数据驱动下计及DG不确定性的配电网动态重构OA

随着分布式电源(DG)在配电网中的广泛应用,其出力的随机性及负荷波动给系统安全经济运行带来了严重的不确定性挑战。传统的重构方法在应对复杂时变工况时普遍存在计算效率低下、难以满足实时调控需求等瓶颈问题。为此,提出了一种数据驱动下计及DG不确定性的配电网动态重构方法,旨在实现主动配电网的毫秒级智能控制。采用“离线复杂优化-在线极速决策”的解耦框架:在离线阶段,利用拉丁超立方抽样生成涵盖多重不确定性的运行场景,并通过改进的遗传算法对海量场景进行寻优,以最小化系统日总网络损耗为目标,求取满足多种物理约束的全局最优重构开关组合,构建高质量的“状态-最优拓扑”映射数据集;在在线阶段,构建基于“宽-窄”型结构的深度神经网络决策模型,精准内化场景特征与最优开关策略间的非线性映射规律。在IEEE 33节点标准配电系统上的仿真结果表明,所提模型单次在线决策仅需0.012 s,较传统算法性能显著提升,满足实时响应要求;同时,相比于固定网络拓扑,该方法平均每日可大幅节约电能损耗1163.9 kW·h,降损率达36.9%,并将全天最低节点电压标幺值从0.899显著提升至0.958,有效避免了局部电压越限;在光伏出力骤变等极端工况下,模型决策损耗与理论最优解的偏差不超过0.25%,展现出卓越的鲁棒性。所提方法通过深度学习成功跨越了计算复杂度与实时决策间的鸿沟,为含高度不确定性DG的主动配电网提供了极具工程应用前景的实时智能调控解决方案。