DCN-KUnet：一种基于DCNv3的骨干网络和KAN技术的染色体分割瓶颈解决方案 作者：杨玉飞（Yufei Yang）与张敏（Min Chang）

《Electronics》：DCN-KUnet: A DCNv3-Based Backbone and KAN Bottleneck for Chromosome Segmentation Yufei Yang and Min Chang

　　摘要 在辐射状配电网络的节点上连接大容量负载容易导致严重的电压下降现象，从而显著降低电力供应质量。为了确保对电压敏感的设备和电网的安全运行，部署动态电压恢复器（DVR）和静态无功补偿器（SVC）被认为是应对电压下降问题的最有效措施之一。考虑到辐射状配电网络的固有拓扑特性，本文提出了一种多维度协同治理策略，该策略以纵向维度协同治理为主方法，横向维度协同治理为补充措施。基于灵敏度分析，定义了横向灵敏度和纵向灵敏度的概念。此外，考虑到治理设备的响应时间，电压下降治理过程分为两个阶段：第一阶段主要依赖DVR，提出了一个纵向维度协同优化算法来解决相应的优化模型；第二阶段主要利用SVC，采用标准的粒子群优化（PSO）算法来解决其优化模型。在42个节点的辐射状配电网络上进行的案例研究验证了所提出方法的有效性，使得配电网络中的电压下降问题得到了有效治理。通过分析，第一和第二治理阶段经历电压下降的节点数量从29个减少到了0个。在第一阶段，DVR的总补偿电压为0.581 p.u.；在第二阶段，随着SVC的协同参与，DVR的总补偿电压降低到0.100 p.u.，相当于减少了82.79%。鉴于DVR相对于SVC的资本成本较高，这种DVR容量的大幅减少有效降低了整体的治理成本。

1. 引言
随着配电网络复杂性的增加，电压下降现象变得更加频繁，导致国家工业的制造成本上升，并且对电网电压质量的要求也更加严格[1]。电动汽车的快速发展也给电网带来了重大挑战[2]。这导致许多对电压敏感的设备发生故障，严重危及设备和电网的安全运行。目前，DVR被认为是解决电压下降问题最具成本效益的电力设备之一[3]。DVR具有快速响应时间（1-5毫秒内）并且仅在运行时消耗电力，因此效率很高。它们不仅能治理电压下降，还能解决三相电压不平衡、电压波动和电压偏差等问题。然而，DVR在用户点的点对点连接方式不适合拥有越来越多种类和数量的电压敏感设备的现代配电网络。迫切需要研究电网侧电压下降治理的配置方法。关于配电网络电压下降治理方法，参考文献[4]提出了一种适用于混合级联高压直流系统的故障穿越策略；它可以有效防止由相位换流失败引起的电压下降。在[5,6]中，提出了一种针对多个利益相关者的DVR和配电静态同步补偿器的电压下降治理方案。参考文献[7]介绍了一种针对EG-IES耦合设备的最优配置方法，考虑了电气和气体子系统内的故障传播。参考文献[8]提出了一种差分动态无功功率补偿配置方法，用于抑制瞬态电压下降不稳定性。然而，先前的文献都没有研究SVC辅助DVR的电压下降治理的优化配置问题。参考文献[9]的作者提出了一种基于敏感负载聚类的综合电压下降治理策略。参考文献[10]提出了一种基于储能设备的电压下降治理方法，该研究建立了一个储能位置和容量的优化模型，并使用改进的遗传算法来求解。这些研究都没有考虑SVC辅助DVR的最佳配置方法来减轻电压下降。

DVR成本较高，在配电网络中单独部署一个DVR在经济上是不划算的。相比之下，SVC在20-40毫秒内响应，并且比DVR带来更大的经济效益。因此，本研究采用SVC协同来降低电网侧的电压下降治理成本。目前关于DVR的研究主要集中在控制策略和拓扑结构上[3,11,12]，仅有少数研究关注其在高质量电力园区中的最佳配置问题[13]。同样，现有的关于SVC的研究主要关注拓扑设计、控制策略和电网无功功率优化[14]，而忽视了SVC在治理电压质量问题方面的潜力[15]。因此，开发一种协调优化的方法来处理配电网络中的DVR和SVC以解决电压下降问题对于提高经济效率和确保电网安全至关重要。为了进一步确保对电压敏感设备的安全运行，并及时解决治理设备的位置和容量确定问题，本研究全面考虑了控制设备的串联-并联结构特性、成本和操作特性。通过引入灵敏度分析方法[16]，我们提出了一种用于辐射状配电网络中DVR和SVC的协同优化配置方法。42个节点的辐射系统仿真证明了所提解决方案的合理性和有效性。本研究的主要创新点总结如下：

提出了横向和纵向多维度协同治理策略：定义了辐射状配电网络内的纵向和横向关系组的概念。
引入了基于灵敏度的选址方法：考虑到串联和并联设备的不同连接特性，定义了横向灵敏度和纵向灵敏度的指标。基于所提出的策略和纵向灵敏度大小，可以快速完成DVR和SVC的选址工作，从而显著降低传统智能选址和尺寸确定算法的计算复杂性。
开发了两个阶段的容量优化模型：考虑到DVR和SVC之间响应时间的差异，电压下降治理过程分为快速响应的DVR阶段和稳态SVC支持阶段。提出了一种纵向维度协同优化算法来最小化总补偿电压，而PSO应用于SVC来最小化总电压偏差指数。

2. 纵向和横向维度的协同治理策略
治理设备在其连接的节点以及其他共享同一馈线的节点上表现出卓越的效果，其治理效果与节点距离设备的接近程度成正比。然而，其对不同馈线上的节点的影响仍然很小。因此，可以将辐射状电网概念化为一个具有横向和纵向相互依赖关系的系统。

2.1. 辐射状配电网络的纵向维度协调机制
纵向维度上的协同治理是指一个节点上的治理设备管理同一纵向关系组内的其他节点。纵向关系组定义为在辐射状配电网络中连接在同一馈线上的节点，它们通过相同的电力传输路径直接连接。

如图1所示，当节点7检测到电压下降时，它首先使用节点6的治理设备。如果这一步之后的电压仍然不达标，则启用节点3的治理设备进行纵向协调。

2.2. 辐射状配电网络的横向维度协调机制
横向维度上的协同治理是指一个节点的控制设备管理其他纵向关系组内的节点。尽管这些节点不在同一馈线上直接连接，但它们通过其他电网组件（如变电站或配电中心）间接连接。如图2所示，当节点7检测到电压下降时，节点9和节点11的控制设备开始进行横向维度协同治理。

3. DVR和SVC的位置方法
图3展示了DVR和SVC的电网集成方法。虽然DVR主要负责输出侧的电压治理，但SVC可以直接并联连接到节点母线上。本研究重点关注DVR在下游电压治理场景中的应用。如图3所示，DVR有效治理了节点3、4和5的电压下降。

DVR可以建模为受控电压源，而SVC作为无功功率补偿源。功率流计算的等效电路如图4所示。如图3所示，叠加原理表明，功率流计算可以分为两个阶段进行。第一阶段涉及在电源影响下确定功率流分布，这是通过解非线性方程(1)获得的。得到的节点电压如方程(2)所示。

然后，计算在DVR影响下的功率流分布。该结果可以通过方程(3)获得，每个节点的电压值如方程(4)所示。

方程(1)和(2)计算仅在电源影响下的功率流分布，而方程(3)和(4)计算仅在DVR影响下的功率流分布。DVR采用可调节相位角的同相补偿。因此，本文忽略了电压相位角的影响。当电源和DVR共同工作时，每个节点的电压幅度如方程(5)所示。

3.1. 辐射状配电网络中的灵敏度分析方法
引入灵敏度分析方法来线性化配电网络的功率流计算，并获得节点之间的灵敏度系数。然后，通过结合节点之间的关系和控制设备的工作特性，获得相应节点的横向和纵向灵敏度。灵敏度系数衡量了由状态变量表征的系统对控制或扰动变量变化的响应。具体来说，灵敏度系数Vij量化了节点j的控制设备的补偿能力如何影响节点i的电压。较高的值表明在节点j连接控制设备更有效地解决了节点i的电压问题。灵敏度系数Vij可以定义为：

其中?Vi(0)和?Vi(1)是补偿前后的节点i的电压偏差率；?αj是节点j的治理设备的补偿能力。计算出的灵敏度系数量化了节点之间的影响。本研究进一步提出了横向灵敏度和纵向灵敏度作为评估单个节点安装治理设备对整个配电网络影响的指标。具体来说，纵向灵敏度衡量治理设备对其自身纵向关系组的影响，而横向灵敏度评估其对其他纵向关系组的影响。计算过程如图5所示。

3.2. 灵敏度分析方法
灵敏度分析方法用于线性化配电网络的功率流计算，并获得节点之间的灵敏度系数。然后，通过结合节点之间的关系和控制设备的工作特性，获得相应节点的横向和纵向灵敏度。灵敏度系数衡量了由状态变量表征的系统对控制或扰动变量变化的响应。根据提出的治理策略，SVC能够执行纵向和横向维度的协调。如图6所示，SVC的横向敏感性是节点V8、V3、V9、V10、V11、V12、V13处的SVC灵敏度之和，而其纵向敏感性则是节点V2、V3、V4、V5、V6、V7、V3处的灵敏度之和。传统的电压控制敏感性分析基于稳态功率流的雅可比矩阵得出。在这个框架中，所有补偿装置都被统一视为并联连接的无功功率源。虽然这种方法适用于一般的无功功率调度和稳态电压调节，但在应用于径向配电网络的电压凹陷治理时存在根本性限制。首先，该方法无法区分串联补偿装置（如DVR）和并联补偿装置（如SVC）。DVR以单向方式调节线路电压分布，而SVC则提供局部无功功率注入。其次，传统方法将节点影响汇总为单一的全球敏感性指数，这种汇总混淆了馈线内部和馈线之间的相互作用，从而掩盖了控制垂直路径和横向分支上电压凹陷传播的方向性特征。

为了解决这些缺点，本研究提出了一个针对径向配电拓扑结构优化的敏感性评估框架。所提出的公式明确区分了串联和并联补偿。对于串联连接的装置，横向敏感性被设置为零；对于并联连接的装置，保持了双向灵敏度的量化。此外，敏感性指标被系统地分解为正交的纵向和横向分量。纵向分量捕捉沿同一馈线的影响，而横向分量捕捉跨不同馈线段的影响。因此，该框架能够实现计算效率高的选址决策。表1总结了传统和提出的敏感性分析框架的对比。

3.2. 电压凹陷敏感区域划分方法
在网络中，靠近电源的节点电压偏差较小，不太容易出现由负载变化引起的电压凹陷。根据IEEE标准，电压降低10%是不可接受的，可能会导致设备故障[17]。因此，节点电压阈值的上限和下限分别设置为0.9和1.1。为了提高治理效果并降低成本，本研究引入了电压凹陷敏感区的概念。这些区域被定义为在高容量设备激活时发生电压凹陷的区域。划分方法遵循故障点法。

3.3. DVR的有效区域划分方法
DVR的有效治理区域被定义为可以通过DVR的最大补偿容量恢复到正常电压水平（Vi ≥ Vth）的电压凹陷节点集合，前提是DVR接入节点的电压不超过上限（Vk ≤ Vmax）。其数学表达式为：
ΩDVR?(??)={??∈??sag∣????????????????(??maxDVR,??)≥??????} (7)
详细步骤如下：
- 计算无调节条件下的功率流以确定电压凹陷区域Nsag。
- 将候选节点k的DVR输出电压设置为最大允许值??maxD?V?R。
- 计算功率流并记录恢复到0.9 p.u.以上的节点集合。
- 第一步和第三步的交集构成了DVR的有效治理区域。

4. DVR和SVC容量的优化
4.1. DVR容量优化模型
鉴于DVR部署涉及较大的资本成本，电压凹陷治理的操作目标仅限于达到规定的电压阈值，而不是追求最大补偿。由于DVR的投资成本与其补偿电压容量成比例，因此本研究的目标函数旨在最小化整个网络所需的DVR补偿电压总览，如下所示：
m?????=??∑??=1??DVR? (8)
其中N是DVR的数量；VDVR?是节点i的补偿电压。
潮流安全方程的约束条件为：
?????????,??=???3∑??∈?????3(????2cos?????+????sin?????) (9)
?????????,??=???3∑??∈?????3(????2cos??????????sin?????) (10)
其中PG表示注入发电机的有功功率，QG表示注入的无功功率。PL?和QL?表示节点i消耗的有功和无功功率。Vi和Vj表示节点i和j的电压幅度。G??、B??和δ??表示节点i和j之间的导纳、电抗和相位差。
节点电压约束为：
??min???????max (11)
其中Vmin和Vmax是系统电压限制。
DVR在电能质量管理过程中的最大补偿量不能超过限制：
??DVR??其中VMAX??是安装在节点i的DVR的最大补偿电压。

4.2. 基于纵向维度协调机制的DVR容量优化方法
本文提出了一种DVR的纵向维度协同优化算法。治理方法优先考虑本地管理；如果标准未满足，则逐步使用其他DVR进行纵向维度协同治理。纵向协同操作的算法工作流程如图7所示。具体步骤如下：
- 初始化所有治理装置。
- 将最近的DVR输出补偿电压增加0.001 p.u.。
- 重新计算功率流。
- 判断节点电压是否超过0.9 (p.u.)。如果超过，则输出结果，否则进入步骤4。
- 检查DVR是否有剩余容量。如果有，则进入步骤2，否则调用上级DVR进行纵向维度协同治理。

4.3. SVC容量优化模型
与DVR相比，SVC的资本成本显著较低。因此，SVC参与电压凹陷治理可以优先考虑实现最佳电能质量，而不仅仅是满足最低合规阈值。因此，SVC优化的目标函数被制定为最小化配电网络中所有母线上的绝对电压偏差率之和：
m?????=??∑??=1????? (13)
其中IV?是节点i的电压偏移率。
潮流安全方程和节点电压的约束分别参照方程(9)、方程(10)和方程(11)。
在SVC电能质量管理过程中，最大补偿量不得超过容量限制：
??SVC??其中QMAX??是节点i的SVC的最大容量。

4.4. 基于横向和纵向维度协调机制的SVC容量优化方法
本文提出了一个使用PSO求解SVC的优化模型。标准的PSO算法是一种受鸟类集群行为启发的启发式方法，通过粒子之间的协作和竞争互动进行智能优化。在优化过程中，粒子遵循合作机制，其中纵向维度治理优于横向维度治理。算法过程参考了参考文献[18]。粒子根据方程(15)和(16)更新其速度和位置：
???????+1????=???????+???×?????????×(?????????????????)+???×?????????×(?????????????????) (15)
???????+1????=???????+???????+? (16)
其中k是当前迭代次数，vid和xid分别表示粒子i在第d维的速度和位置，c1和c2是学习因子，rand1和rand2是在[0, 1]区间内的随机数。

5. 示例分析
5.1. 示例系统
本研究采用了一个具有IEEE-33节点改进的42节点径向配电网络进行案例分析。如图8所示，节点9、11、14、16、24、31、32、39和41装有高容量设备。具体功率见表2。PSO的参数见表3。研究中的所有电压值都以归一化值表示。

5.2. DVR选址结果
图9展示了每个节点安装DVR后的纵向敏感性结果。纵向敏感性量化了DVR对同一馈线下游节点的总体影响。较高的敏感性值表明该垂直组内的电压凹陷治理覆盖范围更广。结果显示出一个一致性的拓扑模式。靠近馈线头部的敏感性幅度显著较高，并逐渐向馈线末端降低。这一趋势表明DVR单元应安装在馈线的 front 部分。这样的布置可以最大化补偿电压的空间覆盖范围。

5.3. SVC选址结果
图18展示了所有节点上SVC候选位置的纵向敏感性结果。纵向敏感性量化了沿同一馈线的无功功率注入对电压的影响。给定节点的较高敏感性值表示其相关垂直组内的电压分布改善更大。经济考虑倾向于最小化安装的SVC单元总数。这样可以降低初始投资和长期维护成本。因此，通过选择每个独立馈线结构内纵向敏感性最大的节点来确定最佳的SVC位置。对于本案例研究网络，该选择标准识别出节点18、节点33和节点40是最有效的无功功率补偿点。这些站点与图18中观察到的敏感度峰值相吻合，确保了在整个径向拓扑结构中有效支持电压。5.4. DVR和SVC容量的优化结果 5.4.1. 第一阶段的容量优化结果 第一治理阶段的优化模型旨在最小化总DVR补偿电压幅值。该模型强制要求所有网络节点的电压凹陷必须得到完全缓解。采用了一种纵向协同优化算法来解决这一模型。图19展示了优化前后的电压幅值。如图19所示，部署DVR后，电压凹陷的节点数量从29个减少到0个。配电网络的总电压偏差率从792.32%下降到275.98%，减少了516.34%。五个DVR单元的补偿电压幅度分别为0.215、0.061、0.221、0.073和0.011（p.u.）。这些结果证实，通过在第一治理阶段独家部署DVR设备，所提出的策略成功消除了所有受影响节点的电压凹陷问题。表4总结了DVR治理效果。5.4.2. 第二阶段的容量优化结果 在第二治理阶段，优先考虑基于SVC的治理方式。目标函数旨在最小化径向配电网络中所有节点的绝对电压偏差率之和。采用PSO算法来解决该模型。图20比较了这一阶段优化前后的电压分布情况。节点18、33和40的SVC无功功率输出分别为2.997 Mvar、2.998 Mvar和1.999 Mvar。如图20所示，即使在全球部署了SVC后，某些节点仍然处于电压凹陷状态。这一结果需要DVR的协同参与以实现全面治理。随后，应用了一种纵向协调算法来进一步优化DVR补偿电压，目标是最小化总DVR补偿电压。结果是一个单元的DVR输出为0.100 p.u.，其余四个单元的输出为零。表5总结了两种治理方法的相对性能。DVR-SVC组合策略的治理效果比单独使用DVR提高了19.38%。此外，总DVR补偿电压减少了82.79%。这种显著减少归因于SVC在第二阶段中的主导作用。由于DVR的资本成本远高于SVC，因此所需DVR容量的减少直接转化为较低的总体治理支出。表5. 两阶段治理效果的比较。6. 结论 为了解决配电网络中电压凹陷问题日益普遍以及DVR高昂的资本成本问题，本文全面考虑了DVR（响应迅速）和SVC（经济高效）的互补特性。通过部署SVC来减少所需的DVR容量，提出了一种适用于径向配电网络的横向和纵向多维协同优化配置方法。需要注意的是，所提出的模型需要准确的功率流计算数据。本研究基于最严重的电压凹陷事件进行假设。该模型在这些极端条件下成功实现了治理目标，显示出强大的鲁棒性，并适用于在各种其他运行场景下保持可靠性能。在扩展到42节点的改进IEEE-33母线系统上进行的案例研究表明，所提出方法的有效性：所提出的选址方法能够准确识别电压薄弱点。结果表明，DVR单元应优先安装在馈线的前端和电压凹陷敏感区域的边界处，而SVC单元则应最佳地放置在纵向敏感度最高的节点上。这种配置方案在技术上合理且在经济上可行。经过两阶段优化后，第一阶段仅使用DVR就成功将所有节点的电压恢复到0.9 p.u.以上。在第二阶段，SVC和DVR的协同运行显著降低了网络中的绝对电压偏差率之和。DVR和SVC的协同部署使整体治理效果提高了19.38%，同时所需的总DVR补偿电压大幅减少了82.79%。这些定量结果证实，所提出的策略成功实现了全面的电压凹陷治理，同时显著降低了对于成本更高的DVR的容量需求，从而减少了总投资。