本发明提供了一种有源配电网状态估计方法及系统，所述方法包括：S1，根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数；S2，基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。本发明提供的有源配电网状态估计方法及系统，通过高斯混合模型和置信传播算法来解决有源配电网状态估计的问题，并采用高斯混合模型模拟分布式电源的不确定性出力，以保证估计精度，该方法无需进行可观性分析，也不需要保证整个有源配电网量测的冗余度，可以提高估计的速度和效率

本发明公开了一种基于改进粒子群的有源配电网故障定位方法，具体包含两个部分：离线区域划分和在线故障定位；其中，离线区域划分包括如下步骤：(1)根据配网中已有量测装置形成网络拓扑结构，从经济性、可靠性和风险性三个方面进行配电网区域静态划分；(2)考虑DG接入，建立新的评价指标进行DG接入的配网区域动态调整；在线故障定位包括如下步骤：(1)根据区域边界节点处的故障信息进行冗余信息处理，剔除无效区域；(2)对处理后的故障信息进行变量优化；(3)采用改进粒子群算法实现故障全局性定位；本发明采用区域划分和改进粒子群算法实现了故障区域的定位，能够高效、准确的解决含分布式电源的配电网故障定位问题。

针对分布式风光发电在配电网中的高比例接入态势，源荷存在时空不匹配特性，导致功率倒送和节点过电压等问题，面向电网网架相对薄弱地区，开展考虑风光发电不确定性的储能的选址定容研究，实现不同运行方式下储能的优化配置；提出基于有功/无功电压控制分区的新型配电系统电压控制策略，实现配电网电压的分散式与集中式协同控制，满足高渗透率风光并网场景下的电能质量要求。

国内电网的10kV/35kV系统普遍采用经消弧线圈接地方式，随着城市配网线路逐渐转入地下，电缆的应用越来越多，系统的电容电流越来越大，再加上传统的补偿方式对故障电流中基波有功分量和高次谐波分量的补偿不明显，导致系统单相接地时，灭弧效果越来越差，对于人身、电网的危害日益严重。自2018年起，本项目围绕柔性接地补偿系统的主回路拓扑、系统建模与特性分析、系统建模与特性分析、软硬件研制等核心关键技术展开了系统性的研究。

《中、低压配电网无功优化补偿软件》主要用途是用于计算某一地区近期及 3~5 年内 中低压配电网无功补偿的初步方案，主要内容包括：公用低压配变集中补偿的配变名称，补 偿方式与补偿容量； 10kV 馈线无功补偿方式、补偿点和补偿容量。根据相关经济指标如投 资总额，回收周期、补偿效果、可操作性、工程的难易程度等多方面对优化方案进行可行性 研究与技术经济比较，如经多方论证找不出合适方案或在讨论过程中出现新的问题，可通过 修正参数（包括已投入补偿装置的参数）及相应约束条件，重新利用无功优化软件计算以获 得优化方案。最终确定优化方案。 特点： 该软件为独立运行的应用程序，与县供电公司的调度自动化、配网自动化系统配合使 用，性能良好。国内外同类产品中，主要有中国电力科学院农电所/配电所研制的《110kV 及以上农网全网无功优化及管理系统》；国电自动化研究院研制的《基于 ON2000 的调配一 体自动化系统的电压无功控制软件》；国外的专业软件产品如美国 Operation Technology , Inc. （OTI）公司的电力系统分析商业软件——PowerStation®软件等。通过技术性能比较，得出 结果如下表所示。

本发明提供一种配电网分区方法和系统，所述方法包括：S1、通过潮流计算获取配电网的电压‑无功灵敏度矩阵，并通过所述电压‑无功灵敏度矩阵获取所述配电网的电气距离矩阵；S2、获取所述电气距离矩阵的特征根，根据所述特征根获取较大特征根的个数；S3、将所述较大特征根的个数作为聚类数，通过ward距离凝聚层次聚类算法，获取配电网分区。本发明提供的一种配电网分区方

本发明公开了一种高压配电网拓扑简化方法，其包括以下步骤：读取SCADA数据库中记录有设定片区高压配电网中所有电网设备名称和所有电网设备的关联表的CIM/XML文件；导入从CIM/XML文件中待读取电网设备的设备清单；依据所述设备清单，读取CIM/XML文件中与所述设备清单相匹配的电网设备以及对应电网设备的设备状态；判断已读取的电网设备的电压等级，并将电网设备进行分类成高压侧电网设备和低压侧电网设备；依据高压侧电网设备运行状况、高压配电网布线走向，连接高压侧电网设备和低压侧电网设备形成简化的拓扑图。

本发明公开了一种主动配电网自适应鲁棒无功优化方法，包括以下步骤：基于传统的潮流模型，构建近似线性的潮流模型，求取节点注入功率向量与节点电压向量之间的近似映射关系，进而获取配电网无功优化的决策变量可行域；基于鲁棒优化理论，构建最优决策与不确定变量之间的自适应函数，进而构建自适应鲁棒无功优化模型；基于自适应鲁棒无功优化模型，提出割平面法的求解策略，将原始问题分解成两个子问题，通过两个子问题的交替迭代获得原始问题的解。本方法引入鲁棒优化的思想，提出割平面法的求解策略，实现高效、快速的求解，确保了不确定性条

本发明公开了一种应用于智能配电网的双有源桥直流变换器软启动控制方法，先解锁原边全桥，闭锁副边全桥和外移相角的闭环控制，原边全桥采用斩波控制，开关管Q3和开关管Q4以50％的占空比互补导通，开关管Q1和开关管Q2采用变占空比控制，并且每个开关周期以一定的步长增加；当副边电压上升到足以驱动开关管，且开关管Q1和开关管Q2的占空比都增至0.99时，解锁副边全桥及外移相角的闭环控制；当输出电压达到额定值时，切入负载，输出电压稳定完成启动过程。本发明有效抑制双有源桥直流变换器在启动过程中的电流过冲，保证电流的正负对称，降低对开关管的耐流要求，降低成本，避免变压器偏磁现象，降低变压器的容量、体积和成本。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。