图数据驱动的配电网拓扑辨识方法、电子设备及存储介质技术

本发明专利技术公开了一种图数据驱动的配电网拓扑辨识方法、电子设备及存储介质，该方法包括：1、将配电网中的所有母线单元作为节点，所有的线路作为边，获取配电网的拓扑图；2、获取并预处理母线单元的输出电压和断路器状态数据，并作为训练样本的输入与输出；3、构建小波线图注意力网络并初始化网络参数；4、训练小波线图注意力网络并保存训练完成的网络模型；5、以母线单元实时的电压序列作为输入，利用ARMA模型预测缺失的母线单元电压序列后，通过训练完成的网络模型计算断路器状态，实现配电网拓扑辨识。本发明专利技术能获得更加精确的配电网运行拓扑信息；且能让拓扑辨识的计算效率能满足实时性要求，从而使配电网运行拓扑的辨识过程更智能。从而使配电网运行拓扑的辨识过程更智能。从而使配电网运行拓扑的辨识过程更智能。

【技术实现步骤摘要】
图数据驱动的配电网拓扑辨识方法、电子设备及存储介质


[0001]本专利技术属于配电网运行拓扑
，尤其涉及一种图数据驱动的配电网拓扑辨识方法、电子设备及存储介质。

技术介绍

[0002]随着可再生能源利用技术的发展，大量的光伏、风力发电和储能与低压或中压配电网相连。然而，可再生能源的波动性、不确定性和随机性影响着配电网的稳定运行，因此，自动化系统会主动切换配电网的拓扑以控制功率流，以改善功率平衡、减少电力线路损耗、隔离故障等，这使得配电网的拓扑变得更加频繁。准确的实时拓扑对于配电网系统的各种高级分析功能非常重要，如潮流计算、状态估计、故障定位等。与主电网不同，配电网在地理上分布广泛，由大量线路、电缆和开关组成。尽管可以通过基于馈线/配电终端单元监控开关的开关状态来获得准确的拓扑结构，但由于成本因素，这些单元仅用于配电网中的部分关键开关。此外，由于当地发展，线路和电缆可能会重新铺设，如果该信息未及时更新，开关的状态并不总是反映真实拓扑。因此，准确识别配电网的拓扑结构成为一个具有挑战性的问题。
[0003]目前，配电网拓扑识别方法可分为两类。一种方法是通过基于时间序列特征或智能测量设备，以潮流分析或传统数学运算为基础，和历史拓扑数据库匹配来实现拓扑识别。例如，将实际电压相图映射到与给定配电网络相关的拓扑数据库，当配电网络拓扑发生变化时，电力系统功率测量数据的时间序列包含类似的变化趋势；还有使用智能测量设备，如μpmu或智能仪表，通过比较拓扑的多个可能状态估计并使用实际状态和状态估计之间的最小差来表示实际电网拓扑。然而，这种方法需要安装大量的智能测量设备，并且过于依赖于历史数据库中拓扑的全面性。另一种方法是在人工智能领域使用数据驱动的思想。例如，使用支持向量机、聚类等传统机器学习方法实现配电网拓扑识别，但往往存在配电网数据特征挖掘不足的问题，导致识别率低；另外，还有采用了主成分分析和深度置信网络相结合的电力网络拓扑识别模型，利用主成分分析中鲁棒特征提取的特点来处理数据和过滤噪声，并使用深度置信网络来捕捉电压幅值与线路开关状态之间的非线性关系，以实现配电网的拓扑识别。然而，这种方法仅仅挖掘配电网中的节点或线路数据，而不考虑配电网节点之间的结构信息。此外，由于网络层数深、权值参数多，当配电网节点较多、电力特征数据较复杂时，这类拓扑识别方法的计算效率普遍较低。

技术实现思路

[0004]本专利技术为解决现有方法中拓扑辨识的准确率不够高和计算效率低等一系列问题，提供一种图数据驱动的配电网拓扑辨识方法、电子设备及存储介质，以期能获得更加精确的配电网运行拓扑信息，让拓扑辨识的计算效率能够满足实时性的要求，从而使配电网运行拓扑的辨识过程更加智能。
[0005]本专利技术为达到上述专利技术目的，采用如下技术方案：
本专利技术一种图数据驱动的配电网拓扑辨识方法的特点在于，包括如下步骤：步骤1、获取配电网在无故障下的拓扑图；步骤1.1、将配电网中的所有母线单元作为节点，母线单元间存在电力连接的线路作为边，从而得到配电网在无故障下的拓扑图，记为G={V,E}，其中，V={v0,v1,
…
,v
i
,
…
,v
N
‑1}为G中的节点集合，v
i
表示第i个母线单元，E={e
i,j
|i∈[0,N
‑
1],j∈[0,N
‑
1]}为G中的边集合，e
i,j
表示第i个母线单元v
i
和第j个母线单元v
j
之间存在边连接，N为G中母线单元的总个数，i≠j；步骤1.2、若v
i
和v
j
存在边连接，则令第i行第j列的元素a
ij
=1；否则，令第i行第j列的元素a
ij
=0，从而得到G的N
×
N阶邻接矩阵A={a
ij
|i∈[0,N
‑
1],j∈[0,N
‑
1]}；步骤2、对配电网中所有母线单元的输出电压进行采样以获取R组的历史训练样本集Train={Train
r
|r∈[1,R]}；其中，Train
r
表示第r组历史训练样本，且Train
r
={X
r
,Y
r
,A}；X
r
表示配电网第r个运行时刻的节点特征矩阵，Y
r
表示第r个运行时刻断路器的开关状态向量，A表示配电网无故障下的拓扑图G的邻接矩阵；步骤3、构建用于配电网拓扑辨识的小波线图注意力网络并初始化网络参数；步骤3.1、构建一个用于配电网拓扑辨识的小波线图注意力网络Wavelet
‑
LGAT，所述小波线图注意力网络Wavelet
‑
LGAT中包括1个线图转化层，1个小波变换层，L个图注意力层和1个Softmax分类层；步骤3.2、所述线图转化层中，若边集合E中第k个元素e
k
和第u个元素e
u
有且仅有一个公共节点，则令第k行第u列的元素a
*ku
=1；否则，令第k行第u列的元素a
*ku
=0，从而得到转化后配电网的线图邻接矩阵A
*
={a
ku
|k∈[0,N
*
‑
1],u∈[0,N
*
‑
1]}，N
*
为E中元素的总个数，k≠u；步骤3.3、若v
i
和v
j
之间存在边连接，则所述线图转化层计算节点特征矩阵X的第i个节点的特征向量X
i
和第j个节点的特征向量X
j
之间的差值，并得到配电网的线图节点特征矩阵X
*
={(X
i
‑
X
j
)
T
|i∈[0,N
‑
1],j∈[0,N
‑
1]}
T
，否则，不计算；步骤3.4、所述小波变换层对配电网线图节点特征矩阵X
*
进行小波变换并重构，得到节点低频特征矩X
low
和节点高频特征矩阵X
high
；步骤3.5、所述L个图注意力层中的第l个图注意力层利用式(1)
‑
式(2)对输入的节点低频特征矩阵X
low
和节点高频特征矩阵X
high
进行计算，得到第l个图注意力层输出的隐藏特征矩阵H
l+1
={h
l+1k
|k∈[0,N
*
‑
1]}
T
，l∈[1,L]；
ꢀꢀꢀꢀꢀ
(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(1)
‑
式(2)中，h
l+1k
为第l个图注意力层输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图数据驱动的配电网拓扑辨识方法，其特征在于，包括如下步骤：步骤1、获取配电网在无故障下的拓扑图；步骤1.1、将配电网中的所有母线单元作为节点，母线单元间存在电力连接的线路作为边，从而得到配电网在无故障下的拓扑图，记为G={V,E}，其中，V={v0,v1,
…
,v
i
,
…
,v
N
‑1}为G中的节点集合，v
i
表示第i个母线单元，E={e
i,j
|i∈[0,N
‑
1],j∈[0,N
‑
1]}为G中的边集合，e
i,j
表示第i个母线单元v
i
和第j个母线单元v
j
之间存在边连接，N为G中母线单元的总个数，i≠j；步骤1.2、若v
i
和v
j
存在边连接，则令第i行第j列的元素a
ij
=1；否则，令第i行第j列的元素a
ij
=0，从而得到G的N
×
N阶邻接矩阵A={a
ij
|i∈[0,N
‑
1],j∈[0,N
‑
1]}；步骤2、对配电网中所有母线单元的输出电压进行采样以获取R组的历史训练样本集Train={Train
r
|r∈[1,R]}；其中，Train
r
表示第r组历史训练样本，且Train
r
={X
r
,Y
r
,A}；X
r
表示配电网第r个运行时刻的节点特征矩阵，Y
r
表示第r个运行时刻断路器的开关状态向量，A表示配电网无故障下的拓扑图G的邻接矩阵；步骤3、构建用于配电网拓扑辨识的小波线图注意力网络并初始化网络参数；步骤3.1、构建一个用于配电网拓扑辨识的小波线图注意力网络Wavelet
‑
LGAT，所述小波线图注意力网络Wavelet
‑
LGAT中包括1个线图转化层，1个小波变换层，L个图注意力层和1个Softmax分类层；步骤3.2、所述线图转化层中，若边集合E中第k个元素e
k
和第u个元素e
u
有且仅有一个公共节点，则令第k行第u列的元素a
*ku
=1；否则，令第k行第u列的元素a
*ku
=0，从而得到转化后配电网的线图邻接矩阵A
*
={a
ku
|k∈[0,N
*
‑
1],u∈[0,N
*
‑
1]}，N
*
为E中元素的总个数，k≠u；步骤3.3、若v
i
和v
j
之间存在边连接，则所述线图转化层计算节点特征矩阵X的第i个节点的特征向量X
i
和第j个节点的特征向量X
j
之间的差值，并得到配电网的线图节点特征矩阵X
*
={(X
i
‑
X
j
)
T
|i∈[0,N
‑
1],j∈[0,N
‑
1]}
T
，否则，不计算；步骤3.4、所述小波变换层对配电网线图节点特征矩阵X
*
进行小波变换并重构，得到节点低频特征矩X
low
和节点高频特征矩阵X
high
；步骤3.5、所述L个图注意力层中的第l个图注意力层利用式(1)
‑
式(2)对输入的节点低频特征矩阵X
low
和节点高频特征矩阵X
high
进行计算，得到第l个图注意力层输出的隐藏特征矩阵H
l+1
={h
l+1k
|k∈[0,N
*
‑
1]}
T
，l∈[1,L]；
ꢀꢀꢀꢀꢀ
(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(1)
‑
式(2)中，h
l+1k
为第l个图注意力层输出的隐藏特征矩阵H
l+1
的第k个分量，当l=1时，令H
l
=X
low
；a
lk,u
为第l个图注意力层第k个节点对第u个节点的注意力系数；v
*n
代表第n个节点；F(v
*k
)代表第k个节点周围所有节点的集合；W
l
为第l个图注意力层的权重矩阵；α为计
算两个向量相关度的函数，σ(
•
)为激活函数，L(
•
)为LeakyReLU函数；x
k,Qhigh
为节点高频特征矩阵X
high
的第k行向量，x
u,Qhigh
为节点高频特征矩阵X
high
的第u行向量，Q为所述小波变换层的最大小波分解层数；M为F(v
*k
)中节点的总数；h
ln
为第l个图注意力层输入的节点特征矩阵H
l
的第n个分量；a
lk,n
为第l个图注意力层第k个节点对第n个节点的注意力系数；步骤4、训练小波线图注意力网络Wavelet
‑
LGAT；步骤4.1、定义Wavelet
‑
LGAT的当前迭代次数为μ，并初始化μ=1，设定最大迭代次数为μ
max
；步骤4.2、初始化r=1；步骤4.3、将第r组历史训练样本Train
r
中的配电网节点特征矩阵X
r
与配电网拓扑图G的邻接矩阵A一起输入到第μ次迭代的Wavelet
‑
LGAT中，并依次经过1个线图转化层、1个小波变换层、L个图注意力层、1个Softmax分类层的处理后输出第r组历史训练样本在第μ次迭代的前向输出结果Y
rμ
；步骤4.4、将所述第r组历史训练样本在第μ次迭代的前向输出结果Y
rμ
与第r组历史训练样本中断路器的开关状态向量Y
r
作差，得到第r组历史训练样本在第μ次迭代的误差e
rμ
；步骤4.5、将r+1赋值给r，判断r>R是否成立；若成立，则执行步骤4.6，否则，返回步骤4.3；步骤4.5、根据R组历史训练样本在第μ次迭代的误差{e
1μ
,e
2μ
,
…
,e
Rμ
}，计算得到第μ次迭代的Wavelet
‑
LGAT的交叉熵损失函数e
μ
；步骤4.6、判断e
μ
>e0且μ<μ
max
是否成立，若成立，则将μ+1赋值给μ后，根据梯度下降算法更新第μ次迭代的Wavelet
‑
LGAT中的权重参数，并返回执行步骤4.2；否则，将第μ次迭代的Wavelet
‑
LGAT作为最优模型，其中，e0是预设的网络误差阈值；步骤5、配电网的实时运...

【专利技术属性】
技术研发人员：孙伟，朱世睿，吴应华，杜露露，石倩倩，周亚，刘鑫，李永军，洪流，李奇越，李帷韬，
申请(专利权)人：国网安徽省电力有限公司滁州供电公司国网安徽省电力有限公司安徽尚特杰电力技术有限公司，
类型：发明
国别省市：