★ 天地电研（北京）科技有限公司杭州分公司 王宇玲，黄佳晨

★ 应急管理大学 王子嫣

★ 天地电研（北京）科技有限公司杭州分公司 陶飞宇

关键词：配电网韧性；故障自愈；深度强化学习；网络重构；负荷波动抑制

智能楼宇内部配电网融合了光伏、储能、柔性负荷及电动汽车充电桩等多元组件，拓扑结构日趋复杂。极端天气频发、设备老化以及网络攻击等不确定因素，使得配电网故障风险显著攀升。  一旦发生故障导致供电中断，不仅会造成巨大经济损失，还可能危及人员用电安全与社会公共秩序。因此，如何在故障发生后实现快速感知、自动隔离与网络重构，成为提升楼宇供电韧性的核心命题。

当前， 配电网故障重构方法已从单一的拓扑优化逐步向智能化、协同化方向深入。陈思晴等[1]在上层以最小化负荷削减为目标，下层则以网络潮流约束为基础，通过预判可能发生的故障集合提前生成备选重构方案。但由于上层优化对故障预测精度高度敏感，算法稳定性难以得到保证。为克服传统优化算法易陷入局部最优的缺陷，研究者将视角转向元启发式算法的改进与应用。丁立顺等[2]将开关状态编码为二进制序列，利用灰狼的等级狩猎机制在解空间中进行全局搜索。但是在配电网拓扑频繁变化或负荷剧烈波动时，算法收敛轨迹不稳定，导致重构稳定性也受到一定影响。随着柔性电力电子设备的广泛接入，刘潜等[3]将柔性软开关的多档位调节能力引入重构模型，使其不仅承担通断功能，还能通过调节阻抗实现潮流的柔性转移。但是软开关的多状态特性大幅增加了决策变量的维度，模型求解的复杂度呈指数级增长，导致算法稳定性波动较大。为了将重构能力下沉至配电网末端，刘音等[4]在台区侧部署雾计算节点，利用轻量化神经网络对短期负荷进行实时预测，并据此动态调整重构目标函数中的权重分配。但该方法对雾节点的算力与通信质量要求极高，在通信延迟或节点故障时，负荷预测误差将直接传导至重构决策环节，算法在强干扰环境下的稳定性仍然有待验证。

本文提出了一种面向韧性提升的智能楼宇配电网故障自动自愈与快速重构方法，通过对配电网故障状态进行感知，并结合深度强化算法，实现了故障后的快速自愈与最优拓扑重构。

1   智能楼宇配电网故障自动自愈与快速重构方法设计

1.1   楼宇配电网故障状态量化感知

本文首先依托配电线路与节点实时运行电气数据，核算单条线路电流偏离额定值的差值，然后统计全域节点电压畸变程度得到损伤系数，最后引入权重系数融合两类指标，生成表征整体故障程度的综合状态量。

采集楼宇配电网电压、电流、线路阻抗、负荷功率等实时运行数据，假设k  t代表t时刻线路实际运行电流，则首先可以对线路故障电流偏差量进行量化。具体表达式如式（1）所示。

其中， Ik代表第k条配电线路故障电流偏差值， Ik  0代表线路额定标准电流。通过对节点电压畸变损伤程度进行量化，构建全局故障状态融合特征，计算公式如式（2）～（3）所示：

其中，F代表配电网全局故障综合状态量，α和p分别代表电流、电压故障权重系数， K代表楼宇配电网内配电线路总条数，S,代表楼宇配电节点电压故障损伤系数， "代表配电网络总节点数量， ui,o代表节点额定电压，ui  t代表故障时刻节点实测电压。

1.2   配电网故障韧性承载力评估

本文结合故障综合状态量以及电流电压故障参数，测算楼宇配电网剩余供电承载力、故障扩散概率与系统韧性阈值，界定自愈重构启动边界，输出韧性评估结果作为强化学习环境输入状态。

假设ptotal代表电网最大额定供电功率， ploss代表单位故障状态对应的功率损耗值，则可以结合全局故障状态量对剩余供电承载能力进行量化，具体如式（4）所示：

其中， 代表故障后电网剩余可承载负荷功率。在此基础上，对故障区域扩散概率进行计算，如式（5）所示：          

其中，λ代表故障向周边线路扩散蔓延概率， Y代表线路绝缘抗故障系数， 代表线路等效阻抗参数。结合计算得到的故障区域扩散概率，对系统韧性安全进行判定[5]。具体表达式如式（6）所示：

其中， 代表楼宇配电网实时韧性水平数值。该数值将作为深度强化学习模型的环境初始状态参数。

图1呈现了不同工况下的楼宇配电网韧性水平。

图1 楼宇配电网韧性水平计算实验结果

1.3   配电网故障自动自愈与快速重构

本文将韧性水平以及故障状态参数导入深度强化学习模型， 迭代求解最优开关动作策略， 完成故障线路隔离与供电路径切换， 实现配电网自愈与网络重构，恢复稳定供电。

首先对强化学习状态空间s = [F, R, plod , Ltt进行定义，其中， 代表模型输入全局状态矩阵， ploud代表楼宇实时用电负荷， Lstate代表线路通断开关状态集合； 然后对重构动作奖励收益函数进行构建，具体表达式如式（7）所示：

其中， 代表单次开关重构动作累积奖励值， R '代表动作执行后更新的电网韧性值， AL代表重构产生的线路损耗增量，T代表故障恢复耗时，ri、r2、 r3代表收益惩罚权重系数。由此可以得到最优重构策略迭代表达式，如式（8）所示：

其中，T*代表故障自愈最优网络重构策略， a代表开关分合动作集合，E[]代表强化学习期望收益运算。依据状态矩阵与奖励函数筛选最优供电拓扑结构，最终完成故障自愈与电网快速重构。

2   实验与分析

2.1   实验准备

实验选取大型商业综合体智能楼宇作为典型测试对象。该楼宇配备屋顶分布式光伏（总装机容量480kW）、锂电池储能系统（总容量600kW·h/300kW）以及地下停车场电动汽车充电集群（可调节负荷约200kW）。配电网关键参数如表1所示。

表1 配电网关键参数

为实现对馈线故障的快速定位与就地隔离，本文采用分布式布局设计的环网柜作为验证重构方法可行性的关键实验载体。

智能环网柜实物装置如图2所示。

图2 用于智能楼宇配电网馈线控制的智能环网柜实物装置图

智能配电终端用于实时采集馈线电气量并执行遥控指令，断路器模块通过红色接线端子与上层终端相连，共同构成闭环控制单元。

为凸显本文算法的性能优势，设置两组主流常规算法作为对照组，分别为基于双层优化策略的船舶电网预测性故障重构方法以及基于改进二进制灰狼算法的配电网故障重构策略。

2.2   智能楼宇配电网故障自动自愈与快速重构结果

本文采用深度强化学习算法进行故障自愈以及重构后，配电网的电压越限风险值变化情况如图3所示。

图3 配电网的电压越限风险值变化情况

图3中，在故障发生后，受故障冲击影响，节点9~17及28~33附近的风险值明显变化。随着快速重构策略的启动与运行，通过闭合联络开关转移负荷，风险值迅速回落。至第15min，全网风险值已降至最低。

2.3   算法稳定性对比

为对比不同重构策略的动态稳定性，实验引入负荷波动抑制比作为评价指标。该指标代表重构过渡期内关键负荷电压偏差的标准差与额定电压比值的倒数，其数值越大表明过渡过程越平稳。具体对比结果如图4所示。

图4 负荷波动抑制比对比结果

由图4实验数据可知，本文提出的面向韧性提升的智能楼宇配电网故障自动自愈与快速重构方法性能最为优异，其抑制比始终稳定在0.45左右，且波动极小。实验结果表明，本文方法在应对复杂故障时，能有效平抑电压波动，算法稳定性更优。

3   结语

本文针对智能楼宇配电网在极端故障冲击下的脆弱性问题，提出了一种面向韧性提升的故障自动自愈与快速重构方法。该方法通过深度强化学习算法，实现了从故障感知到拓扑重构的全流程智能化闭环，为提升城市关键基础设施的抗风险能力提供了可靠帮助。

作者简介：

王宇玲（1994-） ，男 ，河南方城人 ，中级工程师 ，本科 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为电气工程及其自动化。

黄佳晨（1994-） ，男 ，江苏宜兴人 ，中级工程师 ，本科 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为电气工程及其自动化。

王子嫣（2007-） ，女 ，浙 江 杭州 人 ，本科 ，现 就职 于 应 急 管 理 大 学 ，研 究 方 向 为 电 气 工 程 及 其 自动化。

陶飞宇（1997-） ，男 ，河南郸城人 ，初级工程师 ，本科 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为电气工程及其自动化。

参考文献：

[1] 陈思晴, 姜文刚, 朱志宇, 等. 基于双层优化策略的船舶电网预测性故障重构研究[J]. 中国舰船研究, 2026, 21 (2) : 391 - 403.

[2] 丁立顺, 罗志宏, 史干东, 等. 基于改进二进制灰狼算法的配电网故障重构策略[J]. 电工技术, 2026 (3) : 58 - 60.

[3] 刘潜, 陈谦, 徐旸, 等. 结合多状态软开关调控与网络重构的配电网最优故障恢复[J]. 电力建设, 2026, 47(2) : 101 - 111.

[4] 刘音, 桂媛, 刘若溪, 等. 基于雾计算负荷预测的低压无源台区故障自愈重构恢复策略[J]. 电力建设, 2025, 46 (11) : 35 - 46.

[5] 邱海枫, 苏宁, 田松林. 基于改进BFGS算法的多DG电力系统故障重构研究[J]. 电测与仪表, 2025, 62 (8) : 85 - 92.

摘自《自动化博览》2026年7月刊