CN112688365B - 一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 - Google Patents
一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 Download PDFInfo
- Publication number
- CN112688365B CN112688365B CN202011573566.5A CN202011573566A CN112688365B CN 112688365 B CN112688365 B CN 112688365B CN 202011573566 A CN202011573566 A CN 202011573566A CN 112688365 B CN112688365 B CN 112688365B
- Authority
- CN
- China
- Prior art keywords
- topology
- distribution network
- power distribution
- information
- bayesian network
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于互信息‑贝叶斯网络的配电网拓扑鲁棒识别方法,涉及配电网网络拓扑分析技术领域,包括步骤1:通过采样生成在样本空间内均匀分布的光伏、负荷数据,基于区域配电网历史拓扑信息形成配电网拓扑集;步骤2:通过潮流计算估计装设有μPMU节点的电压信息,形成包含节点电压幅值和相角的数据集,按照对应关系联系运行场景样本集与电压信息数据,形成完整样本集;步骤3,利用网格划分度量完整样本集中连续型数据的区间数目,并实现连续数据的离散;步骤4:形成基于贝叶斯网络的配电网拓扑识别器;向基于贝叶斯网络的配电网拓扑识别器中输入实时采集的信息,即可获得各个拓扑的概率,以概率最高的拓扑作为识别结果。
Description
技术领域
本发明涉及配电网网络拓扑分析技术领域,具体为一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法。
背景技术
分布式发电和新型负荷的接入对配电网的运行方式产生较大影响,为了保证配电网可观、可测和可控,需要研究技术跟踪配电网的实时运行状态,而作为配电网状态估计的基础,针对配电网拓扑的识别十分重要。近年来,微型同步向量测量单元(Micro-PhasorMeasurements Units,μPMU)的出现与应用,为配电网拓扑的快速、准确辨识提供了可能,但现有基于μPMU测量数据,通过实时估计与量测匹配的识别算法鲁棒性和时效性不高,在μPMU部分故障或潮流计算的关键数据(负荷、光伏等)缺失时识别准确度低甚至无法实现识别,且识别时间随配电网的可行拓扑数线性增长,适用性较差,难以实现对配电网拓扑的快速、准确识别。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,在μPMU部分失效或负荷、光伏等数据缺失时仍能保证较高的识别准确度,具有较强的鲁棒性。
本发明的目的是通过以下技术方案来实现的:
一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,包括以下步骤:
步骤1:通过采样生成在样本空间内均匀分布的光伏、负荷数据,基于区域配电网历史拓扑信息形成配电网拓扑集;
步骤2:将生成的负荷-光伏样本与配电网拓扑集进行组合,形成每种拓扑下多种负荷-光伏情况的运行场景样本集,通过潮流计算估计装设有μPMU节点的电压信息,形成包含节点电压幅值和相角的数据集,按照对应关系联系运行场景样本集与电压信息数据,形成完整样本集;
步骤3,利用网格划分度量完整样本集中连续型数据的区间数目,并实现连续数据的离散;
步骤4:将离散后的样本作为贝叶斯网络的训练样本,通过贝叶斯网络的结构学习和参数学习拟合各变量之间的非线性关系,形成基于贝叶斯网络的配电网拓扑识别器;
步骤5:设置负荷、光伏及节点电压信息节点为输入节点,拓扑节点为输出节点,向基于贝叶斯网络的配电网拓扑识别器中输入实时采集的信息,即可获得各个拓扑的概率,以概率最高的拓扑作为识别结果。
优选的,所述步骤1通过采样生成在样本空间内均匀分布的光伏、负荷数据中,采用的是拉丁超立方的采样方法。
优选的,向所述贝叶斯网络的配电网拓扑识别器中输入实时采集的信息包含:各节点的负荷、光伏出力、装设有μPMU节点的电压幅值、相角信息,输出为相应的配电网拓扑状态。
优选的,所述步骤3中利用网格划分度量完整样本集中连续型数据的区间数目采用的是最大互信息方法。
优选的,所述步骤3中实现连续数据的离散采用的是ChiMerge方法。
本发明的有益效果是:
基于μPMU测量数据进行配电网拓扑的估计具有较高的准确度;通过离线训练的方法进行拓扑估计,识别时效性更强,识别时间不随配电网可行拓扑数量的增长而线性增长,工程适用性佳;基于贝叶斯网络形成的拓扑识别器,有效结合了贝叶斯网络的鲁棒推理优势,在μPMU部分失效或负荷、光伏等数据缺失时仍能保证较高的识别准确度,具有较强的鲁棒性。
附图说明
图1为本发明基于贝叶斯网络的拓扑识别示意图;
图2为本发明测试的IEEE33节点系统;
图3为本发明训练后的贝叶斯网络结构图;
图4为本发明的算法的识别正确率测试示意图;
图5为本发明的μPMU部分故障下的拓扑识别正确率示意图;
图6为本发明的光伏/负荷数据部分缺失下的拓扑识别正确率示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
因为现有基于μPMU测量数据,通过实时估计与量测匹配的识别算法鲁棒性和时效性不高,在μPMU部分故障或潮流计算的关键数据(负荷、光伏等)缺失时识别准确度低甚至无法实现识别,且识别时间随配电网的可行拓扑数线性增长,适用性较差,难以实现对配电网拓扑的快速、准确识别。
本发明提出一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,基于μPMU测量数据进行配电网拓扑的估计具有较高的准确度;通过离线训练的方法进行拓扑估计,识别时效性更强,识别时间不随配电网可行拓扑数量的增长而线性增长,工程适用性佳;基于贝叶斯网络形成的拓扑识别器,有效结合了贝叶斯网络的鲁棒推理优势,在μPMU部分失效或负荷、光伏等数据缺失时仍能保证较高的识别准确度,具有较强的鲁棒性。
具体步骤如下:
1.记录区域配电网的历史拓扑信息,形成包含所有历史运行拓扑的配电网拓扑库。
2.利用拉丁超立方抽样生成在负荷和光伏处理在一定范围内波动的光-荷场景,将光-荷场景与配电网拓扑库中的拓扑进行组合,形成初始样本集。
3.以初始样本集中的负荷-光伏及拓扑状态作为配电网运行参数,通过潮流计算获取装设有μPMU节点的电压幅值、相角等信息,将上述计算得到的电压信息和初始样本集按对应关系合并,形成完整的合成样本集。
4.由于贝叶斯网络在处理连续变量时需要人为指定变量区间数目,难以适应存在较多连续型变量的情况,因此采用最大互信息方法对各连续型变量进行网格划分,以网格划分情况度量贝叶斯网络连续数据的离散区间数目,对合成样本集处理后形成贝叶斯网络的训练集。
5.基于贝叶斯网络结构学习确定贝叶斯网络各变量的因果关系,进而通过贝叶斯网络参数确定各个变量相关性的强弱,明确贝叶斯网络的输入包含:各节点的负荷、光伏出力、装设有μPMU节点的电压幅值、相角信息,输出为相应的配电网拓扑状态,在进行拓扑识别时,输入已知信息即可实现对当前配电网运行拓扑的识别。
测试场景为:在修改后的IEEE33节点的配网标准系统进行测试,如图2所示。其中,μPMU的布点策略参考了针对μPMU优化布局的相关研究;假设区域内负荷保持一致性,通过拉丁超立方抽样实现系统总负荷的随机波动,各节点负荷波动同总负荷保持一致;光伏机组设置为PQ模型,功率因数为0.9,主要接在辐射状结构的末端节点或连接有较多支路的分支节点,以提高距电源较远区域的电压水平。为了展示所提算法(Bayesian networks,BNs)的优势,在测试中加入了估计匹配算法(Estimation matching method,EMM)作为参照,分别测试两种算法的识别正确率、时效性及鲁棒性。
训练后的贝叶斯网络结构如图3所示。
图3中,1为拓扑节点,2为负荷节点,3-6为光伏节点,7-30为电压信息(幅值、相位)节点。设置负荷、光伏及节点电压信息节点为输入节点,拓扑节点为输出节点,通过输入实时采集的负荷、光伏和节点电压等信息,即可获得各个拓扑的概率,以概率最高的拓扑作为最终识别结果。
识别正确率测试中,设置6种噪声组合:(1)e1=0.5%,e2=1%;(2)e1=1%,e2=5%;(3)e1=5%,e2=10%;(4)e1=10%,e2=15%;(5)e1=15%,e2=20%;(6)e1=20%,e2=30%,其中,e1为μPMU量测误差,e2为负荷/光伏预测误差。
从图4可以看出,两种算法在误差较小的情况下均具有较高的识别率,但在模拟量测装置不稳定、量测误差较大的情况下,均容易产生对拓扑的错误辨识,且相对而言,贝叶斯网络拓扑识别模型在误差较大的情况下识别效果要强于EMM算法。
表1算法的时效性测试
由表1可以看出,随着配电网可行拓扑数量增长,EMM算法识别时间呈线性增长,而BN算法用时无明显变化,有着明显的速度优势。
识别鲁棒性测试中,设置误差为e1=1%,e2=5%,分别考虑1-5个故障数量的μPMU故障测试和0-100%数据缺失率的光伏/负荷缺失测试。
由图5和图6可以看出,所提算法在μPMU存在故障的情况下仍能保持较为准确的识别效果,而EMM算法的效果随μPMU故障数量的增多而逐渐降低;在光伏/负荷数据存在缺失时,EMM算法在缺失率达到20%时识别正确率就降至30%以下,而所提算法即使缺失率为100%仍能保证正确率在80%附近,验证了所提算法的鲁棒性能。
以上所述仅是本发明的优选实施方式,应当理解所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,其特征在于,包括以下步骤:
步骤1:通过采样生成在样本空间内均匀分布的光伏、负荷数据,基于区域配电网历史拓扑信息形成配电网拓扑集;
步骤2:将生成的负荷-光伏样本与配电网拓扑集进行组合,形成每种拓扑下多种负荷-光伏情况的运行场景样本集,通过潮流计算估计装设有μPMU节点的电压信息,形成包含节点电压幅值和相角的数据集,按照对应关系联系运行场景样本集与电压信息数据,形成完整样本集;
步骤3, 利用网格划分度量完整样本集中连续型数据的区间数目,并实现连续数据的离散;
步骤4:将离散后的样本作为贝叶斯网络的训练样本,通过贝叶斯网络的结构学习和参数学习拟合各变量之间的非线性关系,形成基于贝叶斯网络的配电网拓扑识别器;
步骤5:设置负荷、光伏及节点电压信息节点为输入节点,拓扑节点为输出节点,向基于贝叶斯网络的配电网拓扑识别器中输入实时采集的信息,即可获得各个拓扑的概率,以概率最高的拓扑作为识别结果;
其中,所述步骤3中利用网格划分度量完整样本集中连续型数据的区间数目采用的是最大互信息方法。
2.根据权利要求1所述的一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,其特征在于,所述步骤1通过采样生成在样本空间内均匀分布的光伏、负荷数据中,采用的是拉丁超立方的采样方法。
3.根据权利要求1所述的一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,其特征在于,向所述贝叶斯网络的配电网拓扑识别器中输入实时采集的信息包含:各节点的负荷、光伏出力、装设有μPMU节点的电压幅值、相角信息,输出为相应的配电网拓扑状态。
4.根据权利要求1所述的一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法,其特征在于,所述步骤3中实现连续数据的离散采用的是ChiMerge方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011573566.5A CN112688365B (zh) | 2020-12-26 | 2020-12-26 | 一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011573566.5A CN112688365B (zh) | 2020-12-26 | 2020-12-26 | 一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112688365A CN112688365A (zh) | 2021-04-20 |
CN112688365B true CN112688365B (zh) | 2023-07-04 |
Family
ID=75452170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011573566.5A Active CN112688365B (zh) | 2020-12-26 | 2020-12-26 | 一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112688365B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102738794A (zh) * | 2012-07-23 | 2012-10-17 | 海南电网公司 | 一种赛德尔式递推贝叶斯方法及其在状态估计中的应用 |
CN108632266A (zh) * | 2018-04-27 | 2018-10-09 | 华北电力大学 | 一种配电通信网络安全态势感知方法 |
CN108964037A (zh) * | 2018-07-19 | 2018-12-07 | 四川大学 | 基于高压配电网重构性模型 |
CN110086168A (zh) * | 2019-05-21 | 2019-08-02 | 江苏方天电力技术有限公司 | 一种基于多源数据融合的配电网运行拓扑辨识方法 |
CN111628494A (zh) * | 2020-05-11 | 2020-09-04 | 国网浙江省电力有限公司电力科学研究院 | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280894B (zh) * | 2013-06-14 | 2015-03-25 | 山东理工大学 | 一种配电网控制应用网络拓扑自动识别方法 |
-
2020
- 2020-12-26 CN CN202011573566.5A patent/CN112688365B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102738794A (zh) * | 2012-07-23 | 2012-10-17 | 海南电网公司 | 一种赛德尔式递推贝叶斯方法及其在状态估计中的应用 |
CN108632266A (zh) * | 2018-04-27 | 2018-10-09 | 华北电力大学 | 一种配电通信网络安全态势感知方法 |
CN108964037A (zh) * | 2018-07-19 | 2018-12-07 | 四川大学 | 基于高压配电网重构性模型 |
CN110086168A (zh) * | 2019-05-21 | 2019-08-02 | 江苏方天电力技术有限公司 | 一种基于多源数据融合的配电网运行拓扑辨识方法 |
CN111628494A (zh) * | 2020-05-11 | 2020-09-04 | 国网浙江省电力有限公司电力科学研究院 | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Bayesian Learning Based Scheme for Online Dynamic Security Assessment and Preventive Control;Tingjian Liu 等;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20200930;第35卷(第5期);第4088-4097页 * |
基于μPMU相位数据的配电网拓扑识别方法;李昂 等;《电网分析与研究》;20171130;第45卷(第11期);第31-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112688365A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mestav et al. | Bayesian state estimation for unobservable distribution systems via deep learning | |
James et al. | Delay aware power system synchrophasor recovery and prediction framework | |
Huang et al. | Hybrid state estimation for distribution systems with AMI and SCADA measurements | |
Ferdowsi et al. | A scalable data-driven monitoring approach for distribution systems | |
CN109193635B (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
CN111625991A (zh) | 一种低压配电网拓扑校验方法 | |
CN113725862B (zh) | 一种基于贝叶斯网络的同母拓扑辨识方法及设备 | |
Jiang et al. | Distribution line parameter estimation considering dynamic operating states with a probabilistic graphical model | |
Yuan et al. | A joint distribution system state estimation framework via deep actor-critic learning method | |
Wang et al. | Application of multiattention mechanism in power system branch parameter identification | |
CN107565549B (zh) | 一种基于同步相量量测的电力系统网络拓扑分析方法 | |
CN112688365B (zh) | 一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 | |
Kamisan et al. | Forecasting Wind Speed Data by Using a Combination of ARIMA Model with Single Exponential Smoothing. | |
Chen et al. | Distributed finite-time observer for multiple line outages detection in power systems | |
Hao et al. | Smart grid health monitoring via dynamic compressive sensing | |
CN116660679A (zh) | 一种基于网络拓扑的配电网故障分析方法 | |
Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
Guo et al. | Online model-free estimation of the dynamic system model for a power system with renewables in ambient conditions | |
Deshmukh et al. | Stochastic state estimation for smart grids in the presence of intermittent measurements | |
Kumar et al. | Dynamic state estimation for multi-machine power system using WLS and EKF: A comparative study | |
CN113033076A (zh) | 基于多链分解方法的非侵入式负荷监测方法及装置 | |
Ferdowsi et al. | Dynamic behavioral observation in power systems utilizing real-time complexity computation | |
Yi et al. | State Estimation of Distribution Network with the Improved Deep Residual Neural Network | |
CN113541130B (zh) | 基于拓扑结构的配电网关键线路脆弱性识别方法 |
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 |