CN111199363B - 一种最大相关性筛选算法实现拓扑识别方法 - Google Patents
一种最大相关性筛选算法实现拓扑识别方法 Download PDFInfo
- Publication number
- CN111199363B CN111199363B CN202010064451.7A CN202010064451A CN111199363B CN 111199363 B CN111199363 B CN 111199363B CN 202010064451 A CN202010064451 A CN 202010064451A CN 111199363 B CN111199363 B CN 111199363B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- correlation
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012216 screening Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000008901 benefit Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种最大相关性筛选算法实现拓扑识别方法,包括以下步骤,S1:获取用户智能电表电压时间序列及配变TTU电压时间序列数据为样本;S2:对获取的所述时间数据进行预处理,得到节点对应的随机变量;S3:利用所述节点对应的随机变量建立数学模型和目标函数;S4:求解所目标函数的权重参数W;S5:合成相关性矩阵K;S6:利用所述相关性矩阵K得到拓扑结构。1.准确度高:提出的数据预处理方法能有效减少数据噪音的影响,充分挖掘和利用数据隐含的结构关系,提高拓扑识别的准确性;2.实用性强:相比于根据局部已知拓扑辨识剩余拓扑或者对已知拓扑进行验证的方法,该方法能够在完全未知拓扑的情况下直接产生配电网拓扑结构。
Description
技术领域
本发明属于电力系统配电技术领域,具体为一种最大相关性迭代筛选算法实现拓扑识别方法。
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,低压配电系统面临有限信息环境,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
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例,在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有技术中所存在的问题,提出了本发明。
因此,本发明所要解决的技术问题是低压配电系统面临有限信息环境,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的问题。
为解决上述技术问题,本发明提供如下技术方案:一种最大相关性筛选算法实现拓扑识别方法,包括以下步骤,
S1:获取用户智能电表电压时间序列及配变TTU电压时间序列数据为样本;
S2:对获取的所述时间数据进行预处理,得到节点对应的随机变量;
S3:利用所述节点对应的随机变量建立数学模型和目标函数;
S4:求解所目标函数的权重参数W;
S5:合成相关性矩阵K;
S6:利用所述相关性矩阵K得到拓扑结构。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S1中样本的数量在500个时间截面以上,其数据连续、没有缺失值和异常值。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S2中预处理过程包括,
S21:对获得的电表历史数据进行数据清洗,使用回归、决策树归纳来确定最有可能的值来填充缺失信息,使用回归方法对数据进行降噪处理;
S22:在完成数据清洗之后,对数据进行规范化处理,将数据转化为易于学习的形式;
S23:在进行上述两步数据预处理之后,对数据进行独热编码。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S3中建立数学模型为基于无向图模型对整个拓扑网络进行建模;
所述目标函数为拓扑网络的节点相关关系的联合概率分布。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S3中联合概率分布形式如下:
其参数化形式为:
构建联合概率分布的似然形式:
其中,Xu和Xv分别代表节点u和节点v的随机变量,Xuv代表连接节点u和节点v的边所对应的随机变量,u是配电系统中的节点,(u,v)是配电系统中节点u和v之间的线路;Vu是配电系统中节点u的权重;Wuv是连接节点u与v线路的权重;du为状态特征,定义了在节点上的特征函数,buv是转移特征,定义了在边上的特征函数;Φ和ψ表示为基于概率图模型的势函数,Φ代表节点的势,ψ代表连接节点的边的势;Z为分区函数,是一个规范化因子、归一化函数,定义为所有可能赋值的总和;u*表示为与u节点相邻的所有节点组成的集合。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S4包括,
S41:利用最大似然估计法整理所述似然形式方程,得到对数似然形式方程,如下:
S42:利用梯度下降法求解所述对数似然形式方程,得到所述权重参数W。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S5包括,
S51:对所获得的权重参数进行状态合成,得到节点之间的相关性参数Kuv;
S52:整合相关性参数Kuv得到表征配电网各个物理节点连接紧密程度的节点相关性矩阵K。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S6包括以下步骤,
S61:对所述相关性矩阵K进行迭代,筛选出相关性最高的节点连接在一起形成节点团;
S62:迭代所述节点团,将不同的节点团相关性最大的节点建立联系;实现配电系统拓扑结构识别。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S61包括
S611:建立描述U节点配电系统的邻接矩阵A;
S612:初始化所述邻接矩阵A;
S613:定义一个用来储存未连接节点的节点池V,定义一个用于储存已知有效连接关系节点团的连接池C,连接池C初始为空。
S614:对相关性矩阵K的每一行进行迭代计算,得到每一行的最大值及位置,将邻接矩阵中相应位置元素置为1;
S615:对相关性矩阵K处理完后,迭代邻接矩阵A中的每一个节点,将相互连接的节点建立节点团T,将该组连接节点团T加入连接池C中,并将这些节点从节点池V中去掉,直至节点池V为空。
作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案,其中:所述步骤S62包括迭代连接池C中的节点团,排列组合分析节点团之间的相关性,将不同节点团相关性最大的两个节点建立连接,令相应的邻接矩阵aij=1,直至连接池C中只有一个节点团;通过最大相关性迭代筛序算法得到低压配电系统网络结构的邻接矩阵,建立低压配电系统的拓扑结构。
本发明的有益效果:
1.准确度高:
提出的数据预处理方法能有效减少数据噪音的影响,充分挖掘和利用数据隐含的结构关系,提高拓扑识别的准确性;
2.实用性强:
相比于根据局部已知拓扑辨识剩余拓扑或者对已知拓扑进行验证的方法,该方法能够在完全未知拓扑的情况下直接产生配电网拓扑结构,而不需要已知部分拓扑结构;该方法的提出针对低压配电系统的特性,利用用户电表和配变出口端的历史数据展开拓扑识别,不再需要GIS辅助决策,也不需要PMU等新增装置的投资。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明提供的一种实施例所述的最大相关性筛选算法实现拓扑识别方法的流程图;
图2为本发明提供的一种实施例所述的最大相关性筛选算法实现拓扑识别方法中基于无向图模型的配电网拓扑学习方法流程图;
图3为本发明提供的一种实施例所述的最大相关性筛选算法实现拓扑识别方法中5节点示例拓扑结构图;
图4为本发明提供的一种实施例所述的最大相关性筛选算法实现拓扑识别方法中IEEE33节点识别的矩阵图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
再其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,本实施例提供了一种最大相关性筛选算法实现拓扑识别方法,包括以下步骤,
S1:获取用户智能电表电压时间序列及配变TTU电压时间序列数据为样本;
S2:对获取的时间数据进行预处理,得到节点对应的随机变量;
S3:利用节点对应的随机变量建立数学模型和目标函数;
S4:求解所目标函数的权重参数W;
S5:合成相关性矩阵K;
S6:利用相关性矩阵K得到拓扑结构。
步骤S1中样本的数量在500个时间截面以上,其数据连续、没有缺失值和异常值。
具体的,步骤S1是获取电表和配变的电压时间数列数据作为源数据
步骤S2是将取得的源数据进行预处理,包括清洗、降噪、独热编码,
更进一步的,预处理过程包括,
S21:对获得的电表历史数据进行数据清洗,使用回归、决策树归纳来确定最有可能的值来填充缺失信息,使用回归方法对数据进行降噪处理;
S22:在完成数据清洗之后,对数据进行规范化处理,将数据转化为易于学习的形式;
S23:在进行上述两步数据预处理之后,对数据进行独热编码。
最后得到了N位数据Xu={xu(0),xu(1),...,xu(n-1)},xu(i)∈(0,1),作为节点对应的随机变量。
效果是降低了噪声,将离散特征的取值扩展到了欧式空间,离散特征的某个取值就对应欧式空间的某个点,起到扩充了特征的作用。
步骤S4是利用最大似然法通过让目标函数的值最大求解出权重参数W,
步骤S5将步骤S4求解得到的权重参数进行合成得到相关性矩阵K。
步骤S6是将步骤S5得到的相关性矩阵进行逐行筛选,将相关性最大的节点对放入节点团C,接着对得到的节点团C进行结合,通过将最大相关性的节点链接在一起从而将节点团链接最后得到拓扑结构。
本方法仅通过电压幅值就可以重建拓扑,而传统拓扑识别方法需要获取电压幅值、相角、有功、无功、甚至电流等数据,相比起来本方法更具优势。
实施例2
步骤S3中建立数学模型为基于无向图模型对整个拓扑网络进行建模;
目标函数为拓扑网络的节点相关关系的联合概率分布。
步骤S3中联合概率分布形式如下:
其参数化形式为:
构建联合概率分布的似然形式:
其中,Xu和Xv分别代表节点u和节点v的随机变量,Xuv代表连接节点u和节点v的边所对应的随机变量,u是配电系统中的节点,(u,v)是配电系统中节点u和v之间的线路;Vu是配电系统中节点u的权重;Wuv是连接节点u与v线路的权重;du为状态特征,定义了在节点上的特征函数,buv是转移特征,定义了在边上的特征函数;Φ和ψ表示为基于概率图模型的势函数,Φ代表节点的势,ψ代表连接节点的边的势;Z为分区函数,是一个规范化因子、归一化函数,其作用是保证P(Y)构成一个联合概率分布,定义为所有可能赋值的总和;u*表示为与u节点相邻的所有节点组成的集合。
步骤S4包括,
S41:利用最大似然估计法整理似然形式方程,得到对数似然形式方程,如下:
S42:利用梯度下降法求解对数似然形式方程,得到权重参数W。
实施例3
步骤S5包括,
S51:对所获得的权重参数进行状态合成,得到节点之间的相关性参数Kuv;
S52:整合相关性参数Kuv得到表征配电网各个物理节点连接紧密程度的节点相关性矩阵K。
步骤S6包括以下步骤,参照图2,
S61:对相关性矩阵K进行迭代,筛选出相关性最高的节点连接在一起形成节点团,具体为
S611:建立描述U节点配电系统的邻接矩阵A;
S612:初始化邻接矩阵A;
S613:定义一个用来储存未连接节点的节点池V,定义一个用于储存已知有效连接关系节点团的连接池C,连接池C初始为空。
S614:对相关性矩阵K的每一行进行迭代计算,得到每一行的最大值及位置,将邻接矩阵中相应位置元素置为1;
S615:对相关性矩阵K处理完后,迭代邻接矩阵A中的每一个节点,将相互连接的节点建立节点团T,将该组连接节点团T加入连接池C中,并将这些节点从节点池V中去掉,直至节点池V为空。
S62:迭代节点团,将不同的节点团相关性最大的节点建立联系;实现配电系统拓扑结构识别。
具体为迭代连接池C中的节点团,排列组合分析节点团之间的相关性,将不同节点团相关性最大的两个节点建立连接,令相应的邻接矩阵aij=1,直至连接池C中只有一个节点团;通过最大相关性迭代筛序算法得到低压配电系统网络结构的邻接矩阵,建立低压配电系统的拓扑结构。
进一步的,首先定义一个节点-节点邻接矩阵A用于描述U节点配电系统,初始化邻接矩阵A=RU×U,将其元素全部置为0。邻接矩阵A=(aij)是0,1矩阵,邻接矩阵A中的元素定义如下:
第二步定义一个用来储存未连接节点的节点池V(U,1),初始值为[1,2,…,U];定义一个用于储存已知有效连接关系节点团的连接池C[]。连接池C[]初始为空。
第三步对相关性矩阵K的每一行进行迭代计算,得到第i行的最大值Kij。邻接矩阵中相应位置元素置为aij=1。由于相关性矩阵具有对称性,迭代计算只需要迭代上三角部分。
第四步对相关性矩阵K处理完后,迭代邻接矩阵A中的每一个节点,将相互连接的节点以及孤立的节点建立节点团T,将该组连接节点团T加入连接池C中,并将这些节点从节点池V中去掉,直至节点池为空。
最后迭代连接池C中的节点团,排列组合分析节点团之间的相关性,将不同节点团相关性最大的两个节点建立连接,令相应的邻接矩阵aij=1,直至连接池C中只有一个节点团。经过上述迭代变换后所有的节点均已建立连接,输出邻接矩阵A,最终通过最大相关性筛选迭代算法建立表示所有节点连接关系的配电系统拓扑结构。
下面以配电系统网络中有5节点为例,经步骤S1~S5处理得到相关性矩阵:
步骤一:定义A=zeros(5),定义节点池V=[12345],连接池C=[];
步骤二:遍历K中的每一行,找出每一行中最大值元素所在位置,并将A中同一位置元素置为1;例如K中第一行最大元素为0.89,位置是13,那就将A13置1。遍历K之后得到A:
步骤三:遍历A的每一行,找出元素为1的位置,建立节点团T=(12345);
步骤四:将节点团放入C中,并将有节点团的节点从V中删去;
得到C=[12345];V=[]。
步骤五:V中为空,输出A,得到拓扑如图3所示。
实施例4
关于本方法建立拓扑的准确性和通用性,我们将选用IEEE33节点标准配电系统进行测试,该系统共有33个节点,32条支路。我们使用蒙特卡洛方法来生成实验数据。
首先随机生成测试系统中各个节点在500个时间截面下的负荷数据,包括有功功率和无功功率,这些负荷数据服从正态分布,用来模拟配电系统的用电负荷。
然后,通过潮流计算,得到各个节点的电压幅值等数据,将这些数据保留一位小数,来模拟配电系统的历史数据。最后运用上述算法,对IEEE33节点标准配电系统进行拓扑识别。
根据33节点分布式系统仿真得到的节点数据,基于最大相关的迭代筛选方法,分别得到节点相关矩阵和节点到节点邻接矩阵。节点相关矩阵K如图4所示正方形中的颜色深度表示两个节点之间的相关性颜色越深表示节点之间的相关性越强,节点连接的可能性也越高。
节点到节点的邻接矩阵如图4所示,深色表示节点与值集1连接,浅色表示与值集0没有连接。比较图4中的相关矩阵,仅保留强相关边缘。它直接反映了配电系统的拓扑连接。与IEEE 33节点配电系统相比,识别精度达到100%。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种最大相关性筛选算法实现拓扑识别方法,其特征在于:包括以下步骤,
获取用户智能电表电压时间序列及配变TTU电压时间序列为样本;
对获取的所述时间序列进行预处理,得到节点对应的随机变量;
利用所述节点对应的随机变量建立数学模型和目标函数;
求解所述目标函数的权重参数W;
合成相关性矩阵K;
利用所述相关性矩阵K得到拓扑结构;
所述样本的数量在500个时间截面以上,其数据连续、没有缺失值和异常值;
所述预处理过程包括,
对获得的电表历史数据进行数据清洗,使用回归、决策树归纳来确定最有可能的值来填充缺失信息,使用回归方法对数据进行降噪处理;
在完成数据清洗之后,对数据进行规范化处理,将数据转化为易于学习的形式;
在进行上述数据预处理之后,对数据进行独热编码;
所述建立数学模型为基于无向图模型对整个拓扑网络进行建模;
所述目标函数为拓扑网络的节点相关关系的联合概率分布;
所述联合概率分布形式如下:
其参数化形式为:
构建联合概率分布的似然形式:
其中,Xu和Xv分别代表节点u和节点v的随机变量,Xuv代表连接节点u和节点v的边所对应的随机变量,u是配电系统中的节点,(u,v)是配电系统中节点u和v之间的线路;Vu是配电系统中节点u的权重;Wuv是连接节点u与v线路的权重;du为状态特征,定义了在节点上的特征函数,buv是转移特征,定义了在边上的特征函数;Φ和ψ表示为基于概率图模型的势函数,Φ代表节点的势,ψ代表连接节点的边的势;Z为分区函数,是一个规范化因子、归一化函数,定义为所有可能赋值的总和;u*表示为与u节点相邻的所有节点组成的集合;
所述求解所目标函数的权重参数W包括,
利用最大似然估计法整理似然形式方程,得到对数似然形式方程,如下:
利用梯度下降法求解所述对数似然形式方程,得到所述权重参数W;
所述合成相关性矩阵K包括,
对所获得的权重参数进行状态合成,得到节点之间的相关性参数Kuv;
整合相关性参数Kuv得到表征配电网各个物理节点连接紧密程度的节点相关性矩阵K;
所述利用所述相关性矩阵K得到拓扑结构,包括以下步骤,
对所述相关性矩阵K进行迭代,筛选出相关性最高的节点连接在一起形成节点团;
迭代所述节点团,将不同的节点团相关性最大的节点建立联系;实现配电系统拓扑结构识别;
所述形成节点团过程具体为
建立描述U节点配电系统的邻接矩阵A;
初始化所述邻接矩阵A;
定义一个用来储存未连接节点的节点池V,定义一个用于储存已知有效连接关系节点团的连接池C,连接池C初始为空;
对相关性矩阵K的每一行进行迭代计算,得到每一行的最大值及位置,将邻接矩阵中相应位置元素置为1;
对相关性矩阵K处理完后,迭代邻接矩阵A中的每一个节点,将相互连接的节点建立节点团T,将各组节点团T加入连接池C中,并将这些节点从节点池V中去掉,直至节点池V为空;
所述将不同的节点团相关性最大的节点建立联系包括迭代连接池C中的节点团,排列组合分析节点团之间的相关性,将不同节点团相关性最大的两个节点建立连接,令相应的邻接矩阵aij=1,直至连接池C中只有一个节点团;通过最大相关性迭代筛选算法得到低压配电系统网络结构的邻接矩阵,建立低压配电系统的拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064451.7A CN111199363B (zh) | 2020-01-20 | 2020-01-20 | 一种最大相关性筛选算法实现拓扑识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064451.7A CN111199363B (zh) | 2020-01-20 | 2020-01-20 | 一种最大相关性筛选算法实现拓扑识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199363A CN111199363A (zh) | 2020-05-26 |
CN111199363B true CN111199363B (zh) | 2022-10-18 |
Family
ID=70745305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064451.7A Active CN111199363B (zh) | 2020-01-20 | 2020-01-20 | 一种最大相关性筛选算法实现拓扑识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199363B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914402B (zh) * | 2020-07-08 | 2024-04-02 | 西安交通大学 | 一种基于信号特性和拓扑变化先验的动态拓扑估计系统及方法 |
CN115374818B (zh) * | 2022-08-22 | 2024-02-23 | 上海正泰智能科技有限公司 | 一种电网结构的拓扑结构识别方法、装置以及处理设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102745A (zh) * | 2014-07-31 | 2014-10-15 | 上海交通大学 | 基于局部最小边的复杂网络社团挖掘方法 |
EP3065250A1 (de) * | 2015-03-05 | 2016-09-07 | BKW Energie AG | Verfahren und einrichtung zur bestimmung der topologie eines stromversorgungsnetzes |
CN108183475A (zh) * | 2017-12-27 | 2018-06-19 | 国网河南省电力公司电力科学研究院 | 一种低压配电网拓扑重构方法及装置 |
CN108683180A (zh) * | 2018-05-07 | 2018-10-19 | 国网河南省电力公司电力科学研究院 | 一种三相低压配电网拓扑重建方法 |
CN109274095A (zh) * | 2018-10-30 | 2019-01-25 | 东北大学秦皇岛分校 | 基于互信息的低压配电网用户拓扑估计方法及系统 |
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
-
2020
- 2020-01-20 CN CN202010064451.7A patent/CN111199363B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102745A (zh) * | 2014-07-31 | 2014-10-15 | 上海交通大学 | 基于局部最小边的复杂网络社团挖掘方法 |
EP3065250A1 (de) * | 2015-03-05 | 2016-09-07 | BKW Energie AG | Verfahren und einrichtung zur bestimmung der topologie eines stromversorgungsnetzes |
CN108183475A (zh) * | 2017-12-27 | 2018-06-19 | 国网河南省电力公司电力科学研究院 | 一种低压配电网拓扑重构方法及装置 |
CN108683180A (zh) * | 2018-05-07 | 2018-10-19 | 国网河南省电力公司电力科学研究院 | 一种三相低压配电网拓扑重建方法 |
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
CN109274095A (zh) * | 2018-10-30 | 2019-01-25 | 东北大学秦皇岛分校 | 基于互信息的低压配电网用户拓扑估计方法及系统 |
Non-Patent Citations (1)
Title |
---|
数据驱动的电力网络分析与优化研究综述;刘羽霄 等;《电力系统自动化》;20180331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111199363A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Agrawal et al. | Abcd-strategy: Budgeted experimental design for targeted causal structure discovery | |
CN111159638B (zh) | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 | |
CN107612016B (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
CN111199363B (zh) | 一种最大相关性筛选算法实现拓扑识别方法 | |
CN111313403B (zh) | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN112491096B (zh) | 一种用于生成电网仿真分析算例的方法及系统 | |
CN111682530B (zh) | 一种配电网电压越限概率的确定方法、装置、设备及介质 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN109599872A (zh) | 基于堆栈降噪自动编码器的电力系统概率最优潮流计算方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
CN110739692B (zh) | 一种基于概率图模型的配电网结构识别方法 | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 | |
CN113094862A (zh) | 一种基于数据驱动的台区多层拓扑结构辨识方法 | |
Barakou et al. | Fractal geometry for distribution grid topologies | |
CN114386700A (zh) | 考虑风光相关性的输电系统规划方法、装置及存储介质 | |
Zhu et al. | Learning-based probabilistic power flow calculation considering the correlation among multiple wind farms | |
CN113536508A (zh) | 一种制造网络节点分类方法及系统 | |
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 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
Fang et al. | A stochastic power flow method based on polynomial normal transformation and quasi Monte Carlo simulation | |
CN109193779A (zh) | 一种分布式风力发电最大容量评估方法 | |
CN110829434B (zh) | 一种提高深度神经网络潮流模型扩展性的方法 | |
CN115392101A (zh) | 一种综合能源随机场景生成方法及系统 |
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 |