一种配电网动态拓扑辨识方法、系统、设备及存储介质技术方案

一种配电网动态拓扑辨识方法、系统、设备及存储介质，方法包括根据配电系统接线图构建配电系统静态拓扑的网络图模型；设置网络图模型可能发生的拓扑变化集合，并进行潮流计算，得到每个运行状态下配电网各节点的电气量；以每个运行状态下配电网各节点的电气量为节点特征、以对应运行状态下的配电网各线路连接状态为标签，构建模型离线训练样本集；通过模型离线训练样本集对图神经网络模型进行训练并部署；获取在线量测数据并转化为图结构数据输入图神经网络模型，输出配电网拓扑辨识结果，并与配网开关的遥信信号进行对比，校核开关变位信息是否一致，若一致，则输出配电网拓扑辨识结果。本发明专利技术能够提升配电网动态拓扑的在线辨识速度与精度。辨识速度与精度。辨识速度与精度。

【技术实现步骤摘要】
一种配电网动态拓扑辨识方法、系统、设备及存储介质


[0001]本专利技术属于配电网调控
，具体涉及一种配电网动态拓扑辨识方法、系统、设备及存储介质。

技术介绍

[0002]配电网是电力系统的最后一个环节，作为连接用户端和电源端的重要枢纽，其安全稳定运行对于确保用户的可靠供电具有重要意义。随着分布式新能源、分布式储能与柔性负荷的大量接入，配电网末端用户用电差异性逐渐增大，配电系统出现供电多元化、用电互动化、电力电子化以及管理数字化等全新形态特征，其运行的开放性、动态性与互动性特征逐渐凸显，给配电系统实际运行带来了巨大挑战。
[0003]精确的拓扑信息是配电网状态估计、故障定位、停电研判、网络重构等各类分析计算的基础，对配电网的安全运行、灵活控制及经济规划都有重要意义。由于分布式发电和新型负荷的波动性、随机性和不确定性强，出于运行经济性和可靠性的考虑，配电网运行方式和运行控制变得愈发复杂、拓扑变化愈发频繁。为提升配电网可观、可测和可控性，配电网拓扑状态的在线辨识跟踪，是进行配电网状态精准估计的重要基础。
[0004]配电网的拓扑识别方法主要分为两类。其中一类方法是基于传统的系统潮流分析和状态估计，将新的测量数据与不同拓扑情况下的潮流计算结果进行比较，确定误差最小的数据作为当前实际拓扑。上述传统辨识方法通常需要以全量的电压及功率量测数据为基础，但由于配网中量测布点有限以及通信导致的噪声干扰与数据传输不及时，实时量测数据不足以支撑计算需求，传统方法难以实现对于节点规模庞大、结构灵活多变的配电网的动态拓扑在线精准辨识。另一种拓扑识别方法采用数据驱动的方法，不依赖于系统结构的先验知识，从历史数据中挖掘测量数据与拓扑结构之间的潜在相关性来进行判断。首先进行离线潮流计算，从历史样本数据中提取相应的指标，并将这些指标作为判断连接关系的依据。但是这种方法只挖掘电网中的节点或线数据，而不考虑电网节点之间的结构信息。因此，还需进一步引入图计算，以历史数据和静态拓扑同时进行计算，实现配电网动态拓扑的准确跟踪校核。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术中的问题，提供一种配电网动态拓扑辨识方法、系统、设备及存储介质，有效提升配电网动态拓扑的在线辨识速度与精度。
[0006]为了实现上述目的，本专利技术有如下的技术方案：
[0007]第一方面，提供一种配电网动态拓扑辨识方法，包括：
[0008]根据配电系统接线图构建配电系统静态拓扑的网络图模型；
[0009]设置配电系统静态拓扑的网络图模型可能发生的拓扑变化集合，并进行潮流计算，得到配电系统每个运行状态下配电网各节点的电气量；
[0010]以配电系统每个运行状态下配电网各节点的电气量为节点特征、以配电系统对应
运行状态下的配电网各线路连接状态为标签，构建模型离线训练样本集；
[0011]通过模型离线训练样本集对预先构建的图神经网络模型进行训练并部署；
[0012]获取在线量测数据并转化为图结构数据输入训练好的图神经网络模型，由图神经网络模型输出配电网拓扑辨识结果，并与配网开关的遥信信号进行对比，校核开关变位信息是否一致，若信息一致，则输出配电网拓扑辨识结果。
[0013]优选的，在所述根据配电系统接线图构建配电系统静态拓扑的网络图模型的步骤中，将配电系统中的线路、开关映射为网络图模型中的节点；将电气量作为网络图模型的节点特征，所述的电气量包括线路、开关相连节点的电压、电流、有功功率、无功功率以及两端电压差；为连接在配电系统同一节点上的线路、开关之间，添加关联关系，作为网络图模型的边。
[0014]优选的，在所述设置配电系统静态拓扑的网络图模型可能发生的拓扑变化集合，并进行潮流计算，得到配电系统每个运行状态下配电网各节点的电气量的步骤中，根据历史数据或者在历史数据的变化范围内，随机设置配电网各节点的负荷有功功率、无功功率以及新能源设备的出力值；对于可能发生的拓扑变化集合，进行配电网开关状态的随机设置；根据随机设置的配电网开关状态、负荷数据、发电机数据，进行潮流计算，得到每个运行状态下配网各节点的电气量的分布情况。
[0015]优选的，所述的图神经网络模型按照如下方式进行构建：
[0016]构建N层图神经网络，对于每一层图神经网络，通过信息传递机制实现相邻节点的特征聚合，更新各节点的特征表示向量；
[0017]进行特征聚合时，信息合成函数形式为：
[0018][0019]式中，为第k层第n个节点的特征表示向量，δ为激活函数，avg表示取平均值，W为神经网络权重系数，c为n的相邻节点，N(n)为相邻节点集合；
[0020]对于第k层图神经网络，每个节点仅汇集节点自身以及周边相邻节点信息；
[0021]按下式对每一层图神经网络进行残差连接：
[0022][0023]其中，为第k层的输出；
[0024]对于图神经网络的最后一层，采用节点特征平均的方式，进行特征向量维度压缩，再连接sigmod函数，输出结果；
[0025]根据每个节点输出值均在0
‑
1之间，设置判断限值η：大于限值η，表示对应配网支路当前处于连接状态，开关在合位；否则，对应支路处于断开状态，开关在分位。
[0026]优选的，所述的图神经网络模型按照如下方式进行训练：
[0027]设置最大迭代次数Niter与训练收敛误差限值e％；
[0028]采用Adam方法作为图神经网络训练参数优化方法，调节学习率进行训练：
[0029][0030][0031]式中，W
t
为第t轮迭代更新后的网络参数，α为学习率，为偏差纠正后的一阶矩估计，为偏差纠正后的二阶矩估计，ε为平滑项，为一阶矩估计的指数衰减率，V
dw
为动量形式下的一阶矩估计，为二阶矩估计的指数衰减率，S
dw
为动量形式下的二阶矩估计，dw为损失函数对W
t
‑1的偏导，设置b1为0.9，b2为0.999；
[0032]采用交叉熵损失函数作为训练的损失函数，表达式如下：
[0033][0034]式中，概率分布p为期望输出，概率分布q为实际输出；
[0035]训练图神经网络模型，直至图神经网络模型收敛或达到最大迭代次数；
[0036]保存图神经网络模型结构及训练好的参数。
[0037]优选的，所述获取在线量测数据并转化为图结构数据输入训练好的图神经网络模型的步骤中，对于存在量测缺失的数据，采用矩阵方式补全缺失数据，所述采用矩阵方式补全缺失数据的表达式如下：
[0038]min
D
||D‖
*
+λ||E||1[0039]s.t.D
i,j
＝M
i,j
,(i,j)∈Ω
[0040]X＝D+E
[0041]式中，D为缺失部分数据的测量矩阵，E为稀疏噪声矩阵，||D‖
*
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网动态拓扑辨识方法，其特征在于，包括：根据配电系统接线图构建配电系统静态拓扑的网络图模型；设置配电系统静态拓扑的网络图模型可能发生的拓扑变化集合，并进行潮流计算，得到配电系统每个运行状态下配电网各节点的电气量；以配电系统每个运行状态下配电网各节点的电气量为节点特征、以配电系统对应运行状态下的配电网各线路连接状态为标签，构建模型离线训练样本集；通过模型离线训练样本集对预先构建的图神经网络模型进行训练并部署；获取在线量测数据并转化为图结构数据输入训练好的图神经网络模型，由图神经网络模型输出配电网拓扑辨识结果，并与配网开关的遥信信号进行对比，校核开关变位信息是否一致，若信息一致，则输出配电网拓扑辨识结果。2.根据权利要求1所述的配电网动态拓扑辨识方法，其特征在于，在所述根据配电系统接线图构建配电系统静态拓扑的网络图模型的步骤中，将配电系统中的线路、开关映射为网络图模型中的节点；将电气量作为网络图模型的节点特征，所述的电气量包括线路以及线路相连节点的电压、电流、有功功率、无功功率、两端电压差；为连接在配电系统同一节点上的线路、开关之间，添加关联关系，作为网络图模型的边。3.根据权利要求2所述的配电网动态拓扑辨识方法，其特征在于，在所述设置配电系统静态拓扑的网络图模型可能发生的拓扑变化集合，并进行潮流计算，得到配电系统每个运行状态下配电网各节点的电气量的步骤中，根据历史数据或者在历史数据的变化范围内，随机设置配电网各节点的负荷有功功率、无功功率以及新能源设备的出力值；对于可能发生的拓扑变化集合，进行配电网开关状态的随机设置；根据随机设置的配电网开关状态、负荷数据、发电机数据，进行潮流计算，得到每个运行状态下配网各节点的电气量的分布情况。4.根据权利要求1所述的配电网动态拓扑辨识方法，其特征在于，所述的图神经网络模型按照如下方式进行构建：构建N层图神经网络，对于每一层图神经网络，通过信息传递机制实现相邻节点的特征聚合，更新各节点的特征表示向量；进行特征聚合时，信息合成函数形式为：式中，为第k层第n个节点的特征表示向量，δ为激活函数，avg表示取平均值，W为神经网络权重系数，c为n的相邻节点，N(n)为相邻节点集合；对于第k层图神经网络，每个节点仅汇集节点自身以及周边相邻节点信息；按下式对每一层图神经网络进行残差连接：其中，为第k层的输出；对于图神经网络的最后一层，采用节点特征平均的方式，进行特征向量维度压缩，再连接sigmod函数，输出结果；根据每个节点输出值均在0
‑
1之间，设置判断限值η：大于限值η，表示对应配网支路当
前处于连接状态，开关在合位；否则，对应支路处于断开状态，开关在分位。5.根据权利要求4所述的配电网动态拓扑辨识方法，其特征在于，所述的图神经网络模型按照如下方式进行训练：设置最大迭代次数Niter与训练收敛误差限值e％；采用Adam方法作为图神经网络训练参数优化方法，调节学习率进行训练：采用Adam方法作为图神经网络训练参数优化方法，调节学习率进行训练：式中，W
t
为第t轮迭代更新后的的网络参数，α为学习率，为偏差纠正后的一阶矩估计，为偏差纠正后的二阶矩估计，ε为平滑项，为一阶矩估计的指数衰减率，V
dw
为动量形式下的一阶矩估计，为二阶矩估计的指数衰减率，S
dw
为动量形式下的二阶矩估计，dw为损失函数对W
t
‑1的偏导，设置b1为0.9，b2为0.999；采用交叉熵损失函数作为训练的损失函数，表达式如下：式中，概率分布p为期望输出，概率分布q为实际输出；训练图神经网络模型，直至图神经网络模型收敛或达到最大迭代次数；保存图神经网络模型结构及训练好的参数。6.根据权利要求1所述的配电网动态拓扑辨识方法，其特征在于，所述获取在线量测数据并转化为图结构数据输入训练好的图神经网络模型的步骤中，对于存在量测缺失的数据，采用矩阵方式补全缺失数据，所述采用矩阵方式补全缺失数据的表达式如下：min
D
||D||
*
+λ||E||1s.t.D
i，j
＝M
i，j
，(i，j)∈ΩX＝D+E式中，D为缺失部分数据的测量矩阵，E为稀疏噪声矩阵，||D‖
*
为D矩阵的核范数，λ为拉格朗日乘子，||E||1为E矩阵的l1范数，M为未知的原始低秩矩阵，D
i,j
为量测到的数据，M
i,j
为待恢复矩阵M的对应位置的值，Ω为观测到的样本下标集，X为输入的待修复矩阵。7.一种配电网动态拓扑辨识系统，其特征在于，包括：配电系统静态拓扑的网络图模型构建模块，用于根据配电系统接线图构建配电系统静态拓扑的网络图模型；潮流计算模块，用于设置配电系统静态拓扑的网络图模型可能发生的拓扑变化集合，并进行潮流计算，得到配电系统每个运行状态下配电网各节点的电...

【专利技术属性】
技术研发人员：蒲天骄，乔骥，赵紫璇，王晓辉，史梦洁，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：