基于决策树和多代理系统的配电主站故障自愈方法

摘要

【目的】由于传统故障自愈方法存在故障定位精度和效率较低等问题，为提高配电系统故障处理能力，提出了一种基于决策树和多代理(agent)系统的配电主站故障自愈方法。【方法】采用分层多代理技术构建配电主站故障自愈系统，包含节点区域代理层和馈线代理层。节点区域代理层采集配电网数据以及利用梯度提升决策树(GBDT)算法完成故障定位，并将故障数据传至馈线代理层。馈线代理层汇总数据，并综合考虑重要负荷恢复顺序、转供裕度和线损这3个方面的影响，构建了故障自愈优化模型，通过多agent演化算法进行求解，从而得到最优的配电主站故障自愈恢复方案。【结果】基于IEEE-29系统对本文方法进行实验分析，结果表明GBDT故障定位算法在迭代150次后准确率接近97%,该方法的重要负荷恢复量、网损、转供容量裕度和故障自愈时间分别为100%、90.58 kW、11.26 kW和2.79 s,且自愈恢复率均大于91%、自愈控制操作复杂度最高不超过5,均优于其他对比方法。【结论】GBDT故障定位算法能够实现更理想的准确率和效率，并且该方法能够在最短时间内恢复全部的重要负荷，保证网损最小。此外，本文方法的自愈能力较为稳定，能够更好地协调新能源发电，并能适应新型电力系统的快速发展，实现电力系统的高质量供电。针对传统故障自愈方法的集中式处理模式导致的工作量大、准确率较低等问题，本文方法基于多代理系统构建配电主站故障自愈系统，通过分布式协同监测各个节点的运行状态实现故障快速精准的检测与恢复。相比于决策树算法，GBDT算法通过在每轮迭代中拟合前一轮残差构建新学习器的方式逐步提高分析精度，更适用于配电主站一级的故障定位，为故障自愈提供精准的数据支撑。相比于传统寻优方法，GBDT算法采用多agent演化算法进行故障自愈优化模型求解，通过将目标分配至各agent并行执行，大幅提升了寻优效率，并汇总所有agent的优良解形成最终方案，保证了全局最优效果。

关键词

配电主站 / 故障自愈 / 梯度提升决策树算法 / 多代理系统 / 多目标优化模型 / 馈线代理层 / 节点区域代理层 / 多agent演化算法