基于主成分分析和凸优化的低压配网拓扑自适应识别方法技术

基于主成分分析和凸优化的低压配网拓扑自适应识别方法，属于低压配电网技术领域。其特征在于：包括如下步骤：步骤1，采集电能数据并形成数据矩阵；步骤2，对配电网电能数据进行主成分分析；步骤3，建立拓扑识别模型的目标函数及约束条件；步骤4，引入松弛变量，将拓扑识别模型转化为凸优化模型；步骤5，得到回归矩阵；步骤6，通过回归矩阵得到低压配电网拓扑结构。在基于主成分分析和凸优化的低压配网拓扑自适应识别方法中，利用主成分分析法对数据集矩阵进行处理，保留了原始数据间的本质信息，并将低压配电网拓扑识别问题转化为可解的凸优化问题，避免了其他传统优化算法容易陷入局部解的问题，拓扑识别的准确率更高。拓扑识别的准确率更高。拓扑识别的准确率更高。

【技术实现步骤摘要】
基于主成分分析和凸优化的低压配网拓扑自适应识别方法


[0001]基于主成分分析和凸优化的低压配网拓扑自适应识别方法，属于低压配电网


技术介绍

[0002]低压配网(即低压配电网)位于配电系统末端，直接向用户提供服务，其运行可靠性将直接决定整个电网的运行情况和对用户的服务质量。配电网异动率很高，结构因增容、技术改造、城市建设等原因变化，需要及时地更新系统网络拓扑、参数配置，系统维护工作量大。由于低压配电网缺少信息化、自动化手段，导致低压配电网拓扑结构识别不正确，运行维护人员无法准确掌握当前配电网的运行情况，不能立刻开展故障的检修抢修等，严重影响用户的用电体验。随着风能、光伏等间歇性分布式电源以及电动汽车等装置的出现，低压配电网的节点数日益增多、结构也愈发复杂。
[0003]配电网拓扑辨识是配电网管理系统高级应用软件的重要组成部分，是配电自动系统中各种高级辅助软件功能实现的基础，能够为电力系统调度提供决策。低压配电网的拓扑结构提供其众多设备之间的连接关系。底层网络拓扑的信息有助于可再生能源的有效整合和配电网故障的有效管理。此外，对于配电网中可靠状态的估计，准确的网络拓扑信息至关重要。由于配电网络重新配置、修复、维护和负载平衡等变化，导致无法保证网络拓扑信息始终准确。因此，配电网拓扑表现出较明显的易变动性，难以实时保证配电网拓扑信息的准确性。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种利用主成分分析法对数据集矩阵进行处理，保留了原始数据间的本质信息，并利用范数逼近原理和凸松弛将低压配电网拓扑识别问题转化为可解的凸优化问题，避免了其他传统优化算法容易陷入局部解的问题，拓扑识别准确率更高的基于主成分分析和凸优化的低压配网拓扑自适应识别方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：该基于主成分分析和凸优化的低压配网拓扑自适应识别方法，其特征在于：包括如下步骤：
[0006]步骤1，以固定的时间间隔，采集变压器低压侧节点智能电表的电能数据、配电网节点智能电表的电能数据以及用户节点智能电表的电能数据，将采集到的电能数据叠加得到数据矩阵；
[0007]步骤2，对步骤1中采集的电能数据进行主成分分析，分解数据获取低维度分析对象；
[0008]步骤3，建立拓扑识别模型的目标函数及约束条件；
[0009]步骤4，引入松弛变量，将拓扑识别模型转化为凸优化模型；
[0010]步骤5，得到回归矩阵；
[0011]步骤6，通过回归矩阵得到低压配电网拓扑结构。
[0012]优选的，在步骤1中，所述的数据矩阵为：
[0013]Z＝[z
ij
](n*N)
[0014]其中，z
ij
表示第j个时间间隔时第i个节点的测量值，n表示网络中的节点数，N表示每个节点获取量测值的数量。
[0015]优选的，在步骤1中，所述固定的时间间隔为15min或30min。
[0016]优选的，在步骤3中，所述拓扑识别模型的目标函数和约束条件为：
[0017][0018][0019]R
mn
∈{0,1}
[0020]其中，||U
2i
+U
2d
||
L1
表示基于目标函数的L1范数，||U
2i
+U
2d
||
L2
表示基于目标函数的L2范数。
[0021]约束1：对应公式：对拓扑矩阵R的约束，A是元素全为1长度为a的行向量；
[0022]约束2：对应公式对矩阵R中元素的约束，是0
‑
1规划问题，R
mn
为第m个用户与第n个相节点之间的连接关系，设U＝{1，2，
…
a}为用户节点的集合，T＝{1，2，
…
b}为相位节点的集合，m∈U；n∈T。
[0023]优选的，在步骤4中，所述的凸优化模型为：
[0024]min||U
2i
+U
2d
||
L1
or||U
2i
+U
2d
||
L2
[0025][0026]R
mn
∈[0
‑
σ，1+σ][0027]其中，||U
2i
+U
2d
||
L1
表示基于目标函数的L1范数，||U
2i
+U
2d
||
L2
表示基于目标函数的L2范数，σ为松弛向量，R
mn
为第m个用户与第n个相节点之间的连接关系，设U＝{1，2，
…
a}为用户节点的集合，T＝{1，2，
…
b}为相位节点的集合，m∈U；n∈T。
[0028]与现有技术相比，本专利技术所具有的有益效果是：
[0029]在本基于主成分分析和凸优化的低压配网拓扑自适应识别方法中，避免了其他传统优化算法容易陷入局部解的问题，求得的解为全局最优解；利用主成分分析法对数据集矩阵进行处理，保留了原始数据间的本质信息，拓扑识别仿真运行时间受电量测量采样点数的影响为微秒级，拓扑识别准确率更高。
附图说明
[0030]图1为基于主成分分析和凸优化的低压配网拓扑自适应识别方法流程图。
具体实施方式
[0031]图1是本专利技术的最佳实施例，下面结合附图1对本专利技术做进一步说明。
[0032]如图1所示，基于主成分分析和凸优化的低压配网拓扑自适应识别方法，包括如下步骤：
[0033]步骤1，采集配电网电能数据和电压数据；
[0034]以固定的时间间隔(如15min或30min)，采集变压器低压侧节点智能电表的电能数据、配电网节点智能电表的电能数据以及用户节点智能电表的电能数据；
[0035]将采集到的电能数据收集，叠加在一起形成数据矩阵Z：
[0036]Z＝[z
ij
](n*N)
[0037]其中，z
ij
表示第j个时间间隔时第i个节点的测量值，n表示网络中的节点数，N表示每个节点获取的量测值的数量。
[0038]获取l台台区变压器低压侧电能数据，定义为在第j次测量的m个变量的样本：
[0039][0040]由于测量值因随机噪声产生干扰使样本存在误差。因此，测量变量的向量表示为：
[0041]z
m
(j)＝z
t
(j)+e(j)
[0042]其中：z
t
(j)—第j次测量所得变量实际值的向量；e(j)—噪声引起的误差向量。
[0043]步骤2，对配电网电电能数据进行主成分分析，分解电能数据获取低维度分析对象；
[0044]待识别用户的用电差异性极小，则需要采用较大的数据量进行分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于主成分分析和凸优化的低压配网拓扑自适应识别方法，其特征在于：包括如下步骤：步骤1，以固定的时间间隔，采集变压器低压侧节点智能电表的电能数据、配电网节点智能电表的电能数据以及用户节点智能电表的电能数据，将采集到的电能数据叠加得到数据矩阵；步骤2，对步骤1中采集的电能数据进行主成分分析，分解数据获取低维度分析对象；步骤3，建立拓扑识别模型的目标函数及约束条件；步骤4，引入松弛变量，将拓扑识别模型转化为凸优化模型；步骤5，得到回归矩阵；步骤6，通过回归矩阵得到低压配电网拓扑结构。2.根据权利要求1所述的基于主成分分析和凸优化的低压配网拓扑自适应识别方法，其特征在于：在步骤1中，所述的数据矩阵为：Z＝[z
ij
]
(n*N)
其中，z
ij
表示第j个时间间隔时第i个节点的测量值，n表示网络中的节点数，N表示每个节点获取量测值的数量。3.根据权利要求1所述的基于主成分分析和凸优化的低压配网拓扑自适应识别方法，其特征在于：在步骤1中，所述固定的时间间隔为15min或30min。4.根据权利要求1所述的基于主成分分析和凸优化的低压配网拓扑自适应识别方法，其特征在于：在步骤3中，所述拓扑识别模型的目标函数和约束条件为：其特征在于：在步骤3中，所述拓扑识别模型的目标函数和约束条件为：R
mn
∈{0,1}其中，||U
2i
+U
2d
||
L1
表示基于目标函数的L1范数，||U
2i
+U
2d

【专利技术属性】
技术研发人员：张秋瑞，何柏娜，王银忠，赵云伟，戴雪婷，孙永健，季兴龙，吴硕，黄桂春，孟繁玉，边晨曦，刘雨佳，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：