一种数据驱动的新型电力系统配网拓扑在线辨识方法技术方案

本发明专利技术适用于电力技术领域，提供了一种数据驱动的新型电力系统配网拓扑在线辨识方法，该方法包括：获取含高比例新能源配电网的历史运行数据及对应的拓扑结构，进行数据预处理，构建新型电力系统配网拓扑运行态数据库；将配电网实际拓扑结构映射为无向图；构建图卷积神经网络模型，使用训练集数据进行配网拓扑离线辨识模型训练；构建配网拓扑离线辨识模型评价指标体系，利用测试集数据对所述模型辨识效果进行评价；将新型电力系统配电网运行数据输入所述训练完成的辨识模型，得到配网拓扑在线辨识结果。本发明专利技术提供的方法可以基于配电网量测数据实现智能化的新型电力系统配网拓扑辨识。数据实现智能化的新型电力系统配网拓扑辨识。数据实现智能化的新型电力系统配网拓扑辨识。

【技术实现步骤摘要】
一种数据驱动的新型电力系统配网拓扑在线辨识方法


[0001]本专利技术属于电力
，尤其涉及一种数据驱动的新型电力系统配网拓扑在线辨识方法。

技术介绍

[0002]配电网的拓扑结构是其安全稳定高效运行的基础，拓扑结构出现误差会导致配电网供电、输电、用电等其他环节出现严重问题。目前，配电网运行的拓扑信息很大程度上依赖其规划时的拓扑；而实际中，由于配电网设备种类多、布线复杂、各条馈线互相联络不易勘察、馈线开关因故障检修、倒负荷等原因会不定期动作、存在线路频繁更改与用户私自更改线路以及突发故障等的情况，配网的拓扑结构经常发生不确定的变化。与此同时，在新型电力系统发展背景下，分布式能源技术快速发展，越来越多的分布式供能和储能设备接入配电网，加快了配电网拓扑结构的变化频率，导致配电拓扑网络的记录情况与实际不符。上述原因导致配电网实时拓扑监控和故障快速定位难度大。
[0003]随着配电网自动化技术的发展，利用电力通信技术的拓扑监控方法也在逐步发展，该类方法主要通过电力传感设备及通信网实时上传配电网的运行状态，但其存在安全级别低、维护成本大等问题。此外，对于规模庞大、联络关系复杂的配电网，如果通过增加配电自动化装置布点的方式来直接获取拓扑，成本十分巨大。人工智能等新技术的发展为配电网拓扑监控提供了新的视角和方案。从数据的角度，通过挖掘配电网各节点的运行数据与配电网拓扑结构的关联关系，实现新型电力系统配网拓扑的动态辨识。数据驱动的方法能够在无需新增拓扑监测等专用电力通信设备的情况下，仅通过分析智能电表上传的用电数据即可实现配电网拓扑的辨识，能够辅助现有拓扑监测方法生成更加准确的拓扑信息，具有一定的前沿性和经济性。

技术实现思路

[0004]专利技术目的：针对配电系统中存储的拓扑记录与实际运行情况不一致的难点，本专利技术提出一种数据驱动的新型电力系统配网拓扑在线辨识方法，基于配电网量测数据实现智能化的新型电力系统配网拓扑辨识。
[0005]技术方案：本专利技术所述的一种数据驱动的新型电力系统配网拓扑在线辨识方法，包括以下步骤：
[0006]S1：获取含高比例新能源配电网的历史运行数据及对应的拓扑结构，进行数据预处理，构建新型电力系统配网拓扑运行态数据库。
[0007]S2：将配电网实际拓扑结构映射为无向图。
[0008]S3：构建图卷积神经网络模型，使用训练集数据进行配网拓扑离线辨识模型训练。
[0009]S4：构建配网拓扑离线辨识模型评价指标体系，利用测试集数据对模型辨识效果进行评价。
[0010]S5：将新型电力系统配电网运行数据输入训练完成的辨识模型，得到配网拓扑在
线辨识结果。
[0011]进一步地，所述步骤S1中数据预处理的过程如下：
[0012]S11：对原始数据进行包括异常值处理以及缺失值处理在内的数据清洗。
[0013]S12：将清洗后的数据按最大
‑
最小规范化处理，将数据映射到[0,1]区间，并划分训练集和测试集。
[0014]进一步地，所述步骤S2中无向图的构建过程如下：
[0015]S21：将配电网中的电气节点以及节点间连接的线路分别映射为图神经网络中无向图的节点与边。无向图中的节点集为V＝{v1,
…
,v
k
}，其中节点v
i
代表电气节点i。连接节点v
i
和v
j
的边使用ε
ij
表示，构成边集E。
[0016]S22：构建邻接矩阵描述无向图的结构特征，构建节点特征矩阵描述节点属性。以A
G
表征邻接矩阵，其为一个行数和列数均等于图的顶点数的方阵，能够反映节点之间的空间相关性，A
i,j
∈A
G
表示A
G
中的一个元素，若A
i,j
＝0表示节点i和节点j之间没有边的连接；若A
i,j
不为0则表示节点i和节点j之间存在边的连接，A
i,j
的值就是边的权重。以R
i
表征节点i的特征矩阵，其中包括节点自身属性信息和邻域结构状态信息。其中，节点自身属性信息包括节点电压、电流和相位。
[0017]进一步地，所述步骤S3中的配网拓扑离线辨识模型训练过程如下：
[0018]S31：构建无向图的拉普拉斯矩阵L，由式(1)计算：
[0019][0020]其中，为单位阵，为节点的度矩阵，为一对角矩阵，对角线上的元素
[0021]S32：采用切比雪夫多项式近似值作为谱域卷积核，进行图卷积变换。
[0022]谱域卷积核可由式(2)所示：
[0023][0024]其中，θ
p
，T
p
分别为待训练参数与切比雪夫多项式，p为多项式阶数，λ
max
为最大特征值。
[0025]图卷积*
G
可以表示为：
[0026][0027]其中，F，F
‑1分别为傅里叶变换与逆变换，g为卷积核，g
θ
(Λ)为其谱域形式，与分别为对称归一化拉普拉斯矩阵L的特征向量矩阵与对角阵。图的傅立叶变换通过拉普拉斯矩阵的特征值分解实现。
[0028]S33：计算训练结果的损失函数值，其中损失函数使用二分类交叉熵。
[0029]进一步地，所述步骤S4中的辨识模型评价指标体系包括准确率、精准率、召回率和F1
‑
Score。
[0030]本专利技术实施例与现有技术相比存在的有益效果是：
[0031]将图神经网络模型用于新型电力系统配电网拓扑辨识，不仅可以充分利用图神经网络算法的优势，分析节点特征量与配变间连接关系之间的关联关系，捕捉节点之间的空间关联性，提升辨识模型的准确性；而且可以动态调整，利用大规模的配电网采集数据训练、修正配电网拓扑辨识模型，提升辨识模型的精确度和泛化能力。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术实施例提供的新型电力系统配网拓扑在线辨识方法的主要步骤示意图；
[0034]图2是本专利技术实施例提供的新型电力系统配网拓扑在线辨识方法的实现流程示意图。
具体实施方式
[0035]下面结合附图对本专利技术的技术方案作进一步说明。应当了解，以下提供的实施例仅是为了详尽地且完全地公开本专利技术，并且向所属
的技术人员充分传达本专利技术的技术构思，本专利技术还可以用许多不同的形式来实施，并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。
[0036]图1示出了本专利技术实施例提供的新型电力系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的新型电力系统配网拓扑在线辨识方法，其特征在于，包括：获取含高比例新能源配电网的历史运行数据及对应的拓扑结构，进行数据预处理，构建新型电力系统配网拓扑运行态数据库；将配电网实际拓扑结构映射为无向图；构建图卷积神经网络模型，使用训练集数据进行配网拓扑离线辨识模型训练；构建配网拓扑离线辨识模型评价指标体系，利用测试集数据对所述模型辨识效果进行评价；将新型电力系统配电网运行数据输入所述训练完成的辨识模型，得到配网拓扑在线辨识结果。2.如权利要求1所述的一种数据驱动的新型电力系统配网拓扑在线辨识方法，其特征在于，所述数据预处理包括：对原始数据进行包括异常值处理以及缺失值处理在内的数据清洗；清洗后的数据按最大
‑
最小规范化处理，将数据映射到[0,1]区间，并划分训练集和测试集。3.如权利要求1所述的一种数据驱动的新型电力系统配网拓扑在线辨识方法，其特征在于，所述无向图的构建过程包括：将配电网中的电气节点以及节点间连接的线路分别映射为图神经网络中无向图的节点与边、构建邻接矩阵描述无向图的结构特征，以及构建节点特征矩阵描述节点属性。4.如权利要求1所述的一种数据驱动的新型电力系统配网拓扑在线辨识方法，其特征在于，所述配网拓扑离线辨识模型训练过程包括：构建无向图的拉普拉斯矩阵、图卷积变换以及损失函数计算。5.如权利要求4所述的一种数据驱动的新型电力系统配网拓扑在线辨识方法，其特征在于，所述构建无向图的拉普拉斯矩阵，具体包括：所述无向图的拉普拉斯矩阵L由下式计算其中，为单位阵，为节点的度矩阵，为一对...

【专利技术属性】
技术研发人员：吴栋，李志立，王雷，杨东东，袁国超，张伟，李彦雷，李靖，徐铭铭，冯光，王鹏，董轩，
申请(专利权)人：国网河南省电力公司电力科学研究院，
类型：发明
国别省市：