CN113094862B - 一种基于数据驱动的台区多层拓扑结构辨识方法 - Google Patents
一种基于数据驱动的台区多层拓扑结构辨识方法 Download PDFInfo
- Publication number
- CN113094862B CN113094862B CN202110550144.4A CN202110550144A CN113094862B CN 113094862 B CN113094862 B CN 113094862B CN 202110550144 A CN202110550144 A CN 202110550144A CN 113094862 B CN113094862 B CN 113094862B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- active power
- matrix
- leaf
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于数据驱动的台区多层拓扑结构辨识方法,包括:S1、根据低压配网呈现放射式树状结构的特点,将多层拓扑结构的辨识问题转化为图论中邻接矩阵的求解;S2、对馈线单元和分支单元的有功功率时间序列进行频域滤波,用于特征提取;S3、基于突显的特征采用相关性分析的方法获得上述单元的上下游与并行关系;S4、结合节点的电压幅值特性,实现用户邻近单元的辨识,确定用户与孤立子网络的对应关系;S5、在考虑数据误差的同时,对孤立子网络的线路区段与用户的有功功率序列进行线性变换,并通过回归分析确定用户所属的线路区段,实现多层拓扑结构的构建。根据本发明,实现了“馈线‑分支‑相线‑用户”多层拓扑结构的辨识,这将大大减少部署大量监测设备或更改设备通信方式的投资。
Description
技术领域
本发明涉及配电系统的数据驱动的技术领域,特别涉及一种基于数据驱动的台区多层拓扑结构辨识方法。
背景技术
低压配电网(简称台区)作为供电服务的“最后一公里”,是保证电能质量的重要环节。近年来,智能电表得到广泛应用并深度推广至台区,进一步提高了智能电网服务质量。准确的拓扑结构是低压配电网进行线损分析、停电管理、费控、三相不平衡治理等应用功能的基础。然而,在实际运行场景中,由于存在连线混乱、档案资料不全等问题,导致部分台区营销拓扑档案中的“馈线-分支-相线-用户”关系准确度低,依靠人力现场排查校验,效率低下、动态拓扑变化更新不及时。因此,找到一种准确、快速、通用强的拓扑辨识方法,对电力公司监测台区运行情况具有一定的研究意义。
在实现本发明技术过程中,发明人发现,目前的研究发明从硬件增设与改造到数据算法都有涉及。其中,大量硬件设备的接入,极大增加了前期投资和后期运维成本。基于载波通信技术进行拓扑辨识,需更换用户电表通信模块,这种方式虽然便于实现、识别率较高,但要求集中器和智能电表均具备载波通信功能,且易受负荷波动及噪声源的干扰。在基于数据驱动的算法中,大多数虽实现了“相线-用户”或者“馈线-用户”关系的辨识,但由于未考虑分支节点的上下游与并行关系,导致无法确定用户所属的区段,即无法构建台区多层拓扑结构。
发明内容
针对现有技术中存在的不足之处,本发明的目的是提供一种基于数据驱动的台区多层拓扑结构辨识方法,实现了“馈线-分支-相线-用户”多层拓扑结构的辨识,这将大大减少部署大量监测设备或更改设备通信方式的投资。为了实现根据本发明的上述目的和其他优点,提供了一种基于数据驱动的台区多层拓扑结构辨识方法,包括:
S1、根据低压配网呈现放射式树状结构的特点,将多层拓扑结构的辨识问题转化为图论中邻接矩阵的求解;
S2、对馈线单元和分支单元的有功功率时间序列进行频域滤波,用于特征提取;
S3、基于突显的特征采用相关性分析的方法获得上述单元的上下游与并行关系;
S4、结合节点的电压幅值特性,实现用户邻近单元的辨识,确定用户与孤立子网络的对应关系;
S5、在考虑数据误差的同时,对孤立子网络的线路区段与用户的有功功率序列进行线性变换,并通过回归分析确定用户所属的线路区段,实现多层拓扑结构的构建。
优选的,所述步骤S1包括结合图论知识,划分节点属性;根据用电采集设备在树状网络中的位置关系,依次将变压器、馈线和分支单元、用户划分为根节点、内部节点、叶节点,基于上述节点集的有功功率、电压幅值量测数据,通过逐步求解节点的邻接矩阵构建网络拓扑。
优选的,所述步骤S2包括进行内部节点层次关系的辨识,依据节点功率初始化内部节点的邻接矩阵Ab,利用快速傅里叶变换(FFT)、反向快速傅里叶变换(IFFT)对有功功率序列进行频域滤波,滤波过程中选择较大的系数(即高频随机分量)作为特征矢量。
优选的,所述步骤S3包括基于所述特征矢量显著性变化、波动特征进行相似性匹配,通过不断地更新邻接矩阵Ab获得内部节点的上下游与并行关系。
优选的,包括初始化内部节点的邻接矩阵,假设馈线单元和分支单元数量分别为nk、nf,内部节点总数则为nkf=nk+nf;计算各个分支单元所有时刻的三相总有功功率,并按从大到小的次序对其排序得到{bf}(f=1,2,…,nf),即定义馈线单元的三相总有功功率数组为{bk}(k=1,2,…,nk);基于数组b=[{bk},{bf}]进行节点总功率数值的比较,形成初始的邻接矩阵Ab(nkf×nkf),如下所示:
优选的,包括进行有功功率时间序列的频域滤波,依次将内部节点同一时刻A/B/C三相的有功功率累加,得到内部节点的有功功率矩阵Pb=[Pb(1),…,Pb(nk),…,Pb(nkf)]T(nkf×N),式中,N表示数据长度,XT表示矩阵X的转置,下同;从频域角度审视有功功率时间序列Pb(i)并进行频谱分析,利用FFT将内部节点的能耗行为分解为低频稳定分量和高频随机分量,其中,低频稳定分量为节点共有特性,高频随机分量代表内部节点独特的能耗特性,利用IFFT将有效频谱由频域变换到时域;对Pb频率滤波后,可得到高频有功功率矩阵如下所示:
优选的,包括进行特征提取,基于高频随机分量提取嵌入在序列中的特征;以不同时间间隔的功率变化表征时序数据的统计特征,利用基本的数学统计方法,提取有功功率时间序列蕴含的显著性变化特征、波动特征。以子节点中的节点p为例进行分析;计算不同时间间隔的有功功率变化值,即对任意两时刻节点p的高频有功功率值进行作差,得到其有功功率变化特征矢量矢量元素的计算过程如下所示:
显著性变化特征是指在相同的时间间隔,所分析节点的有功功率变化明显高于其余待识别节点的功率变化总和,如下所示:
式中,|VPhpc|为节点p第c(c=1,2,…,Nc)次有功功率变化的绝对值;λ应取不小于1的数,因此可选取λ=1.05;VPhic表示第c次节点i相应的有功功率变化值;
提取显著性变化特征信息后,特征矢量仍表现出较长的列数,为了提升后续相似性匹配的性能,通过提取时间序列的波动特征实现数据约简,如下所示:
式中,cov(X,Y)为X和Y的协方差;σX为X的标准差;ρ的取值介于-1到1之间,其值越大表明正相关性越高;节点p对应的行中,所有满足的q节点对应的集合记为{qi},分别计算节点p与各集合元素的ρ,相关系数最大的节点q即为节点p的父节点;对邻接矩阵Ab中节点p对应的行以及公式(4)中的进行修正,以便后续能够通过辨识其兄弟节点的方式,获取节点的并行关系。修正公式如下:
优选的,所述步骤S4包括结合电压幅值相关性和积分特性,通过辨识叶节点邻近的内部节点,确定叶节点与孤立子网络的对应关系,实现叶节点的聚类划分,具体包括以下步骤:
S41、确定孤立子网络,在拓扑连接方面,馈线单元作为一级分支点,其位置关系明确,加之A/B/C相在拓扑连接方面相互解耦。因此,可将每条馈线的每一相(A/B/C)作为一个孤立子网络,连接在本孤立子网络下的用户作为本网络的叶节点;
S42、实现叶节点的聚类划分,设台区叶节点数量为nu,孤立子网络数量一般为3nk,分支节点未缺相运行时,内部节点的A/B/C三相总数量为3nkf;通过叶节点和内部节点各相的电压幅值序列求解叶节点的邻接矩阵Au(nu×3nkf),即按照公式(8)计算叶节点i与内部节点任意相节点j(j=1,2,…,3nkf)的相关系数ρ(Ui,Uj),式中,Ui、Uj分别是叶节点i、相位节点j的电压幅值序列,其中,相关系数最大的节点j即为叶节点i最相关的相位节点,即对于两个相邻的节点,上游节点的电压幅值通常大于下游节点,通过积分特性甄别出叶节点与最相关的内部节点的上下游关系,进一步提高聚类分割的能力。如下所示:
式中,为t时刻叶节点i与相位节点j之间的电压幅值差;分别为t时刻叶节点i、相位节点j的电压幅值;Δt为智能电表的采样时间,通常为15min或60min。Ii,j为节点i、j的电压幅值曲线围成的面积,如果Ii,j小于0,叶节点i位于节点j下游,矩阵元素保持不变;如果Ii,j不小于0,叶节点i位于节点j上游,修正元素即:其中,节点g是j的上游分支的同相位节点。
优选的,所述步骤S5包括孤立子网络中的线路区段与其所连叶节点在逻辑上存在功率加和关系,且不依赖于时序序列的波动性,可以准确地反映线路区段与叶节点的对应关系,具体包括以下步骤:
S51、建立父子节点辨识模型,在任意一个孤立子网络中,依据邻接矩阵Ab,通过上下游节点同相的有功功率相减计算线路区段的有功功率,在剔除未连接叶节点的线路区段的基础上,将线路区段的有功功率定义为父节点功率矩阵Pl(nl×N),nl为父节点数量,结合上述邻接矩阵Au和叶节点的有功功率,定义该孤立子网络下的叶节点有功功率矩阵为子节点功率矩阵Ph(nh×N),nh为子节点数量,父子节点总数记为nlh=nl+nh;
式中,μloss为理论线路损耗的均值;
S53、求解模型,确定孤立子网络中父子节点的对应关系,利用线性变换中的奇异值分解(SVD)对进行降维,在实现数据压缩的同时保证后续回归矩阵的维数为(nl×nh)。紧接着,对特征向量U2m进行反变换,计算nl×nlh维的约束矩阵C;
S54、通过回归矩阵的映射,辨识拓扑结构,重复上述步骤S51)-S53),计算所有孤立子网络的R;通过回归矩阵的映射,修正叶节点的邻接矩阵Au,实现所有叶节点所属区段的定位,结合邻接矩阵Au、Ab,构建完整的网络拓扑,从而实现台区的多层拓扑结构辨识。
本发明与现有技术相比,其有益效果是:
1.通过邻接矩阵分析台区节点的连接关系,简化拓扑辨识问题。
2.在内部节点有功功率时间序列的时频变换基础上进行特征提取,基于突显的特征并采用相关性分析方法获得内部节点的上下游与并行关系。
3.确定内部节点位置逻辑关系之后,有效地实现用户所属区段的定位。
附图说明
图1为根据本发明的基于数据驱动的台区多层拓扑结构辨识方法的流程图;
图2为根据本发明的基于数据驱动的台区多层拓扑结构辨识方法的拓扑结构示意图;
图3为根据本发明的基于数据驱动的台区多层拓扑结构辨识方法初始化的内部节点邻接矩阵;
图4为根据本发明的基于数据驱动的台区多层拓扑结构辨识方法的最终的内部节点邻接矩阵、效果图、用户区段定位示例;
图5为根据本发明的基于数据驱动的台区多层拓扑结构辨识方法的用户聚类划分效果图;
图6为根据本发明的基于数据驱动的台区多层拓扑结构辨识方法的用户区段定位效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
参照图1-6,一种基于数据驱动的台区多层拓扑结构辨识方法,包括:S1、根据低压配网呈现放射式树状结构的特点,将多层拓扑结构的辨识问题转化为图论中邻接矩阵的求解;
S2、对馈线单元和分支单元的有功功率时间序列进行频域滤波,用于特征提取;
S3、基于突显的特征采用相关性分析的方法获得上述单元的上下游与并行关系;
S4、结合节点的电压幅值特性,实现用户邻近单元的辨识,确定用户与孤立子网络的对应关系;
S5、在考虑数据误差的同时,对孤立子网络的线路区段与用户的有功功率序列进行线性变换,并通过回归分析确定用户所属的线路区段,实现多层拓扑结构的构建。
进一步的,所述步骤S1包括结合图论知识,划分节点属性;根据用电采集设备在树状网络中的位置关系,依次将变压器、馈线和分支单元、用户划分为根节点、内部节点、叶节点,基于上述节点集的有功功率、电压幅值量测数据,通过逐步求解节点的邻接矩阵构建网络拓扑。
进一步的,所述步骤S2包括进行内部节点层次关系的辨识,依据节点功率初始化内部节点的邻接矩阵Ab,利用快速傅里叶变换(FFT)、反向快速傅里叶变换(IFFT)对有功功率序列进行频域滤波,滤波过程中选择较大的系数(即高频随机分量)作为特征矢量。
进一步的,所述步骤S3包括基于所述特征矢量显著性变化、波动特征进行相似性匹配,通过不断地更新邻接矩阵Ab获得内部节点的上下游与并行关系。
进一步的,包括初始化内部节点的邻接矩阵,假设馈线单元和分支单元数量分别为nk、nf,内部节点总数则为nkf=nk+nf;计算各个分支单元所有时刻的三相总有功功率,并按从大到小的次序对其排序得到{bf}(f=1,2,…,nf),即定义馈线单元的三相总有功功率数组为{bk}(k=1,2,…,nk);基于b=[{bk},{bf}]进行节点总功率数值的比较,形成初始的邻接矩阵Ab(nkf×nkf),如下所示:
进一步的,包括进行有功功率时间序列的频域滤波,依次将内部节点同一时刻A/B/C三相的有功功率累加,得到内部节点的有功功率矩阵Pb=[Pb(1),…,Pb(nk),…,Pb(nkf)]T(nkf×N),式中,N表示数据长度,XT表示矩阵X的转置,下同;从频域角度审视有功功率时间序列Pb(i)并进行频谱分析,利用FFT将内部节点的能耗行为分解为低频稳定分量和高频随机分量,其中,低频稳定分量为节点共有特性,高频随机分量代表内部节点独特的能耗特性,利用IFFT将有效频谱由频域变换到时域;对Pb频率滤波后,可得到高频有功功率矩阵如下所示:
进一步的,包括进行特征提取,基于高频随机分量提取嵌入在序列中的特征;以不同时间间隔的功率变化表征时序数据的统计特征,利用基本的数学统计方法,提取有功功率时间序列蕴含的显著性变化特征、波动特征;
显著性变化特征是指在相同的时间间隔,所分析节点的有功功率变化明显高于其余待识别节点的功率变化总和,如下所示:
式中,|VPhpc|为节点p第c(c=1,2,…,Nc)次有功功率变化的绝对值;λ应取不小于1的数,因此可选取λ=1.05;VPhic表示第c次节点i相应的有功功率变化值。
提取显著性变化特征信息后,特征矢量仍表现出较长的维度,为了提升后续相似性匹配的性能,通过提取时间序列的波动特征实现数据约简,如下所示:
式中,cov(X,Y)为X和Y的协方差;σX为X的标准差;ρ的取值介于-1到1之间,其值越大表明正相关性越高;节点p对应的行中,所有满足的q节点对应的集合记为{qi},分别计算节点p与各集合元素的ρ,相关系数最大的节点q即为节点p的父节点;对邻接矩阵Ab中节点p对应的行以及公式(4)中的进行修正,以便后续能够通过辨识其兄弟节点的方式,获取节点的并行关系。修正公式如下:
重复公式(4)-(9)直到所有的分支单元被辨识。可以看出,最终的邻接矩阵Ab,反应了分支单元的上下游与并行关系。
进一步的,所述步骤S4包括结合电压幅值相关性和积分特性,通过辨识叶节点邻近的内部节点,确定叶节点与孤立子网络的对应关系,实现叶节点的聚类划分,具体包括以下步骤:
S41、确定孤立子网络,在拓扑连接方面,馈线单元作为一级分支点,其位置关系明确,加之A/B/C相在拓扑连接方面相互解耦。因此,可将每条馈线的每一相(A/B/C)作为一个孤立子网络,连接在本孤立子网络下的用户作为本网络的叶节点;
S42、实现叶节点的聚类划分,设台区叶节点数量为nu,孤立子网络数量一般为3nk,分支节点未缺相运行时,内部节点的A/B/C三相总数量为3nkf。通过叶节点和内部节点各相的电压幅值序列求解叶节点的邻接矩阵Au(nu×3nkf),即按照公式(8)计算叶节点i与内部节点任意相节点j(j=1,2,…,3nkf)的相关系数ρ(Ui,Uj),式中,Ui、Uj分别是叶节点i、相位节点j的电压幅值序列,其中,相关系数最大的节点j即为叶节点i最相关的相位节点,即对于两个相邻的节点,上游节点的电压幅值通常大于下游节点,通过积分特性甄别出叶节点与最相关的内部节点的上下游关系,进一步提高聚类分割的能力。如下所示:
式中,为t时刻叶节点i与相位节点j之间的电压幅值差;分别为t时刻叶节点i、相位节点j的电压幅值;Δt为智能电表的采样时间,通常为15min或60min。Ii,j为节点i、j的电压幅值曲线围成的面积,如果Ii,j小于0,叶节点i位于节点j下游,矩阵元素保持不变;如果Ii,j不小于0,叶节点i位于节点j上游,修正元素即:其中,节点g是j的上游分支的同相位节点。按照上述方法,计算最终的矩阵Au,确定叶节点与孤立子网络的对应关系。
进一步的,所述步骤S5包括孤立子网络中的线路区段与其所连叶节点在逻辑上存在功率加和关系,且不依赖于时序序列的波动性,可以准确地反映线路区段与叶节点的对应关系,具体包括以下步骤:
S51、建立父子节点辨识模型,在任意一个孤立子网络中,依据邻接矩阵Ab,通过上下游节点同相的有功功率相减计算线路区段的有功功率,在剔除未连接叶节点的线路区段的基础上,将线路区段的有功功率定义为父节点功率矩阵Pl(nl×N),nl为父节点数量,结合上述邻接矩阵Au和叶节点的有功功率,定义该孤立子网络下的叶节点有功功率矩阵为子节点功率矩阵Ph(nh×N),nh为子节点数量,父子节点总数记为nlh=nl+nh;
式中,μloss为理论线路损耗的均值;假设孤立子网络中所有节点的计量误差矩阵为e(nlh×N)。由于各个计量设备的计量误差相互独立,即在t时刻计量误差et服从均值为0协方差为Σe的多元正态分布。利用正态分布3σ原则,近似计算误差的方差,如下所示:
S53、求解模型,确定孤立子网络中父子节点的对应关系,利用线性变换中的奇异值分解(SVD)对进行降维,在实现数据压缩的同时保证后续回归矩阵的维数为(nl×nh);对特征向量U2m进行反变换,计算nl×nlh维的约束矩阵C,过程如下:
式中,Um(nlh×nlh)和Vm(N×N)均为正交矩阵;Σm(nlh×N)为奇异值对角阵;U1m和V1m、Σ1m为最大的nh个奇异值对应的特征向量、对角阵;U2m和V2m、Σ2m为最小的nl个奇异值对应的特征向量、对角阵。
式中,与相对应的列分别为矩阵Cl(nl×nl)、Ch(nl×nh);R′、R均为维数nl×nh的回归矩阵。由于技术方案对线路损耗、计量误差进行了近似计算,对矩阵R′的元素进行四舍五入计算后,即可得到最终的回归矩阵R。如果Rij=1,表明子节点j属于父节点i;如果Rij=0,表明子节点j不属于父节点i。
S54、通过回归矩阵的映射,辨识拓扑结构,重复上述步骤S51)-S53),计算所有孤立子网络的R;通过回归矩阵的映射,修正叶节点的邻接矩阵Au,实现所有叶节点所属区段的定位,结合邻接矩阵Au、Ab,构建完整的网络拓扑,从而实现台区的多层拓扑结构辨识。
实施例中简化的低压台区拓扑结构如图2所示。节点处的设备电表准确度等级α可根据实际工程进行设定,在本实施例中取0.5,即电能表的电压/功率的允许误差在±0.5%以内;以60分钟为间隔,全天划分24个时段,以15天的量测时间序列构成实施例中供电台区的抄表数据,即N=360;节点1.1、1.2为馈线单元,数量为2;分支单元数量为12,单相用户数量为51。结合图论知识,根据用电采集设备在树状网络中的位置,分别将变压器、馈线和分支单元、用户依次划分为根节点、内部节点、叶节点。基于上述节点集的电压幅值、有功功率,通过求解节点的邻接矩阵构建网络拓扑。
本发明提供了一种内部节点层次关系的辨识方法,通过求解邻接矩阵Ab实现内部节点上下游与并行关系的辨识,具体实施方式包括以下几个步骤:
步骤1:初始化内部节点的邻接矩阵
以内部节点的有功功率时间序列作为输入,依据内部节点所有时刻A/B/C三相功率的累加值对节点进行数值比较与排序,结合公式(1)实现邻接矩阵Ab的初始化。初始化的内部节点邻接矩阵如图3所示。可以看出,依据上游父节点的总功率大于下游子节点的规律进行邻接矩阵初始化,可有效避免多余的相似性比较,保证算法的快速性和精确求解。
步骤2:进行有功功率的频域滤波
首先,对内部节点同一时刻的A/B/C三相功率求和,构建内部节点的有功功率矩阵Pb(14×360)。然后,从频域角度审视有功功率时间序列,利用FFT、IFFT实现频域滤波,其过程中按照采样定理依次设置有功功率时间序列的信号采集频率Fs、截止频率fc,从而实现高频随机分量与低频稳定分量的频谱分离,并由此获得高频有功功率矩阵矩阵如公式(2)所示。
步骤3:利用特征提取与相似性分析,识别内部节点的层次关系
在本实施例中,如图3所示,分支点2.1为第一个待识别的分支节点,其可能所属的父节点包括1.1、1.2。为此,依次按照公式(3)-(6)提取高频有功功率矩阵中子节点2.1时间序列所蕴含的显著性变化特征、波动特征。基于上述特征,按照公式(7)-(8)分别计算2.1与可能的父节点1.1、1.2的相关系数ρ。具体的,2.1与1.1的相关系数远远大于2.1与1.2之间的相关系数,可以判定1.1即为2.1的真实父节点。紧接着,对邻接矩阵Ab中1.1所对应的行进行修正,如图4(A)所示。进一步,为了后续能够有效识别出1.1的子节点2.2(即2.1的兄弟节点),按照公式(9)修正1.1的有功功率变化特征矢量。重复上述过程,直至识别出所有分支单元的父节点。最后输出的邻接矩阵Ab如图4(A)所示,该邻接矩阵准确反应了内部节点的上下游与并行关系,连接效果如图4(B)所示。
本发明提供了一种叶节点聚类划分方法,可有效地确定叶节点与孤立子网络的对应关系,具体实施方式包括以下几个步骤:
步骤1:确定孤立子网络
馈线单元1.1与1.2作为一级分支点,其位置关系明确,加之A/B/C三相相互解耦。因此,可将每条馈线的每一相作为一个孤立子网络,连接在孤立子网络下的用户作为本网络的叶节点。本实施例共划分为6个孤立子网络,如图5虚线框所示。为比对,51个用户与所有孤立子网络的真实对应关系均可由图2获得。
步骤2:实现叶节点的聚类划分
叶节点的聚类划分需要对每个叶节点与内部节点各相的电压幅值进行相关性计算,相关性系数最大的节点即为叶节点最相关的内部节点。然后通过积分特性(即公式(10))甄别出叶节点与最相关的内部节点的上下游关系,提高聚类分割的能力。例如,叶节点U3与内部节点2.1-B(即内部节点2.1的B相节点)之间的电压相关系数ρ均大于与其他内部节点各相的相关系数,此外,通过积分特性得到IU3,2.1-B<0,U3位于相关节点2.1-B的下游。综合上述两点,确定叶节点U3位于内部节点2.1-B所在的孤立子网络1.1-B中,即u、v分别为U3、2.1-B对应的索引值。按照上述方法,对51个叶节点分别聚类划分,依据最终的邻接矩阵Au确定所有叶节点与孤立子网络的对应关系,聚类划分效果如图5所示。
本发明提供了一种叶节点的区段定位方法,在上述邻接矩阵Au基础上,利用回归矩阵的映射修正,实现叶节点所属区段的精确定位,具体实施方式包括以下几个步骤:
步骤1:建立父子节点辨识模型
由于电压幅值的高方差特性及三相不平衡现象,上述叶节点的聚类划分往往不能高精度地辨识出叶节点的区段位置,但准确获取了叶节点与孤立子网络的对应关系。在此基础上,以任一孤立子网络的各个线路区段作为父节点,连接于该网络下的叶节点作为子节点。将叶节点的区段定位描述为深度为2的父子节点层次模型辨识。以孤立子网络1.1-B为例进行说明,如图4(C)所示,依据最终的邻接矩阵Ab,通过上下游节点B相的有功功率相减,在剔除区段2.2-B~4-B基础上,计算其他6个线路区段的有功功率,即父节点依次为1.1-B~2-B、2.1-B~3-B、3.1-B、3.2-B、4.1-B、4.2-B,相应的父节点功率矩阵为Pl(6×360);子节点依次为U2、U3、U9、U10、U13、U14、U18、U19、U25,子节点功率矩阵Ph(9×360);该网络父子节点总数为nlh=6+9=15。
步骤2:处理线损误差和计量误差
在计量信息、线路参数不完善的情况下,本实施例的线路损耗按照父子节点的有功功率对父节点进行近似修正,如公式(11)所示。继续以孤立子网络1.1-B为例进行说明,首先,得到线损修正后的有功功率矩阵然后,根据智能电表的准确度等级以及各个父子节点的有功功率平均值,按照公式(12)计算协方差矩阵Σe。最后,利用Cholesky分解,结合公式(13)将Σe嵌入到Pm中,从而获得关于计量误差的有功功率矩阵
步骤3:求解模型,确定孤立子网络中父子节点的对应关系
任意一个孤立子网络中,父子节点层次模型辨识的数学本质是数据匹配。继续以上述孤立子网络1.1-B为例进行说明,当量测数据表现出较大维度时(即N数值比较大),利用线性变换中的奇异值分解(SVD)对进行降维,不仅能够通过数据的列压缩减少特征属性的个数,又能保证后续回归矩阵的维数为(6×9)。按照公式(14)求得特征矢量U2m后,再利用公式(15)对其进行反变换,从而获得约束矩阵C(6×15)。基于约束矩阵,根据父子节点存在的内在约束关系,按照公式(16)计算回归矩阵R(6×9)。由此可见,在上述线性变换中,既计及了计量误差,又满足了回归矩阵维数的要求。该孤立子网络的R如下所示:
上式中,例如,R11=1,表明叶节点U2属于区段1.1-B~2-B。
步骤4:通过回归矩阵的映射,辨识拓扑结构
重复上述步骤1-3,分别计算6个孤立子网络的回归矩阵R。进一步,通过对所有R的矩阵映射,修正聚类划分后的邻接矩阵Au,以准确反应所有叶节点的区段位置。由邻接矩阵Au获得的效果如图6所示,其中,以区段的上游节点作为叶节点的邻接点,并作为线路区段的编号。结合邻接矩阵Au、Ab,构建完整的多层网络拓扑,并与图2中真实的拓扑结构进行对比,验证了本技术发明所提供方法的有效性与可行性。
这里说明的设备数量和处理规模是用来简化本发明的说明的,对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,包括以下步骤:
S1、根据低压配网呈现放射式树状结构的特点,将多层拓扑结构的辨识问题转化为图论中邻接矩阵的求解;
S2、对馈线单元和分支单元的有功功率时间序列进行频域滤波,用于特征提取;
S3、基于突显的特征采用相关性分析的方法获得上述单元的上下游与并行关系;
S4、结合节点的电压幅值特性,实现用户邻近单元的辨识,确定用户与孤立子网络的对应关系;
S5、在考虑数据误差的同时,对孤立子网络的线路区段与用户的有功功率序列进行线性变换,并通过回归分析确定用户所属的线路区段,实现多层拓扑结构的构建。
2.如权利要求1所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,所述步骤S1包括结合图论知识,划分节点属性;根据用电采集设备在树状网络中的位置关系,依次将变压器、馈线和分支单元、用户划分为根节点、内部节点、叶节点,基于上述节点集的有功功率、电压幅值量测数据,通过逐步求解节点的邻接矩阵构建网络拓扑。
3.如权利要求2所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,所述步骤S2包括进行内部节点层次关系的辨识,依据节点功率初始化内部节点的邻接矩阵Ab,利用快速傅里叶变换FFT、反向快速傅里叶变换IFFT对有功功率序列进行频域滤波,滤波过程中选择高频随机分量作为特征矢量。
4.如权利要求3所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,所述步骤S3包括基于所述特征矢量显著性变化、波动特征进行相似性匹配,通过不断地更新邻接矩阵Ab获得内部节点的上下游与并行关系。
5.如权利要求4所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,包括初始化内部节点的邻接矩阵,假设馈线单元和分支单元数量分别为nk、nf,内部节点总数则为nkf=nk+nf;计算各个分支单元所有时刻的三相总有功功率,并按从大到小的次序对其排序得到{bf}(f=1,2,…,nf),即b1≥b2≥…≥bnf;定义馈线单元的三相总有功功率数组为{bk}(k=1,2,…,nk);基于数组b=[{bk},{bf}]进行节点功率数值的比较,形成初始的邻接矩阵Ab(nkf×nkf),如下所示:
6.如权利要求5所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,包括进行有功功率时间序列的频域滤波,依次将内部节点同一时刻A/B/C三相的有功功率累加,得到内部节点的有功功率矩阵Pb=[Pb(1),…,Pb(nk),…,Pb(nkf)]T(nkf×N),式中,N表示数据长度,XT表示矩阵X的转置;从频域角度审视有功功率时间序列Pb(i)并进行频谱分析,利用FFT将内部节点的能耗行为分解为低频稳定分量和高频随机分量,其中,低频稳定分量为节点共有特性,高频随机分量代表内部节点独特的能耗特性,利用IFFT将有效频谱由频域变换到时域;对Pb频率滤波后,可得到高频有功功率矩阵如下所示:
7.如权利要求6所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,包括进行特征提取,基于高频随机分量提取嵌入在序列中的特征;以不同时间间隔的功率变化表征时序数据的统计特征,利用基本的数学统计方法,提取有功功率时间序列蕴含的显著性变化特征、波动特征;
显著性变化特征是指在相同的时间间隔内所分析节点的有功功率变化特征明显高于其余待识别节点的有功功率变化特征的总和,如下所示:
式中,|VPhpc|为节点p第c(c=1,2,…,Nc)次有功功率变化的绝对值;λ应取不小于1的数,因此可选取λ=1.05;VPhic表示第c次节点i相应的有功功率变化值;
提取显著性变化特征信息后,特征矢量仍表现出较长的列数,为了提升后续相似性匹配的性能,通过提取时间序列的波动特征实现数据约简,如下所示:
式中,cov(X,Y)为X和Y的协方差;σX为X的标准差;ρ的取值介于-1到1之间,其值越大表明正相关性越高;节点p对应的行中,所有满足的q节点对应的集合记为{qi},分别计算节点p与各集合元素的ρ,相关系数最大的节点q即为节点p的父节点;对邻接矩阵Ab中节点p对应的行以及公式(4)中的进行修正,以便后续能够通过辨识其兄弟节点的方式,获取节点的并行关系,修正公式如下:
9.如权利要求8所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,所述步骤S4包括结合电压幅值相关性和积分特性,通过辨识叶节点邻近的内部节点,确定叶节点与孤立子网络的对应关系,实现叶节点的聚类划分,具体包括以下步骤:
S41、确定孤立子网络,在拓扑连接方面,馈线单元作为一级分支点,其位置关系明确,加之A/B/C相在拓扑连接方面相互解耦;因此,可将每条馈线的每一相A/B/C作为一个孤立子网络,连接在本孤立子网络下的用户作为本网络的叶节点;
S42、实现叶节点的聚类划分,设台区叶节点数量为nu,孤立子网络数量一般为3nk,分支节点未缺相运行时,内部节点的A/B/C三相总数量为3nkf;通过叶节点和内部节点各相的电压幅值序列求解叶节点的邻接矩阵Au(nu×3nkf),即按照公式(8)计算叶节点i与内部节点任意相节点j(j=1,2,…,3nkf)的相关系数ρ(Ui,Uj),式中,Ui、Uj分别是叶节点i、相位节点j的电压幅值序列;其中,相关系数最大的节点j即为叶节点i最相关的相位节点,即对于两个相邻的节点,上游节点的电压幅值通常大于下游节点,通过积分特性甄别出叶节点与最相关的内部节点的上下游关系,进一步提高聚类分割的能力,如下所示:
10.如权利要求9所述的一种基于数据驱动的台区多层拓扑结构辨识方法,其特征在于,所述步骤S5包括孤立子网络中的线路区段与其所连叶节点在逻辑上存在功率加和关系,且不依赖于时序序列的波动性,可以准确地反映线路区段与叶节点的对应关系,具体包括以下步骤:
S51、建立父子节点辨识模型,在任意一个孤立子网络中,依据邻接矩阵Ab,通过上下游节点同相的有功功率相减计算线路区段的有功功率,在剔除未连接叶节点的线路区段的基础上,将线路区段的有功功率定义为父节点功率矩阵Pl(nl×N),nl为父节点数量,结合上述邻接矩阵Au和叶节点的有功功率,定义该孤立子网络下的叶节点有功功率矩阵为子节点功率矩阵Ph(nh×N),nh为子节点数量,父子节点总数记为nlh=nl+nh;
式中,μloss为理论线路损耗的均值;
S53、求解模型,确定孤立子网络中父子节点的对应关系,利用线性变换中的奇异值分解SVD对进行降维,在实现数据压缩的同时保证后续回归矩阵的维数为(nl×nh);紧接着,对特征向量U2m进行反变换,计算nl×nlh维的约束矩阵C;
S54、通过回归矩阵的映射,辨识拓扑结构,重复上述步骤S51)-S53),计算所有孤立子网络的R;通过回归矩阵的映射,修正叶节点的邻接矩阵Au,实现所有叶节点所属区段的定位,结合邻接矩阵Au、Ab,构建完整的网络拓扑,从而实现台区的多层拓扑结构辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550144.4A CN113094862B (zh) | 2021-05-20 | 2021-05-20 | 一种基于数据驱动的台区多层拓扑结构辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550144.4A CN113094862B (zh) | 2021-05-20 | 2021-05-20 | 一种基于数据驱动的台区多层拓扑结构辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094862A CN113094862A (zh) | 2021-07-09 |
CN113094862B true CN113094862B (zh) | 2022-08-23 |
Family
ID=76664410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110550144.4A Active CN113094862B (zh) | 2021-05-20 | 2021-05-20 | 一种基于数据驱动的台区多层拓扑结构辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094862B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444238B (zh) * | 2022-01-25 | 2024-08-09 | 西安理工大学 | 基于宽带信号能量流模型的配电网拓扑识别方法 |
CN115098745A (zh) * | 2022-06-06 | 2022-09-23 | 浙大城市学院 | 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法 |
CN114885234B (zh) * | 2022-07-11 | 2022-09-09 | 山东美丽乡村云计算有限公司 | 基于物联网的景区服务设备异常检测方法 |
CN116317094B (zh) * | 2022-09-07 | 2024-03-19 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110289613A (zh) * | 2019-06-17 | 2019-09-27 | 湖南大学 | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218581A (zh) * | 2014-09-24 | 2014-12-17 | 国家电网公司 | 一种利用量测数据校验配电网拓扑结构的方法 |
CN110866735B (zh) * | 2019-11-13 | 2024-01-23 | 广东电网有限责任公司 | 利用gis模型定位配网线路联络点开关方法、系统和可读存储介质 |
CN111917188A (zh) * | 2020-08-11 | 2020-11-10 | 南方电网数字电网研究院有限公司 | 配电台区监测装置、配电台区拓扑识别系统和方法 |
CN112600191B (zh) * | 2020-10-29 | 2023-08-04 | 河北工业大学 | 基于非线性回归的低压配电网参数和拓扑联合辨识方法 |
CN112510707B (zh) * | 2020-12-09 | 2021-09-03 | 国网浙江省电力有限公司电力科学研究院 | 一种配电台区电力阻抗拓扑图生成方法及系统 |
-
2021
- 2021-05-20 CN CN202110550144.4A patent/CN113094862B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110289613A (zh) * | 2019-06-17 | 2019-09-27 | 湖南大学 | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113094862A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094862B (zh) | 一种基于数据驱动的台区多层拓扑结构辨识方法 | |
Yang et al. | Fault diagnosis for energy internet using correlation processing-based convolutional neural networks | |
CN108280552B (zh) | 基于深度学习的电力负荷预测方法和系统、存储介质 | |
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 | |
CN114219147B (zh) | 一种基于联邦学习的配电站故障预测方法 | |
Munshi et al. | Photovoltaic power pattern clustering based on conventional and swarm clustering methods | |
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 | |
CN109842373A (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
Pham et al. | A novel short-term load forecasting method by combining the deep learning with singular spectrum analysis | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
CN116703183A (zh) | 一种新型配电网系统用电负荷评估方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
Mahdi et al. | Defensive islanding using self-organizing maps neural networks and hierarchical clustering | |
Wang et al. | Singular value decomposition‐based load indexes for load profiles clustering | |
CN114626487A (zh) | 基于随机森林分类算法的线变关系校核方法 | |
Bui et al. | A statistical data-filtering method proposed for short-term load forecasting models | |
Priyadarshini et al. | Detection of islanding and non-islanding fault disturbances in microgrid using LMD and deep stacked RVFLN based auto-encoder | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
CN115600494A (zh) | 一种低压台区拓扑自动识别方法及装置 | |
CN114912545A (zh) | 基于优化vmd算法和dbn网络的电力负荷分类方法 | |
CN112270273A (zh) | 基于gcn和wpt-md的风力发电机故障部位识别方法 | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
Yildiz et al. | Distributed distance estimation for manifold learning and dimensionality reduction |
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 |