一种基于量测大数据分析的配电网运行方式识别方法技术

本发明专利技术属于配电网状态估计技术领域，公开了一种基于量测大数据分析的配电网运行方式识别方法，步骤为：步骤1，对量测数据进行预处理；步骤2，将每个采样时刻的量测数据作为一个样本，使用改进后的t分布随机近邻嵌入算法对每个样本进行降维；步骤3，从全部样本中选出少量样本，人工标记它们对应的配电网运行方式，再通过半监督学习自动建立其余样本与配电网运行方式的对应关系；步骤4，对实时量测数据进行预处理和降维，并根据通过半监督学习得到的对应关系，识别配电网的实时运行方式。本发明专利技术提供的在线识别方法能够根据实时量测数据，快速准确地识别配电网运行方式，为包含大量分布式可再生能源的主动配电网的运行方式实时可观提供了保障。观提供了保障。观提供了保障。

【技术实现步骤摘要】
一种基于量测大数据分析的配电网运行方式识别方法


[0001]本专利技术属于配电网状态估计
，具体是涉及一种基于量测大数据分析的配电网运行方式识别方法。

技术介绍

[0002]可再生能源的出力存在间歇性和波动性。随着分布式可再生能源在配电网中的渗透率逐步提高，配电网的运行方式需要根据可再生能源的出力情况频繁地进行优化。通过不断调整配电网馈线上分段开关和联络开关的开闭状态，优化潮流分布，以避免配电网出现变压器或线路过载、电压越限等问题。然而，受限于投资等因素，配电网的分段开关和联络开关上通常未安装遥测和遥信设备，因此配电网控制主站无法实时获得各开关的开闭状态，给配电网运行方式的优化带来了困难。
[0003]配电网中安装的智能电表、RTU等装置可以采集电压、电流、功率等量测数据，并将实时量测数据上传控制主站。主站利用这些量测数据可以推断各分段开关、联络开关的开闭状态和配电网的运行方式。利用配电网量测终端的数据进行配电网运行方式辨识的技术已在部分文献中被提及(如专利申请CN115498633A、CN114123165A、专利CN111313405B)，但它们均基于潮流方程，需要使用馈线段线路阻抗等参数。这些参数会受到温度等环境因素的影响，在实际中往往难以准确获得。部分文献(如专利CN109190672A)使用了降维和聚类方法分析配电网的量测数据，但其未对原始量测数据进行预处理，量测数据中蕴含的特征难以显现，而且其在聚类中并未合理选择初始聚类中心，可能导致聚类迭代收敛速度慢。
[0004]因此，如何在不依赖线路阻抗等参数，完全基于历史量测数据的条件下，实现对配电网运行方式的快速准确辨识，是目前亟待解决的问题。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供了一种基于量测大数据分析的配电网运行方式识别方法，通过对历史量测数据的预处理、降维与半监督学习，发现配电网智能电表量测数据与配电网运行方式之间的对应关系，能够快速准确地根据配电网智能电表实时的量测数据，在线识别配电网当前的运行方式，可以应用于运行方式变化频繁的新型电力系统。
[0006]本专利技术所述的一种基于量测大数据分析的配电网运行方式识别方法，步骤为：
[0007]步骤1、对智能电表的电压量测数据进行预处理，计算配电网节点间的三相电压幅值差；
[0008]步骤2、将每个采样时刻的电压和功率量测数据作为一个样本，使用改进后的t分布随机近邻嵌入算法对每个样本进行降维；
[0009]步骤3、为每一种配电网运行方式，从全部样本中，选出一个在该运行方式下的样本，人工标记这些选出样本对应的配电网运行方式，再通过半监督学习，自动标记未被选出的其余样本对应的配电网运行方式；
[0010]步骤4、对实时量测数据进行降维，并根据已知的量测数据与配电网运行方式的对
应关系，识别配电网的实时运行方式。
[0011]进一步的，步骤1中，根据智能电表的三相电压幅值量测量，计算配电网节点间的三相电压幅值差，按下式计算：
[0012][0013]其中，U
i,A
、U
i,B
和U
i,C
为安装在配电网节点i上的智能电表的三相电压幅值量测量，U
j,A
、U
j,B
和U
j,C
为安装在配电网节点j上的智能电表的三相电压幅值量测量，N为配电网中所有安装有智能电表的节点的集合。
[0014]进一步的，步骤2中，每一个样本由一个历史采样时刻的配电网节点间的三相电压幅值差和注入配电网除平衡节点外的每个节点的三相有功功率和无功功率组成，即经过预处理的智能电表电压量测数据和功率量测数据，如下式所示：
[0015][0016]其中，t为采样时刻的序号，x
t
为t时刻的样本，N为配电网中所有安装有智能电表的节点的集合，U
t,i,j
为t时刻配电网节点i与节点j的三相电压幅值差，和为t时刻配电网节点k的相注入的有功功率和无功功率。
[0017]进一步的，对样本使用改进后的t分布随机近邻嵌入算法进行降维，将JS散度作为衡量高维空间和低维空间中两个概率分布相似程度的量化指标，当JS散度的值最小时，高维空间中数据点位置的概率分布和低维空间中的最接近，此时低维空间中的数据点即为高维空间中数据点的映射，高维空间数据点的概率分布p
ij
和低维空间数据点的概率分布q
ij
的JS散度的计算公式如下：
[0018][0019]构建最小化优化问题，将JS散度作为最小化问题的目标函数，将低维空间中的数据点作为最小化问题的决策变量，使用梯度下降法求解这个最小化问题，其中目标函数的梯度为：
[0020][0021]其中，表示“JS散度”对“低维空间中第i个数据点坐标”的偏导数，n为数据点的数量，y
i
和y
j
为低维空间中第i个数据点和第j个数据点的坐标，w
ij
和w
ji
为权重值，用于衡量两个数据点之间的相似度，可以用高斯核函数来计算，公式如下：
[0022][0023]其中，exp()为指数函数，为常数，取值可以根据数据点分布的离散程度确定。
[0024]求解最小化问题所得到的最优解即为对高维数据点的降维结果。
[0025]进一步的，步骤3中，对于每一种配电网运行方式，找出配电网处于该运行方式的最早的一个采样时刻，人工为该采样时刻的样本标记对应的运行方式。接着，基于半监督学
习技术，使用K
‑
Medoids聚类算法对所有样本进行分析，初始聚类中心为人工标记了对应运行方式的样本点，每个聚类中心分别对应一个聚类簇，K
‑
Medoids聚类算法的具体步骤如下：
[0026]步骤a：计算除初始聚类中心以外的每个样本点到各个初始聚类中心的距离，将样本点分配到距其最近的初始聚类中心所对应的聚类簇中；
[0027]步骤b：在每一聚类簇中，计算属于该聚类簇的各个样本点的簇内距离准则函数，选出簇内距离准则最小的样本点作为该簇新的聚类中心；簇内距离准则函数为：
[0028][0029]其中，J
i
为样本x
i
的簇内距离，M
i
为样本x
i
所在簇所有样本的集合；x
j
∈M
i
表示样本x
i
与样本x
j
属于同一个聚类簇；||x
i
‑
x
j
||2表示样本x
i
与样本x
j
之间欧几里得距离的平方。
[0030]步骤c：重复步骤a和步骤b，直至各簇的聚类中心不再变化，此时，每个聚类簇中所有样本对应的配电网运行方式相同，可以根据人工标记了对应运行方式的样本点，获得与其在同一个聚类簇中的其它样本对应的运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量测大数据分析的配电网运行方式识别方法，其特征在于，所述方法步骤为：步骤1、对智能电表的电压量测数据进行预处理，计算配电网节点间的三相电压幅值差；步骤2、将每个采样时刻的电压和功率量测数据作为一个样本，使用改进后的t分布随机近邻嵌入算法对每个样本进行降维；步骤3、为每一种配电网运行方式，从全部样本中，选出一个在该运行方式下的样本，人工标记这些选出样本对应的配电网运行方式，再通过半监督学习，自动标记未被选出的其余样本对应的配电网运行方式；步骤4、对实时量测数据进行降维，并根据已知的量测数据与配电网运行方式的对应关系，识别配电网的实时运行方式。2.根据权利要求1所述的一种基于量测大数据分析的配电网运行方式识别方法，其特征在于，步骤1中，根据智能电表的三相电压幅值量测量，计算配电网节点间的三相电压幅值差，按下式计算：其中，U
i,A
、U
i,B
和U
i,C
为安装在配电网节点i上的智能电表的三相电压幅值量测量，U
j,A
、U
j,B
和U
j,C
为安装在配电网节点j上的智能电表的三相电压幅值量测量，N为配电网中所有安装有智能电表的节点的集合。3.根据权利要求1所述的一种基于量测大数据分析的配电网运行方式识别方法，其特征在于，步骤2中，每一个样本由一个历史采样时刻的配电网节点间的三相电压幅值差和注入配电网除平衡节点外的每个节点的三相有功功率和无功功率组成，即经过预处理的智能电表电压量测数据和功率量测数据，如下式所示：其中，t为采样时刻的序号，x
t
为t时刻的样本，N为配电网中所有安装有智能电表的节点的集合，U
t,i,j
为t时刻配电网节点i与节点j的三相电压幅值差，和为t时刻配电网节点k的相注入的有功功率和无功功率。4.根据权利要求3所述的一种基于量测大数据分析的配电网运行方式识别方法，其特征在于，步骤2中，对样本使用改进后的t分布随机近邻嵌入算法进行降维，具体为：将JS散度作为衡量高维空间和低维空间中两个概率分布相似程度的量化指标，当JS散度的值最小时，高维空间中数据点位置的概率分布和低维空间中的最接近，此时低维空间中的数据点即为高维空间中数据点的映射，高维空间数据点的概率分布p
ij
和低维空间数据点的概率分布q
ij
的JS散度的计算公式如下：构建最小化优化问题，将JS散度作为最小化问题的目标函数，将低维空间中的数据点作为最小化问题的决策变量，使用梯度下降法求解这个最小化问题，其中目标函数的梯度
为：其中，表示“JS散度”对“低维空间中第i个数据点坐标”的偏导数，n为数据点的数量，y
i
和y
j
为低维空间中第i个数据点和第j个数据点的坐标，w
ij
和w<...

【专利技术属性】
技术研发人员：徐俊俊，缪晗，张腾飞，朱三立，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：