基于多智能体的配网应灾恢复协调控制方法及装置
阅读：90发布：2020-05-19
专利汇可以提供基于多智能体的配网应灾恢复协调控制方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 提供一种基于多智能体的配网应灾恢复协调控制方法及装置，首先确定配网应灾恢复的目标函数与约束条件，通过将配 电网 恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，然后将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于 黑板模型 的MAS协作机制，建立基于MAS的配网恢复控制决策体系，得到恢复结果，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果，将所述最终恢复结果通过所述全局恢复Agent传递至用户 接口 Agent，结束配网应灾恢复，由此提高了电 力 系统供电的可靠性，尤其是在 自然灾害 条件下电力系统的供电可靠性，提高电网投资收益。，下面是基于多智能体的配网应灾恢复协调控制方法及装置专利的具体信息内容。
1.一种基于多智能体的配网应灾恢复协调控制方法，包括：
确定配网应灾恢复的目标函数与约束条件，所述目标函数包括优先恢复重要负荷、最少开关操作次数、最多恢复失电负荷，所述约束条件包括线路容量约束和支点电压约束；
根据配电网的恢复特点，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，得到所述配电网恢复的各个阶段的优解恢复方案；
将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制；
根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系，采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢复方案，得到恢复结果；
根据所述配网应灾恢复的目标函数与约束条件，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果；
将所述最终恢复结果通过全局恢复Agent传递至用户接口Agent，更新数据与实施全局恢复，结束配网应灾恢复。
2.根据权利要求1所述的方法，其特征在于，所述优先恢复重要负荷通过下式计算，
其中，C1为故障直接导致断电重要负荷的节点集合，C2为故障间接导致断电重要负荷节点的集合，Li为节点i的负荷，Lj为节点j的负荷；
所述最少开关操作次数通过下式计算，
其中，M1为故障直接导致非故障失电区域集合，M2为故障间接导致非故障失电区域集合，si为开关i恢复前的开关状态，sri为开关i恢复后的开关状态，sj为开关j恢复前的开关状态，srj为开关j恢复后的开关状态，闭合状态取值为1，断开状态取值为0；
所述最多恢复失电负荷通过下式计算，
其中，ki为节点i的电荷状态，kj为节点j的电荷状态，带电取值为1，失电取值为0；
所述线路容量通过下式计算，
L2：Si≤Si.max，i＝1，2，…n
其中，Si为支路i的视在功率，Si.max为支路i的容量；
所述节点电压约束通过下式计算，
L3：Ui.min≤Ui≤Ui.max，i＝1，2，…m
其中，Ui.min为节点电压的下限；Ui.max为节点电压的上限。
3.根据权利要求1所述的方法，其特征在于，所述骨干通道恢复阶段采用深度优先搜索算法，包括：
A1、采用深度优先算法从故障区域下游区段开始搜索到所有联络开关为止，确定停电区域；
A2、根据所述停电区域的实时负荷，确定失电负荷，将当前电源总容量与带电区域当前总负荷做差，得到与停电区域相连的带电区域电源点的剩余容量；
A3、若所述失电负荷小于等于所述停电区域相连的带电区域电源点的剩余容量，执行步骤A4，否则进行切负荷；
A4、搜索各重要节点所有可操作开关的集合，得到多个骨干通道恢复阶段的恢复方案；
A5、根据优先原则，从所述多个骨干通道恢复阶段的恢复方案选取骨干通道恢复阶段的优解恢复方案，所述优先原则为首先考虑联络开关与停电区域直接相连的恢复方案，其次考虑经过的联络开关数量少的恢复方案。
4.根据权利要求3所述的方法，其特征在于，所述基于递归神经网络辨识配电网模型为：
其中，μk为配电网供电恢复开关状态，开关状态改变为1，不改变为0，xk为评论网的节点*T *T *T
负荷量， 和 为评估目标权值，φ1(V xk)和φ2(V xk)为单调递增的激活函数，V 为最*
优恢复函数V的转置。
5.根据权利要求1所述的方法，其特征在于，所述建立基于黑板模型的MAS协作机制，具体为：
将骨干恢复Agent、局部配网恢复Agent、区域联网Agent作为黑板模型的知识源，将全局优化agent作为黑板模型的黑板用于交互控制所述知识源，将校验agent作为黑板模型的控制机制。
6.根据权利要求1所述的方法，其特征在于，所述采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢复方案，得到恢复结果，包括：
S1、初始化系统的Q值Q0(s，a)＝0和蚁群算法各参数；
S2、计算选择不同路径恢复概率，根据所述路径恢复概率，选择所述配电网恢复的各个阶段的优解恢复方案；
S3、根据选择的优解恢复方案，计算配网应灾恢复策略
S4、判断是否满足 若是则得到恢复结果，否则执行步骤S2；
所述路径恢复概率通过下式计算，
其中， 为t时刻智能体k选择路径ij的恢复概率，tabu(k)为禁忌表， 为t时刻路径ij上标记信息量的大小，l为智能体k下一时刻所允许转移的相邻节点，α为反映标记信息作用的强弱指数因子，β为反映恢复通道信息作用的强弱指数因子，ηij为路径ij的路径信息；
所述配网应灾恢复策略通过下式计算，
其中，pss′为执行动作从状态s到状态s’的预设转移概率，γ′为折扣因子，τij为恢复通道上标记的信息量，通过下式计算，
其中， ρ为恢复通道上标记信息丢失因
子，m为总共的智能体个数，fk(x)为恢复通道k的目标函数值；
Qt(s，a)为智能体在所处状态s时采取行为a时的汇报值，通过下式计算，Qt+1(s，a)＝(1-αt)Qt(s，a)+αt[rt+γtmaxQt(s′，a′)]
其中，αt为学习因子，γt为折扣因子，rt为t时刻的回馈信息，在s状态下，智能体执行动作a＝(a1、a2、...、ai)后的状态为s’，a’为在新状态s’下的动作。
7.一种基于多智能体的配网应灾恢复协调控制装置，其特征在于，包括：目标函数与约束条件确定单元、配电网恢复阶段划分单元、MAS协作机制建立单元、恢复结果获取单元、校验单元、输出单元；
所述目标函数与约束条件确定单元，用于确定配网应灾恢复的目标函数与约束条件，所述目标函数包括优先恢复重要负荷、最少开关操作次数、最多恢复失电负荷，所述约束条件包括线路容量约束和支点电压约束；
所述配电网恢复阶段划分单元，用于根据配电网的恢复特点，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，得到所述配电网恢复的各个阶段的优解恢复方案；
所述MAS协作机制建立单元，用于将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制；
所述恢复结果获取单元，用于根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系，采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢复方案，得到恢复结果；
所述校验单元，用于根据所述配网应灾恢复的目标函数与约束条件，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果；
所述输出单元，用于将所述最终恢复结果通过全局恢复Agent传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复。
8.根据权利要求7所述的装置，其特征在于，所述配电网恢复阶段划分单元包括：骨干通道恢复阶段单元、局部配网恢复阶段单元和区域联网恢复阶段单元；
所述骨干通道恢复阶段单元采用深度优先搜索算法；
所述局部配网恢复阶段单元和所述区域联网恢复阶段单元均采用基于近似动态规划方法。
9.根据权利要求8所述的装置，其特征在于，所述骨干通道恢复阶段单元，具体为：
A1、采用深度优先算法从故障区域下游区段开始搜索到所有联络开关为止，确定停电区域；
A2、根据所述停电区域的实时负荷，确定失电负荷，将当前电源总容量与带电区域当前总负荷做差，得到与停电区域相连的带电区域电源点的剩余容量；
A3、若所述失电负荷小于等于所述停电区域相连的带电区域电源点的剩余容量，执行步骤A4，否则进行切负荷；
A4、搜索各重要节点所有可操作开关的集合，得到多个骨干通道恢复阶段的恢复方案；
A5、根据优先原则，从所述多个骨干通道恢复阶段的恢复方案选取骨干通道恢复阶段的优解恢复方案，所述优先原则为优先考虑联络开关与停电区域直接相连的恢复方案，其次考虑经过的联络开关数量少的恢复方案。
基于多智能体的配网应灾恢复协调控制方法及装置
技术领域：
[0002] 自然灾害发生时配电网易发生多故障，对于系统运行人员来说，故障后的恢复问题是包含不同优化目标的实时多阶段决策问题。目前，现有技术将电力系统恢复过程按照
主要恢复对象分为3个阶段，分别是黑启动阶段、网架重构阶段、负荷全面恢复阶段。而在配
电网的供电恢复的研究中，只涉及配电网网络重构和负荷恢复阶段。综合考虑配电网恢复
特点将配电网恢复划分为三个阶段，分别为：骨干通道恢复阶段、局部配网恢复阶段与区域
联网恢复阶段。其中骨干通道恢复阶段以恢复配电网重要节点和重要负荷为首要目标，然
而如果在多故障情况下只单一地按照负荷重要等级先后恢复，则可能导致故障恢复时间
长，得到的未必是最优解。因而在骨干通道恢复的同时，也应兼顾局部配网与区域联网的恢
复，三者共同协调从而实现全局电网的整体恢复。因此，对于配电网的供电恢复，不仅要求
对各阶段有可靠、高效的恢复算法，更需要构建具有扩充性、容错性和优化协调能力的供电
恢复体系，从而能够有效缩短灾害下重要用户的停电时间，提高配电网运行的可靠性。
主要恢复对象分为3个阶段，分别是黑启动阶段、网架重构阶段、负荷全面恢复阶段。而在配
电网的供电恢复的研究中，只涉及配电网网络重构和负荷恢复阶段。综合考虑配电网恢复
特点将配电网恢复划分为三个阶段，分别为：骨干通道恢复阶段、局部配网恢复阶段与区域
联网恢复阶段。其中骨干通道恢复阶段以恢复配电网重要节点和重要负荷为首要目标，然
而如果在多故障情况下只单一地按照负荷重要等级先后恢复，则可能导致故障恢复时间
长，得到的未必是最优解。因而在骨干通道恢复的同时，也应兼顾局部配网与区域联网的恢
复，三者共同协调从而实现全局电网的整体恢复。因此，对于配电网的供电恢复，不仅要求
对各阶段有可靠、高效的恢复算法，更需要构建具有扩充性、容错性和优化协调能力的供电
恢复体系，从而能够有效缩短灾害下重要用户的停电时间，提高配电网运行的可靠性。
[0003] 现有技术在应用多智能体(Multi-Agent System，简称MAS)理论解决配电网供电恢复问题时，往往针对不同电气元件进行智能体的设置，如馈线智能体、母线智能体等来构
建多智能体系统，虽然在处理恢复问题上具有一定的针对性，但是面对大型配电网络供电
恢复问题时，由于电气元件本身数量巨大，在某种程度上导致了“维数灾”，另一方面，由于
没有采用良好的协作方式，各个智能体面临协调上的同步问题，致使恢复过程缓慢，不能发
挥多智能体系并行计算的优势。
发明内容：
建多智能体系统，虽然在处理恢复问题上具有一定的针对性，但是面对大型配电网络供电
恢复问题时，由于电气元件本身数量巨大，在某种程度上导致了“维数灾”，另一方面，由于
没有采用良好的协作方式，各个智能体面临协调上的同步问题，致使恢复过程缓慢，不能发
挥多智能体系并行计算的优势。
发明内容：
[0005] 一方面，本发明提供一种基于多智能体的配网应灾恢复协调控制方法，包括：
[0007] 根据配电网的恢复特点，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，得到所述配电网恢复的各个阶段的优解恢复方案；
[0008] 将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Aagent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制；
[0009] 根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系，采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢复方
案，得到恢复结果；
案，得到恢复结果；
[0010] 根据所述配网应灾恢复的目标函数与约束条件，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果；
[0012] 可选地，所述优先恢复重要负荷通过下式计算，
[0013]
[0014] 其中，C1为故障直接导致断电重要负荷的节点集合，C2为故障间接导致断电重要负荷节点的集合，Li为节点i的负荷，Lj为节点j的负荷；
[0015] 所述最少开关操作次数通过下式计算，
[0016]
[0017] 其中，M1为故障直接导致非故障失电区域集合，M2为故障间接导致非故障失电区域集合，si为开关i恢复前的开关状态，sri为开关i恢复后的开关状态，sj为开关j恢复前的开
关状态，srj为开关j恢复后的开关状态，闭合状态取值为1，断开状态取值为0；
关状态，srj为开关j恢复后的开关状态，闭合状态取值为1，断开状态取值为0；
[0018] 所述最多恢复失电负荷通过下式计算，
[0019]
[0020] 其中，ki为节点i的电荷状态，带电取值为1，失电取值为0；
[0021] 所述线路容量通过下式计算，
[0022] L2：Si≤Si.max，(i＝1，2，…n)
[0023] 其中，Si为支路i的视在功率，Si.max为支路i的容量；
[0024] 所述节点电压约束通过下式计算，
[0025] L3：Ui.min≤Ui≤Ui.max，(i＝1，2，…m)
[0026] 其中，Ui.min为节点电压的下限；Ui.max为节点电压的上限。
[0027] 可选地，所述骨干通道恢复阶段采用深度优先搜索算法，包括：
[0028] A1、采用深度优先算法从故障区域下游区段开始搜索到所有联络开关为止，确定停电区域；
[0029] A2、根据所述停电区域的实时负荷，确定失电负荷，将当前电源总容量与带电区域当前总负荷做差，得到与停电区域相连的带电区域电源点的剩余容量；
[0030] A3、若所述失电负荷小于等于所述停电区域相连的带电区域电源点的剩余容量，执行步骤A4，否则进行切负荷；
[0031] A4、搜索各重要节点所有可操作开关的集合，得到多个骨干通道恢复阶段的恢复方案；
[0032] A5、根据优先原则，从所述多个骨干通道恢复阶段的恢复方案选取骨干通道恢复阶段的优解恢复方案，所述优先原则为首先考虑联络开关与停电区域直接相连的恢复方
案，其次考虑经过的联络开关数量少的恢复方案；
案，其次考虑经过的联络开关数量少的恢复方案；
[0033] 所述局部配网恢复阶段和所述区域联网恢复阶段均采用基于近似动态规划方法，包括：
[0035] B2、从配网值函数V0(xk)＝0开始采用启发式动态规划迭代控制策略和配网值函数；
[0036] B3、建立基于BP神经网络的评论模型和控制模型，训练得到近似的配网值函数和近似的最优控制策略
[0037] B4、判断是否满足 若是则得到局部配网恢复阶段的优解恢复方案和区域联网恢复阶段的优解恢复方案；
[0038] 所述控制策略通过下式计算，
[0039]
[0040] 所述配网值函数通过下式计算，
[0041]
[0042] 其中，xk为配电网系统节点负荷量，μi为配电网供电恢复开关状态，开关状态改变为1，不改变为0，Q为对角矩阵，R为单位矩阵；
[0043] 所述基于BP神经网络的评论模型为，
[0044]
[0045] 其中， 为未知的评论网权值Wci的近似，φc为评论网的激活函数；
[0046] 所述基于BP神经网络的控制模型为，
[0047]
[0048] 其中， 为目标权值Wai的近似，φa为控制网的激活函数。
[0049] 可选地，所述基于递归神经网络辨识配电网模型为：
[0050]
[0051] 其中，μk为配电网供电恢复开关状态，开关状态改变为1，不改变为0，xk为评论网的*T *T *T
节点负荷量， 和 为评估目标权值，φ1(V xk)和φ2(V xk)为单调递增的激活函数，V
为最优恢复函数V*的转置。
节点负荷量， 和 为评估目标权值，φ1(V xk)和φ2(V xk)为单调递增的激活函数，V
为最优恢复函数V*的转置。
[0052] 可选地，所述建立基于黑板模型的MAS协作机制，具体为：
[0053] 将骨干恢复Agent、局部配网恢复Agent、区域联网Agent作为黑板模型的知识源，将全局优化Agent作为黑板模型的黑板用于交互控制所述知识源，将校验Agent作为黑板模
型的控制机制。
型的控制机制。
[0054] 可选地，所述采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢复方案，得到恢复结果，包括：
[0055] S1、初始化系统的Q值Q0(s，a)＝0和蚁群算法各参数；
[0056] S2、计算不同路径恢复概率，根据所述路径恢复概率，选择所述配电网恢复的各个阶段的优解恢复方案；
[0057] S3、根据选择的优解恢复方案，计算配网应灾恢复策略
[0058] S4、判断是否满足 若是则得到恢复结果，否则执行步骤S2；
[0059] 所述路径恢复概率通过下式计算，
[0060]
[0061] 其中， 为t时刻智能体k选择路径ij的恢复概率，tabu(k)为禁忌表， 为t时刻路径ij上标记信息量的大小，l为智能体k下一时刻所允许转移的相邻节点，α为反映标
记信息作用的强弱指数因子，β为反映恢复通道信息作用的强弱指数因子，ηij为路径ij的路
径信息；
记信息作用的强弱指数因子，β为反映恢复通道信息作用的强弱指数因子，ηij为路径ij的路
径信息；
[0062] 所述配网应灾恢复策略通过下式计算，
[0063]
[0064] 其中，pss′为执行动作从状态s到状态s’的预设转移概率，γ′为折扣因子，τij为恢复通道上标记的信息量，通过下式计算，
[0065]
[0066] 其中， ρ为恢复通道上标记信息丢失因子，m为总共的智能体个数，fk(x)为恢复通道k的目标函数值；
[0067] Qt(s，a)为智能体在所处状态s时采取行为a时的汇报值，通过下式计算，
[0068] Qt+1(s，a)＝(1-αt)Qt(s，a)+αt[rt+γt max Qt(s′，a′)]
[0069] 其中，αt为学习因子，γt为折扣因子，rt为t时刻的回馈信息，在s状态下，智能体执行动作a＝(a1、a2、...、ai)后的状态为s’，a’为在新状态s’下的动作。
[0070] 另一方面，本发明提供一种基于多智能体的配网应灾恢复协调控制装置，包括：目标函数与约束条件确定单元、配电网恢复阶段划分单元、MAS协作机制建立单元、恢复结果
获取单元、校验单元、输出单元；
获取单元、校验单元、输出单元；
[0071] 所述目标函数与约束条件确定单元，用于确定配网应灾恢复的目标函数与约束条件，所述目标函数包括优先恢复重要负荷、最少开关操作次数、最多恢复失电负荷，所述约
束条件包括线路容量约束和支点电压约束；
束条件包括线路容量约束和支点电压约束；
[0072] 所述配电网恢复阶段划分单元，用于根据配电网的恢复特点，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，得到所述配电网恢复
的各个阶段的优解恢复方案；
的各个阶段的优解恢复方案；
[0073] 所述MAS协作机制建立单元，用于将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制；
[0074] 所述恢复结果获取单元，用于根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系，采用结合蚁群算法与Q学习的方法进行优化协调所述配电网
恢复的各个阶段的优解恢复方案，得到恢复结果；
恢复的各个阶段的优解恢复方案，得到恢复结果；
[0075] 所述校验单元，用于根据所述配网应灾恢复的目标函数与约束条件，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果；
[0076] 所述输出单元，用于将所述最终恢复结果通过全局恢复Agent传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复。
[0077] 可选地，所述配电网恢复阶段划分单元包括：骨干通道恢复阶段单元、局部配网恢复阶段单元和区域联网恢复阶段单元；
[0078] 所述骨干通道恢复阶段单元采用深度优先搜索算法；
[0079] 所述局部配网恢复阶段单元和所述区域联网恢复阶段单元均采用基于近似动态规划方法。
[0080] 可选地，所述骨干通道恢复阶段单元，具体为：
[0081] A1、采用深度优先算法从故障区域下游区段开始搜索到所有联络开关为止，确定停电区域；
[0082] A2、根据所述停电区域的实时负荷，确定失电负荷，将当前电源总容量与带电区域当前总负荷做差，得到与停电区域相连的带电区域电源点的剩余容量；
[0083] A3、若所述失电负荷小于等于所述停电区域相连的带电区域电源点的剩余容量，执行步骤A4，否则进行切负荷；
[0084] A4、搜索各重要节点所有可操作开关的集合，得到多个骨干通道恢复阶段的恢复方案；
[0085] A5、根据优先原则，从所述多个骨干通道恢复阶段的恢复方案选取骨干通道恢复阶段的优解恢复方案，所述优先原则为优先考虑联络开关与停电区域直接相连的恢复方
案，其次考虑经过的联络开关数量少的恢复方案。
案，其次考虑经过的联络开关数量少的恢复方案。
[0086] 可选地，所述局部配网恢复阶段单元和所述区域联网恢复阶段单元，具体为：
[0087] B1、基于递归神经网络辨识配电网模型，给定配电网各参数的初始值，目标函数为配网值函数；
[0088] B2、从配网值函数V0(xk)＝0开始采用启发式动态规划迭代控制策略和配网值函数；
[0089] B3、建立基于BP神经网络的评论模型和控制模型，训练得到近似的配网值函数和近似的最优控制策略
[0090] B4、判断是否满足 若是则得到局部配网恢复阶段的优解恢复方案和区域联网恢复阶段的优解恢复方案；
[0091] 所述控制策略通过下式计算，
[0092]
[0093] 所述配网值函数通过下式计算，
[0094]
[0095] 其中，xk为配电网系统节点负荷量，μi为配电网供电恢复开关状态，开关状态改变为1，不改变为0，Q为对角矩阵，R为单位矩阵；
[0096] 所述基于BP神经网络的评论模型为，
[0097]
[0098] 其中， 为未知的评论网权值Wci的近似，φc为评论网的激活函数；
[0099] 所述基于BP神经网络的控制模型为，
[0100]
[0101] 其中， 为目标权值Wai的近似，φa为控制网的激活函数。
[0102] 由上述技术方案可知，本发明的基于多智能体的配网应灾恢复协调控制方法及装置，首先确定配网应灾恢复的目标函数与约束条件，通过将配电网恢复阶段划分为骨干通
道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，然后将所述配电网恢复的各个阶段
分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型
的MAS协作机制，建立基于MAS的配网恢复控制决策体系，得到恢复结果，采用校验Agent对
所述恢复结果进行校验，得到最终恢复结果，将所述最终恢复结果通过所述全局恢复Agent
传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复，由此提高了电
力系统供电的可靠性，尤其是在自然灾害条件下电力系统的供电可靠性，提高电网投资收
益。
附图说明：
道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，然后将所述配电网恢复的各个阶段
分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型
的MAS协作机制，建立基于MAS的配网恢复控制决策体系，得到恢复结果，采用校验Agent对
所述恢复结果进行校验，得到最终恢复结果，将所述最终恢复结果通过所述全局恢复Agent
传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复，由此提高了电
力系统供电的可靠性，尤其是在自然灾害条件下电力系统的供电可靠性，提高电网投资收
益。
附图说明：
[0103] 图1为本发明第一实施例提供的基于多智能体的配网应灾恢复协调控制方法流程示意图；
[0104] 图2为本发明第一实施例提供的基于多智能体的配网恢复控制决策体系示意图；
[0105] 图3为本发明第一实施例提供的采用结合蚁群算法与Q学习的方法流程示意图；
[0106] 图4为本发明第二实施例提供的基于多智能体的配网应灾恢复协调控制方法流程示意图；
[0107] 图5为本发明第二实施例提供的IEEE节点网络结构图；
[0108] 图6为本发明第三实施例提供的基于多智能体的配网应灾恢复协调控制装置结构示意图；
[0109] 图7为本发明第四实施例提供的基于多智能体的配网应灾恢复协调控制装置结构示意图；
[0110] 图8为本发明第四实施例提供的权值Wci的训练曲线图；
[0111] 图9为本发明第四实施例提供的权值Wai的训练曲线图；
[0112] 图10为本发明第四实施例提供的配网值函数的迭代曲线图；
[0113] 图11为本发明第四实施例提供的局部配网恢复结果示意图；
[0114] 图12为本发明第四实施例提供的区域联网恢复结果示意图；
[0115] 图13为本发明第四实施例提供的全局恢复结果示意图。具体实施方式：
[0116] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0117] 图1示出了发明第一实施例提供的基于多智能体的配网应灾恢复协调控制方法流程示意图，如图1所示，本实施例的方法如下所述。
[0118] 101、确定配网应灾恢复的目标函数与约束条件，所述目标函数包括优先恢复重要负荷、最少开关操作次数、最多恢复失电负荷，所述约束条件包括线路容量约束和支点电压
约束。
约束。
[0119] 本步骤中，所述优先恢复重要负荷通过下式计算，
[0120]
[0121] 其中，C1为故障直接导致断电重要负荷的节点集合，C2为故障间接导致断电重要负荷节点的集合，Li为节点i的负荷，Lj为节点j的负荷；
[0122] 所述最少开关操作次数通过下式计算，
[0123]
[0124] 其中，M1为故障直接导致非故障失电区域集合，M2为故障间接导致非故障失电区域集合，si为开关i恢复前的开关状态，sri为开关i恢复后的开关状态，sj为开关j恢复前的开
关状态，srj为开关j恢复后的开关状态，闭合状态取值为1，断开状态取值为0；
关状态，srj为开关j恢复后的开关状态，闭合状态取值为1，断开状态取值为0；
[0125] 所述最多恢复失电负荷通过下式计算，
[0126]
[0127] 其中，ki为节点i的电荷状态，带电取值为1，失电取值为0；
[0128] 所述线路容量通过下式计算，
[0129] L2：Si≤Si.max，(i＝1，2，…n)
[0130] 其中，Si为支路i的视在功率，Si.max为支路i的容量；
[0131] 所述节点电压约束通过下式计算，
[0132] L3：Ui.min≤Ui≤Ui.max，(i＝1，2，…m)
[0133] 其中，Ui.min为节点电压的下限；Ui.max为节点电压的上限。
[0134] 102、根据配电网的恢复特点，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，得到所述配电网恢复的各个阶段的优解恢复方案。
[0135] 本步骤中，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段；
[0136] 所述骨干通道恢复阶段以恢复电网失电元件和重要负荷为首要目标，重视快速性，强调时间效益。它的主要任务时利用恢复过程初期已经获得的系统发电容量，搜索与重
要负荷相连的分段开关、联络开关使之实现合理的恢复供电，在尽可能短的时间内逐步恢
复主网的框架，为下一阶段全面恢复负荷打下基础。
要负荷相连的分段开关、联络开关使之实现合理的恢复供电，在尽可能短的时间内逐步恢
复主网的框架，为下一阶段全面恢复负荷打下基础。
[0137] 所述骨干通道恢复阶段采用深度优先搜索算法，包括：
[0138] A1、采用深度优先算法从故障区域下游区段开始搜索到所有联络开关为止，确定停电区域；
[0139] A2、根据所述停电区域的实时负荷，确定失电负荷，将当前电源总容量与带电区域当前总负荷做差，得到与停电区域相连的带电区域电源点的剩余容量；
[0140] A3、若所述失电负荷小于等于所述停电区域相连的带电区域电源点的剩余容量，执行步骤A4，否则进行切负荷；
[0141] A4、搜索各重要节点所有可操作开关的集合，得到多个骨干通道恢复阶段的恢复方案；
[0142] A5、根据优先原则，从所述多个骨干通道恢复阶段的恢复方案选取骨干通道恢复阶段的优解恢复方案，所述优先原则为首先考虑联络开关与停电区域直接相连的恢复方
案，其次考虑经过的联络开关数量少的恢复方案；
案，其次考虑经过的联络开关数量少的恢复方案；
[0143] 所述局部配网恢复阶段通过搜索网内直接与停电区域相连的可操作开关，以尽可能多的恢复停电负荷为主要目标。
[0144] 所述区域联网恢复阶段通过搜索网内非直接与停电区域相连的可操作开关，以弥补局部配网不能恢复所有负荷的遗憾，实现与局部电配网恢复协调配合，或与局部配网恢
复相比较以选取适合的恢复方案。
复相比较以选取适合的恢复方案。
[0145] 应说明的是，所述局部配网恢复阶段和所述区域联网恢复阶段均采用基于近似动态规划方法，包括：
[0146] B1、基于递归神经网络辨识配电网模型，给定配电网各参数的初始值，目标函数为配网值函数；
[0147] B2、从配网值函数为零开始采用启发式动态规划迭代控制策略和配网值函数；
[0148] B3、建立基于BP神经网络的评论模型和控制模型，训练得到近似的配网值函数和近似的最优控制策略
[0149] B4、判断是否满足 若是则得到局部配网恢复阶段的优解恢复方案和区域联网恢复阶段的优解恢复方案；
[0150] 所述控制策略通过下式计算，
[0151]
[0152] 所述配网值函数通过下式计算，
[0153]
[0154] 其中，xk为配电网系统节点负荷量，μi为配电网供电恢复开关状态，开关状态改变为1，不改变为0，Q为对角矩阵，R为单位矩阵；
[0155] 所述基于BP神经网络的评论模型为，
[0156]
[0157] 其中， 为未知的评论网权值Wci的近似，φc为评论网的激活函数，定义评论网的
[0158] 所述基于BP神经网络的控制模型为，
[0159]
[0160] 其中， 为目标权值Wai的近似，φa为控制网的激活函数。
[0161] 103、将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制。
[0162] 本步骤中，引入黑板模型作为协调机制，主要在于它是分布式和并行编程可用的强有力的模型之一，可有效缩短运行时间。
[0163] 应说明的是，MAS提供了Agent之间相互协调的形式框架，主要包括协调体、协调媒介和协调规则，而黑板结构中的黑板、知识源和控制机制恰恰对应了MAS协调所需要的三要
素。所以基于黑板结构的MAS系统可以对具有不同目标的多个Agent进行合理安排，以协调
各自行为，最大程度的实现各自目标。
素。所以基于黑板结构的MAS系统可以对具有不同目标的多个Agent进行合理安排，以协调
各自行为，最大程度的实现各自目标。
[0164] 104、根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系，采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢
复方案，得到恢复结果。
复方案，得到恢复结果。
[0165] 本步骤中，图2示出了本发明第一实施例提供的基于多智能体的配网恢复控制决策体系示意图，如图2所示，基于多智能体的配网恢复控制决策体系将骨干恢复Agent、区域
联网恢复Agent、局部联网恢复Agent当作黑板模型的知识源，将全局恢复Agent作为黑板进
行交互用来控制协调各Agent，且用于对问题分析和冲突消解。
联网恢复Agent、局部联网恢复Agent当作黑板模型的知识源，将全局恢复Agent作为黑板进
行交互用来控制协调各Agent，且用于对问题分析和冲突消解。
[0166] 图3示出了本发明第一实施例提供的采用结合蚁群算法与Q学习的方法流程示意图，如图3所示，所述采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各
个阶段的优解恢复方案，得到恢复结果，包括：
个阶段的优解恢复方案，得到恢复结果，包括：
[0167] S1、初始化系统的Q值Q0(s，a)＝0和蚁群算法各参数；
[0168] S2、计算选择不同路径恢复概率，根据所述路径恢复概率，选择所述配电网恢复的各个阶段的优解恢复方案；
[0169] S3、根据选择的优解恢复方案，计算配网应灾恢复策略
[0170] S4、判断是否满足 若是则得到恢复结果，否则执行步骤S2；
[0171] 所述路径恢复概率通过下式计算，
[0172]
[0173] 其中， 为t时刻智能体k选择路径ij的恢复概率，tabu(k)为禁忌表， 为t时刻路径ij上标记信息量的大小，l为智能体k下一时刻所允许转移的相邻节点，α为反映标
记信息作用的强弱指数因子，β为反映恢复通道信息作用的强弱指数因子，ηij为路径ij的路
径信息；
记信息作用的强弱指数因子，β为反映恢复通道信息作用的强弱指数因子，ηij为路径ij的路
径信息；
[0174] 所述配网应灾恢复策略通过下式计算，
[0175]
[0176] 其中，pss′为执行动作从状态s到状态s’的预设转移概率，γ′为折扣因子，τij为恢复通道上标记的信息量，通过下式计算，
[0177]
[0178] 其中， ρ为恢复通道上标记信息丢失因子，m为总共的智能体个数，fk(x)为恢复通道k的目标函数值；
[0179] Qt(s，a)为智能体在所处状态s时采取行为a时的回报值，通过下式计算，
[0180] Qt+1(s，a)＝(1-αt)Qt(s，a)+αt[rt+γt max Qt(s′，a′)]
[0181] 其中，αt为学习因子，γt为折扣因子，rt为t时刻的回馈信息，在s状态下，智能体执行动作a＝(a1、a2、...、ai)后的状态为s’，a’为在新状态s’下的动作。
[0182] 105、根据所述配网应灾恢复的目标函数与约束条件，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果。
[0183] 本步骤中，校验Agent作为配网恢复的校验机制集成了骨干恢复阶段、局部配网恢复阶段和区域联网恢复阶段中涉及的主要约束条件的检验措施。
[0184] 106、将所述最终恢复结果通过全局恢复Agent传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复。
[0185] 本步骤中，所述用户接口Agent主要用于与上位机进行通信。
[0186] 本实施例的基于多智能体的配网应灾恢复协调控制方法，首先确定配网应灾恢复的目标函数与约束条件，通过将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复
阶段和区域联网恢复阶段，然后将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、
局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制，建立基于MAS
的配网恢复控制决策体系，得到恢复结果，采用校验Agent对所述恢复结果进行校验，得到
最终恢复结果，将所述最终恢复结果通过所述全局恢复Agent传递至用户接口Agent，更新
数据与实施全局恢复方案，结束配网应灾恢复，由此提高了电力系统供电的可靠性，尤其是
在自然灾害条件下电力系统的供电可靠性，提高电网投资收益。
阶段和区域联网恢复阶段，然后将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、
局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制，建立基于MAS
的配网恢复控制决策体系，得到恢复结果，采用校验Agent对所述恢复结果进行校验，得到
最终恢复结果，将所述最终恢复结果通过所述全局恢复Agent传递至用户接口Agent，更新
数据与实施全局恢复方案，结束配网应灾恢复，由此提高了电力系统供电的可靠性，尤其是
在自然灾害条件下电力系统的供电可靠性，提高电网投资收益。
[0187] 图4示出了本发明第二实施例提供的基于多智能体的配网应灾恢复协调控制方法流程示意图，如图4所示，本实施例以IEEE33节点标准为例，如图5所示，图5中的圆点为节
点，实线为带有常闭的分段开关的支路，共有32条，如Z1，虚线为带有常开的联络开关的支
路，共有5条，如Z33，本实施例中假设节点7发生永久性故障并被切除，则分段开关Z6、Z7断
开以隔离故障，且发电机S2退出运行，并且与节点7相连的下游区域即节点8-18区域为待恢
复区域，具体的方法如下所述。
点，实线为带有常闭的分段开关的支路，共有32条，如Z1，虚线为带有常开的联络开关的支
路，共有5条，如Z33，本实施例中假设节点7发生永久性故障并被切除，则分段开关Z6、Z7断
开以隔离故障，且发电机S2退出运行，并且与节点7相连的下游区域即节点8-18区域为待恢
复区域，具体的方法如下所述。
[0188] 401、确定配网应灾恢复的目标函数与约束条件。
[0189] 402、采用深度优先搜索算法得到骨干通道恢复阶段的优解恢复方案。
[0190] 本步骤中，具体包括：
[0191] 步骤2.1、从故障区段下游开关开始，采用深度优先算法向下游区段搜索，搜索到所有联络开关为止，确定停电区域；
[0193] 步骤2.3、用当前搜索电源总容量减去带电区域当前总负荷得到与停电区域相连的带电区域中电源点的剩余容量；
[0194] 步骤2.4、若失电负荷小于等于与停电区域相连的带电区域的剩余容量，则执行步骤3.5，否则进行切负荷；
[0195] 步骤2.5、搜索各重要节点所有可操作开关的集合；
[0196] 步骤2.6针对重要节点优先考虑直接与停电区域相连的联络开关的恢复方案，其次选择经过尽可能少的开关箱停电区域供电，选出骨干通道恢复阶段的优解恢复方案。
[0197] 403、采用基于近似动态规划方法分别得到局部配网恢复阶段和区域联网恢复阶段的优解恢复方案。
[0198] 本步骤中，具体包括：
[0199] 步骤3.1、基于递归神经网络辨识配电网模型，给定配电网各参数的初始值，规定配网值函数
[0201]
[0202] 其中，μk∈Rm是配电网供电恢复控制变量，本系统取其为开关动作情况，动作为1，不动作为0；xk是评估系统的状态向量，本系统取其为节点负荷量； 和 为评估目标权
值，满足 和 和 为单调递增的激活函数，且满足||φ1|
|≤φ1M，||φ2||≤φ2M，0≤φ(y1)-φ(y2)≤κ(y1-y2)，y∈R，且y1≥y2，κ≥0；V*T为最优恢复函数V*的转置。
值，满足 和 和 为单调递增的激活函数，且满足||φ1|
|≤φ1M，||φ2||≤φ2M，0≤φ(y1)-φ(y2)≤κ(y1-y2)，y∈R，且y1≥y2，κ≥0；V*T为最优恢复函数V*的转置。
[0204] 步骤3.2、从配网值函数V0(xk)＝0开始采用启发式动态规划迭代控制策略和配网值函数；
[0205] 所述控制策略通过下式计算，
[0206]
[0207] 所述配网值函数通过下式计算，
[0208]
[0209] 其中，xk为配电网系统节点负荷量，μi为配电网供电恢复开关状态，开关状态改变为1，不改变为0，Q为对角矩阵，R为单位矩阵。
[0210] 步骤3.3、建立基于BP神经网络的评论模型和控制模型，训练得到近似的配网值函数 和近似的最优控制策略。
[0211] 所述基于BP神经网络的评论模型为，
[0212]
[0213] 其中， 为未知的评论网权值Wci的近似，φc为评论网的激活函数；
[0214] 另外，定义评论网的误差函数 使得评论网最小化。评论网的权值更新法则为，
αc≥0为评价网的学习率。
αc≥0为评价网的学习率。
[0215] 所述基于BP神经网络的控制模型为，
[0216]
[0217] 其中， 为目标权值Wai的近似，φa为控制网的激活函数。
[0218] 另外，在训练中 的取值范围是0～1之间的连续数据，在当 时，当 时， 为了找到控制网的权值以使其代价函数最小，引
入第二个训练回路，且用j来表示。在开始运行第二个回路前，定义控制网的误差近似值函
数 最小，则控制网的误差函数为：
入第二个训练回路，且用j来表示。在开始运行第二个回路前，定义控制网的误差近似值函
数 最小，则控制网的误差函数为：
[0219]
[0220] 控制网的更新法则为： 其中，αaj是较小的正的设计参数， 为控制网误差函数的转置，R≥0。
[0221] 步骤3.4、判断是否满足 若是则得到局部配网恢复阶段的优解恢复方案和区域联网恢复阶段的优解恢复方案。
[0222] 404、将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机制。
[0223] 405、根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系。
[0224] 406、采用结合蚁群算法与Q学习的方法进行优化协调所述配电网恢复的各个阶段的优解恢复方案，得到恢复结果。
[0225] 本步骤中，具体包括：
[0226] 步骤6.1、初始化系统的Q值Q0(s，a)＝0和蚁群算法各参数；
[0227] 其中，Qt(s，a)为智能体在所处状态s时采取行为a时的回报值，通过下式计算，
[0228] Qt+1(s，a)＝(1-αt)Qt(s，a)+αt[rt+γt max Qt(s′，a′)]
[0229] 其中，αt为学习因子，本实施例中取αt＝0.2，γt为折扣因子，本实施例中取γt＝0.95，rt为t时刻的回馈信息，在s状态下，智能体执行动作a＝(a1、a2、...、ai)后的状态为
s’，a’为在新状态s’下的动作。
s’，a’为在新状态s’下的动作。
[0230] 步骤6.2、计算路径恢复概率，根据所述路径恢复概率，选择所述配电网恢复的各个阶段的优解恢复方案；
[0231] 所述路径恢复概率通过下式计算，
[0232]
[0233] 其中， 为t时刻智能体k选择路径ij的恢复概率，tabu(k)为禁忌表， 为t时刻路径ij上标记信息量的大小，且 l为智能体k下一时刻所允许转移的相邻节
点，α′为反映标记信息作用的强弱指数因子，本实施例中取α′＝1，β为反映恢复通道信息作
用的强弱指数因子，本实施例中取β＝1，ηij为路径ij的路径信息；
点，α′为反映标记信息作用的强弱指数因子，本实施例中取α′＝1，β为反映恢复通道信息作
用的强弱指数因子，本实施例中取β＝1，ηij为路径ij的路径信息；
[0234] 步骤6.3、根据选择的优解恢复方案，计算配网应灾恢复策略
[0235] 所述配网应灾恢复策略通过下式计算，
[0236]
[0237] 其中，pss′为执行动作从状态s到状态s’的预设转移概率，γ′为折扣因子，τij为恢复通道上标记的信息量，通过下式计算，
[0238]
[0239] 其中， ρ为恢复通道上标记信息丢失因子，本实施例中取ρ＝0.8，m为总共的智能体个数，fk(x)为恢复通道k的目标函数值；
[0240] 步骤6.4、判断是否满足 若是则得到恢复结果，应灾恢复结束，否则执行步骤6.2，继续迭代，得到恢复结果。
[0242] 另外，在MAS系统运行的过程中，各智能体将在环境中遗留下各自的标记信息，并利用标记信息来实现各智能体的交互。某个位置信息量越大，则说明该处有越多的智能体
通过，那么作为最佳路径的可能性就越大，因此，将蚁群算法应用到MAS的学习中有极好的
启发性作用。
通过，那么作为最佳路径的可能性就越大，因此，将蚁群算法应用到MAS的学习中有极好的
启发性作用。
[0243] 407、将所述恢复结果进行校验得到最终恢复结果，并传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复。
[0244] 本实施例的基于多智能体的配网应灾恢复协调控制方法采用黑板模型作为协调机制，它是分布式和并行可编程可用的强有力的模型之一，可有效缩短运行时间。在供电恢
复中各个智能体寻找局部优解，黑板负责组织协调各智能体行为，这种协作机制既能实现
多目标综合优化问题的并行计算，又可避免个数繁多的智能体因不同步造成的信息滞留。
而黑板结构中的黑板、知识源和控制机制正好对应MAS提供Agent之间相互协调的形式化框
架中的协调体、协调媒介和协调规则三要素。所以基于黑板结构的MAS系统可以对具有不同
目标的多个Agent进行合理安排，以协调各自行为，最大程度的实现各自目标。
复中各个智能体寻找局部优解，黑板负责组织协调各智能体行为，这种协作机制既能实现
多目标综合优化问题的并行计算，又可避免个数繁多的智能体因不同步造成的信息滞留。
而黑板结构中的黑板、知识源和控制机制正好对应MAS提供Agent之间相互协调的形式化框
架中的协调体、协调媒介和协调规则三要素。所以基于黑板结构的MAS系统可以对具有不同
目标的多个Agent进行合理安排，以协调各自行为，最大程度的实现各自目标。
[0245] 图6示出了本发明第三实施例提供的基于多智能体的配网应灾恢复协调控制装置结构示意图，如图6所示，本实施例的基于多智能体的配网应灾恢复协调控制装置包括：目
标函数与约束条件确定单元61、配电网恢复阶段划分单元62、MAS协作机制建立单元63、恢
复结果获取单元64、校验单元65、输出单元66；
标函数与约束条件确定单元61、配电网恢复阶段划分单元62、MAS协作机制建立单元63、恢
复结果获取单元64、校验单元65、输出单元66；
[0246] 所述目标函数与约束条件确定单元61，用于确定配网应灾恢复的目标函数与约束条件，所述目标函数包括优先恢复重要负荷、最少开关操作次数、最多恢复失电负荷，所述
约束条件包括线路容量约束和支点电压约束；
约束条件包括线路容量约束和支点电压约束；
[0247] 所述配电网恢复阶段划分单元62，用于根据配电网的恢复特点，将配电网恢复阶段划分为骨干通道恢复阶段、局部配网恢复阶段和区域联网恢复阶段，得到所述配电网恢
复的各个阶段的优解恢复方案；
复的各个阶段的优解恢复方案；
[0248] 所述MAS协作机制建立单元63，用于将所述配电网恢复的各个阶段分别设置为骨干恢复Agent、局部配网恢复Agent、区域联网恢复Agent，建立基于黑板模型的MAS协作机
制；
制；
[0249] 所述恢复结果获取单元64，用于根据所述基于黑板模型的MAS协作机制，建立基于MAS的配网恢复控制决策体系，采用结合蚁群算法与Q学习的方法进行优化协调所述配电网
恢复的各个阶段的优解恢复方案，得到恢复结果；
恢复的各个阶段的优解恢复方案，得到恢复结果；
[0250] 所述校验单元65，用于根据所述配网应灾恢复的目标函数与约束条件，采用校验Agent对所述恢复结果进行校验，得到最终恢复结果；
[0251] 所述输出单元66，用于将所述最终恢复结果通过全局恢复Agent传递至用户接口Agent，更新数据与实施全局恢复方案，结束配网应灾恢复。
[0252] 在具体的应用中，图7示出了本发明第四实施例提供的基于多智能体的配网应灾恢复协调控制装置结构示意图，如图7所示，包括数据采集与监控单元、数据处理单元、数据
执行单元、通讯单元和人机交互单元。其中，数据采集与监控单元通过通信单元与数据处理
单元相连，数据处理单元经通讯单元通过另一通讯单元与人机交互单元相连，数据处理单
元还与数据库单元和数据执行单元相连。
执行单元、通讯单元和人机交互单元。其中，数据采集与监控单元通过通信单元与数据处理
单元相连，数据处理单元经通讯单元通过另一通讯单元与人机交互单元相连，数据处理单
元还与数据库单元和数据执行单元相连。
[0253] 所述数据采集与监控单元包括数据采集与监视控制系统(SCADA系统)、故障信息系统和故障录波系统，用于电网状态检测、安全监视和报警处理、数据采集、拓扑分析、故障
信息记录。当电网发生故障后，各系统终端设备采集信息包括模拟量信息、开关信息和保护
信息。
信息记录。当电网发生故障后，各系统终端设备采集信息包括模拟量信息、开关信息和保护
信息。
[0254] 所述数据处理单元由一台上位机实现，该单元内设置有故障信息处理模块、骨干通道恢复模块、局部配网恢复模块、区域联网恢复模块、数据约简模块和决策控制模块。故
障发生后，电网多源故障信息上传至多源信息预处理模块进行数据融合后，骨干通道恢复
模块采用深度优先搜索算法，遍历搜索空间找出所有的停电区域、失电总负荷及与停电区
域相连的带电区域的剩余容量，若失电总负荷小于等于与停电区域相连的带电区域的剩余
容量，则可通过闭合联络开关给停电区域供电，否则进行以尽量保证重要负荷的供电和尽
量使切负荷少为原则的切负荷操作，局部配网恢复模块和区域联网恢复模块采用基于近似
动态规划的方法，以综合考虑尽可能多的恢复失电负荷与尽可能少的开关操作数为目标，
恢复系统供电。各诊断模块间能够实现诊断信息传递与共享。
障发生后，电网多源故障信息上传至多源信息预处理模块进行数据融合后，骨干通道恢复
模块采用深度优先搜索算法，遍历搜索空间找出所有的停电区域、失电总负荷及与停电区
域相连的带电区域的剩余容量，若失电总负荷小于等于与停电区域相连的带电区域的剩余
容量，则可通过闭合联络开关给停电区域供电，否则进行以尽量保证重要负荷的供电和尽
量使切负荷少为原则的切负荷操作，局部配网恢复模块和区域联网恢复模块采用基于近似
动态规划的方法，以综合考虑尽可能多的恢复失电负荷与尽可能少的开关操作数为目标，
恢复系统供电。各诊断模块间能够实现诊断信息传递与共享。
[0255] 所述通信单元包括信息接收模块、信息发送模块、信息传输模块、协议控制模块，本实施例的装置的通信单元均采用RS-485标准接口和RS-485串行异步光纤环网通信方式，
适用于多通信节点，且节点位置分散的通讯环境。
适用于多通信节点，且节点位置分散的通讯环境。
[0257] 所述人机交互单元是应灾恢复系统与操作人员的交互接口，实现运行人员与系统的监视与控制，由上位机实现。
[0258] 基于图5的IEEE33节点网络，针对该待恢复的配电网模型，采用基于MAS的配网应灾恢复协调控制系统进行仿真实验。该系统检测到报警信号后全局恢复Agent启动，并由全
局优化协调Agent将恢复任务分配给骨干通道恢复Agent、局部配网恢复Agent和区域联网
恢复agent。
局优化协调Agent将恢复任务分配给骨干通道恢复Agent、局部配网恢复Agent和区域联网
恢复agent。
[0259] 骨干通道恢复Agent有配电网节点数据库得知节点12和节点18为重要节点，为保障节点12的供电可通过闭合联络开关Z35或闭合联络开关Z34且保证分段开关Z8、Z9、Z10的
闭合不动；为保障节点18的供电可通过闭合联络开关Z37或闭合联络开关Z35且保证分段开
关Z12、Z13、Z15、Z16、Z17的闭合不动，得出各重要节点所对应的可操作开关集后，以尽可能
短的联通路径为目标选取最优恢复路径。由计算分析可得，通过直接闭合联络开关Z35、Z37
对重要节点12和18进行供电。
闭合不动；为保障节点18的供电可通过闭合联络开关Z37或闭合联络开关Z35且保证分段开
关Z12、Z13、Z15、Z16、Z17的闭合不动，得出各重要节点所对应的可操作开关集后，以尽可能
短的联通路径为目标选取最优恢复路径。由计算分析可得，通过直接闭合联络开关Z35、Z37
对重要节点12和18进行供电。
[0260] 局部配网恢复Agent综合考虑尽可能多的恢复失电负荷与尽可能少的开关操作数，所述配电网的初始状态为：
[0261] x(0)＝[100+j60，90+j40，120+j80，60+j30，60+j20，200+j100，0，0，0，0，0，0，0，0，0，0，0，0，90+j40，90+j40，90+j40，90+j40，90+j50，420+j200，420+j200，60+j25，60+j25，60+j20，120+j70，200+j600，150+j70，210+j100，60+j40]，初始控制量为：μ(0)＝0，并选取计
算精度ε＝0.001。
算精度ε＝0.001。
[0262] 对系统进行仿真，得到评价网目标权值Wci和控制网目标权值Wai的收敛过程图，如图8所示，图8示出了本发明第四实施例权值Wci的训练曲线图，如图9所示，图9示出了本发明
第四实施例权值Wai的训练曲线图，由图8和图9所示，权值Wci和权值Wai一般在30-36次左右
收敛。
第四实施例权值Wai的训练曲线图，由图8和图9所示，权值Wci和权值Wai一般在30-36次左右
收敛。
[0263] 图10示出了本发明第四实施例提供的配网值函数的迭代曲线图，如图10所示，在进行第3次迭代时值函数开始收敛，从n＝36开始值函数基本变化不大，各路径上的标记信
息也不在更新，可以认为已经找到最优解。值函数迭代曲线最后收敛到70次左右，是由于7
为永久性故障，该数值与节点负荷基本吻合，说明其他非故障性节点已全部恢复供电。对于
此配电系统而言，以上的数据表明，将近似动态规划应用于供电恢复问题中，在运算速度和
精度上都能较好的达到预期要求。
息也不在更新，可以认为已经找到最优解。值函数迭代曲线最后收敛到70次左右，是由于7
为永久性故障，该数值与节点负荷基本吻合，说明其他非故障性节点已全部恢复供电。对于
此配电系统而言，以上的数据表明，将近似动态规划应用于供电恢复问题中，在运算速度和
精度上都能较好的达到预期要求。
[0264] 通过基于递归神经网络(RNN)的配网模型辨识与基于BP(Back Propagation)神经*
网络的评价网与控制网的训练，最后得到仿真测试结果，即开关操作序列组：u ＝[0，0，0，
0，0，0，0，0，0，0，0，0，1，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，1，]T，即断开分段开关Z13、Z17，闭合联络开关Z35、Z37。得到的局部配网恢复结果如图11所示。
网络的评价网与控制网的训练，最后得到仿真测试结果，即开关操作序列组：u ＝[0，0，0，
0，0，0，0，0，0，0，0，0，1，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，1，]T，即断开分段开关Z13、Z17，闭合联络开关Z35、Z37。得到的局部配网恢复结果如图11所示。
[0265] 区域联网恢复Agent的目标函数及各参数均与上述局部配网恢复仿真一致。最后*
得到仿真结果，即开关操作序列组为：u＝[0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，
0，0，0，0，1，0，0，0，0，0，0，0，0，1，0，1，1，]T，即断开分段开关Z14、Z25，闭合联络开关Z34、Z36、Z37。得到区域联网恢复结果如图12所示。
得到仿真结果，即开关操作序列组为：u＝[0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，
0，0，0，0，1，0，0，0，0，0，0，0，0，1，0，1，1，]T，即断开分段开关Z14、Z25，闭合联络开关Z34、Z36、Z37。得到区域联网恢复结果如图12所示。
[0266] 整体的恢复方案如下表所示，
[0267]
[0268] 全局恢复Agent汇总来自三个恢复Agent的恢复结果，如上表所示。骨干恢复通道Agent通过深度优先搜索可迅速恢复重要节点；局部配网恢复比区域联网恢复需较少的迭
代次数，但不能恢复所有失电负荷。以上三个结果并无矛盾冲突，通过采用采用结合蚁群自
适应调整算法与Q学习的MAS协调优化方法，全局恢复的结论为闭合Z35、Z36、Z37，断开Z25、
Z17，得到全局恢复结果如图13所示，最后将结果通过用户接口Agent提供给操作人员，应灾
恢复结束。
代次数，但不能恢复所有失电负荷。以上三个结果并无矛盾冲突，通过采用采用结合蚁群自
适应调整算法与Q学习的MAS协调优化方法，全局恢复的结论为闭合Z35、Z36、Z37，断开Z25、
Z17，得到全局恢复结果如图13所示，最后将结果通过用户接口Agent提供给操作人员，应灾
恢复结束。
[0269] 本实施例提供的基于多智能体的配网应灾恢复协调控制装置针对目前应灾方法的不足，选择黑板结构作为协调机制，采用结合蚁群算法与Q学习的MAS协调优化算法，能够
适应各个不同地区的配网应灾恢复。对未来电网的规划、建设智能电网有很好的指导作用，
提升电力系统的供电可靠性，尤其是灾害条件下电力系统的供电可靠性，提高电网投资收
益。
适应各个不同地区的配网应灾恢复。对未来电网的规划、建设智能电网有很好的指导作用，
提升电力系统的供电可靠性，尤其是灾害条件下电力系统的供电可靠性，提高电网投资收
益。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种桥梁健康状态检测与管养决策系统及方法 | 2020-05-12 | 121 |
| 基于卷积神经网络的体貌特征识别分类的服装推荐系统 | 2020-05-13 | 945 |
| 基于卷积神经网络的体貌特征识别分类的服装推荐系统 | 2020-05-16 | 259 |
| 一种全智能飞行器飞行试验误差分析系统 | 2020-05-17 | 686 |
| 基于多智能体的配网应灾恢复协调控制方法及装置 | 2020-05-19 | 90 |
| 基于传感网络的移动机器人与静态传感器的任务协作方法 | 2020-05-15 | 185 |
| 基于多智能体的配网应灾恢复协调控制方法及装置 | 2020-05-22 | 937 |
| 作物病害防治方案推荐方法及装置、系统、设备和介质 | 2020-05-08 | 590 |
| Device and method for analyzing character string and providing medium | 2020-05-30 | 517 |
| Data transmission processing method for blackboard model | 2020-05-31 | 961 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
黑板模型热门专利
QQ群二维码
意见反馈
意见反馈