基于深度置信网络的微电网分级优化重构

周伟豪，林加阳，易永利，吴堃铭，陈民铀

(1.重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆400044；2. 国网浙江省电力有限公司温州供电公司，浙江 温州325401)

0 引言

微电网在运行过程中可能发生故障，此时需要进行网络重构，实现平衡负荷，保持微电网的稳定性和安全性[1 - 2]。网络重构研究的难点主要集中在重构速度以及重构准确性两个方面[3]。现有网络重构的优化算法研究主要分为数学优化算法[4 - 5]，启发式算法[6 - 8]和人工智能算法[9 - 16]这3大类。数学优化算法主要包括线性规划，分支定界法等。利用数学规划的形式对网络重构和无功优化问题进行描述[4]，将原有网络模型转化为具有凸可行域的形式，以便问题求解。为了给出系统重构与否的判断方法，李春燕等提出了一种判别随机配网重构的方法，该方法基于边界分析，实现了在系统运行过程中随时判断网络是否需要重构的目的[5]。常用的启发式算法主要包括支路交换法[7]和最优流法[7 - 8]。例如，为了提高网络重构效率，张重实等将最优流与Mayeda生成树相结合，提出一种单阶段配网重构新方法，充分利用了最优流法的快速性、Mayeda生成树算法的解空间的完备性，提高了计算效率[8]。另外，人工智能算法主要包括遗传算法[9 - 11]、粒子群算法[12 - 14]、萤火虫算法[15 - 16]等。例如，以有功网损最小为目标建立配电网重构数学模型，应用改进的遗传算法寻求最优重构方案，该算法采用一种十进制编码方式，将配电网中环网个数作为染色体长度，环网中各开关开合状态作为组成染色体基因进行遗传算法寻优，最终重构结果明显减少网络损耗和电压降落[9]。为提升配电网动态重构时协同粒子群算法的寻优能力，对其速度更新公式进行修正，并引入正态分布随机调整因子对协同粒子群算法的惯性因子进行改进[13]，最终结果表明该算法具有较好的鲁棒性和收敛性。许喆等在网络重构过程中引入了惯性权重，利用混沌理论对传统萤火虫算法参数进行改进，克服其早熟收敛、过度依赖控制参数等缺陷，提高了寻优效率[15]。

另外，有学者提出采用分级优化的思想进行重构，取得了不错的效果[17 - 20]。在微电网重构问题中，为了提高网络重构时的寻优效率，将微电网重构问题进行拆解，然后按照是否进行潮流计算，分为第一二级优化过程，提高重构效率[17]；为了提高配电网重构效率，将分级优化思想运用到多粒子群算法中，第一级将配电网各回路作为子系统分别进行优化，第二级各子系统之间相互协调，进行全局优化，从而提高计算收敛速度以及精度[18]；为了降低网络重构时的计算压力，Ding等提出了一个两阶段的分散式网络重构的方法，将整个网络划分为单独重构的子网，第一阶段分别负责对分解的子网进行最优重构，第二阶段负责协调各个子网的配置，从而得到整个网络的最优配置[19]；为了提高重构的准确性以及实时性，建立了微电网脆弱度指标体系，按照脆弱度指标进行分层优化，在每层优化过程中采用分级优化思想，先行处理不涉及潮流计算的约束判断，然后进入后续级优化，可大大减少计算量[20]。

就现有研究来看，随着网络节点数的增加，变量数也随之增加，从而使得优化难度增加，计算量加大。为了减小微电网重构时的潮流计算压力，同时保证重构的精度，利用深度学习神经网络中深度置信网络[21]对数据的处理能力，本文提出了一种基于深度置信网络的微电网分级优化重构方法。采用Matpower计算获得DBN训练数据，离线训练神经网络，并引入分级优化思想，在线输出网损、平衡节点功率以及电压偏差等，从而减少微电网重构时潮流计算压力，提高微电网重构效率。另外，为了实现重构决策的多样化，本文提出了一种综合评估方法并建立相应的综合评估函数，当决策者有不同偏好时，可以根据层次分析法改变综合评估函数中权值的大小得到不同的重构方案。

1 微电网优化重构模型

本文以微电网重构后供电负荷最大以及网损、电压偏差和功率偏差构造综合评估函数，以综合评估函数值最小化作为目标，综合考虑微电网平衡节点功率、电压质量等约束条件，进行微电网优化重构建模。

1.1 目标函数

1)微电网重构，需要满足负荷切除量最小这一目标，其目标函数为：

(1)

式中：i∈Ω，Ω为重构后切除负荷的节点集合；Si为节点i对应的负荷量。

2)微电网重构，需要满足综合评估函数值最小这一目标，其目标函数为：

(2)

1.2 约束条件

重构后微电网的稳定运行要满足下列约束条件：

1)平衡节点功率约束

Ptmin≤Pt≤Ptmax

(3)

式中：Pt为平衡节点t可调节的有功功率；Ptmax为节点t可调有功功率的上限；Ptmin为节点t可调有功功率的下限。

2)支路功率约束

PBj≤PBjmax

(4)

式中：PBj为流过支路j的有功功率；PBjmax为支路j的有功功率传输上限。

3)功率平衡约束

(5)

式中：PGx为微电网中微电源x的发电功率；X为重构后保留的微电源数；PLi为微网重构后节点i保留的负荷有功功率；N为重构后保留的节点数量。

4)微电源发电功率约束

PGmin≤PG≤PGmax

(6)

式中：PG为微电网重构后微电源总的发电功率；PGmin为微电网中发电功率的下限；PGmax为微电网中发电功率的上限。

5)节点电压约束

Uimin≤Ui≤Uimax

(7)

式中：Ui为节点i的电压；Uimin为节点i的电压下限；Uimax为节点i的电压上限。

2 基于深度置信网络的微电网优化重构方法

本文所提出的基于深度置信网络的微电网分级优化重构方法，首先，进行负荷分级；其次，构造微电网系统，通过Matpower计算得到潮流等数据，对DBN进行训练；接着，将不涉及潮流计算的寻优过程放在第一级，找出满足负荷发电量平衡的开关组合；然后，将涉及潮流计算的寻优过程放在第二级，按照负荷切除量升序顺序逐一对将相应开关组合代入训练所得的DBN中，计算得到网络损耗、节点电压和平衡节点功率等；最后，通过综合评估函数评估来判断最优解，完成一次网络重构。如果所有满足负荷发电量平衡的开关组合的输出结果均不满足约束条件，寻不到最优解，则进行异常处理，通过综合越限度函数，来判断最优解。

2.1 微电网负荷分级方法

根据用电负荷对可靠供电的不同要求，电力系统的负荷一般分为三级[22]。第一级负荷对供电可靠性的要求最高，若发生供电故障，造成的后果也最严重，此类负荷要求供电不能间断，称之为敏感负荷。第二级为可调节负荷，在条件允许的情况下要尽可能的保证供电不间断。第三级是非敏感性负荷，对可靠性的要求较低，微电网发生故障时对第三种负荷的影响较小。

2.2 DBN模型训练方法

深度置信网络(deep belief networks，DBN)在2006年由Hinton第一次提出[21]，是一种多层的神经网络。DBN由多个受限波尔兹曼机(restricted Boltzmann machine，RBM)[23]堆叠串联而成。单个RBM共有两层，第一层为可视层(v)，第二层为隐含层(h)，可视层和隐含层之间有双向连接权值，但是同一层的节点之间是没有连接的，RBM的基本结构如图1所示。DBN由若干层RBM和一层输出层堆叠而成，其基本结构如图2所示。

图1 RBM结构模型Fig.1 RBM structural model

图2 DBN结构模型Fig.2 DBN structural model

由图2可看出，DBN具有多层神经元，最底层RBM的可视层作为整个DBN的输入层，在RBM堆叠过程中，前一个RBM的输出层(隐含层)作为下一个RBM的输入层(可视层)，最顶层RBM的神经元的结果再输出到输出层进行最终结果的输出，而其余层均作为DBN的隐含层，用来训练数据。输入层的节点数由输入数据的维数决定，输出层的节点数由输出数据的维数决定，隐含层的节点数通常可以根据如下经验公式确定。

(8)

式中：l为隐含层节点的数量；z和o分别为输入层和输出层节点的数目；c为1～10之间的调节常数。本文为了提高训练的精度，构造含有2层RBM的DBN，即整个神经网络共有4层，包含1层输入层，2层隐含层以及1层输出层。

本文对DBN的训练方法步骤如下。

1)首先，在MATLAB中按参数构造微电网。在微电网重构时，三级负荷的切除优先级最高，因此本文仅考虑切除三级负荷的情况。针对三级负荷，其开关状态仅有0和1两种，1代表闭合，0代表切断，因此，对任意m个三级负荷其开关状态共有2m种。针对每一种开关状态，对应改变微电网的结构，从而利用Matpower工具包，来计算不同开关状态对应微电网的潮流，包括平衡节点功率Pt、网络损耗L、节点最大电压Umax和最小电压Umin等等。将上述数据收集，作为DBN的数据集，任意选取80%的数据，作为训练集，其余的20%作为测试集。将三级负荷的开关状态作为DBN输入量，平衡节点功率、网络损耗、节点最大电压和最小电压等作为输出量进行网络训练。

2)然后预训练DBN模型。DBN的预训练从最底层RBM模型开始，可以将DBN模型分解为多个RBM模型进行预训练，训练过程采用贪心无监督学习算法[24]，由下至上对每一个RBM模型进行训练，得到DBN模型的初始参数，包括相应的权值以及每层的偏置大小，但是此时的DBN模型参数并不是最优的，需要再进行微调。

3)最后，微调DBN模型。利用DBN最顶层的输出层来优化整个模型参数，根据初始参数得到网络输出并计算输出误差之后，从顶层开始向底层进行网络参数的微调优化，这个过程是进行有监督的学习，可以提升整个网络的性能。

2.3 微电网分级优化重构方法

针对微电网的优化重构，本文提出基于深度置信网络DBN的分级优化重构方法，该方法使用DBN模型，实现离线训练，在线输入开关状态，直接输出网损、功率和电压结果，节省计算时间，其运行步骤如下。

1)开关状态组合。在第一级优化过程中，处理不涉及任何的潮流计算的目标函数和约束。考虑发电量和负荷量之间的平衡，利用式(1)、(5)和(6)，进行整数规划，得到满足平衡条件的负荷开关状态组合，并按照供电负荷切除量升序排序得到开关组合D。

2)最优重构方案。在第二级优化过程中，处理涉及潮流计算的目标函数和约束，即式(2)—(4)、(7)。将第一级优化所得的解集D，逐一代入DBN进行预测，得到预测结果，并将其进行综合评估并输出满足约束条件的最优解。

3)综合评估方法。若某一负荷切除量对应有多组开关组合的输出结果均满足约束条件，则需要对这些输出结果进行综合评估，选取最优解。

下面3个小节将对这3个步骤进行详述。

2.3.1 开关状态组合

当微电网发生故障导致发电量减小时，为了满足发电量和负荷之间的平衡，需要控制负荷的断路器开关，切除一定范围量的三级负荷。若三级负荷共有m个，第i个开关对应的三级负荷量为Si，则负荷切除总量SL(k)可以表示为：

(9)

式中：aik为第k组开关组合中的第i个三级负荷的开关状态，其取值为0或1，0代表开关闭合，负荷保留，1代表开关断开，负荷被切除。如果设定SL(k)的取值范围为：

SLmin≤SL(k)≤SLmax

(10)

式中：SLmin为切除负荷的下限；SLmax为负荷切除的上限。

(11)

式中D矩阵每一行代表一组开关组合。值得注意的是，在负荷切除量集合{SL(i)|i=1,2,…,n}中，可能存在SL(i)=SL(i+1)=…=SL(i+k)的情况，也就是说，同一负荷切除量可以对应多组开关状态组合。

2.3.2 最优重构方案

将负荷切除量SL(i)对应的开关组合D(i)，输入到DBN中，得到输出结果如下：

(12)

式中：[a1ia2i…ami]1×m为开关组合D(i)；[B1]、[B2]、 [B3]为训练好的DBN的各个连接层之间的权值；[PtLUmaxUmin…]T为DBN的输出结果。

对于负荷切除量SL(i)，可能对应一组或者多组开关组合，通过将开关组合作为DBN中的输入量，得到平衡节点功率、网络损耗、节点最大电压和最小电压等输出结果。将这些结果带入微电网优化重构模型，根据式(3)-(7)，判断其是否满足微电网稳定运行的相关约束。若仅有一组开关组合满足，则该开关组合即为微电网重构的最优解。相反，如果有多组开关组合的输出结果满足约束，则根据综合评估方法，来选择微电网重构的最优解。若所有组合均不满足，则选择下一负荷切除量重复上述步骤，直至寻得最优解。

2.2.3 综合评估方法

如果同一负荷切除量有多组开关组合的输出结果满足约束条件，会得到多组相应的网损，电压偏差和功率偏差输出，所以需要根据这3个指标，研究多组输出结果的综合评估方法。

本文综合评估方法，设定网损，电压偏差以及功率偏差的基准值，将每一组开关的输出结果进行归一化处理，并根据决策者的偏好，选取相应的权重系数ki，利用综合评估函数，即式(2)，来选取综合评估函数值最小的开关组合作为最优解。

1)首先要将输出的结果进行归一化处理，其计算方法如下：

(13)

式中：L为系统网络损耗值；L*为设定的网络损耗基准值；ΔU为电压偏差是指整个系统中节点最高电圧与最低电压之差；U*为系统基准电压；ΔPt为功率偏差，指平衡节点的功率与设定基准功率的偏差；Pt*为平衡节点基准功率是指平衡节点功率上下限的平均值。其中，

(14)

式中：PBj、QBj、RBj分别为对应于支路j的有功功率、无功功率和电阻，其中，QBj为根据负荷功率因数和有功功率得到；UBj为其支路j末端电压；rj为对应重构后的支路状态，1表示联通，0表示断开；J为系统所含有的支路数。

2)根据层次分析法(AHP)，按照具体要求构造相应的判断矩阵K，根据K计算求得每个指标的权重值，从而计算出该负荷切除量对应的多组开关组合的综合评估函数值，选取F2值最小的开关组合为最优解输出。其中矩阵K中元素如表1所示。

表1 指标相对重要程度比较表Tab.1 Comparison of relative importance of index

(15)

式中kij表示i行指标相对于j列指标的重要性比较结果，这个值使用的是Santy的1- 9标度方法给出，并且kij×kji=1，kii=1。在得到判断矩阵K之后，利用一致性指标CI和一致性比率CR以及随机一致性指标RI的数值表对K进行一致性检验，若一致性比率CR<0.1，表示其通过一致性检验，将其特征向量进行归一化之后即为权值向量Ki=[k1k2k3]，否则调整判断矩阵K中的元素kij，使其满足一致性检验。其中，

(16)

式中：λ为判断矩阵K最大特征根；n为判断矩阵K的阶数；RI则根据n的值对照表2来确定。

表2 随机一致性指标RI的数值表Tab.2 Random consistency index RI

2.4 算法步骤

整个算法的计算步骤如下。

1)微电网数据导入：节点编号、微电网开关编号，负荷开关编号，潮流计算需要的PQ 节点、平衡节点数据，支路阻抗信息，负荷分级信息以及初始值i=1等，在MATLAB中构造微电网。

2)利用Matpower计算出网络损耗、平衡节点功率、电压等数据，形成训练集和测试集，利用2.2节给出的方法训练DBN。

3)通过判断任意时刻，微电网是否满足微电网稳定运行的相关约束，即式(4)—(6)，来确定微电网是否需要重构。

4)利用2.3.1节的方法得到满足发电功率范围并将切除负荷功率按大小升序排列，得到开关组合集D以及该集合对应的微电网切除负荷功率集合SL。

5)利用2.3.2节的方法，依次将SL(i)对应的开关组合导入步骤2)中训练好的DBN，得到平衡节点功率、网络损耗、节点最大电压和最小电压等数据。判断得到的数据是否满足微电网稳定运行的相关约束，即式(3)—(7)，若仅有一组开关组合满足，则该开关组合即为微电网重构的最优解；若有多组开关组合满足约束，则利用2.3.3节的综合评估方法，来选取综合评估函数最小的开关组合作为最优解；若所有组合均不满足，则选择下一负荷切除量重复上述步骤，直至寻得最优解。

3 仿真算例

3.1 微电网参数设置

为了验证本文提出的基于深度置信网络的微电网分级优化重构方法，将IEEE 33节点模型修改为微电网系统，作为测试系统进行仿真实验。在节点1安装容量为2.5 MW微型燃气轮机MT，节点3安装容量为2 MW的光伏发电PV1，节点6安装容量为1 MW的风机WG1。其中，将燃气轮机作为系统的平衡节点，其余发电机和负荷均为PQ模式，33节点的微电网系统如图3所示，支路阻抗和负荷数据如表3所示。

图3 IEEE 33节点的微电网系统Fig.3 IEEE 33-node microgrid system

表3 支路阻抗和负荷数据Tab.3 Branch impedance and load data

首先，对节点负荷进行分级，其中节点4、11、12、14、19、24、26、28为一级负荷，节点9、13、15、17、20、30、31、32为二级负荷、节点5、8、16、22、23、25、33为三级负荷。根据不同等级负荷的特性，在网络重构时优先切除三级负荷，其他负荷默认不切除，其中开关状态从左至右分别表示节点5、8、16、22、23、25、33负荷的开关状态，1表示开关断开，0表示开关闭合。

3.2 算例1：DBN训练与测试

由于隐含层节点数会影响网络训练的时间和精度，隐含层节点数越多，训练的精度越高，但是训练的时间越长。为了综合考虑DBN的训练效果，本文构造的DBN模型含有2层RBM层，每个隐含层的节点数根据公式(8)计算，确定为10个。

因此，本文构造4层DBN模型包含输入层，输出层和两个隐含层，其中输入层包含7个节点xi，分别代表7个三级负荷所对应的开关状态，xi=0代表开关闭合，xi=1代表开关断开；输出层包含5个节点，分别代表系统网损y1，平衡节点功率值y2，负荷切除量y3，以及系统中节点最大电压y4和最小电压y5。最终DBN结构如图4所示。

图4 DBN结构模型Fig.4 DBN structural model

本文有7个三级负荷，xi只取0或1，这样共有128种可能的开关状态组合。将每一组开关状态分别代入图3所示网络，可以计算得到128组{yi，i=1，…，5}。 选择其中100组收集数据作为训练集，剩余28组作为测试集。设置样本批量为20个，训练次数为2 000次，学习速率为1，选择sigm函数为隐含层激励函数，linear函数为输出层激励函数进行训练。

首先将100组数据作为训练集，得到DBN网络训练误差如图5所示。

图5 DBN模型训练误差图Fig.5 DBN model training error graph

如图5所示，DBN在达到设置的最大训练次数时完成训练，可以看出目标值和输出结果的误差基本在1×e-2之内，训练结果比较好，说明本次DBN训练成功。

将剩余28组测试集的对应开关状态导入训练好的DBN，输出结果并比较该结果与实际值的误差，如图6所示。

图6 测试集输出结果误差精度图Fig.6 Test set output result error precision graph

由图6可知，测试集的输出结果与实际值误差基本都在1×e-2之内，输出结果与实际值误差较小，该DBN模型符合本文要求。

3.3 算例2：重构精度与重构时间

在进行仿真之前，设置燃气轮机有功功率约束范围为0～2.1 MW；各节点电压约束范围为0.9～1.1；电网电压基准值为12.66 kV，燃气轮机为组网DG，在潮流计算中作为平衡节点，其余发电机和负荷均为PQ模式。假设微电网需要重构，需切除网络中0.9～1.1 MW的有功负荷(即式(10))，我们首先采用本文算法进行重构，然后再采用直接计算潮流的分级优化算法进行重构，最后，对比两种方法的重构精度和重构时间。

根据2.3.1节的方法，考虑发电量和负荷量之间的平衡，利用式(1)、(5)和(6)，进行整数规划，得到满足平衡条件的负荷开关状态组合，并按照供电负荷切除量升序排序得到D。表4表示按照负荷切除量升序排序得到的所有开关组合D，其中开关状态从左至右分别表示节点5、8、16、22、23、25、33负荷的开关状态。

表4 第一级优化结果Tab.4 First-level optimization results

根据2.3.2节的方法，将D中的每一组开关状态逐个作为一组输入解输入到训练好的DBN中，得到网络损耗，平衡节点的功率，最小电压和最大电压的值，判断得到的数据是否满足微电网稳定运行的相关约束，即式(3)—(7)，若仅有一组开关组合满足，则该开关组合即为微电网重构的最优解；若有多组开关组合满足约束，则利用2.3.3节的综合评估方法，来选取综合评估函数最小的开关组合作为最优解；若所有组合均不满足，则选择下一负荷切除量重复上述步骤，直至寻得最优解。表5表示按照上述步骤得到的第二级优化的结果。

表5 第二级优化结果Tab.5 Second-level optimization results

从表5可以看出，当切除负荷为0.9 MW时，对应3组结构的平衡节点有功功率均大于燃气轮机的容量，不满足负荷量与发电量的平衡关系，因此这3组开关组合均被淘汰。当下一负荷切除量为1.0 MW时，对应的3组结构的平衡节点有功功率均小于燃气轮机的容量，满足负荷量与发电量的平衡关系；且最小电压和最大电压都在允许范围之内，因此对负荷切除量为1.0 MW的3组结构均进行综合评估，确定最优解。

首先根据式(13)将两组结构对应的输出结果归一化，其中L*为设定的网络损耗基准值，为1 MW；上述电压结果已为归一化值；Pt*为平衡节点基准功率是指平衡节点功率上下限的平均值，此处计算为1.05 MW。

根据表5的数据，由于负荷切除量为0.9 MW时的开关组合均不满足约束条件，负荷切除量为1 MW的三组开关组合均满足约束条件，则根据2.3.3节的方法将这三组输出结果进行综合评估。在本次算例仿真中，将综合评估函数的权值选取为k1=0.8,k2=0.1,k3=0.1。 表6表示这3组开关状态的综合评估结果。

表6 负荷切除量为1 MW的综合评估结果Tab.6 Comprehensive evaluation results with load shedding of 1 MW

在负荷切除量为1 MW的开关状态组合中，选取综合评估函数值最小的开关组合为最优解输出。表7为最优解结果。其开关组合为[0 1 1 0 0 1 0]，代表切除节点8，16及25的有功负载，其综合评估函数值为0.426 7，有功损耗为0.419 MW，平衡节点功率为1.968 MW，节点最小电压和最大电压分别为0.972和1.013，本次重构计算时间为0.092 s。

表7 本文算法最优解结果Tab.7 Optimal solution results of the proposed algorithm in this paper

而直接计算潮流的分级优化算法(简称对比算法)，只需将本文算法计算步骤的第五步中数据获取方式修改为：

5) 利用2.3.2节的方法，依次将SL(i)对应的开关组合带入Matpower计算，得到节点电压、节点电流、节点功率、损耗等数据，并且采用本文所提综合评估方法进行数据的综合评估。

按前述参数设定，根据直接计算潮流的分级优化算法进行计算，可以得到最优解结果如表8所示。

表8 对比算法最优解结果Tab.8 Optimal solution results of the compared algorithm

根据表7和表8的结果可以看出，两种算法得到最终的开关组合(即重构方案)一致，说明两种算法精度相同。比较本文算法和对比算法的重构时间，本文算法重构时间为0.092 s，对比算法重构时间为6.571 s。

通过对比以上结果可得出以下结论。

1)两种算法得到的最终重构方案一致，说明本文算法与直接计算潮流的分级优化算法具有相同的精度。

2)本文算法的重构时间比直接计算潮流的分级优化算法的重构时间缩短70倍左右，因此相比于直接计算潮流的分级优化算法，基于DBN的分级优化算法的计算效率明显要高。

3.4 算例3 ：综合评估方法

当同一负荷切除量对应多组不同开关组合时，可以设置式(15)中不同的kij，从而得到不同的指标权重Ki，从而得到不同重构结果。假设当切除负荷量为2 MW时，共有5组不同的重构开关组合，它们分别输入DBN后，得到的输出结果如表9所示。

表9 负荷切除量为2 MW输出结果Tab.9 Output results with load shedding of 2 MW

根据综合评估函数得：

1)当输出结果对电压质量要求较高时，利用层次分析法将判断矩阵K中的第2行元素k2j的值增大，最终确定权值向量Ki中k1=0.12,k2=0.75,k3=0.13。则最优解如表10所示。

表10 最优解结果(1)Tab.10 Optimal solution results (1)

2)当输出结果对平衡节点功率偏差要求较高时，利用层次分析法将判断矩阵K中的第3行元素k3j的值增大，最终确定k1=0.12,k2=0.11,k3=0.77。则最优解如表11所示。

表11 最优解结果(2)Tab.11 Optimal solution result (2)

综上所述，当切除负荷量为2 MW时，若输出结果对电压质量要求较高时，最优开关组合为[1011010]；若输出结果对平衡节点功率偏差要求较高时，最优开关组合为[0000111]；所以根据本文设计的综合评估方法，当对输出结果侧重点不同时，将会有不同的重构方案。

4 结论

本文提出一种基于深度置信网络的微电网分级优化重构方法，在分级优化算法基础上引入DBN模型，实现离线训练，在线输入开关状态，直接输出网损，平衡节点功率和电压结果，节省计算时间，提高重构效率。另外，本文还提出一种综合评估方法，建立综合评估函数，对于DBN的输出结果，如果决策者有不同的偏好，可以改变综合评估函数中不同指标的权值系数，从而得到不同的重构方案，实现决策的多样化。

为了验证本文所提方法的有效性，使用MATLAB搭建改进的微电网33节点系统作为测试系统进行仿真实验。仿真结果表明，本文算法相比于直接计算潮流的分级优化算法，两者具有相同的重构结果，本文算法重构时间更短，约为在线计算潮流的分级优化算法的1/70，缩短70倍左右，因此本文算法的计算效率明显要高；此外，本文算法通过设定综合评估方法，仿真结果表明当对输出结果有不同的侧重点时，可以得到不同的重构方案，从而可以实现考虑多方面因素，得到重构结果综合最优。