【技术实现步骤摘要】
本专利技术涉及配电网恢复，尤其涉及一种配电网恢复成功率预测方法及系统。
技术介绍
1、随着高比例新能源接入配电网，系统恢复过程变得更加复杂和不确定，传统的系统恢复方法主要基于确定性模型和专家经验，难以准确预测恢复策略的成功率，导致恢复效率低下，同时缺乏对新能源出力随机性的充分考虑，现有模型多采用确定性参数，无法准确反映新能源发电的波动特性。忽视了系统拓扑结构和负荷特性对恢复过程的影响，大多数方法仅关注电源侧，未充分考虑网络结构和负荷动态特性。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种配电网恢复成功率预测方法解决上述的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种配电网恢复成功率预测方法，包括：
5、收集配电网运行数据；
6、构建贝叶斯网络，根据配电网特征定义节点，确定边的连接关系，并构建条件概率表；
7、通过马尔可夫决策过程构建恢复策略进行动态优化，定义状态空间、动作空间、和奖励函数；
8、通过强化学习算法，对所述恢复策略进行训练，引入蒙特卡罗树搜索算法对所述恢复
9、基于所述配电网运行数据以及恢复策略，通过所述贝叶斯网络推理和蒙特卡罗树搜索算法，计算配电网恢复到目标状态的概率，生成不同恢复策略的成功率预测结果。
10、作为本专利技术所述的配电网恢复成功率预测方法的一种优选方案，其中：所述构建贝叶斯网络包括：
11、根据配电网特征定义节点，定义贝叶斯网络的节点集合v＝{v1,v2,...,vn}，所述节点集合包括系统拓扑节点、电源节点、负荷节点以及系统状态节点；
12、基于所述节点进行边的确定，即确定节点间的依赖关系，构建有向无环图g＝(v,e)，其中，e为边集；
13、构建条件概率表，对每个节点vi，定义条件概率分布p(vi|pa(vi))，其中，pa(vi)表示vi的父节点集合；
14、基于条件独立性假设，联合概率分布表示为：
15、p(v1,v2,...,vn)＝∏ip(vi|pa(vi))。
16、作为本专利技术所述的配电网恢复成功率预测方法的一种优选方案，其中：所述通过马尔可夫决策过程构建恢复策略进行动态优化包括：
17、定义状态空间s，定义配电网中的配置；
18、定义动作空间a，包括配电网的控制操作；
19、通过贝叶斯网络模型计算状态转移概率p(s'|s,a)，表示在状态s下采取动作a后转移到状态s'的概率；
20、定义奖励函数r(s,a)，表示为：
21、r(s,a)＝ω1δl+ω2δe+ω3c
22、其中，δl表示恢复负荷量，δe表示新能源利用增量，c表示操作成本，ω1、ω2、ω3为权重系数；
23、定义状态价值函数v(s)和动作价值函数q(s,a)，表示为：
24、v(s)＝maxa[r*(s,a)+γ∑s′p(s′|s,a)v(s′)]
25、q(s,a)＝r(s,a)+γ∑s′p(s′|s,a)v(s′)
26、其中，γ表示折扣因子。
27、作为本专利技术所述的配电网恢复成功率预测方法的一种优选方案，其中：对所述恢复策略进行训练包括：
28、初始化q表，将所有状态-动作对的q值初始化随机数；
29、在每个时间步t，基于当前状态st选择动作at，观察奖励rt和下一状态st+1，更新q值；
30、采用贪心策略平衡探索和利用，以概率ε随机选择动作，以概率1-ε选择当前q值最大的动作；
31、重复上述步骤，当q值收敛或达到最大迭代次数时停止学习。
32、作为本专利技术所述的配电网恢复成功率预测方法的一种优选方案，其中：所述引入蒙特卡罗树搜索算法对所述恢复策略寻找最优解包括：
33、从根节点开始，根据树树策略选择最有潜力的子节点，直到达到叶节点；
34、若所述叶节点不是终止状态，则随机选择一个未扩展的子节点添加到树中；
35、从新添加的节点开始，使用默认策略进行快速模拟直到达到终止状态；
36、将模拟结果沿搜索路径反向传播，更新节点的统计信息。
37、作为本专利技术所述的配电网恢复成功率预测方法的一种优选方案，其中：所述树策略算法表示为：
38、
39、其中，xj表示节点j的平均奖励，n表示父节点的访问次数，nj表示节点j的访问次数，c为探索参数。
40、作为本专利技术所述的配电网恢复成功率预测方法的一种优选方案，其中：所述生成不同恢复策略的成功率预测结果包括：
41、输入所述配电网运行数据和待评估的恢复策略；
42、通过训练好的q表或蒙特卡罗树搜索树进行配电网状态转移；
43、在每个时间步，通过贝叶斯网络计算状态转移概率，累积计算恢复到目标状态的概率；
44、生成不同恢复策略的成功率预测结果，所述成功率预测结果包括总体恢复成功率、关键负荷恢复概率、新能源利用率、预期恢复时间。
45、第二方面，本专利技术提供了一种配电网恢复成功率预测系统，包括：
46、收集模块，用于收集配电网运行数据；
47、第一构建模块，用于构建贝叶斯网络，根据配电网特征定义节点，确定边的连接关系，并构建条件概率表；
48、第二构建模块，用于通过马尔可夫决策过程构建恢复策略进行动态优化，定义状态空间、动作空间、和奖励函数；
49、优化模块，用于通过强化学习算法，对所述恢复策略进行训练，引入蒙特卡罗树搜索算法对所述恢复策略寻找最优解；
50、输出模块，用于基于所述配电网运行数据以及恢复策略，通过所述贝叶斯网络推理和蒙特卡罗树搜索算法，计算配电网恢复到目标状态的概率，生成不同恢复策略的成功率预测结果。
51、第三方面，本专利技术提供了一种电子设备，包括：
52、存储器和处理器；
53、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述配电网恢复成功率预测方法的步骤。
54、第四方面，本专利技术提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述配电网恢复成功率预测方法的步骤。
55、与现有技术相比，本专利技术的有益效果：本专利技术利用贝叶斯网络描述系统恢复过程中的不确定性，提高了模型的解释性和适应性；通过mdp和强本文档来自技高网...
【技术保护点】
1.一种配电网恢复成功率预测方法，其特征在于，包括：
2.如权利要求1所述的配电网恢复成功率预测方法，其特征在于，所述构建贝叶斯网络包括：
3.如权利要求1或2所述的配电网恢复成功率预测方法，其特征在于，所述通过马尔可夫决策过程构建恢复策略进行动态优化包括：
4.如权利要求1所述的配电网恢复成功率预测方法，其特征在于，通过强化学习算法，对所述恢复策略进行训练包括：
5.如权利要求4所述的配电网恢复成功率预测方法，其特征在于，所述引入蒙特卡罗树搜索算法对所述恢复策略寻找最优解包括：
6.如权利要求5所述的配电网恢复成功率预测方法，其特征在于，所述树策略算法表示为：
7.如权利要求6所述的配电网恢复成功率预测方法，其特征在于，所述生成不同恢复策略的成功率预测结果包括：
8.一种配电网恢复成功率预测系统，其特征在于，包括，
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任
...【技术特征摘要】
1.一种配电网恢复成功率预测方法，其特征在于，包括：
2.如权利要求1所述的配电网恢复成功率预测方法，其特征在于，所述构建贝叶斯网络包括：
3.如权利要求1或2所述的配电网恢复成功率预测方法，其特征在于，所述通过马尔可夫决策过程构建恢复策略进行动态优化包括：
4.如权利要求1所述的配电网恢复成功率预测方法，其特征在于，通过强化学习算法，对所述恢复策略进行训练包括：
5.如权利要求4所述的配电网恢复成功率预测方法，其特征在于，所述引入蒙特卡罗树搜索算法对所述恢复策略寻...
【专利技术属性】
技术研发人员：夏天，刘晓放，李颖杰，覃海，周忠强，万会江，马建伟，姬源，陈胜，夏艺馨，刘胤枫，李闵，袁艺仓，敖军，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。