CN110739692A - 一种基于概率图模型的配电网结构识别方法 - Google Patents
一种基于概率图模型的配电网结构识别方法 Download PDFInfo
- Publication number
- CN110739692A CN110739692A CN201911087307.9A CN201911087307A CN110739692A CN 110739692 A CN110739692 A CN 110739692A CN 201911087307 A CN201911087307 A CN 201911087307A CN 110739692 A CN110739692 A CN 110739692A
- Authority
- CN
- China
- Prior art keywords
- node
- distribution network
- nodes
- network structure
- power distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于概率图模型的配电网结构识别方法,包括步骤:(1)对用户智能电表的电压数据进行等距抽样并做预处理;(2)基于用户智能电表的电压数据,利用概率图模型建立配电网结构的数学模型,数学模型表征配电网中智能电表节点与电力连接线路之间的相互联系;(3)对所建立的数学模型进行化简,建立目标函数并假设未知参数;(4)对目标函数进行优化;(5)求解未知参数;(6)根据求解出的未知参数得到智能电表节点与边之间的联系,完成配电网结构的识别。与现有技术相比,本发明利用智能电表数据对拓扑展开识别,不需要其他设备辅助决策,方法简单,识别准确率高。
Description
技术领域
本发明涉及一种配电网结构识别方法,尤其是涉及一种基于概率图模型的配电网结构识别方法。
背景技术
目前,国内外的中高压配电系统已经具备了完备的配电管理系统,通过数据采集与监视控制系统和地理信息系统获取配电网拓扑结构、运行状态、负荷状态等一系列数据,实现状态评估;并以此建立各类配电网分析和决策算法,包括处理配电网中负荷和可再生能源不确定性的配电网随机优化调度方法、以故障恢复或者三相不平衡治理为目标的配电网重构方法等。相比之下,低压配电系统面临如下问题:信息环境有限,缺乏有效的系统建模与状态评估方法,难以展开配电系统潮流计算以及其他配电管理高级功能。尤其是,低压配电系统的拓扑结构建模,是建立低压配电系统最优潮流的基础,也是治理低压配电系统三相不平衡、网络损耗、消纳可再生能源、接纳电动汽车充电负荷、提升用户用电可靠性等等一系列问题的基础。因此,识别配电网拓扑是实现低压配电系统可视化和管理的必备条件。考虑到低压配电系统中能够获取到的运行数据非常有限,如何有效利用智能电表数据以及配变运行数据,实现配电系统拓扑识别,建立配电系统基本运行模型,是当前发展低压配电系统的首要目的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于概率图模型的配电网结构识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于概率图模型的配电网结构识别方法,该方法包括如下步骤:
(1)对用户智能电表的电压数据进行等距抽样并做预处理;
(2)基于用户智能电表的电压数据,利用概率图模型建立配电网结构的数学模型,所述的数学模型表征配电网中智能电表节点与电力连接线路之间的相互联系;
(3)通过概率图模型的条件独立性对所建立的数学模型进行化简,建立目标函数并假设未知参数;
(4)对目标函数进行优化;
(5)求解未知参数;
(6)根据求解出的未知参数得到智能电表节点与边之间的联系,完成配电网结构的识别。
步骤(1)中预处理包括脏数据替换以及数据清洗,得到处理后的配电系统节点电压数据X={X1,…,Xn},作为代表相应节点的随机变量,Xi为第i个节点电压数据,i=1,2,……n,n为节点总数。
步骤(2)具体为:
(21)构建配电网的网络结构图G=(N,E),N为节点集,E为边集,N中的节点为随机变量集X={X1,…,Xn}中的变量,边集表示两个节点之间的概率关系;
(22)建立配电网结构的数学模型,包括描述配电系统拓扑节点和边的以及描述整个拓扑结构的联合概率分布模型。
所述的势函数模型为:
Φ(Xi)=exp{ViXi},
Ψ(Xi,Xj)=exp{(WijXiXj)},
其中,Φ(Xi)为节点i的势函数,Ψ(Xi,Xj)为节点i和节点j之间边的势函数,exp表示以自然常数e为底的指数函数,Vi为节点i的权重,Wij为节点i和节点j之间边的权重,Wij代表了节点i和节点j的联通概率,i=1,2,……n,j=1,2,……n,n为节点总数。
所述的联合概率分布模型为:
P(X)为整个拓扑结构的联合概率分布,Z为归一化因子。
步骤(3)中目标函数为:
步骤(4)利用伪似然和范数正则化对目标函数进行优化得到优化的目标函数为:
其中,R(Θ)为正则化惩罚项,i*表示为与i节点相邻的所有节点组成的集合,Ψ(Xi,Xj)为节点i和节点j之间边的势函数,λnode和λedge为正则化参数。
步骤(5)利用梯度下降法求解未知参数,所述的位置参数包括节点权重以及节点之间边的权重。
步骤(6)具体为:按照节点之间边的权重大小连接节点,权重大的两个节点相互连接,由此完成所有节点的连接。
与现有技术相比,本发明具有如下优点:本发明能够根据已知的数据直接生成配电网的拓扑结构,不需要已知部分拓扑结构,针对低压配电系统的特性利用电表数据等已知数据对拓扑展开识别,不需要其他设备辅助决策,方法简便,精确度高。
附图说明
图1为本发明基于概率图模型的配电网结构识别方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于概率图模型的配电网结构识别方法,该方法包括如下步骤:
(1)对用户智能电表的电压数据进行等距抽样并做预处理;
(2)基于用户智能电表的电压数据,利用概率图模型建立配电网结构的数学模型,所述的数学模型表征配电网中智能电表节点与电力连接线路之间的相互联系;
(3)通过概率图模型的条件独立性对所建立的数学模型进行化简,建立目标函数并假设未知参数;
(4)对目标函数进行优化;
(5)求解未知参数;
(6)根据求解出的未知参数得到智能电表节点与边之间的联系,完成配电网结构的识别。
步骤(1)中预处理包括:
(1.1)对数据中所存在的脏数据:缺失值、异常值、不一致的值、重复数据及含有特殊符号(如#¥*)的值进行替换;因为无法获取或遗漏等原因造成某属性值不存在,会导致在建模时丢失有用信息,空值数据也会使建模过程造成不可靠的输出。通过使用简单的统计分析,可以得到含有缺失值的属性的个数,以及每个属性的未缺失数、缺失数与缺失率。对可能出现的缺失值进行删除、插补和不处理等方式;
(1.2)对数据进行数据清洗:删除原始数据集中的无关数据、重复数据,平滑噪声数据,筛选掉与挖掘主题无关的数据,具体操作如下:
缺失值清洗:确定缺失值范围、去除不需要的字段、填充缺失内容、重新取数
格式内容清洗:清除存在时间、日期、数值、全半角等显示格式不一致、内容中有不该存在的字符、内容与该字段应有内容不符问题的内容;
逻辑错误清洗:去重、去除不合理值、修正矛盾内容;
非需求数据清洗:将不需要的数据清除;
关联性验证:在分析中确保不会出现数据之间的矛盾。
由此,得到处理后的配电系统节点电压数据X={X1,…,Xn},作为代表相应节点的随机变量,Xi为第i个节点电压数据,i=1,2,……n,n为节点总数。
根据网络拓扑理论,对于一个任意的拓扑网络,可以用节点-支路关联矩阵来描述其拓扑结构,而对于一个配电网系统主接线图,可以把它抽象成为一个拓扑图来描述。在实际对配电网的节点建模时,有许多现象变量之间的相互影响关系是没有方向性的,因此,概率图模型能更好地表示这类现象的概率模型。利用概率图模型对配电系统的拓扑结构建模,通过数学模型建立配电系统节点与边之间的相互联系,把主接线的节点作为拓扑图的节点,把开关元件作为拓扑图的支路(当开关闭合时该支路连通,开关断开时该支路断开),对于单个变电站,把母线的每一进出线连接点也作为节点。因此,步骤(2)具体为:
(21)构建配电网的网络结构图G=(N,E),N为节点集,E为边集,N中的节点为随机变量集X={X1,…,Xn}中的变量,边集表示两个节点之间的概率关系;
(22)建立配电网结构的数学模型,包括:
描述配电系统拓扑节点和边的势函数模型:
Φ(Xi)=exp{ViXi},
Ψ(Xi,Xj)=exp{(WijXiXj)},
其中,Φ(Xi)为节点i的势函数,Ψ(Xi,Xj)为节点i和节点j之间边的势函数,exp表示以自然常数e为底的指数函数,Vi为节点i的权重,Wij为节点i和节点j之间边的权重,Wij代表了节点i和节点j的联通概率,i=1,2,……n,j=1,2,……n,n为节点总数;
描述整个拓扑结构的联合概率分布模型:
P(X)为整个拓扑结构的联合概率分布,Z为归一化因子。
概率图模型是由图表示的概率分布,概率图模型可以用来描述相邻节点之间的电压关系,在概率图模型理论中,配电网的各个节点之间的相互连接关系可以通过势函数来判断和度量。通过基于概率图模型的势函数能够判断出各个节点相互连接的概率大小,进而判断出各个节点的相互连接关系。通常利用指数函数来定义势函数来保证非负性。因此,配电网系统可以用上述联合概率分布模型来表示。
步骤(3)中目标函数为:
但是该目标函数在计算上不可行,需要对其进行优化近似。因此引入伪似然和范数正则化等概念对其进行优化,构建更易于计算求解的目标函数。因此,步骤(4)利用伪似然和范数正则化对目标函数进行优化得到优化的目标函数为:
其中,R(Θ)为正则化惩罚项,R(Θ)的作用是防止结果过拟合,i*表示为与i节点相邻的所有节点组成的集合,Ψ(Xi,Xj)为节点i和节点j之间边的势函数,λnode和λedge为正则化参数。
步骤(5)利用梯度下降法求解未知参数,所述的位置参数包括节点权重以及节点之间边的权重。
步骤(6)具体为:按照节点之间边的权重大小连接节点,权重大的两个节点相互连接,由此完成所有节点的连接。例如通过梯度下降算法求得,,则说明节点1与节点3之间连接更加紧密,将节点1与节点3连接起来,其他节点诸如上述步骤,最终得到低压配电系统的拓扑结构。
本发明首先对用户智能电表电压的数据进行等距抽样,并对抽样获取的数据进行缺失值与异常值分析,数据预处理后利用概率图模型对配电系统的拓扑结构建模,通过数学模型建立配电系统节点与边之间的相互联系。通过概率图模型的条件独立性对所建立的配电系统节点与边之间的相互联系进行化简,建立目标函数并假设未知参数,利用伪似然与正则化等手段对目标函数进行优化。然后利用梯度下降法求解未知参数从而获得节点之间相互联系,即得到配电网的节点与边之间的联系,最终完成配电系统网络结构的识别。与现有技术相比,本发明基于概率图模型的结构学习方法能够利用节点相关性矩阵合并算法生成拓扑结构;对比现有技术已知局部拓扑或对已知拓扑进行验证的方法,本发明能够根据已知的数据直接生成配电网的拓扑结构,不需要已知部分拓扑结构;针对低压配电系统的特性利用电表数据等已知数据对拓扑展开识别,不需要其他设备辅助决策。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (9)
1.一种基于概率图模型的配电网结构识别方法,其特征在于,该方法包括如下步骤:
(1)对用户智能电表的电压数据进行等距抽样并做预处理;
(2)基于用户智能电表的电压数据,利用概率图模型建立配电网结构的数学模型,所述的数学模型表征配电网中智能电表节点与电力连接线路之间的相互联系;
(3)通过概率图模型的条件独立性对所建立的数学模型进行化简,建立目标函数并假设未知参数;
(4)对目标函数进行优化;
(5)求解未知参数;
(6)根据求解出的未知参数得到智能电表节点与边之间的联系,完成配电网结构的识别。
2.根据权利要求1所述的一种基于概率图模型的配电网结构识别方法,其特征在于,步骤(1)中预处理包括脏数据替换以及数据清洗,得到处理后的配电系统节点电压数据X={X1,…,Xn},作为代表相应节点的随机变量,Xi为第i个节点电压数据,i=1,2,……n,n为节点总数。
3.根据权利要求2所述的一种基于概率图模型的配电网结构识别方法,其特征在于,步骤(2)具体为:
(21)构建配电网的网络结构图G=(N,E),N为节点集,E为边集,N中的节点为随机变量集X={X1,…,Xn}中的变量,边集表示两个节点之间的概率关系;
(22)建立配电网结构的数学模型,包括描述配电系统拓扑节点和边的以及描述整个拓扑结构的联合概率分布模型。
4.根据权利要求3所述的一种基于概率图模型的配电网结构识别方法,其特征在于,所述的势函数模型为:
Φ(Xi)=exp{ViXi},
Ψ(Xi,Xj)=exp{(WijXiXj)},
其中,Φ(Xi)为节点i的势函数,Ψ(Xi,Xj)为节点i和节点j之间边的势函数,exp表示以自然常数e为底的指数函数,Vi为节点i的权重,Wij为节点i和节点j之间边的权重,Wij代表了节点i和节点j的联通概率,i=1,2,……n,j=1,2,……n,n为节点总数。
8.根据权利要求1所述的一种基于概率图模型的配电网结构识别方法,其特征在于,步骤(5)利用梯度下降法求解未知参数,所述的位置参数包括节点权重以及节点之间边的权重。
9.根据权利要求8所述的一种基于概率图模型的配电网结构识别方法,其特征在于,步骤(6)具体为:按照节点之间边的权重大小连接节点,权重大的两个节点相互连接,由此完成所有节点的连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087307.9A CN110739692B (zh) | 2019-11-08 | 2019-11-08 | 一种基于概率图模型的配电网结构识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087307.9A CN110739692B (zh) | 2019-11-08 | 2019-11-08 | 一种基于概率图模型的配电网结构识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110739692A true CN110739692A (zh) | 2020-01-31 |
CN110739692B CN110739692B (zh) | 2021-10-08 |
Family
ID=69272463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911087307.9A Active CN110739692B (zh) | 2019-11-08 | 2019-11-08 | 一种基于概率图模型的配电网结构识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110739692B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116305A (zh) * | 2020-06-17 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于机器学习的电网概率可视化模型构建方法和系统 |
CN113488996A (zh) * | 2021-07-02 | 2021-10-08 | 国网湖北省电力有限公司电力科学研究院 | 一种基于分布式并行图计算框架的配电网原生图建模方法 |
EP4050748A1 (en) * | 2021-02-27 | 2022-08-31 | Hitachi Energy Switzerland AG | Power grid topology determination |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017134045A1 (en) * | 2016-02-03 | 2017-08-10 | Technische Universität München | Common rank approximation in distribution grid probabilistic simulation |
CN107947151A (zh) * | 2017-11-02 | 2018-04-20 | 广西电网有限责任公司电力科学研究院 | 一种电力系统关键节点的识别方法 |
CN109412155A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于图计算的配电网供电能力评估方法 |
CN109933953A (zh) * | 2019-04-11 | 2019-06-25 | 东南大学 | 基于概率图模型的配电网开关状态辨识方法 |
-
2019
- 2019-11-08 CN CN201911087307.9A patent/CN110739692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017134045A1 (en) * | 2016-02-03 | 2017-08-10 | Technische Universität München | Common rank approximation in distribution grid probabilistic simulation |
CN107947151A (zh) * | 2017-11-02 | 2018-04-20 | 广西电网有限责任公司电力科学研究院 | 一种电力系统关键节点的识别方法 |
CN109412155A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于图计算的配电网供电能力评估方法 |
CN109933953A (zh) * | 2019-04-11 | 2019-06-25 | 东南大学 | 基于概率图模型的配电网开关状态辨识方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116305A (zh) * | 2020-06-17 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于机器学习的电网概率可视化模型构建方法和系统 |
EP4050748A1 (en) * | 2021-02-27 | 2022-08-31 | Hitachi Energy Switzerland AG | Power grid topology determination |
WO2022180255A1 (en) * | 2021-02-27 | 2022-09-01 | Hitachi Energy Switzerland Ag | Power grid topology determination |
CN113488996A (zh) * | 2021-07-02 | 2021-10-08 | 国网湖北省电力有限公司电力科学研究院 | 一种基于分布式并行图计算框架的配电网原生图建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110739692B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110739692A (zh) | 一种基于概率图模型的配电网结构识别方法 | |
Zhao et al. | Full-scale distribution system topology identification using Markov random field | |
CN111325619A (zh) | 一种基于联合学习的信用卡欺诈检测模型更新方法及装置 | |
CN110601173B (zh) | 基于边缘计算的配网拓扑识别方法及装置 | |
CN112231305A (zh) | 一种基于数字孪生的数字电网系统及方法 | |
CN107832927A (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
CN113536509B (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN111461164A (zh) | 样本数据集的扩容方法及模型的训练方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN112862065A (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
Wu et al. | Gridtopo-GAN for distribution system topology identification | |
CN115409120A (zh) | 一种基于数据驱动的用户窃电行为检测辅助方法 | |
CN109902133B (zh) | 基于电网任意分割区域的多源数据纠错处理方法及系统 | |
Pepiciello et al. | The role of learning techniques in synchrophasor-based dynamic thermal rating | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
CN111199363A (zh) | 一种最大相关性筛选算法实现拓扑识别方法 | |
CN116451170A (zh) | 一种基于多源异构数据的配电网检测方法 | |
CN113240005B (zh) | 基于静态网络表示的电力系统复杂网络虚假数据检测方法 | |
Donmez et al. | Robust state estimation using node-breaker substation models and phasor measurements | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114915030A (zh) | 一种基于配电网运行拓扑的分布式状态估计方法及系统 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |