[发明专利]一种基于数据模型联合驱动的配电网拓扑二阶辨识方法

说明书

本发明公开了一种基于数据模型联合驱动的配电网拓扑二阶辨识方法，包括采用基于深度信念网络和随机森林算法的数据驱动方法实现配电网拓扑快速粗略识别；在粗略识别的结果的基础上建立配电网拓扑模型，将拓扑识别问题转化为一个混合整数规划问题，进一步修正拓扑信息。本发明弥补了当前配电网拓扑观测不足的缺陷，同时基于二阶辨识机制提升了拓扑识别的效率，为配电网态势感知与优化运行提供可靠拓扑信息。

技术领域

本发明涉及配电网拓扑辨识方法，特别是涉及一种基于数据模型联合驱动的配电网拓扑二阶辨识方法。

背景技术

拓扑识别是配电网分区控制和状态估计的必要前提。长期以来，配电网缺乏准确的识别一直被认为是配电网运行故障和恢复困难的主要原因。在日常操作中，切换操作和其他程序可能会改变配电网的拓扑结构。同时，DER在配电网中的广泛渗透可能会改变当前的拓扑结构，并给配电网带来不确定性，对配电网拓扑识别而言是一个巨大的挑战。

与输电系统拓扑不同，配电网的监测设备很少，输电系统拓扑很少重新配置，可以通过广义状态估计进行识别。虽然一些线路参数可以通过状态估计算法获得，但由于状态估计技术的精度和实时性能，取代实时测量具有挑战性。因此，传统的输电系统识别技术无法应用于配电网。

在配电网拓扑识别的早期研究中，利用开关动作引起的连接变化来建立关联矩阵或邻接矩阵。采用网络分析和状态估计算法来判断网络结构的正确性。然而，这种方法对于处理多个结构错误和不良数据同时发生的情况具有挑战性。

发明内容

发明目的：为解决现有技术的不足，提供一种能满足当前配电网态势感知系统对配电网拓扑结构的可观性要求的数据模型联合驱动的配电网拓扑二阶辨识方法。

技术方案：一种基于数据模型联合驱动的配电网拓扑二阶辨识方法，包括以下步骤：

步骤1：通过采集测量设备提供的电压数据，训练深度信念网络挖掘电压关联特征；

步骤2：将深度信念网络特征提取结果，通过随机森林算法进行特征选择，粗略辨识配电网拓扑信息；

步骤3：以粗略辨识结果作为初值，将拓扑辨识问题转换为混合整数规划问题，快速求解高精度的拓扑信息。

进一步的，步骤1包括：通过采集测量设备提供的电压数据，训练深度信念网络挖掘电压关联特征；其具体步骤如下：

通过采集测量设备提供的电压数据，需对其进行预处理。采用K最近邻法处理测量数据的缺失问题，根据欧氏距离确定距离缺失数据样本最近的K个样本，这K个值的加权平均值用于估计缺失的测量数据。

深度信念网络由多个受限波尔兹曼机叠加生成，受限波尔兹曼机是一种基于能量的概率图模型，可以用随机概率神经网络来描述。每个受限波尔兹曼机由一个由可见层与隐藏层组成。对应的可见层单位偏差为，隐藏层单位偏差为。同一层中的神经单元相互独立，不同层中的神经单元完全相连。可见层神经单元v_i与隐藏层神经单元h_j按权重w_ji关联。

因此，基于能量的概率图模型的能量函数可以定义为：

隐藏层和可见层单元之间的联合概率分布可表示为。

由于受限波尔兹曼机同一层中的神经元是独立的，当给定某一层神经元的状态时，隐藏层和可见层的激活概率可以表示为：

各层的偏差与权重按照以下规律更新：