本發(fā)明涉及電力系統(tǒng)運(yùn)行分析技術(shù)領(lǐng)域，具體涉及一種基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)和方法。

背景技術(shù)：

智能配電網(wǎng)是電網(wǎng)的重要組成部分，隨著近年來用戶對(duì)電能質(zhì)量的要求日益提高，配電網(wǎng)整體性能的提高己經(jīng)成為電力行業(yè)可持續(xù)和健康發(fā)展的重要內(nèi)容。配電自動(dòng)化、通信等技術(shù)的快速發(fā)展，為配電網(wǎng)的智能運(yùn)行提供了強(qiáng)大的技術(shù)支撐，配電網(wǎng)將向著更加自動(dòng)化、信息化和智能化的方向發(fā)展。但是目前配電網(wǎng)多處于事后處理的狀態(tài)，即重視故障發(fā)生后的快速診斷和隔離，較為忽視對(duì)運(yùn)行狀態(tài)的優(yōu)化以及對(duì)運(yùn)行風(fēng)險(xiǎn)的預(yù)防控制。而恰恰這些非優(yōu)或風(fēng)險(xiǎn)狀態(tài)導(dǎo)致了一部分故障的發(fā)生，因此對(duì)這些狀態(tài)進(jìn)行及時(shí)可靠的控制將大大提高配電網(wǎng)的免疫力，提高安全運(yùn)行水平。

近年來人工免疫系統(tǒng)以其較強(qiáng)的自適應(yīng)性、多樣性、學(xué)習(xí)、識(shí)別和記憶等特點(diǎn)，引起了國(guó)內(nèi)外研究人員的廣泛興趣。其免疫機(jī)理所包含的豐富思想為工程問題的解決提供了新的契機(jī)，應(yīng)用領(lǐng)域也逐漸擴(kuò)展到模式識(shí)別、智能優(yōu)化、數(shù)據(jù)挖掘、機(jī)器人學(xué)、自動(dòng)控制和故障診斷等諸多領(lǐng)域。配電網(wǎng)作為一個(gè)復(fù)雜的系統(tǒng)，同樣需要一個(gè)類似人體免疫的系統(tǒng)完善其抵御風(fēng)險(xiǎn)的功能。

技術(shù)實(shí)現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)和方法，基于人體免疫系統(tǒng)中免疫應(yīng)答機(jī)制提出配電網(wǎng)優(yōu)化和風(fēng)險(xiǎn)控制方法和系統(tǒng)，并構(gòu)建相應(yīng)模塊，模擬細(xì)胞的識(shí)別、分化和效應(yīng)過程，通過知識(shí)庫匹配、學(xué)習(xí)、維護(hù)等功能形成配電網(wǎng)的免疫力，為配電網(wǎng)快速優(yōu)化和風(fēng)險(xiǎn)控制提供控制策略。

為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采取如下技術(shù)方案：

本發(fā)明提供一種基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)，所述系統(tǒng)包括識(shí)別模塊、分化模塊和效應(yīng)模塊；所述識(shí)別模塊將配電網(wǎng)的非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)傳遞給分化模塊，所述分化模塊根據(jù)配電網(wǎng)的非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)生成針對(duì)非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)的控制策略，并將生成的控制策略傳遞給效應(yīng)模塊，所述效應(yīng)模塊下發(fā)控制指令給控制策略中的相關(guān)設(shè)備，并監(jiān)測(cè)控制策略實(shí)施后的效果。

所述識(shí)別模塊包括數(shù)據(jù)采集模塊和評(píng)估模塊；

所述數(shù)據(jù)采集模塊從不同的數(shù)據(jù)平臺(tái)上采集配電網(wǎng)運(yùn)行數(shù)據(jù)，并完成配電網(wǎng)運(yùn)行特性的提取，同時(shí)將配電網(wǎng)運(yùn)行數(shù)據(jù)和配電網(wǎng)運(yùn)行特性傳遞給評(píng)估模塊；

所述評(píng)估模塊根據(jù)配電網(wǎng)的運(yùn)行數(shù)據(jù)和運(yùn)行特性對(duì)配電網(wǎng)進(jìn)行運(yùn)行狀態(tài)和風(fēng)險(xiǎn)評(píng)估，若評(píng)估結(jié)果表明配電網(wǎng)現(xiàn)處于非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)，則將評(píng)估結(jié)果傳遞給分化模塊。

所述分化模塊包括樣本匹配模塊和控制策略生成模塊；

所述樣本匹配模塊將接收到的運(yùn)行變量和評(píng)估結(jié)果與樣本庫內(nèi)已有樣本進(jìn)行比對(duì)，分析樣本庫內(nèi)是否存在相同或相似樣本，然后將分析結(jié)果和配電網(wǎng)運(yùn)行特性傳遞給控制策略生成模塊；

所述控制策略生成模塊根據(jù)分析結(jié)果和配電網(wǎng)運(yùn)行特性，生成相應(yīng)的控制策略，并對(duì)控制策略進(jìn)行可行性校驗(yàn)后傳遞給效應(yīng)模塊。

所述效應(yīng)模塊包括實(shí)施模塊和樣本庫維護(hù)模塊；

所述實(shí)施模塊接收到生成模塊傳遞的控制策略后，把相應(yīng)的控制指令下發(fā)給相關(guān)設(shè)備，完成控制策略的實(shí)施；

所述樣本庫維護(hù)模塊記錄控制策略的實(shí)施過程，并將實(shí)施過程中的樣本添加到樣本庫中，若樣本庫中樣本數(shù)量超過樣本庫容量，則對(duì)樣本庫進(jìn)行更新和維護(hù)。

所述相關(guān)設(shè)備包括有載調(diào)壓變壓器、無功補(bǔ)償設(shè)備和連絡(luò)開關(guān)。

采用基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)完成基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制方法，所述方法包括以下步驟：

步驟1：識(shí)別模塊中的評(píng)估模塊對(duì)配電網(wǎng)進(jìn)行運(yùn)行狀態(tài)和風(fēng)險(xiǎn)評(píng)估，針對(duì)得到的評(píng)估結(jié) 果，將配電網(wǎng)現(xiàn)處于的非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)視為目標(biāo)狀態(tài)，采用分層檢索方式在樣本庫中搜尋樣本庫中是否存在與目標(biāo)狀態(tài)相同或相似的樣本，得到分析結(jié)果；

步驟2：根據(jù)分析結(jié)果、配電網(wǎng)運(yùn)行特性以及目標(biāo)狀態(tài)類型，生成相應(yīng)的控制策略；

步驟3：進(jìn)行控制策略的實(shí)施，并對(duì)樣本庫進(jìn)行更新和維護(hù)。

所述步驟1中，樣本庫中的樣本按照六元組形式存儲(chǔ)，該六元組形式表示為：

k＝[t,b,spre,cpre,cpost,spost]

其中，k為樣本庫中的樣本，t為目標(biāo)狀態(tài)類型，b為目標(biāo)狀態(tài)的調(diào)控變量，spre為控制策略實(shí)施前表征目標(biāo)狀態(tài)的特征變量，cpre為控制策略實(shí)施前表征目標(biāo)狀態(tài)的調(diào)控變量，cpost為控制策略，spost為控制策略實(shí)施后表征目標(biāo)狀態(tài)的特征變量。

所述步驟1包括以下步驟：

步驟1-1：進(jìn)行目標(biāo)狀態(tài)的匹配，在樣本庫中搜尋存在與目標(biāo)狀態(tài)相同或相似的樣本，形成第一層分類結(jié)果，獲取樣本的六元組形式中的t，b，cpre和spre；

步驟1-2：采用灰色關(guān)聯(lián)分析法進(jìn)行特征變量的匹配，得到分類結(jié)果，特征變量經(jīng)過匹配后的矩陣s表示為：

其中，s'0為目標(biāo)狀態(tài)特征變量向量，且s'0＝spre；n為樣本庫中樣本數(shù)量，s'1…s'n為樣本庫內(nèi)各個(gè)樣本特征變量向量，m為特征變量數(shù)量，s'0(m)為目標(biāo)狀態(tài)第m維特征變量，s'n(m)為樣本庫中第n個(gè)樣本的第m維特征變量；

對(duì)特征變量經(jīng)過匹配后的矩陣s中第j行、第k列元素s'j(k)進(jìn)行歸一化處理，有：

其中，j＝0,1,…n，k＝1,2,…m；sj(k)為s'j(k)經(jīng)過歸一化后樣本庫中第j個(gè)樣本的第k維特征變量，s'max(k)為第k個(gè)特征變量最大值，s'min(k)為第k個(gè)特征變量最小值；

則目標(biāo)狀態(tài)與樣本庫中樣本之間的關(guān)聯(lián)度γ(s0,sj)表示為：

其中，s0為s'0經(jīng)過歸一化后的目標(biāo)狀態(tài)特征變量向量，sj為s'j經(jīng)過歸一化后樣本庫中樣本特征變量向量，wk為第k個(gè)特征變量的權(quán)重，s0(k)為s'0(k)經(jīng)過歸一化后的目標(biāo)狀態(tài)第k維特征變量，sj(k)為s'j(k)經(jīng)過歸一化后樣本庫中第j個(gè)樣本第k維特征變量；γ(s0(k),sj(k))為s0(k)和sj(k)之間的關(guān)聯(lián)度，其表示為：

其中，為兩極最小差，為兩極最大差；ρ為分辨系數(shù)，其取值在0和1之間；

若存在表明樣本庫中不存在與目標(biāo)狀態(tài)相同或相似的樣本；

若存在表明樣本庫中存在與目標(biāo)狀態(tài)相同或相似的樣本；

其中，γ0為目標(biāo)狀態(tài)與樣本庫中樣本之間的關(guān)聯(lián)度閾值。

所述步驟2包括以下步驟：

步驟2-1：分析目標(biāo)狀態(tài)類型：

目標(biāo)狀態(tài)類型包括具體設(shè)備類目標(biāo)狀態(tài)和綜合運(yùn)行協(xié)調(diào)類目標(biāo)狀態(tài)；

步驟2-2：針對(duì)具體設(shè)備類目標(biāo)狀態(tài)，通過人機(jī)交互校驗(yàn)的方式，并根據(jù)分析結(jié)果以及配電網(wǎng)運(yùn)行特性生成相應(yīng)的控制策略；

步驟2-3：針對(duì)綜合運(yùn)行協(xié)調(diào)類目標(biāo)狀態(tài)，采用最優(yōu)潮流優(yōu)化模型，并根據(jù)分析結(jié)果以及 配電網(wǎng)運(yùn)行特性生成相應(yīng)的控制策略。

所述步驟2-3中，最優(yōu)潮流優(yōu)化模型包括目標(biāo)函數(shù)和約束條件，目標(biāo)函數(shù)表示為：

minf(u,c)

其中，u為狀態(tài)變量，c為控制變量，f(u,c)為優(yōu)化目標(biāo)；

約束條件表示為：

st:h(u,c)＝0

g(u,c)≤0

其中，h(u,c)為平衡約束函數(shù)，g(u,c)為不平衡約束函數(shù)，h(u,c)＝0為平衡約束條件，g(u,c)≤0為不平衡約束條件；

采用粒子群優(yōu)化算法求解最優(yōu)潮流優(yōu)化模型時(shí)，需要對(duì)粒子進(jìn)行初始化，有：

cf＝{cf1,cf2,…cfd}

其中，cf為第f維粒子向量，f＝1,2,…l，l為粒子維數(shù)，d為控制變量維數(shù)，cfd為第f維粒子對(duì)應(yīng)的第d維控制變量；

當(dāng)樣本庫中存在與目標(biāo)狀態(tài)相同或相似的樣本時(shí)，存在以下兩種情況：

1)樣本庫中樣本數(shù)量大于等于粒子維數(shù)，則將目標(biāo)狀態(tài)與樣本庫中樣本之間的關(guān)聯(lián)度γ(s0,sj)從大到小排序，形成前l(fā)維樣本對(duì)應(yīng)的控制策略集合cpost_l，并采用樣本對(duì)應(yīng)的控制策略對(duì)粒子初始化，此時(shí)有：

(cf＝cpost,f)&(cpost,f∈cpost_l)

其中，cpost,f為cpost_l中第f維控制策略；

2)樣本庫中樣本數(shù)量小于粒子維數(shù)，則采用樣本對(duì)應(yīng)的控制策略對(duì)粒子初始化后，對(duì)剩余粒子進(jìn)行基本初始化。

所述步驟3中，分析樣本庫中樣本數(shù)量是否超過樣本庫容量，若樣本庫中樣本數(shù)量未超過樣本庫容量，則樣本庫更新維護(hù)完畢；若樣本庫中樣本數(shù)量超過樣本庫容量，則對(duì)樣本庫 中樣本進(jìn)行篩選，具體有：

考慮到spre中包含表征目標(biāo)狀態(tài)嚴(yán)重程度的評(píng)估指標(biāo)s(1)，首先按照s(1)升序的順序?qū)颖編熘兴袠颖九判?，然后定義特征變量距離，設(shè)dj為樣本庫中第j個(gè)樣本的特征變量距離，分為以下兩種情況：

1)j＝2,…,n-1時(shí)，有：

其中s″j-1(k)為按照s(1)升序的順序?qū)颖編熘兴袠颖九判蚝蟮趈-1個(gè)樣本的第k維特征變量，s″j+1(k)按照s(1)升序的順序?qū)颖編熘兴袠颖九判蚝蟮趈+1個(gè)樣本的第k維特征變量，

2)j＝1或j＝n時(shí)，樣本庫中樣本處于按照s(1)升序的順序?qū)颖編熘兴袠颖九判蚝蟮倪吔?，此時(shí)有：

dj＝∞

當(dāng)樣本庫各個(gè)樣本的特征變量距離確定后，需刪除樣本庫中特征變量距離最小的樣本，至此完成樣本庫更新維護(hù)。

與最接近的現(xiàn)有技術(shù)相比，本發(fā)明提供的技術(shù)方案具有以下有益效果：

本發(fā)明模擬了人體細(xì)胞的免疫應(yīng)答機(jī)制，在配電網(wǎng)中建立了具有識(shí)別、記憶、匹配、學(xué)習(xí)、維護(hù)等功能的優(yōu)化和風(fēng)險(xiǎn)控制系統(tǒng)，該系統(tǒng)能夠?qū)⑴潆娋W(wǎng)運(yùn)行經(jīng)驗(yàn)和控制策略以有效知識(shí)的形式儲(chǔ)存，當(dāng)辨識(shí)出系統(tǒng)處于非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)需要進(jìn)行控制時(shí)，可將目標(biāo)狀態(tài)和樣本庫中的樣本進(jìn)行快速比對(duì)，若樣本庫中存在與目標(biāo)狀態(tài)相同或相似的樣本，借鑒樣本的控制策略快速生成目標(biāo)狀態(tài)的控制策略；系統(tǒng)模擬了人體內(nèi)免疫細(xì)胞抵御外侵抗原的過程，為配電網(wǎng)建立了人工免疫力。

附圖說明

圖1是本發(fā)明實(shí)施例中基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)結(jié)構(gòu)圖；

圖2是本發(fā)明實(shí)施例中基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制方法流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。

本發(fā)明提供一種基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)，如圖1，所述系統(tǒng)包括識(shí)別模塊、分化模塊和效應(yīng)模塊；所述識(shí)別模塊將配電網(wǎng)的非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)傳遞給分化模塊，所述分化模塊根據(jù)配電網(wǎng)的非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)生成針對(duì)非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)的控制策略，并將生成的控制策略傳遞給效應(yīng)模塊，所述效應(yīng)模塊下發(fā)控制指令給控制策略中的相關(guān)設(shè)備，并監(jiān)測(cè)控制策略實(shí)施后的效果。

所述識(shí)別模塊包括數(shù)據(jù)采集模塊和評(píng)估模塊；

所述數(shù)據(jù)采集模塊從不同的數(shù)據(jù)平臺(tái)上采集配電網(wǎng)運(yùn)行數(shù)據(jù)，并完成配電網(wǎng)運(yùn)行特性的提取，同時(shí)將配電網(wǎng)運(yùn)行數(shù)據(jù)和配電網(wǎng)運(yùn)行特性傳遞給評(píng)估模塊；

所述評(píng)估模塊根據(jù)配電網(wǎng)的運(yùn)行數(shù)據(jù)和運(yùn)行特性對(duì)配電網(wǎng)進(jìn)行運(yùn)行狀態(tài)和風(fēng)險(xiǎn)評(píng)估，若評(píng)估結(jié)果表明配電網(wǎng)現(xiàn)處于非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)，則將評(píng)估結(jié)果傳遞給分化模塊。

所述分化模塊包括樣本匹配模塊和控制策略生成模塊；

所述樣本匹配模塊將接收到的運(yùn)行變量和評(píng)估結(jié)果與樣本庫內(nèi)已有樣本進(jìn)行比對(duì)，分析樣本庫內(nèi)是否存在相同或相似樣本，然后將分析結(jié)果和配電網(wǎng)運(yùn)行特性傳遞給控制策略生成模塊；

所述控制策略生成模塊根據(jù)分析結(jié)果和配電網(wǎng)運(yùn)行特性，生成相應(yīng)的控制策略，并對(duì)控制策略進(jìn)行可行性校驗(yàn)后傳遞給效應(yīng)模塊。

所述效應(yīng)模塊包括實(shí)施模塊和樣本庫維護(hù)模塊；

所述實(shí)施模塊接收到生成模塊傳遞的控制策略后，把相應(yīng)的控制指令下發(fā)給相關(guān)設(shè)備，完成控制策略的實(shí)施；

所述樣本庫維護(hù)模塊記錄控制策略的實(shí)施過程，并將實(shí)施過程中的樣本添加到樣本庫中，若樣本庫中樣本數(shù)量超過樣本庫容量，則對(duì)樣本庫進(jìn)行更新和維護(hù)。

所述相關(guān)設(shè)備包括有載調(diào)壓變壓器、無功補(bǔ)償設(shè)備和連絡(luò)開關(guān)。

如圖2，采用基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制系統(tǒng)完成基于免疫應(yīng)答機(jī)制的配電網(wǎng)優(yōu)化與風(fēng)險(xiǎn)控制方法，所述方法包括以下步驟：

步驟1：識(shí)別模塊中的評(píng)估模塊對(duì)配電網(wǎng)進(jìn)行運(yùn)行狀態(tài)和風(fēng)險(xiǎn)評(píng)估，針對(duì)得到的評(píng)估結(jié)果，將配電網(wǎng)現(xiàn)處于的非優(yōu)狀態(tài)或風(fēng)險(xiǎn)狀態(tài)視為目標(biāo)狀態(tài)，采用分層檢索方式在樣本庫中搜尋樣本庫中是否存在與目標(biāo)狀態(tài)相同或相似的樣本，得到分析結(jié)果；

步驟2：根據(jù)分析結(jié)果、配電網(wǎng)運(yùn)行特性以及目標(biāo)狀態(tài)類型，生成相應(yīng)的控制策略；

步驟3：進(jìn)行控制策略的實(shí)施，并對(duì)樣本庫進(jìn)行更新和維護(hù)。

所述步驟1中，樣本庫中的樣本按照六元組形式存儲(chǔ)，該六元組形式表示為：

k＝[t,b,spre,cpre,cpost,spost]

其中，k為樣本庫中的樣本，t為目標(biāo)狀態(tài)類型，b為目標(biāo)狀態(tài)的調(diào)控變量，spre為控制策略實(shí)施前表征目標(biāo)狀態(tài)的特征變量，cpre為控制策略實(shí)施前表征目標(biāo)狀態(tài)的調(diào)控變量，cpost為控制策略，spost為控制策略實(shí)施后表征目標(biāo)狀態(tài)的特征變量。

所述步驟1包括以下步驟：

步驟1-1：進(jìn)行目標(biāo)狀態(tài)的匹配，在樣本庫中搜尋存在與目標(biāo)狀態(tài)相同或相似的樣本，形成第一層分類結(jié)果，獲取樣本的六元組形式中的t，b，cpre和spre；

步驟1-2：采用灰色關(guān)聯(lián)分析法進(jìn)行特征變量的匹配，得到分類結(jié)果，特征變量經(jīng)過匹配后的矩陣s表示為：

其中，s'0為目標(biāo)狀態(tài)特征變量向量，且s'0＝spre；n為樣本庫中樣本數(shù)量，s'1…s'n為樣本庫內(nèi)各個(gè)樣本特征變量向量，m為特征變量數(shù)量，s'0(m)為目標(biāo)狀態(tài)第m維特征變量，s'n(m)為樣本庫中第n個(gè)樣本的第m維特征變量；

對(duì)特征變量經(jīng)過匹配后的矩陣s中第j行、第k列元素s'j(k)進(jìn)行歸一化處理，有：

其中，j＝0,1,…n，k＝1,2,…m；sj(k)為s'j(k)經(jīng)過歸一化后樣本庫中第j個(gè)樣本的第k維特征變量，s'max(k)為第k個(gè)特征變量最大值，s'min(k)為第k個(gè)特征變量最小值；

則目標(biāo)狀態(tài)與樣本庫中樣本之間的關(guān)聯(lián)度γ(s0,sj)表示為：

其中，s0為s'0經(jīng)過歸一化后的目標(biāo)狀態(tài)特征變量向量，sj為s'j經(jīng)過歸一化后樣本庫中樣本特征變量向量，wk為第k個(gè)特征變量的權(quán)重，s0(k)為s'0(k)經(jīng)過歸一化后的目標(biāo)狀態(tài)第k維特征變量，sj(k)為s'j(k)經(jīng)過歸一化后樣本庫中第j個(gè)樣本第k維特征變量；γ(s0(k),sj(k))為s0(k)和sj(k)之間的關(guān)聯(lián)度，其表示為：

其中，為兩極最小差，為兩極最大差；ρ為分辨系數(shù)，其取值在0和1之間；

若存在表明樣本庫中不存在與目標(biāo)狀態(tài)相同或相似的樣本；

若存在表明樣本庫中存在與目標(biāo)狀態(tài)相同或相似的樣本；

其中，γ0為目標(biāo)狀態(tài)與樣本庫中樣本之間的關(guān)聯(lián)度閾值。

所述步驟2包括以下步驟：

步驟2-1：分析目標(biāo)狀態(tài)類型：

目標(biāo)狀態(tài)類型包括具體設(shè)備類目標(biāo)狀態(tài)和綜合運(yùn)行協(xié)調(diào)類目標(biāo)狀態(tài)；

步驟2-2：針對(duì)具體設(shè)備類目標(biāo)狀態(tài)，通過人機(jī)交互校驗(yàn)的方式，并根據(jù)分析結(jié)果以及配電網(wǎng)運(yùn)行特性生成相應(yīng)的控制策略；

步驟2-3：針對(duì)綜合運(yùn)行協(xié)調(diào)類目標(biāo)狀態(tài)，采用最優(yōu)潮流優(yōu)化模型，并根據(jù)分析結(jié)果以及配電網(wǎng)運(yùn)行特性生成相應(yīng)的控制策略。

所述步驟2-3中，最優(yōu)潮流優(yōu)化模型包括目標(biāo)函數(shù)和約束條件，目標(biāo)函數(shù)表示為：

minf(u,c)

其中，u為狀態(tài)變量，c為控制變量，f(u,c)為優(yōu)化目標(biāo)；

約束條件表示為：

st:h(u,c)＝0

g(u,c)≤0

其中，h(u,c)為平衡約束函數(shù)，g(u,c)為不平衡約束函數(shù)，h(u,c)＝0為平衡約束條件，g(u,c)≤0為不平衡約束條件；

采用粒子群優(yōu)化算法求解最優(yōu)潮流優(yōu)化模型時(shí)，需要對(duì)粒子進(jìn)行初始化，有：

cf＝{cf1,cf2,…cfd}

其中，cf為第f維粒子向量，f＝1,2,…l，l為粒子維數(shù)，d為控制變量維數(shù)，cfd為第f維粒子對(duì)應(yīng)的第d維控制變量；

當(dāng)樣本庫中存在與目標(biāo)狀態(tài)相同或相似的樣本時(shí)，存在以下兩種情況：

1)樣本庫中樣本數(shù)量大于等于粒子維數(shù)，則將目標(biāo)狀態(tài)與樣本庫中樣本之間的關(guān)聯(lián)度γ(s0,sj)從大到小排序，形成前l(fā)維樣本對(duì)應(yīng)的控制策略集合cpost_l，并采用樣本對(duì)應(yīng)的控制策略對(duì)粒子初始化，此時(shí)有：

(cf＝cpost,f)&(cpost,f∈cpost_l)

其中，cpost,f為cpost_l中第f維控制策略；

2)樣本庫中樣本數(shù)量小于粒子維數(shù)，則采用樣本對(duì)應(yīng)的控制策略對(duì)粒子初始化后，對(duì)剩余粒子進(jìn)行基本初始化。

所述步驟3中，分析樣本庫中樣本數(shù)量是否超過樣本庫容量，若樣本庫中樣本數(shù)量未超過樣本庫容量，則樣本庫更新維護(hù)完畢；若樣本庫中樣本數(shù)量超過樣本庫容量，則對(duì)樣本庫中樣本進(jìn)行篩選，具體有：

考慮到spre中包含表征目標(biāo)狀態(tài)嚴(yán)重程度的評(píng)估指標(biāo)s(1)，首先按照s(1)升序的順序?qū)颖編熘兴袠颖九判?，然后定義特征變量距離，設(shè)dj為樣本庫中第j個(gè)樣本的特征變量距離，分為以下兩種情況：

1)j＝2,…,n-1時(shí)，有：

其中s″j-1(k)為按照s(1)升序的順序?qū)颖編熘兴袠颖九判蚝蟮趈-1個(gè)樣本的第k維特征變量，s″j+1(k)按照s(1)升序的順序?qū)颖編熘兴袠颖九判蚝蟮趈+1個(gè)樣本的第k維特征變量，

2)j＝1或j＝n時(shí)，樣本庫中樣本處于按照s(1)升序的順序?qū)颖編熘兴袠颖九判蚝蟮倪吔?，此時(shí)有：

dj＝∞

當(dāng)樣本庫各個(gè)樣本的特征變量距離確定后，需刪除樣本庫中特征變量距離最小的樣本，至此完成樣本庫更新維護(hù)。

最后應(yīng)當(dāng)說明的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非對(duì)其限制，所屬領(lǐng)域的普通技術(shù)人員參照上述實(shí)施例依然可以對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行修改或者等同替換，這些未脫離本發(fā)明精神和范圍的任何修改或者等同替換，均在申請(qǐng)待批的本發(fā)明的權(quán)利要求保護(hù)范圍之內(nèi)。