；

(1-3)基于多Agent的主动配电网区域划分

主动配电网一般含有多个分布式电源，将整个配电网划分为几个子区域， 分别由对应的子区域Agent管理，进而控制整个设备层Agent,完成主动配电网的 日常维护工作，在发生故障时快速制定修复策略；区域划分原则：

1)子区域Agent对设备层数据的分析、处理能力；

2)故障情况下子区域Agent快速制定恢复策略的能力；

3)区域决策Agent对子区域Agent的协调控制能力。

进一步的，所述步骤2的具体过程如下：

(2-1)改进蚁群算法介绍

配电网发生故障后为保证供电可靠性，允许有意识的孤岛运行，可利用分 布式电源为重要负荷供电，但是对失电区孤岛路径搜索过程中，会产生大量不 可行解，因此采用基于生成树的改进蚁群算法寻找最优恢复路径；

采用生成树方法可保证蚁群个体在遍历节点过程中，得到的解都为可行解， 缩小搜索空间；借鉴轮盘赌规则，可以更大概率搜索到重要负荷且能够防止陷 入局部最优；

(2-2)孤岛路径快速寻优方法

结合一种基于配电网节点分层的方法，快速搜索孤岛供电路径：

1)利用配电网节点和支路参数构造节点-节点关联矩阵NodeN；

2)根据节点-节点关联矩阵推导出失电区内以分布式电源为根节点的分层矩 阵LayerM及其对应的上层节点矩阵NU，其中LayerM的大小根据失电区具体 分层来确定，NU大小为失电区节点个数的行向量，每列元素是以此列号为节 点号对应的上层节点号；

3)根据失电区内负荷节点的分布情况推导出LayerM，以及对应的上层节 点矩阵NU，初始化蚁群算法参数，蚁群数设为M，迭代次数为N；

4)以DG所在的负荷节点作为搜索起始节点，利用上层节点矩阵NU寻找 下层节点，将下层节点存放到矩阵NodeL中；

5)应用轮盘赌方法在矩阵NodeL中选择蚁群下一步搜寻的节点路径；

6)判断搜索到的负荷节点是否为柔性负荷，若是，寻找与此节点相连的下 层节点，将其添加到矩阵NodeL中，返回步骤5；

7)判断在满足各种约束条件下能否对索到的负荷节点供电，若能，寻找与 该节点相连的下层节点，将其添加到矩阵NodeL中，若不能，将该节点在矩阵 NodeM中移除；

8)判断NodeL是否为空，若否，返回步骤5；若是，从可行恢复路径中找 到满足下层目标最优的恢复路径，增加此路径的信息素；

9)判断是否达到最大迭代次数，若否，返回步骤4，若是，输出最优结果。

进一步的，所述步骤3的具体过程如下：

1)场景一，失电区分布在某个子区域Agent管理的区域内，失电区内含有 一个分布式电源；以分布式电源所在负荷节点为根节点，调用方法知识库中孤 岛路径快速寻优方法，搜索孤岛最优恢复路径；

2)场景二，失电区分布在某个子区域Agent管理的区域内，失电区内含有 多个分布式电源；以每个分布式电源所在负荷节点为根节点，调用方法知识库 中孤岛路径快速寻优方法，同时搜索失电区内可行恢复路径，为避免恢复路径 出现交叉现象；定义一个禁忌矩阵，将失电区内被搜索过的节点存入此矩阵中， 以保证节点不被重复搜索，对比恢复路径的不同组合方式，找到失电区全局最 优恢复路径；

3)场景三，失电区分布在多个子区域Agent管理的区域；相关子区域Agent 相互协商确定出失电区的范围，再根据子区域Agent管理的分布式电源的个数， 采用场景一或场景二的孤岛划分方法搜索失电区恢复路径，通过子区域Agent 间的相互协调，共同确定电区最优恢复路径。

进一步的，所述步骤4的具体过程如下：

(4-1)抢修最长可持续时间

在故障抢修过程中，每个抢修阶段由车程时间和故障抢修时间决定，车程 时间受故障抢修顺序影响，抢修持续时间又为各抢修阶段时间的加和，所以抢 修持续时间与抢修顺序相关，可以在抢修持续时间中选出抢修最长可持续时间：

T_c^max＝max{T_c¹,T_c²，…,T_c^p},p∈P

T_c为抢修持续时间，N为抢修阶段总个数，t_n为第n抢修阶段持续时间，t_n,f为第n抢修阶段抢修故障点f所用时间，F为故障点集合，t_n,r为第n抢修阶段车 程r所用时间，R为任意两故障点间距离的集合，P为因抢修顺序的不同得到抢 修可持续时间的集合，T_c^max为抢修最长持续时间；

(4-2)目标函数

以失电区在不同时段、不同开关动作次数下失电负荷恢复价值最大为前提 总供电量最大为下层目标：

T＝1,2,…,[T_c^max],[T_c^max]+1；i∈I

式中：F_i^T为第i失电区T时段开关动作s次失电负荷恢复价值，f_i^T为第i失 电区T时段开关动作s次恢复失电负荷的总电量，T为时段数，共有[T_c^max]+1个 时段，每时段都有对应的恢复策略，将获取的每时段最优目标值F_s^T(i)、f_s^T(i)和 恢复路径存放于相应子区域Agent历史数据库中，[T_c^max]为T_c^max向下取整得到 小于等于T_c^max的一个整数，t为单位时段；I为失电区集合，l为负荷节点，D_i为 第i失电区负荷节点集合，ω为l的权重，L为l的负荷功率(kW)；

(4-3)供需两侧多时段优化调度

在失电区恢复供电过程中，因光伏的波动性与负荷的时变性，某些时段可 能会出现供电不足的情况，为保证目标最优，须对供需两侧合理优化调度；

需求侧有柔性负荷，通过负荷削减原则进行优化调度；供给侧有可控DG 和光储系统，但主要是对光储系统进行优化调度，若优化调度无法完全恢复失 电区负荷供电，则进行切负荷操作，在不同开关动作次数下分别进行优化调度， 具体如下：

(1)根据配电网故障最长可持续时间T_s^max，预测出光伏在[T_s^max]+1时段内 每个单位时段发电量，根据配电网节点的日负荷时变曲线，计算出[T_s^max]+1时 段内每个单位时段负荷需求量，再根据时段数T的不同取值，制定出每个时段 不同开关动作次数下的调度策略；

(2)当T＝1时，此时段只包含1个单位时段，以光储系统在此时段内的最 大发电量作为失电区的供电来源，依据负荷削减原则，应用孤岛路径快速寻优 方法，在满足各种约束条件下，实现下层目标最优；

(3)当T＞1时，每个T时段包含多个单位时段，现取其中一个时段进行说 明，假设选取时段包含n个单位时段，在第1个单位时段，以最大充放电功率 为限制条件，随机对储能电池充电或放电，再依据负荷削减原则，应用孤岛路 径快速寻优方法，得到所有可行恢复路径；在第2到第n单位阶段，搜索路径 与第1单位时段的可能相同也可能不同，获取在不同开关动作次数下的最优恢 复路径，其中在第n单位时段路径搜索完成后，判断储能电池电量是否有剩余， 若有，则以最大充放电功率对就近柔性负荷供电；若还有剩余，对第n-1单位时 段就近柔性负荷供电，以此类推。

进一步的，所述步骤5的具体过程如下：

(5-1)目标函数

以全网经济损失最小以及开关动作次数最少为上层目标：

式中：f_n,i为第i失电区、第n抢修阶段经济损失总量；S_i为第i失电区开关 动作次数，I为失电区集合，N为抢修阶段总数；

(5-2)多失电区多故障点抢修策略

当配电网发生多故障形成多个失电区，每个失电区在不同时段、不同开关 次数下经济损失不同，以全网经济损失最小以及开关动作次数最少为目标，上 述两目标存在一组非支配解，为Pareto最优解集，应用多目标蚁群算法求取 Pareto最优解集。

与现有技术相比，本发明具有如下优点：

1、通过建立基于多代理系统(MAS)的主动配电网模型，对配电网进行分 区管理，发挥多代理系统的优势，在主动配电网发生故障时快速制定修复方案。

2、采用一种快速路径搜索方法，实现孤岛路径的快速搜索。

3、以失电区在不同时段、不同开关动作次数下失电负荷恢复价值最大为前 提总供电量最大为下层目标，以恢复全网负荷价值最大以及开关次数最少为上层 目标，采用基于生成树的改进蚁群算法求的失电区各时段最优恢复路径。

4、采用多目标蚁群算法获取全网最优抢修方案，通过MATLAB仿真，证明 该方法行之有效。

附图说明

图1本发明方法的Agent单元通用结构示意图。

图2本发明方法的多Agent系统结构示意图。

图3本发明方法的7节点失电区结构图。

图4本发明方法的修复流程图。

具体实施方式

下面结合附图对本发明做进一步说明：

结合图4，本发明具体步骤如下：

步骤1，多代理系统的构建

(1-1)Agent的通用结构

分布式人工智能多Agent系统，其基本思想是将各种问题的求解方式封装 到了一个个具有自主性的Agent中，通过Agent间的相互协调、协作共同完成问 题的求解任务。

图1是Agent单元通用结构，其中信息融合模块负责对外部环境与其他多 代理传入的全部信息进行分析、整理；信息处理模块包括内部数据库与方法知 识库，内部数据库是将融合后的数据存储起来，方便以后调用，方法知识库用 来存储解决潜在问题的方法和以往处理过的问题的知识和方法。

(1-2)多Agent系统构建

本发明基于多Agent技术构建了由决策层、协调层和设备层构成的多层分 布式智能决策系统，具体结构如图2所示：

设备层Agent包含分布式电源Agent、负荷Agent、开关Agent，其中分布 式电源Agent，用来实时监控分布式电源的运行状态，执行子区域Agent下达的 指令，控制分布式电源的正常运行，上报分布式电源的状态信息。对于光储系 统Agent，会根据已获得的数据库历史数据和当前的环境数据预测未来一段时间 内光伏发电功率；负荷Agent，用来检测负荷运行状态，存储负荷的动态数据， 预测一段时间内的负荷功率，对可控负荷进行合理调度；开关Agent负责对故 障进行隔离，控制分段开关或联络开关的通断，检测开关处馈线状态。

协调层Agent包含子区域Agent，抢修任务Agent，其中子区域Agent，接 收并存储设备层Agent上报的状态信息数据，对数据分析、处理，各子区域Agent 相互交流、协商，确定故障位置、失电区范围和各时段最优恢复策略并将结果 上报给区域决策Agent，向设备层Agent下达控制指令；抢修任务Agent，根据 故障类型、故障点位置等因素确定抢修故障所用时间、任意两故障点车程时间 和故障最长可持续时间，将信息上报给区域决策Agent并执行其下达的指令， 派遣抢修小队执行抢修任务。

决策层Agent用于调节协调层Agent之间的通讯与交流，接收子区域Agent 上报的各时段最优恢复方案，对数据分析、整理并做出最优抢修方案，向协调 层下达抢修与恢复指令；

(1-3)基于多Agent的主动配电网区域划分

主动配电网一般含有多个分布式电源，为了提高配电网供电质量，发挥多 Agent优势，将整个配电网划分为几个子区域，分别由对应的子区域Agent管理， 进而控制整个设备层Agent,完成主动配电网的日常维护工作，在发生故障时快 速制定修复策略。区域划分原则：

1)子区域Agent对设备层数据的分析、处理能力。

2)故障情况下子区域Agent快速制定恢复策略的能力。

3)区域决策Agent对子区域Agent的协调控制能力。

步骤2，确定孤岛路径快速搜索方法

(2-1)改进蚁群算法介绍

配电网发生故障后为保证供电可靠性，允许有意识的孤岛运行，可利用分 布式电源为重要负荷供电，但是对失电区孤岛路径搜索过程中，会产生大量不 可行解，为解决此问题，本文采用基于生成树的改进蚁群算法寻找最优恢复路 径；

采用生成树方法可保证蚁群个体在遍历节点过程中，得到的解都为可行解， 缩小了搜索空间，提高了搜索效率；借鉴轮盘赌规则，可以更大概率搜索到重 要负荷且能够防止陷入局部最优；

(2-2)孤岛路径快速寻优方法

为了提高失电区内孤岛路径的搜索效率，本文应用改进蚁群算法，结合一 种基于配电网节点分层的方法，以图3的7节点失电区结构图为例，讲述如何 快速搜索孤岛供电路径：

1)利用配电网节点和支路参数构造节点-节点关联矩阵NodeN；

2)根据节点-节点关联矩阵推导出失电区内以分布式电源为根节点的分层 矩阵LayerM及其对应的上层节点矩阵NU，其中LayerM的大小根据失电区具 体分层来确定，NU大小为失电区节点个数的行向量，每列元素是以此列号为 节点号对应的上层节点号；

3)根据失电区内负荷节可得LayerM＝[3,4,5,7；0,2,6,0；0,0,1,0；0,0,0,0]， 以及对应的上层节点矩阵NU＝[2,3,0,3,4,4,6]，初始化蚁群算法参数，蚁群数 设为M，迭代次数为N；

4)以DG所在的负荷节点作为搜索起始节点，利用上层节点矩阵NU寻找 下层节点，将下层节点存放到矩阵NodeL中；例如：将3号节点作为搜索的起 始节点，矩阵NodeL＝[2,4]；

5)应用轮盘赌方法在矩阵NodeL中选择蚁群下一步搜寻的节点路径；假设 搜索到了4号节点，将矩阵NodeL中4号节点转移到矩阵NodeM中。

6)判断搜索到的负荷节点是否为柔性负荷，若是，寻找与此节点相连的下 层节点，将其添加到矩阵NodeL中，返回步骤5；例如：将4号节点的下层节 点添加到NodeL中，NodeL＝[2,5,6]；若否，跳过此步；

7)判断在满足各种约束条件下能否对索到的负荷节点供电，若能，寻找与 该节点相连的下层节点，将其添加到矩阵NodeL中，若不能，将该节点在矩阵 NodeM中移除；

8)判断NodeL是否为空，若否，返回步骤5；若是，从可行恢复路径中找 到满足下层目标最优的恢复路径，增加此路径的信息素；

9)判断是否达到最大迭代次数，若否，返回步骤4，若是，输出最优结果。

步骤3，对含有多电源的失电区进行孤岛划分

将失电区分为三种场景，并在这三种场景下制定失电区孤岛划分策略。

1)场景一，失电区分布在某个子区域Agent管理的区域内，失电区内含有 一个分布式电源。以分布式电源所在负荷节点为根节点，调用方法知识库中孤 岛路径快速寻优方法(后面会讲解)，搜索孤岛最优恢复路径。

2)场景二，失电区分布在某个子区域Agent管理的区域内，失电区内含有 多个分布式电源。以每个分布式电源所在负荷节点为根节点，调用方法知识库 中孤岛路径快速寻优方法，同时搜索失电区内可行恢复路径，为避免恢复路径 出现交叉现象，本文定义了一个禁忌矩阵，将失电区内被搜索过的节点存入此 矩阵中，以保证节点不被重复搜索，对比恢复路径的不同组合方式，找到失电 区全局最优恢复路径。

3)场景三，失电区分布在多个子区域Agent管理的区域。相关子区域Agent 相互协商确定出失电区的范围，再根据子区域Agent管理的分布式电源的个数， 采用场景一或场景二的孤岛划分方法搜索失电区恢复路径，通过子区域Agent 间的相互协调，共同确定电区最优恢复路径。

步骤4，分时段故障恢复策略的制定

(4-1)抢修最长可持续时间

在故障抢修过程中，每个抢修阶段由车程时间和故障抢修时间决定，车程 时间受故障抢修顺序影响，抢修持续时间又为各抢修阶段时间的加和，所以抢 修持续时间与抢修顺序相关，可以在抢修持续时间中选出抢修最长可持续时间：

T_c^max＝max{T_c¹,T_c²，…,T_c^p},p∈P

T_c为抢修持续时间，N为抢修阶段总个数，t_n为第n抢修阶段持续时间，t_n,f为第n抢修阶段抢修故障点f所用时间，F为故障点集合，t_n,r为第n抢修阶段车 程r所用时间，R为任意两故障点间距离的集合，P为因抢修顺序的不同得到抢 修可持续时间的集合，T_c^max为抢修最长持续时间。

(4-2)下层目标函数

以失电区在不同时段、不同开关动作次数下失电负荷恢复价值最大为前提 总供电量最大为下层目标：

T＝1,2,…,[T_c^max],[T_c^max]+1；i∈I

式中：F_i^T为第i失电区T时段开关动作s次失电负荷恢复价值,f_i^T为第i失 电区T时段开关动作s次恢复失电负荷的总电量,T为时段数，共有[T_c^max]+1个 时段，每时段都有对应的恢复策略，将获取的每时段最优目标值F_s^T(i)、f_s^T(i)和 恢复路径存放于相应子区域Agent历史数据库中，[T_c^max]为T_c^max向下取整得到 小于等于T_c^max的一个整数，t为单位时段；I为失电区集合，l为负荷节点，D_i为 第i失电区负荷节点集合，ω为l的权重，L为l的负荷功率(kW)；

(4-3)供需两侧多时段优化调度

在失电区恢复供电过程中，因光伏的波动性与负荷的时变性，某些时段可 能会出现供电不足的情况，为保证目标最优，须对供需两侧合理优化调度；

需求侧有柔性负荷，通过负荷削减原则进行优化调度；供给侧有可控DG 和光储系统，但主要是对光储系统进行优化调度，若优化调度无法完全恢复失 电区负荷供电，则进行切负荷操作，在不同开关动作次数下分别进行优化调度， 现对其进行详细说明：

(1)根据配电网故障最长可持续时间T_s^max，预测出光伏在[T_s^max]+1时段内 每个单位时段发电量，根据配电网节点的日负荷时变曲线，计算出[T_s^max]+1时 段内每个单位时段负荷需求量，再根据时段数T的不同取值，制定出每个时段 不同开关动作次数下的调度策略；

(2)当T＝1时，此时段只包含1个单位时段，以光储系统在此时段内的最 大发电量作为失电区的供电来源，依据负荷削减原则，应用孤岛路径快速寻优 方法，在满足各种约束条件下，实现下层目标最优；

(3)当T＞1时，每个T时段包含多个单位时段，现取其中一个时段进行说 明，为叙述方便假设选取时段包含n个单位时段，在第1个单位时段，以最大 充放电功率为限制条件，随机对储能电池充电或放电，再依据负荷削减原则， 应用孤岛路径快速寻优方法，得到所有可行恢复路径；在第2到第n单位阶段， 搜索路径与第1单位时段的可能相同也可能不同，获取在不同开关动作次数下 的最优恢复路径，其中在第n单位时段路径搜索完成后，判断储能电池电量是 否有剩余，若有，则以最大充放电功率对就近柔性负荷供电；若还有剩余，对 第n-1单位时段就近柔性负荷供电，以此类推。

步骤5，最优故障抢修策略的制定

(5-1)上层目标函数

以全网经济损失最小以及开关动作次数最少为上层目标：

式中：f_n,i为第i失电区、第n抢修阶段经济损失总量；S_i为第i失电区开关 动作次数，I为失电区集合，N为抢修阶段总数；

(5-2)多失电区多故障点抢修策略

当配电网发生多故障形成多个失电区，每个失电区在不同时段、不同开关 次数下经济损失不同，本文以全网经济损失最小以及开关动作次数最少为目标， 但这俩目标相互冲突，很难存在一个最优解，而是存在一组非支配解，称为 Pareto最优解集，应用多目标蚁群算法求取Pareto最优解集。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发 明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员 对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定 的保护范围内。