[发明专利]一种低压台区拓扑识别方法及系统

权利要求书

1.一种低压台区拓扑识别方法，其特征在于，包括：

获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据；

基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系；

基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。

2.根据权利要求1所述的方法，其特征在于，所述基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系，包括：

将所述各低压台区和所述各用户均设为节点；

利用智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对所述时序电压数据进行处理；

基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵；

基于所述连接关系矩阵中非零元素对应的节点得到各低压台区与各用户之间的连接关系。

3.根据权利要求2所述的方法，其特征在于，所述基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵，包括：

依次针对每个节点，将除所述每个节点外的其余各节点对应的时序电压数据分别代入线性回归函数，并以预先得到的正则化参数为约束对带入所述其余各节点的时序电压数据的线性回归函数进行求解，以得到所述每个节点与所述其余各节点的关联系数向量；其中，所述正则化参数是基于所述时序电压数据中时间点的个数和节点的个数结合高斯分布函数计算得到的；

以所有节点的关联系数向量为矩阵元素构建稀疏关系矩阵；

将所述稀疏关系矩阵的上三角矩阵和下三角矩阵做and运算，得到各节点之间的连接关系矩阵。

4.根据权利要求3所述的方法，其特征在于，所述每个节点与所述其余各个节点的关联系数向量，通过求解下式得到：

式中，表示关于β^b的线性回归函数，β^b表示关联系数向量，argmin表示使后式达到最小值时的变量的取值，表示节点b在t时刻的电压，||β^b||₁表示β^b的1范数，λ表示正则化参数，表示除节点b外的各节点在t时刻的电压，b表示节点计数编号，N表示时序电压数据中时间点的个数，T表示转置符号。

5.根据权利要求4所述的方法，其特征在于，所述正则化参数λ计算式如下：

式中，0≤α≤1，p是节点的个数，φ是服从(0,1)区间上的高斯分布的累积分布函数。

6.根据权利要求2所述的方法，其特征在于，所述利用智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对异常的时序电压数据进行处理，包括：

对所述时序电压数据进行修正，并利用所述智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对修正后的时序电压数据进行清洗，以滤掉异常的时序电压数据。

7.根据权利要求6所述的拓扑识别方法，其特征在于，所述对所述时序电压数据进行修正，包括：

将所述时序电压数据输入到预先训练好的异常检测编解码模型中进行修正得到初步修正的时序电压数据；其中，所述异常检测编解码模型是基于历史时序电压数据和修正后历史时序电压数据利用神经网络训练得到的；

将所述初步修正的时序电压数据与所述时序电压数据对比以确定重构误差；

基于所述重构误差校验所述初步修正的时序电压数据的数据质量，并将数据质量低于设定阈值的初步修正的时序电压数据剔除，以及将数据质量高于所述设定阈值的初步修正的时序电压数据保留，以作为所述修正后的时序电压数据。

8.根据权利要求7所述的拓扑识别方法，其特征在于，所述异常检测编解码模型的训练包括：

以获取的历史时序电压数据为输入数据，以修正后的历史时序电压数据为输出数据构建训练集；

基于所述训练集，采用循环神经网络进行训练得到所述异常检测编解码模型。