一种基于数据模型联合驱动的配电网拓扑二阶辨识方法技术

本发明专利技术公开了一种基于数据模型联合驱动的配电网拓扑二阶辨识方法，包括采用基于深度信念网络和随机森林算法的数据驱动方法实现配电网拓扑快速粗略识别；在粗略识别的结果的基础上建立配电网拓扑模型，将拓扑识别问题转化为一个混合整数规划问题，进一步修正拓扑信息。本发明专利技术弥补了当前配电网拓扑观测不足的缺陷，同时基于二阶辨识机制提升了拓扑识别的效率，为配电网态势感知与优化运行提供可靠拓扑信息。信息。信息。

【技术实现步骤摘要】
一种基于数据模型联合驱动的配电网拓扑二阶辨识方法


[0001]本专利技术涉及配电网拓扑辨识方法，特别是涉及一种基于数据模型联合驱动的配电网拓扑二阶辨识方法。

技术介绍

[0002]拓扑识别是配电网分区控制和状态估计的必要前提。长期以来，配电网缺乏准确的识别一直被认为是配电网运行故障和恢复困难的主要原因。在日常操作中，切换操作和其他程序可能会改变配电网的拓扑结构。同时，DER在配电网中的广泛渗透可能会改变当前的拓扑结构，并给配电网带来不确定性，对配电网拓扑识别而言是一个巨大的挑战。
[0003]与输电系统拓扑不同，配电网的监测设备很少，输电系统拓扑很少重新配置，可以通过广义状态估计进行识别。虽然一些线路参数可以通过状态估计算法获得，但由于状态估计技术的精度和实时性能，取代实时测量具有挑战性。因此，传统的输电系统识别技术无法应用于配电网。
[0004]在配电网拓扑识别的早期研究中，利用开关动作引起的连接变化来建立关联矩阵或邻接矩阵。采用网络分析和状态估计算法来判断网络结构的正确性。然而，这种方法对于处理多个结构错误和不良数据同时发生的情况具有挑战性。

技术实现思路

[0005]专利技术目的：为解决现有技术的不足，提供一种能满足当前配电网态势感知系统对配电网拓扑结构的可观性要求的数据模型联合驱动的配电网拓扑二阶辨识方法。
[0006]技术方案：一种基于数据模型联合驱动的配电网拓扑二阶辨识方法，包括以下步骤：步骤1：通过采集测量设备提供的电压数据，训练深度信念网络挖掘电压关联特征；步骤2：将深度信念网络特征提取结果，通过随机森林算法进行特征选择，粗略辨识配电网拓扑信息；步骤3：以粗略辨识结果作为初值，将拓扑辨识问题转换为混合整数规划问题，快速求解高精度的拓扑信息。
[0007]进一步的，步骤1包括：通过采集测量设备提供的电压数据，训练深度信念网络挖掘电压关联特征；其具体步骤如下：通过采集测量设备提供的电压数据，需对其进行预处理。采用K最近邻法处理测量数据的缺失问题，根据欧氏距离确定距离缺失数据样本最近的K个样本，这K个值的加权平均值用于估计缺失的测量数据。
[0008]深度信念网络由多个受限波尔兹曼机叠加生成，受限波尔兹曼机是一种基于能量的概率图模型，可以用随机概率神经网络来描述。每个受限波尔兹曼机由一个由可见层与隐藏层组成。对应的可见层单位偏差为
，隐藏层单位偏差为。同一层中的神经单元相互独立，不同层中的神经单元完全相连。可见层神经单元v
i
与隐藏层神经单元h
j
按权重w
ji
关联。
[0009]因此，基于能量的概率图模型的能量函数可以定义为：隐藏层和可见层单元之间的联合概率分布可表示为。
[0010]由于受限波尔兹曼机同一层中的神经元是独立的，当给定某一层神经元的状态时，隐藏层和可见层的激活概率可以表示为：见层的激活概率可以表示为：各层的偏差与权重按照以下规律更新：其中，学习率和大小在[0,1]中，n表示迭代次数，和分别是数据分布和模型分布的期望值。
[0011]通过无监督学习从测量数据生成的初始数据集提供给深度信念网络模型。然后，对整个模型进行微调。在此阶段，基于初始深度信念网络模型，保留受限波尔兹曼机之间的权重和偏差，并以数据集中的标签为标准计算网络误差。使用反向传播算法获得各层的误差，并使用梯度下降法调整各层的权重和偏差。
[0012]更进一步的，步骤2包括：将深度信念网络特征提取结果，通过随机森林算法进行特征选择，粗略辨识配电网拓扑信息；其具体步骤如下：步骤21：输入由DBN挖掘的特征向量表示的网络拓扑信息子样本。对多个子样本集进行采样和形成，避免过度拟合；步骤22：对于每个子样本集，使用CART决策树生成完全分裂的独立子决策树；步骤23：训练决策树，从所有特征中随机选取m个特征，得到所有非叶分支节点的候选特征信息子集；步骤24：利用候选特征信息子集中的每个特征信息进行节点切割，根据基尼最小杂质准则从特征信息子集中选择切割能力最好的特征信息；步骤25：重复步骤23和步骤24，直到该子决策树的每个节点按照基尼最小杂质准则进行切割；步骤26：重复步骤21至步骤25，直到子决策树的数量分别满足RF算法的需求，并投票获得粗略的拓扑识别结果。
[0013]再进一步的，步骤3包括：以粗略辨识结果作为初值，将拓扑辨识问题转换为混合整数规划问题，快速求解高精度的拓扑信息；其具体步骤如下：采用连接系数来表示拓扑连接问题。如果两个节点之间的支路处于连接状态，则为系数=1；否则，=0。最小化拓扑信息的误差即可获得准确的配电网拓扑，目标函数可以表示为：其中，是节点c和d之间的连接情况，是从遥信数据中获得的节点c和d之间的节点连接信息，表示节点全集。
[0014]在配电网运行过程中，节点电流注入遵循基尔霍夫电流定律（KCL）。流入节点的电流之和等于流出节点的电流之和：。其中，e为支路总数，是流经连接到该节点c的第k个支路电流。根据基尔霍夫电压定律（KVL），节点之间的电流也取决于节点的电压：。其中，g是闭环元件的数量，是节点c关联支路的第k个元件两端的电压。
[0015]同时，基于误差有界理论，测量方程满足以下约束：其中，、、分别表示量测的基准值与误差的上界和下界，表示量测方程；结合连接系数，将上述约束修改为：，将上述约束修改为：，将上述约束修改为：其中，、分别表示流过节点c的电流汇总与流过节点c和节点d之间的电流；表示节点c和d之间之路的阻抗；表示节点c和d之间的量测方程；所以，所转换的拓扑错误最少的寻优问题可以表示为：将模型驱动的拓扑辨识问题转换为一个混合整数规划问题：将与分别用与表示。当=1时，=，=；否则，=0，=0。
[0016]可通过以下约束条件表示、、、和之间的关系：
其中M1和M2是由足够大的正数组成的同维列向量。
[0017]根据上述线性约束，将优化问题转化为无非线性约束的混合整数规划问题：其中表示与节点c相连的所有节点的集合。
[0018]以粗略辨识获得结果为规划问题的初值，快速求解实现快速准确的拓扑辨识。
[0019]有益效果：与现有技术相比，本专利技术的方法具有以下优点：本专利技术可以弥补当前配电网态势感知系统中缺乏对配电网拓扑信息有效监测的缺陷。具体如下：（1）本专利技术采用数据模型联合驱动的方案，对多类型电网有更好的适用性。
[0020]（2）本专利技术采用预先确定优化问题初值范围的方案，大大提高了拓扑辨识的效率，有效缩短辨识时间，有助于配电网的实时控制与快速响应。
附图说明
[0021]图1为本专利技术方法的流程图；图2为深度信念网络的结构示意图；图3为随机森林粗略辨识的网络拓扑图。
具体实施方式
[0022]下面对本专利技术技术方案进行详细说明，但是本专利技术的保护范围不局限于所述实施例。
[0023]如图1所示，本专利技术的基于数据模型联合驱动的配电网拓扑二阶辨识方法，包括以下步骤：步骤1：通过采集测量设备提供的电压数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据模型联合驱动的配电网拓扑二阶辨识方法，其特征在于，包括以下步骤：步骤1：通过采集测量设备提供的电压数据，训练深度信念网络挖掘电压关联特征；步骤2：将深度信念网络特征提取结果，通过随机森林算法进行特征选择，粗略辨识配电网拓扑信息；步骤3：以粗略辨识结果作为初值，将拓扑辨识问题转换为混合整数规划问题，快速求解高精度的拓扑信息。2.根据权利要求1所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法，其特征在于，上述步骤1中，深度信念网络由多个受限波尔兹曼机叠加生成，受限波尔兹曼机是一种基于能量的概率图模型，用随机概率神经网络来描述；每个受限波尔兹曼机由一个由可见层与隐藏层组成；对应的可见层单位偏差为，隐藏层单位偏差为；同一层中的神经单元相互独立，不同层中的神经单元完全相连；可见层神经单元v
i
与隐藏层神经单元h
j
按权重w
ji
关联；因此，基于能量的概率图模型的能量函数定义为：隐藏层和可见层单元之间的联合概率分布表示为；由于受限波尔兹曼机同一层中的神经元是独立的，当给定某一层神经元的状态时，隐藏层和可见层的激活概率表示为：藏层和可见层的激活概率表示为：各层的偏差与权重按照以下规律更新：其中，学习率和大小在[0,1]中，n表示迭代次数，和分别是数据分布和模型分布的期望值；通过无监督学习将从测量数据生成的初始数据集提供给深度信念网络模型；然后，对整个模型进行微调；在此阶段，基于初始深度信念网络模型，保留基于能量的概率图模型之间的权重和偏差，并以数据集中的标签为标准计算网络误差；使用反向传播算法获得各层的误差，并使用梯度下降法调整各层的权重和偏差。3.根据权利要求2所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法，其特征在于，上述步骤2中将深度信念网络特征提取结果，通过随机森林算法进行特征选择，粗略
辨识配电网拓扑信息，具体步骤如下：步骤21：输入由深度信念网络挖掘的特征向量表示的网络拓扑信息子样本；对多个子样本集进行采样和形成，避免过度拟合；步骤22：对于每个子样本集，使用CART决策树生成完全分裂的独立子决策树；步骤23：训练子决策树，从所有特征中随机选取m个特征，得到所有非叶分支节点的候选特征信息子集；步骤24：利用候选特征信息子集中的每个特征信息进行节点切割，根据基尼最小...

【专利技术属性】
技术研发人员：曾元静，徐东亮，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：