CN109638826B - 一种基于cnn的电网拓扑辨识方法及系统 - Google Patents

Abstract

本发明公开了一种基于CNN(卷积神经网络)的电网拓扑辨识方法及系统。该方法主要从电网的基本架构和历史状态数据出发，找出正常运行中有通/断两种状态，即通/断状态影响网络实时拓扑的线路，并将其标注为“拓扑易变线路”，然后辨识出在该线路连通、测量信息缺失条件下的电网拓扑类别。该方法以及系统的数据处理模块考虑“拓扑易变线路”状态组合下的网络拓扑分类，将拓扑类别向量化；对每一拓扑类别下的数据，进行“图片矩阵化”处理；该方法/系统还设有样本补充模块，可以在训练样本量不足时，由连续潮流计算产生补充样本；最后，该方法/系统的拓扑辨识模块可以将处理后的数据输入网络结构为“卷积层1‑池化层1‑卷积层2‑池化层2‑全连接层1‑全连接层2”的CNN中，形成基于样本数据的电网拓扑识别模型。

Description

一种基于CNN的电网拓扑辨识方法及系统

技术领域

本发明为一种基于卷积神经网络(CNN)的电网拓扑辨识方法及系统，属于深度学习技术应用于电力系统并辅助实现电网拓扑分析的技术范畴。

背景技术

电网的拓扑分析是电力系统网络进行状态估计、潮流计算、故障定位、隔离及供电恢复、网络重构等其他分析的基础。电网的拓扑识别不仅是拓扑分析成立的前提，而且是电网实时运行和控制的基础，因此，拓扑识别的准确性直接影响到相关电气运行环境下所做进一步系统分析的可信度。

然而，电网的拓扑结构不是稳定不变的，一般情况下，电网拓扑会因发电计划、负荷分配、经济运行、可靠运行等多种运行方式的影响而发生变化；对运行方式的分析又无法简单准确的推出电网拓扑中各个节点、支路的变化情况。由此，电网拓扑的确定往往依赖于电网自动化系统中的测量元件对电网线路上开关的状态进行实时的遥信量监测与测量，从而电网拓扑的确定或者加装开关支路的通断运行状况的判定问题，实际上就是如何保证表示线路开关状态的遥信信息自身准确度和可信度的问题。

但电网中并不是所有的开关处都加装有实时监测设备，或者并不是所有的开关状态监测设备都能实时无误地向电网自动化系统传递遥信量。这就需要另外的研究和方法来辅助或解决恶劣开关状态监测条件下的电网拓扑确定问题。

而随着深度神经网络的发展，进一步为如何从数据分析出发分析识别隐藏规律和非线性的对应模式的问题提供了更强有力的模型。而电网自动化系统中，原本分析利用率不高的海量结构化和非结构化的电气状态测量数据，为训练深度神经网络提供了相应的数据依托和丰富样本。深度神经网络中技术发展已较成熟的卷积神经网络(CNN)技术，已经在图像识别领域取得了较好的成果，其网络结构的特点表明其在处理类似于图片结构的数据时会有较好的效果；而电网中监测的线路功率和电压等电气量信息因为处于含有支路和节点的网络中，则具有一定潜在的“图片矩阵式”的数据结构。

发明内容

本发明所要解决的技术问题是：针对恶劣开关状态监测条件下电网拓扑难以准确确定的技术问题，提出一种基于CNN的电网拓扑辨识方法及系统。

首先，本发明提供一种基于CNN的电网拓扑辨识方法及其系统，根据其线路电流和/或功率状态监测数据，辨别出正常运行条件下，导致电网拓扑有可能发生变化的线路，正是这些线路的通/断状态影响着电网的实时拓扑结构。

其次，对于这些通/断状态无法确定的线路，分析其相互之间按照电网安全运行要求产生的通/断状态组合关系并构成不同的电网拓扑类别。

为使得从电网自动化系统中采集到的支路、节点的电气量数据样本能够满足CNN的数据处理特性，本发明提出将样本数据“图片矩阵化”处理的方法。具体包括针对l条支路的电网拓扑结构，形成4×l矩阵，其中矩阵中的列表示支路号，矩阵中第一行表示各支路可测量的首端注入功率，第二行表示各支路首端连接节点的电压值，第三行表示各支路可测量的末端注入功率，第四行表示各支路末端连接节点的电压值。

而对于可能面临的数据样本不充足的情况，本发明提出符合电网运行的数据样本模拟生成方法。利用电网自动化系统中监测的历史状态数据，按照顺序潮流计算将数据样本含量进行结构化的扩展，形成原始样本。

为使CNN模型对于拓扑分类有良好的判别度，需要调整网络的结构和超参数，调整CNN网络内部的卷积层、池化层、全连接层的个数和超参数值，以优化训练结果，从而输出电网拓扑的类别。

有益的技术效果

线路的电气连通状态判定有赖于线路上加装的二次设备的正常运行，对于可以通过二次设备准确、及时的采集到开关遥信量和线路功率、电流的线路可以直接根据测量信息判定其通断，对于线路二次设备故障导致无法采集遥信及遥测量、二次设备遥信及遥测量信息采集不及时或没有装设二次测量设备的情况，造成实际运行中无法直接通过遥测、遥信量判断其线路通断的“感知盲区”问题，本发明可以集总拓扑网络“感知盲区”外的电气数据信息(节点电压、线路始末端功率)，通过卷积神经网络对“感知盲区”内的线路通断情况进行基于数据分析的准确判断，也即实现了某断面下的供电网络拓扑识别，提高了电网抵御实时拓扑感知风险的能力。

附图说明

附图1是本发明基于CNN的电网拓扑辨识方法及系统框图。

附图2是某11节点电网络拓扑某一截面图。

具体实施方式

下面结合说明书附图和具体实施例对本发明的技术方案作进一步详细说明。

附图1是本发明基于CNN的电网拓扑辨识方法及系统框图。

依据本发明的一种基于CNN的电网拓扑辨识方法包括以下三个步骤：

步骤1：数据分析；

步骤2：数据结构化与补足；

步骤3：CNN训练与优化。

其中，在步骤1中具体包括以下步骤：

第1.1步，辨识“拓扑易变线路”，“拓扑易变线路”是指从历史数据样本中筛选出的电网正常运行状态下受电网调度运行而通/断状态频繁改变的线路，正是这些通/断状态动态可变的线路，从局部位置改变着整个电网的拓扑结构。通过分析电网自动化系统中采集到的线路遥信、遥测量历史数据，对其中有通/断变化可能性的线路进行辨识，并将其标记为“拓扑易变线路”。前述的遥信、遥测量具体包括：线路开关的遥信状态量、线路始末端的功率量或电流量。

具体地，辨识“拓扑易变线路”的方法为：以某电网自动化系统中的一小区域网络结构为例，以该区域网络正常运行断面下的拓扑结构作为初始拓扑。首先，将该电网拓扑的节点和支路进行命名并编号：Node_set＝{N₁,N₂,...,N_n}，Branch_l＝{B₁,B₂,...,B_l}；其中，n为节点数，l为支路数；从电网自动化系统中，提取该小区域网络一段时间内上述节点电压、上述线路首末端电流和首末端功率的状态监测量。

根据提取的状态监测量数据样本分别统计B_i支路的通断状态的概率，即电网正常运行状态的条件下，B_i支路处于导通供电状态下的概率：p(S_ij≠0|U_i,U_j∈Safe)；电网正常运行状态的条件下，B_i支路处于非导通供电状态下的概率：p(S_ij＝0|U_i,U_j∈Safe)；其中Safe表示支路两端电压在正常运行状态下的最大、最小电压限，节点电压处于支路两端电压最大、最小电压限内表示该线路的通/断并不是因为线路故障导致。由此，满足式(1)的线路，被认为是“拓扑易变线路”。

p(S_ij≠0|U_i,U_j∈Safe)≠0且p(S_ij＝0|U_i,U_j∈Safe)≠0 (1)

其中，i表示线路首端节点号，j表示线路末端节点号，S_ij表示线路从首端注入的功率值，U_i表示线路首端节点电压，U_j表示线路末端节点电压，Safe表示支路两端电压在正常运行状态下的最大、最小电压限。

第1.2步，按照电网安全运行方式要求，分析“拓扑易变线路”之间通断状态的组合关系，依据所有可能的组合将电网拓扑进行全概率分类，并按类别进行编号，将类别形式化为向量，完成类别的数学化描述。

第1.3步，将样本数据“图片矩阵化”。对于l条支路的电网拓扑结构，形成4×l矩阵，矩阵结构化数据中的列表示支路号，矩阵的第一行表示各支路可测量的首端注入功率，第二行表示各支路首端连接节点的电压值，第三行表示各支路可测量的末端注入功率，第四行表示各支路末端连接节点的电压值。其中对于测量缺失的值记为0，“拓扑易变线路”对应的功率量记为0。

步骤2数据结构化与补足具体是针对某拓扑类别下样本量不足，难以训练CNN模型的情况，依连续潮流方法，从电网安全运行状态中随机选择初始状态，并设置负荷节点基于初始状态的功率变化趋势和变化步长，该功率变化趋势包括功率增加趋势和功率减少趋势，功率变化的步长可以设置为+0.01S_i和-0.01S_i或根据需要设置增加或减少量，其中S_i为i节点注入功率；按趋势和步长形成一系列新的各节点状态量，在每个新的状态下计算潮流；初始状态将按步长一直延展，直到潮流计算不收敛为止。连续潮流结果用于补足该拓扑类别下的样本数据。

步骤3CNN训练与优化具体包括在Tensorflow环境下，将样本数据以2：1随机划分为训练集和测试集；设置CNN网络结构为：卷积层1-池化层1-卷积层2-池化层2-全连接层1-全连接层2；卷积层神经元激活函数选线性整流(ReLU)函数，输出层神经元激活函数选择归一化指数函数(softmax)函数；选择交叉熵作为损失函数；梯度下降算法的优化器选择：AdamOptimizer。训练优化后的结果为CNN内部，卷积层1、卷积层2、全连阶层1、全连接层2的权值与偏置值；测试结果输出测试集拓扑识别的类别号与准确率。

依据本发明的一种基于CNN的电网拓扑辨识系统分别包括数据处理模块、样本补充模块和拓扑辨识模块。其中，数据处理模块进一步包括“拓扑易变线路”辨识模块，拓扑类别全概率分类模块和样本数据“图片矩阵化”模块。

以下以图2所示某11节点小区域电网为例，具体说明本发明方法的应用，图2为电网自动化系统中某11节点小区域电网在某运行状态下的拓扑图。

第一步，根据电网数据分析识别出“拓扑易变线路”。

按照本发明提供的方法，从该小区域电网历史运行数据中取800个潮流断面数据作为样本进行分析，统计该样本数据中每条线路两端节点电压在正常运行状态下最大、最小电压范围内流过电流和/或功率为零和非零的概率，当电流和/或功率为零和非零的概率均不为零时，判定其为“拓扑易变线路”；统计结果如下表1所示：

表1某11节点小区域电网“拓扑易变线路”统计

由表1可见，支路1、3、4、5、8、9、10、11、12处于导通状态的概率均为100％，即上述线路的常态为导通态；而支路2、支路7处于导通状态的概率均为25％，处于关断的概率均为75％；支路6处于导通状态和关断的概率均为50％，也就是说，支路2、6、7在某一时刻处于导通或关断的状态不确定，故判定支路2、支路6、支路7为“拓扑易变支路”，图中由虚线表示。第二步，全概率拓扑分类，将状态数据按拓扑类别分组。

进一步假设该电网正常运行时供电线路不会形成环网，则某一时刻下三条“拓扑易变线路”只能有一条线路处于导通状态，其余两条线路一定处于断开状态。

则该小区域电网的全概率电网拓扑有三种可能类别：Topo:{Topo₁,Topo₂,Topo₃}，三种可能拓扑类别相互独立，其中类别Topo₁、Topo₂、Topo₃对应线路l₂、l₆、l₇分别导通。为方便后续CNN网络的训练，将数据各样本对应的拓扑类别标签化为向量：Topo₁＝{1,0,0}，Topo₂＝{0,1,0}，Topo₃＝{0,0,1}。

然后将测量到的状态数据按拓扑类别分组，形成原始样本：

Topo₁类别中的第k个样本的形式化表示见式(2)：

Topo₂类别中的第k个样本的形式化表示见式(3)：

Topo₃类别中的第k个样本的形式化表示见式(4)：

(2)-(4)式中，x对应后续神经网络模型的输入部分，y对应输出部分；S_ij是l(示例中为12)条支路上首端注入功率的集合；U_i是支路首端节点电压的集合；S_ji是l条支路上末端注入功率的集合；U_j是支路末端节点电压的集合；其中集合S_ij和集合S_ji中对应的“拓扑易变线路”的首末端注入的功率值设为0，表示相应的值缺失。

第三步：输入数据“图片矩阵化”。

为满足深度卷积神经网络善于处理图片式结构数据的特点，将上一步的每一个样本数据“图片矩阵化”：以支路为对象，形成4×l的矩阵，其中l为支路个数，矩阵第一行为S_ij，第二行为U_i，第三行为S_ji，第四行为U_j。

示例的样本数据“图片矩阵化”的处理结果，见式(5)：

第四步：若样本数据量不足，则通过连续潮流补足样本。

电网某一运行状态下的样本数据在实际情况下可能难以测量或有缺失导致数据样本的数量对于训练深度CNN来说不足，则设置连续潮流计算步骤，用来补足样本量。

若Topo_i下对应的测量样本不足，则在Topo_i对应的拓扑下，正常运行状态下，随机选取潮流计算的初始状态，包括电压和功率等，再设定系统中各节点电压、节点功率的变化步长，各负荷节点的变化趋势和步长可由负荷曲线上初始点处的斜率的正负和大小来确定。按各节点变化趋势和步长形成一系列新的初始状态，对应每个新的状态计算不同断面下的潮流，初始状态将按步长一直延展，直到潮流计算不收敛为止。由此形成新的样本同样按照上述第二、第三步的操作，最终形成Topo_i下的样本数据的补充，为使得各拓扑类别下的数据量近似相等，按上述方法补足样本的结果见下表。

第五步：Tensorflow环境下训练深度CNN拓扑识别模型，优化识别的准确率。

在Tensorflow环境下，将所形成的数据样本以2：1随机划分形成深度CNN的训练集和测试集，卷积神经网络的结构为：卷积层1-池化层1-卷积层2-池化层2-全连接层1-全连接层2；卷积层神经元激活函数选择线性整流(ReLU)函数，输出层神经元激活函数选择归一化指数函数(softmax)函数；选择交叉熵作为损失函数；梯度下降算法的优化器选择：AdamOptimizer。

示例最终形成2000个训练集样本，1000个测试集样本；训练集分为20个批次输入CNN模型；模型精度设置为0.0001；最终在迭代28次后CNN模型对训练集的拓扑分类准确率达到99％。

Claims (16)

1.一种基于卷积神经网络CNN的电网拓扑辨识方法,其特征在于包括以下步骤:

步骤1，基于电网历史潮流数据进行分析，以获得“图片矩阵化”样本数据；包括：

步骤1.1：辨识“拓扑易变线路”；所述辨识“拓扑易变线路”的方法为统计样本中每条线路两端节点电压在正常运行状态下最大、最小电压范围内流过电流和/或功率为零和非零的概率，当电流和/或功率为零和非零的概率均不为零时，判定其为“拓扑易变线路”；

步骤1.2：对电网拓扑类别进行全概率分类，并以向量形式表示；

步骤1.3：对样本数据进行“图片矩阵化”处理；所述对样本数据进行“图片矩阵化”处理的方法具体为对于l条支路的电网拓扑结构，形成4×l矩阵，其中矩阵中的列表示支路号，矩阵中第一行表示各支路可测量的首端注入功率，第二行表示各支路首端连接节点的电压值，第三行表示各支路可测量的末端注入功率，第四行表示各支路末端连接节点的电压值；

步骤2，对样本数据进行CNN训练与优化，形成基于样本数据的电网拓扑识别模型。

2.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：

在进行所述步骤2之前，还包括判断样本数据量是否充足的步骤，当样本数据量不足时，通过连续潮流计算以补足样本数据；当样本数据量充足时，直接进入步骤2。

3.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述步骤1.2具体为按照电网安全运行方式要求，分析“拓扑易变线路”之间通/断状态的组合关系，依据所有可能的组合将电网拓扑进行全概率分类，并按类别进行编号，将类别形式表示为向量形式。

4.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：其中4×l矩阵中对于测量缺失的值设为0，“拓扑易变线路”对应的功率量设为0，表明其通/断状态无法测量判断。

5.根据权利要求2所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述通过连续潮流计算以补足样本数据具体为从电网安全运行状态中随机选择初始状态，并设置负荷节点基于该初始状态的功率变化趋势和变化步长，按功率变化趋势和步长形成一系列新的各节点状态量，在每个新的状态下计算潮流，直到潮流计算不收敛为止；连续潮流计算结果用于补足该拓扑类别下的样本数据。

6.根据权利要求5所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述负荷节点的功率变化趋势和变化步长可由负荷曲线上初始点处斜率的正负和大小来确定。

7.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述对样本数据进行CNN训练与优化是在TensorFlow环境下训练可以辨识网络拓扑的CNN。

8.根据权利要求7所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：基于CNN的电网拓扑识别结构为：卷积层1-池化层1-卷积层2-池化层2-全连接层1-全连接层2。

9.一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于包括：数据处理模块、样本补充模块、以及拓扑辨识模块，所述数据处理模块包括：“拓扑易变线路”辨识子模块、电网拓扑类别全概率分类子模块以及样本“图片矩阵化”子模块；

所述“拓扑易变线路”辨识子模块通过统计样本中每条线路两端节点电压在正常运行状态下最大、最小电压范围内流过电流和/或功率为零和非零的概率，当电流和/或功率为零和非零的概率均不为零时而确定该线路为“拓扑易变线路”；

所述样本“图片矩阵化”子模块包括针对l条支路的电网拓扑结构，形成4×l矩阵，其中矩阵中的列表示支路号，矩阵中第一行表示各支路可测量的首端注入功率，第二行表示各支路首端连接节点的电压值，第三行表示各支路可测量的末端注入功率，第四行表示各支路末端连接节点的电压值。

10.根据权利要求9所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：所述电网拓扑类别全概率分类子模块包括按照电网安全运行方式要求，分析“拓扑易变线路”之间通/断状态的组合关系，依据所有可能的组合将电网拓扑进行全概率分类，并按类别进行编号，将类别形式表示为向量形式。

11.根据权利要求10所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：其中4×l矩阵中对于测量缺失的值设为0，“拓扑易变线路”对应的功率量设为0，表明其通/断状态无法测量判断。

12.根据权利要求9所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：所述样本补充模块在某拓扑类别样本量不足时通过连续潮流计算获得该拓扑类别下的样本数据。

13.根据权利要求12所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：所述连续潮流计算包括从电网安全运行状态中随机选择初始状态，并设置负荷节点基于该初始状态的功率变化趋势和变化步长，按功率变化趋势和步长形成一系列新的各节点状态量，在每个新的状态下计算潮流，直到潮流计算不收敛为止。

14.根据权利要求13所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：所述负荷节点的功率变化趋势和变化步长可由负荷曲线上初始点处斜率的正负和大小来确定。

15.根据权利要求9所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：所述拓扑辨识模块包括在TensorFlow环境下训练可以辨识网络拓扑的CNN。

16.根据权利要求15所述的一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于：基于CNN的电网拓扑识别结构为：卷积层1-池化层1-卷积层2-池化层2-全连接层1-全连接层2。

Images