一种基于改进的局部异常因子算法的电网拓扑辨识方法技术

本发明专利技术提供一种基于改进局部异常因子算法的拓扑辨识方法，步骤为首先运用统计学理论对待预测设备对象如开关及刀闸的运行状态变化信息进行获取，然后根据获取到的数据进行待辨识数据对象的建模，对于各设备对象分别建立一个表征一段时间内运行状态变化的对象集合；然后利用GDLOF算法中的网格约简理论对对象集合中的数据对象进行约简，减少辨识对象，从而提升算法效率；对于未排除的数据对象，考虑到遥测及遥信信息对拓扑错误辨识的影响不同，本发明专利技术采用相对熵对各对象的各属性进行加权处理，提升算法的可靠性及执行效率，最终通过确认局部异常因子辨识拓扑错误。本发明专利技术方法是基于密度的异常检测算法，将其应用于电网拓扑错误辨识方便，拓展了异常检测算法的应用领域，同时解决了电网拓扑错误及遥测不良数据的辨识问题。

【技术实现步骤摘要】
一种基于改进的局部异常因子算法的电网拓扑辨识方法
本专利技术涉及电网拓扑错误辨识
，特别是一种基于改进的局部异常因子算法的电网拓扑辨识方法。
技术介绍
电网拓扑图是指由电网节点和与之相连的输电线路组成的物理布局结构示意图。电力系统拓扑分析是电力能量流流动过程中，对用于转换、保护、控制这一过程的元件状态的分析，目的是形成便于电网分析与计算的模型。电力系统分析所需要的良策数据在采集、传递、转换的过程中，会由于设备或网络等原因造成数据信息的损坏或偏差，导致不良数据的产生；当开关遥信量与实际开关状态不符时，则存在拓扑错误。电网拓扑结构的正确与否对于状态估计有重要影响，拓扑错误经常导致状态估计结果不可用或者状态估计不收敛。针对不良数据以及拓扑错误的电网拓扑辨识问题早在20世纪80年代就已经受到关注，当前对于拓扑错误辨识的研究结果主要有以下方法：1)规则法：规则法首先对于电网拓扑结构构建辨识的规则，通过这些规则判定电网是否存在拓扑错误。然而规则法虽然应用较为简单，但是规则之间容易存在冲突现象，导致规则的应用情景复杂化；2)人工神经网络法：人工神经网络法从信息处理角度对人脑神经元网络进行抽象，建立拓扑辨识模型按不同的连接方式构建不同的网络。该方法能够辨识拓扑错误及不良遥测数据，但是该算法对于规模较大且网络拓扑结构经常变化的网络适应能力较差；3)残差法：残差法基于状态估计结果进行拓扑错误辨识，其难以区分由不良数据和拓扑错误引起的残差；4)新息图法：新息图法对于单一的不良数据和拓扑错误具有良好的效果，但是难以辨识不良数据和拓扑错误同时存在的场景；5)最小信息损失法：最小信息损失法将拓扑错误辨识问题转化为一个混合整数规划问题，该方法能够辨识厂站拓扑错误，然而该方法建模过程较为复杂，难以应用于实际的分析；6)转移潮流法：转移潮流法能够辨识支路型拓扑错误和不良数据，但对厂站拓扑错误辨识较为困难；7)状态估计法：该方法通过构建状态估计模型用于厂站拓扑错误辨识，该模型将开关及刀闸的遥信约束用于构建约束条件，通过设置相应的目标函数进而将厂站拓扑辨识问题转化为线性规划问题。然而模型的建立过程较为复杂，尤其对于电网结构复杂的情况。名词解释LOF(局部异常因子)是一种基于密度识别异常值的算法。算法原理为：将一个点的局部密度与分布在它周围的点的密度相比较，如果前者明显的比后者小，那么这个点相对于周围的点来说就处于一个相对比较稀疏的区域，这就表明该点是一个异常值。GDLOF(grid-basedanddencecellbasedonlocaloutlierfactor)，基于网格和稠密单元的快速局部离群点探测算法。在LOF基础上，以通过数据集中每一点周围的临近点的状况作为判别依据，通过证明稠密单元和稠密区域中的点不可能成为离群点(异常点)，减少LOF的计算量。
技术实现思路
本专利技术要解决的技术问题为：将改进的局部异常因子算法应用于电网拓扑辨识过程中，简化建模过程及模型复杂度，提升算法的计算效率。本专利技术采取的技术方案具体为：一种基于改进的局部异常因子算法的电网拓扑辨识方法，包括步骤：S1，获取待辨识的电网拓扑中的设备对象及其运行数据信息；S2，基于S1获取的信息中，各设备对象在任意一段时间内多个相邻时刻的设备状态转换信息，分别构建对象模型及对象集合；各对象模型中的数据包括待辨识设备在单个相邻时刻设备状态转换时多个属性的变化数据；S3，利用GDLOF算法对对象集合中的对象进行约简，以排除处于稠密单元和稠密区域中的对象；S4，对约简后未排除的各对象，基于相对熵理论对各对象中的各属性进行权重设置；S5，基于S4设置的属性权重，利用局部异常因子算法对未排除的对象进行辨识，得到局部异常因子量偏大的对象，进而根据该对象确认发生拓扑错误的设备及时刻。S1中所述设备对象及其运行数据信息包括：线路开关及其电流、负荷和位置信息，母联开关及其电流、负荷和位置信息，分段开关及其电流、负荷和位置信息；主变开关及其某侧电流、负荷和位置信息，母线刀闸及其电流、负荷和位置信息，线路刀闸及其连接的相应线路的电流、负荷和位置信息，以及主变刀闸及其连接的主变相应一侧的电流、负荷和位置信息。本专利技术构建的对象模型相应的对象为待辨识的电网某特定区域、特定时间段的开关刀闸及其遥测、遥信信息，在信息获取时，根据辨识需要进行选择。根据权利要求1所述的方法，其特征是，S2中，假设T0时刻某设备的状态为[YC1,YC2,YC3,...,YX1,YX2,YX3,...]，T1时刻该设备的状态为[YC1',YC2',YC3',...,YX1',YX2',YX3',...]，其中YC代表设备对象的遥测数据，YX代表设备对象的遥信数据，下标不同表示遥测数据或遥信数据的类型不同，如对某线路开关来说，有YC1代表电流数据，YC2代表负荷数据，YX1代表该线路开关的位置信息；则基于该设备对象在T0到T1时刻的设备状态转换构建的对象u1的对象模型为：基于该设备对象在一段时间内的设备状态转换所构建的对象集合为：U＝{u1，u2，u3，...,um}，其中m为该设备对象在一段时间内所计的对象集合中对象的数量。由于实际数学建模时，遥测数据为float类型，遥信数据为boolean类型，因此S2在构建对象模型时，对于遥测数据为减运算，对于遥信数据则为异或运算。进一步的，考虑到数据量纲及数据的特性，S2在进行对象模型以及对象集合构建时，包括步骤：S21，对设备对象在一段时间内的遥测数据进行离散化处理；S22，对离散化处理后的遥测数据进行归一化处理。然后即可利用归一化处理后的两相邻时刻对应的遥测数据进行减运算，进而得到对象模型中的遥测数据属性值。离散化处理可采用现有的等宽离散的分割方法进行。优选的，S21对设备对象在一段时间内的遥测数据进行离散化处理包括步骤：S211，根据遥测数据的数值分布情况确认分类个数n；S212，将S1获取的设备对象在一段时间内的各遥测数据的连续变化值进行排序，通过n-1个分割点将数据序列分为n个区间；S213，以各区间中的最小值为该区间的分类类别值，将一个区间中的所有值映射到相同的分类类别上。如有某属性值的分布为[1,9)，分类个数为4，则分割的4个区间分别为[1,3)，[3,5)，[5,7)，[7,9)，相应的分类类别值为1,3,5,7，如对于属性值2即映射到分类类别值1，由此可得到设备对象在一段时间内的连续遥测数据的离散化数据。优选的，S22对离散化处理后的遥测数据进行归一化处理为：定义y为归一化处理后的数据，x为离散化处理后的遥测变化值数据，MaxValue和MinValue分别对应相应的遥测数据在一段时间内的最大值和最小值在离散化处理中所映射的分类类别值，构建线性函数：y＝(x-MinValue)/(MaxValue-MinValue)；基于上述线性函数，将各对象中离散化处理后的遥测变化值数据x归一化处理为y。本专利技术的归一化方法即采用现有的min-max标准化方法，对待归一化处理的原理数据进行线性变换，使结果值映射到[0-1]之间。则本专利技术中各对象模型中对应遥测数据的属性值皆为[0-1]之间的数据。本专利技术步骤S3为基于网格对需要进行辨识的对象个数进行约简，其原理为基于GDLOF本文档来自技高网...

【技术保护点】
一种基于改进的局部异常因子算法的电网拓扑辨识方法，其特征是，包括步骤：S1，获取待辨识的电网拓扑中的设备对象及其运行数据信息；S2，基于S1获取的信息中，各设备对象在任意一段时间内多个相邻时刻的设备状态转换信息，分别构建对象模型及对象集合；各对象模型中的数据包括待辨识设备在单个相邻时刻设备状态转换时多个属性的变化数据；S3，利用GDLOF算法对对象集合中的对象进行约简，以排除处于稠密单元和稠密区域中的对象；S4，对约简后未排除的各对象，基于相对熵理论对各对象中的各属性进行权重设置；S5，基于S4设置的属性权重，利用局部异常因子算法对未排除的对象进行辨识，得到局部异常因子量偏大的对象，进而根据该对象确认发生拓扑错误的设备及时刻。

【技术特征摘要】
1.一种基于改进的局部异常因子算法的电网拓扑辨识方法，其特征是，包括步骤：S1，获取待辨识的电网拓扑中的设备对象及其运行数据信息；S2，基于S1获取的信息中，各设备对象在任意一段时间内多个相邻时刻的设备状态转换信息，分别构建对象模型及对象集合；各对象模型中的数据包括待辨识设备在单个相邻时刻设备状态转换时多个属性的变化数据；S3，利用GDLOF算法对对象集合中的对象进行约简，以排除处于稠密单元和稠密区域中的对象；S4，对约简后未排除的各对象，基于相对熵理论对各对象中的各属性进行权重设置；S5，基于S4设置的属性权重，利用局部异常因子算法对未排除的对象进行辨识，得到局部异常因子量偏大的对象，进而根据该对象确认发生拓扑错误的设备及时刻。2.根据权利要求1所述的方法，其特征是，S1中所述设备对象及其运行数据信息包括：线路开关及其电流、负荷和位置信息，母联开关及其电流、负荷和位置信息，分段开关及其电流、负荷和位置信息；主变开关及其某侧电流、负荷和位置信息，母线刀闸及其电流、负荷和位置信息，线路刀闸及其连接的相应线路的电流、负荷和位置信息，以及主变刀闸及其连接的主变相应一侧的电流、负荷和位置信息。3.根据权利要求1所述的方法，其特征是，S2中，假设T0时刻某设备的状态为[YC1,YC2,YC3,...,YX1,YX2,YX3,...]，T1时刻该设备的状态为[YC1',YC2',YC3',...,YX1',YX2',YX3',...]，其中YC代表设备对象的遥测数据，YX代表设备对象的遥信数据，下标不同表示遥测数据或遥信数据的类型不同，如对某线路开关来说，有YC1代表电流数据，YC2代表负荷数据，YX1代表该线路开关的位置信息；则基于该设备对象在T0到T1时刻的设备状态转换构建的对象u1的对象模型为：基于该设备对象在一段时间内的设备状态转换所构建的对象集合为：U＝{u1，u2，u3，...,um}，其中m为该设备对象在一段时间内所计的对象集合中对象的数量。4.根据权利要求3所述的方法，其特征是，S2在进行对象模型以及对象集合构建时，包括步骤：S21，对设备对象在一段时间内的遥测数据进行离散化处理；S22，对离散化处理后的遥测数据进行归一化处理。5.根据权利要求4所述的方法，其特征是，S21对设备对象在一段时间内的遥测数据进行离散化处理包括步骤：S211，根据遥测数据的数值分布情况确认分类个数n；S212，将S1获取的设备对象在一段时间内的各遥测数据的连续变化值进行排序，通过n-1个分割点将数据序列分为n个区间；S213，以各区间中的最小值为该区间的分类类别值，将一个区间中的所有值映射到相同的分类类别上。6.根据权利要求4所述的方法，其特征是，S22对离散化处理后的遥测数据进行归一化处理为：定义y为归一化处理后的数据，x为离散化处理后的遥测变化值数据，MaxValue和MinValue分别对应相应的遥测数据在一段时间内的最大值和最小值在离散化处理中所映射的分类类别值，构建线性函数：y＝(x-MinValue)/(MaxValue-MinValue)；基于上述线性函数，将各对象中离散化处理后的遥测变化值数据x归一化处理为y。7.根据权利要求1所述的方法，其特征是，S4包括步骤：S41，基于信息熵理论，计算对象中各属性的信息熵E(B)，计算公式为：

【专利技术属性】
技术研发人员：杨建平，肖飞，叶康，齐敬先，闫训超，施建华，曹越峰，
申请(专利权)人：国网上海市电力公司，南京南瑞集团公司，南京南瑞信息通信科技有限公司，国家电网公司，
类型：发明
国别省市：上海,31