基于注意力机制和卷积神经网络的配电网拓扑辨识方法技术

本发明专利技术涉及一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，包括以下步骤：S1：获取配电网的量测数据以及对应的拓扑结构，构建数据库；S2：对量测数据进行预处理；S3：根据特征贡献度对特征筛选，构建特征集；S4：构建配电网拓扑辨识模型，基于特征集对配电网拓扑辨识模型进行训练；S5：将待辨识的配电网的量测数据送入配电网拓扑辨识模型，获取待辨识的配电网的拓扑结构。与现有技术相比，本发明专利技术具有仅需要断面量测数据，辨识分类准确性高，克服数据噪声等优点。克服数据噪声等优点。克服数据噪声等优点。

【技术实现步骤摘要】
基于注意力机制和卷积神经网络的配电网拓扑辨识方法


[0001]本专利技术涉及配电网拓扑辨识领域，尤其是涉及一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法。

技术介绍

[0002]随着时代的发展，人民生活水平逐渐提高，对电能质量的需求也不断提高。配电网作为现代社会的重要能源基础措施。由于大量新能源接入，配电网拓扑变化频繁，而且较输电网而言监测设备及监测能力远远不够，因此，配电网的拓扑结构往往是未知的，然而精确地拓扑结构是电力系统进行潮流计算、状态估计和整定计算等分析手段的基础，是电网规划、运行和控制的先决条件，因此迫切需要得到一种能够精确识别配电网拓扑结构的方法。
[0003]现有技术中，有以下辨识方法，如利用深度优先算法搜索bridge线路，在进行混合整数二次优化得到一个初步的拓扑结构，采用树生成算法将无向图变成树，遍历这些树，找到与潮流匹配评价指标最小的树即为最终拓扑；利用台区、配变、馈线、用户电表之间的关系构建知识图谱进行拓扑辨识，对变化频繁的配电网不太适用；采用相关性方法进行判别馈线所属，再利用电压幅值随着潮流方向逐渐降低，确定负荷所属位置，但是其相关性阈值难以确定，且随着分布式能源的加入，电网的潮流不再是单向流动。
[0004]现有技术中还基于功率方程和电网潮流计算方法，通过建立物理模型，引入线性回归和雅各比矩阵进行迭代求解，实现通过量测数据得到精确的拓扑识别，但是要求每个节点量测数据完整；现有辨识过程中需要电压相角等量测量，这就需要μPMU或PMU等高级量测设备，这类设备通常比较昂贵，在配电网中不可能每个节点都配备；还有些其他拓扑识别方法要求数据为连续量测数据，在现实量测中，由于通讯以及测量装置的原因，很难做到。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，包括以下步骤：
[0008]S1：获取配电网的历史量测数据以及对应的拓扑结构，构建数据库；
[0009]S2：对量测数据进行预处理；
[0010]S3：根据特征贡献度对特征筛选，构建特征集；
[0011]S4：构建配电网拓扑辨识模型，基于特征集对配电网拓扑辨识模型进行训练；
[0012]S5：将待辨识的配电网的量测数据送入配电网拓扑辨识模型，获取待辨识的配电网的拓扑结构。
[0013]优选地，所述的预处理包括数据清洗、填补缺失值、去除异常值。
[0014]优选地，所述的步骤S3的具体步骤包括：
[0015]S31：获取不同测量数据对配电网拓扑识别的特征贡献度；
[0016]S32：对特征贡献度进行排序，选取特征贡献度最高测量数据作为特征集，并将对应的拓扑结构作为特征集的标签。
[0017]优选地，所述的步骤S31中采用随机森林算法计算测量数据的特征贡献度。
[0018]优选地，所述的配电网拓扑辨识模型为基于注意力机制的卷积神经网络。
[0019]优选地，所述的卷积神经网络包括注意力模块和依次连接的输入层、隐藏层、输出层，所述注意力模块设于所述隐藏层的第一层后。
[0020]优选地，所述的卷积神经网络的损失函数为：
[0021][0022]其中，p＝[p1,
…
,p
N
]是一个概率分布，每个元素p
i
表示样本属于拓扑结构i的概率；y＝[y1,
…
,y
N
]是样本标签，当样本属于拓扑结构i时y
i
＝1，否则y
i
＝0；N是拓扑结构类别总数。
[0023]优选地，所述的量测数据包括节点电压幅值和节点注入功率。
[0024]优选地，所述的节点注入功率为有功功率。
[0025]优选地，所述的拓扑结构为每一组节点的量测数据对应的拓扑结构图。
[0026]与现有技术相比，本专利技术具有如下优点：
[0027]1)本专利技术方法针对配电网中大量冗余量测数据，借助随机森林算法对特征集进行筛选，对数据集进行降维，降低后续模型的计算复杂度和空间复杂度，提升模型辨识效率；
[0028]2)本专利技术利用卷积神经网络重分挖掘特征类别与拓扑结构之间的关联关系，并学习其映射规则，实现仅需断面量测数据就可以对当前拓扑进行辨识，解决了目前辨识方法阈值设定难、仅适用于辐射网的缺点；
[0029]3)本专利技术将注意力机制加入到卷积神经网络中，通过附加注意力到相应的特征上，极大提高模型的鲁棒性，克服了量测数据噪声高的缺点，使得模型在含有较高噪声的数据中也具有较好的辨识效果，具有更高的实际应用价值。
附图说明
[0030]图1为本专利技术的流程图；
[0031]图2为本专利技术的实施流程图；
[0032]图3为本专利技术实施例中IEEE33节点配电网算例图；
[0033]图4为本专利技术的特征贡献度排序图；
[0034]图5为本专利技术注意力机制实现原理图；
[0035]图6为本专利技术卷积神经网络的结构图；
[0036]图7为本专利技术测试结果的混淆矩阵图。
具体实施方式
[0037]下面结合附图和具体实施例对本专利技术进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本专利技术并不意在对其适用物或其用途进行限定，且本专利技术并不限定于以下的实施方式。
[0038]实施例
[0039]一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，如图1所示，包括以下步骤：
[0040]S1：获取配电网的历史量测数据以及对应的拓扑结构，构建数据库；
[0041]本实施例中，量测数据包括节点电压幅值和节点注入功率，其中，获取的节点注入功率选择易得到的有功功率。
[0042]本实施例中的算例IEEE33节点配电网如图3所示，考虑实际配电网中可能有分布式发电接入，故选择节点7、10、14、33作为分布式发电接入，线路参数采用IEEE33节点标准参数，在此拓扑基础上改变线路连接，生成28种拓扑结构，其中20种为辐射状网络，8种含环网络。在每种拓扑的基础上改变工作场景，借助MATLAB软件仿真得到3000组样本数据，总共84000组。每组样本的数据为33个节点的电压幅值和注入功率。
[0043]S2：对量测数据进行预处理。
[0044]预处理包括数据清洗、填补缺失值、去除异常值。
[0045]具体地，首先对数据进行最大电压幅值估计，将超过规定变化范围的值作为异常值进行删除；
[0046]然后，对数据进行归一化处理：
[0047][0048]式中：v和v
norm
分别为该节点归一化前后的电压幅值，v
min
和v
max
分别为训练数据集中节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，其特征在于，包括以下步骤：S1：获取配电网的历史量测数据以及对应的拓扑结构，构建数据库；S2：对量测数据进行预处理；S3：根据特征贡献度对特征筛选，构建特征集；S4：构建配电网拓扑辨识模型，基于特征集对配电网拓扑辨识模型进行训练；S5：将待辨识的配电网的量测数据送入配电网拓扑辨识模型，获取待辨识的配电网的拓扑结构。2.根据权利要求1所述的一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，其特征在于，所述的预处理包括数据清洗、填补缺失值、去除异常值。3.根据权利要求1所述的一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，其特征在于，所述的步骤S3的具体步骤包括：S31：获取不同测量数据对配电网拓扑识别的特征贡献度；S32：对特征贡献度进行排序，选取特征贡献度最高测量数据作为特征集，并将对应的拓扑结构作为特征集的标签。4.根据权利要求1所述的一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，其特征在于，所述的步骤S31中采用随机森林算法计算测量数据的特征贡献度。5.根据权利要求1所述的一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，其特征在于，所述的配电网拓扑辨识模型为基于注意力机制的卷积神经网络。6.根据权利要求...

【专利技术属性】
技术研发人员：田英杰，李凡，蒋家富，吴裔，赵莹莹，苏运，郭乃网，金妍斐，刘俊，杨帆，杜习周，陈琰，杨秀，刘方，傅广努，李承泽，张浩，仇志鑫，刘欣雨，张倩倩，蒋倩，汤金璋，周从亨，陈浩然，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：