CN117175546A - 基于图形化建模的分布式能源配电网拓扑识别方法和介质 - Google Patents
基于图形化建模的分布式能源配电网拓扑识别方法和介质 Download PDFInfo
- Publication number
- CN117175546A CN117175546A CN202310994233.7A CN202310994233A CN117175546A CN 117175546 A CN117175546 A CN 117175546A CN 202310994233 A CN202310994233 A CN 202310994233A CN 117175546 A CN117175546 A CN 117175546A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- distributed energy
- distribution network
- value
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002347 injection Methods 0.000 claims abstract description 76
- 239000007924 injection Substances 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 229920002148 Gellan gum Polymers 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于图形化建模的分布式能源配电网拓扑识别方法和介质。该方法包括：获取分布式能源配电网中节点模型内各节点的相关功率注入值；将各节点的相关功率注入值转化为独立功率注入值，并将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值；通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息，并在最大互信息大于预设值时，确定对应的两节点之间相连，从而实现分布式能源配电网的拓扑识别。本发明能够适应于具有分布式能源的配电网中，且能够提高配电网拓扑识别准确性。
Description
技术领域
本发明涉及配电网拓扑辨识技术领域，尤其涉及一种基于图形化建模的分布式能源配电网拓扑识别方法和介质。
背景技术
电力网络拓扑识别在电力系统运行中起着至关重要的作用，因为它是故障定位和网络重构的基础。目前，已经提出了各种方法来解决状态估计框架下的输电网络拓扑识别问题。但是，随着分布式能源的激增，对配电系统运行提出了更高的要求。其中，包括通过优化各种分布式能源的控制方法来提高配电系统运行的可靠性和经济性。此外，对配电系统运行有显著影响的配电网络拓扑识别现在也引起了额外的关注。由于分布式能源具有很强的随机性，所以对电力系统调度物理模型的精确建模提出了极大的挑战。
从广义上讲，配电网拓扑识别方法分为模型驱动和数据驱动两种。模型驱动方法是从状态估计方法发展而来的。尽管基于状态估计的方法具有很高的可解释性，但模型驱动方法可能会陷入模型不准确的情况。与模型驱动方法不同，数据驱动方法通过从测量数据中挖掘信息来解决拓扑识别问题，而不是建立特定的配电网模型。随着智能电表和相量测量单元的快速发展，通过利用智能传感器收集的测量数据进行拓扑识别成为可能，由于数据驱动方法不依赖于数学模型，并且能够捕获测量数据与网络拓扑之间的关系，因此它们消除了不准确的模型造成的错误，并适应于分布式能源的灵活集成。所以，数据驱动方法在解决配电网拓扑识别问题中表现出了优异的性能。
然而，在大多数研究中，假设配电网节点功率注入是相互独立的，且节点电压大小服从高斯分布，这限制了数据驱动方法在具有分布式能源的配电网中的应用。事实上，由于天气条件相似，相邻的分布式能源的输出功率具有很强的相关性，这影响了节点电压幅值的联合概率分布，然而忽略这些相关性将导致拓扑识别结果不准确。因此，目前的数据驱动方法无法适应于具有分布式能源的配电网中，且无法提高配电网拓扑识别准确性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供一种基于图形化建模的分布式能源配电网拓扑识别方法，该方法能够适应于具有分布式能源的配电网中，且能够提高配电网拓扑识别准确性。
本发明的第二个目的在于提供一种计算机可读存储介质。
本发明的第三个目的在于提供一种电子设备。
本发明的第四个目的在于提供一种计算机程序产品。
为达到上述目的，本发明通过以下技术方案实现：
一种基于图形化建模的分布式能源配电网拓扑识别方法，包括：
步骤S1：获取分布式能源配电网中节点模型内各节点的相关功率注入值；
步骤S2：将各节点的相关功率注入值转化为独立功率注入值，并将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值；
步骤S3：通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息，并在所述最大互信息大于预设值时，确定对应的两节点之间相连，从而实现分布式能源配电网的拓扑识别。
优选的，所述步骤S2中，将各节点的相关功率注入值转化为独立功率注入值的步骤包括：
步骤S21：确定各节点的相关功率注入值对应的协方差矩阵；
步骤S22：对各协方差矩阵进行乔莱斯基分解，得到乔莱斯基分解量；
步骤S23：根据所述乔莱斯基分解量和各节点的相关功率注入值得到各节点的训练样本；
步骤S24：将各节点的训练样本转化为独立正态分布形式，得到呈独立正态分布的训练样本集合；
步骤S25：根据所述乔莱斯基分解量和所述训练样本集合得到各节点的测试样本集合。
优选的，对各协方差矩阵进行求和，并设置各协方差矩阵的权重，所述方法还包括：通过对各协方差矩阵进行乔莱斯基分解对各协方差矩阵的权重进行更新。
优选的，设定第一节点电压变量和第二节点电压变量，所述动态均分最大信息系数算法为：
分别对所述第一节点电压变量和所述第二节点电压变量进行均匀分割；在均匀分割后，分别计算所述第一节点电压变量和所述第二节点电压变量对应的边际概率分布以及所述第一节点电压变量和所述第二节点电压变量的联合概率分布；分别计算两边际概率分布对应的香农熵和所述联合概率分布对应的联合熵，并根据所述香农熵和所述联合熵计算得到两节点电压的互信息值。
优选的，所述步骤S3中，通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息的步骤包括：根据任意两节点的节点电压值分别计算得到对应的边际概率分布以及联合概率分布；分别计算两边际概率分布对应的香农熵和所述联合概率分布对应的联合熵，并根据所述香农熵和所述联合熵计算得到两节点电压的互信息值，并从所述互信息值中确定出最大互信息。
优选的，所述神经网络为基于注意力机制的神经网络。
为达到上述目的，本发明第二方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的基于图形化建模的分布式能源配电网拓扑识别方法。
为达到上述目的，本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述所述的基于图形化建模的分布式能源配电网拓扑识别方法。
为达到上述目的，本发明第四方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现上述所述的基于图形化建模的分布式能源配电网拓扑识别方法。
本发明至少具有以下技术效果：
本发明通过将各节点的相关功率注入值转化为独立功率注入值，然后将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值，最后通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息，并在所述最大互信息大于预设值时，确定对应的两节点之间相连，从而实现分布式能源配电网的拓扑识别，本发明充分考虑了节点功率注入数据的相关性，并通过最大互信息确定节点电压之间的依赖关系，从而确定节点之间的连接关系，进而可提高配电网拓扑识别准确性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明实施例的基于图形化建模的分布式能源配电网拓扑识别方法的流程图。
图2为本发明实施例的电子设备的实体结构示意图。
具体实施方式
下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本实施例的一种基于图形化建模的分布式能源配电网拓扑识别方法和介质。
图1为本发明实施例的基于图形化建模的分布式能源配电网拓扑识别方法的流程图。如图1所示，该方法包括：
步骤S1：获取分布式能源配电网中节点模型内各节点的相关功率注入值。
需要说明的是，分布式能源配电网中节点模型内各节点包括相关节点和独立节点。例如，节点1和节点2相连，节点2还与节点3和节点4相连，则节点1为独立节点，节点2为相关节点。
本实施例中，可获取分布式能源配电网中节点模型内相关节点的功率注入值，该功率注入值即为相关功率注入值。可以理解的是，独立节点的功率注入值无需进行转化，可直接输入神经网络即可得到独立节点电压值。所以，本实施例中主要对相关功率注入值进行转化得到独立功率注入值，然后进行后续步骤，由此使得该方法充分考虑了节点功率注入数据的相关性，即未忽视功率数据相关性，从而可提高拓扑识别结果的准确性。
步骤S2：将各节点的相关功率注入值转化为独立功率注入值，并将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值。
所述步骤S2中，将各节点的相关功率注入值转化为独立功率注入值的步骤包括：
步骤S21：确定各节点的相关功率注入值对应的协方差矩阵。
在确定各节点的相关功率注入值对应的协方差矩阵之前，先将获取的节点注入的相关功率注入值转化为标准正态分布形式，并记为pn,i，n表示节点数，i表示第i个节点，pn,i表示第i个节点注入的相关功率注入值转化为标准正态分布形式后的数据。将获取的各节点注入的相关功率注入值均转化为标准正态分布形式，则得到集合pn，pn＝{pn,1,pn,i,...pn,N}，其中，N表示节点总数。
本实施例中，可确定pn,i的协方差矩阵，由此可得到所有节点相关功率注入值对应的协方差矩阵。可以理解的是，pn,i为第i个节点注入的相关功率注入值对应的标准正态分布形式。
步骤S22：对各协方差矩阵进行乔莱斯基分解，得到乔莱斯基分解量。
本实施例中，可采用下述公式对各协方差矩阵进行乔莱斯基分解：
pn＝LLT (1)
其中，L为乔莱斯基分解量，其为下三角矩阵。
需要说明的是，在确定各节点的相关功率注入值对应的协方差矩阵后，还对各协方差矩阵进行求和，并设置各协方差矩阵的权重，然后在对各协方差矩阵进行乔莱斯基分解时，同时对各协方差矩阵的权重进行更新。其中，通过对各协方差矩阵加权可提高协方差矩阵的确定速度。
步骤S23：根据乔莱斯基分解量和各节点的相关功率注入值得到各节点的训练样本。
本实施例中，可根据乔莱斯基分解量和各节点的相关功率注入值的标准正态分布形式得到各节点的训练样本。
具体的，可采用下述公式得到各节点的训练样本：
其中，pt为各节点的训练样本。
步骤S24：将各节点的训练样本转化为独立正态分布形式，得到呈独立正态分布的训练样本集合。
例如，可将各节点的训练样本pt转化为pc，其中，pc＝{pc,1,pc,2,pc,3...pc, i...pc,N}，pc表示呈独立正态分布的训练样本集合，pc,i表示第i个节点的训练样本的独立正态分布。
步骤S25：根据乔莱斯基分解量和训练样本集合得到各节点的测试样本集合。
本实施例中，可根据下述公式得到各节点的测试样本集合：
ps＝L-1pc T (3)
其中，ps为各节点的测试样本集合，ps＝{ps,1,ps,2,ps,3...ps,i...ps,N}。由此，可转化得到各节点的独立功率注入值。
进一步的，可将各节点的独立功率注入值输入至基于注意力机制的神经网络，得到各节点独立功率注入下的节点电压值。
需要说明的是，神经网络的输入可为独立节点的功率值和电压值，然后转化为独立节点功率注入下的电压值。神经网络的输入也可为相关节点的功率值和电压值，然后转化为相关节点功率注入下的电压值。本实施例中，是将相关节点的相关功率注入值转化为独立功率注入值，并将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值。对于独立节点，可直接通过神经网络将独立功率注入值转化为独立功率注入下的节点电压值。
步骤S3：通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息，并在最大互信息大于预设值时，确定对应的两节点之间相连，从而实现分布式能源配电网的拓扑识别。
本实施例中，可设定第一节点电压变量和第二节点电压变量，该动态均分最大信息系数算法为分别对第一节点电压变量和第二节点电压变量进行均匀分割；在均匀分割后，分别计算第一节点电压变量和第二节点电压变量对应的边际概率分布以及第一节点电压变量和第二节点电压变量的联合概率分布；分别计算两边际概率分布对应的香农熵和联合概率分布对应的联合熵，并根据香农熵和联合熵计算得到两节点电压的互信息值。
具体而言，可采用动态均分法分别对第一节点电压变量和第二节点电压变量进行均匀分割，分别划分为k块和r块，并在散点图中绘制得到一个k×r网格。本步骤相当于设定两个电压变量，然后对两变量数据进行分割得到一个网格棋盘。
进一步的，分别计算第一节点电压变量和第二节点电压变量的边际概率分布P(xm1),(m1＝1,2,…,k)和P(ym2),(m2＝1,2,…,r)，以及联合概率分布P(xm1,ym2)。然后，分别采用如下公式计算香农熵和联合熵：
其中，H(P)和H(Q)分别为两边际概率分布对应的香农熵，H(P,Q)为两边际概率分布的联合熵。
进一步的根据下述公式计算得到两节点电压的互信息值，即确定两节点在网格棋盘的落点位置：
I(P；Q)＝H(P)+H(Q)-H(P,Q) (7)
其中，I(P；Q)为互信息值。
由此，通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息的步骤包括：根据任意两节点的节点电压值分别计算得到对应的边际概率分布以及联合概率分布；分别计算两边际概率分布对应的香农熵和联合概率分布对应的联合熵，并根据香农熵和联合熵计算得到两节点电压的互信息值，并从互信息值中确定出最大互信息。
本实施例中，可将神经网络输出的多节点独立功率注入下的节点电压值中的任意两个节点电压值代入至上述公式求解出任意两个节点的互信息，即确定任意两个节点在网格棋盘中的落点位置。需要说明的是，由于各节点电压值为概率分布形式，所以其可能落点在网格棋盘中的各个不同位置，所以会求出多个不同的互信息值。然后，通过数据确定出最大互信息，即得到任意两节点之间的最大互信息。当最大互信息大于预设值时，则可确定该两节点互连，对多个节点进行相同算法，从而可实现分布式能源配电网的拓扑识别。
在测试结果中，最大互信息越大的节点在推断的拓扑结构中更容易连通。本实施例中，动态均分最大信息系数算法在评估非正态分布随机变量之间的依赖关系时具有更强的鲁棒性。其中，通过前述的去除节点功率注入之间的相关性的步骤，可以提高拓扑识别的精度，与常用的数据驱动方法相比，该方法可以获得更准确的配网拓扑识别结果。
进一步的，在确定分布式能源配电网的拓扑后，还可建立拓扑识别准确度的阈值函数，其表达式为：
其中，F1表示对于拓扑辨识的准确性评价分数，P表示精度率，即推断拓扑中边缘边数的比例与存在于实际拓扑中边数的比值；R表示反精度率，即推断拓扑中实际拓扑中边数与边缘边数的比值。
本实施例中，可通过上述公式(8)对确定分布式能源配电网的拓扑的准确性进行评价。
本发明提供了一种考虑节点功率注入相关性的数据驱动配电网拓扑识别方法，本发明仅使用节点电压量级测量来描述节点之间的连接，并没有建立详细的配电系统模型。
具体的，本发明将非独立节点即相关节点的相关功率注入值转化为独立节点的独立功率注入值，并将独立功率注入值输入至代表配电系统潮流的基于注意力机制的神经网络，然后得到独立功率注入下的节点电压值，从而可消除节点功率注入之间的相关性对电压大小的影响，仅由网络拓扑影响不同节点电压大小之间的依赖性。之后，利用动态均分最大信息系数算法来评估不同节点电压大小之间的依赖关系，再通过该依赖关系确定相应的节点之间是否连接。
本发明基于注意力机制的神经网络算法通过注意力机制能够以高权重去聚焦重要信息，以低权重去忽略不相关信息，并且还可以不断调整权重，使得在不同的情况下也可以选取重要的信息，因此具有更高的可扩展性和鲁棒性。在拓扑结构复杂的情况下，有限的计算资源使得训练时间十分漫长。因此，本发明在神经网络算法中引入注意力机制，通过对神经网络的加权计算，大大节约了计算机资源。
综上所述，本发明通过将各节点的相关功率注入值转化为独立功率注入值，然后将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值，最后通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息，并在所述最大互信息大于预设值时，确定对应的两节点之间相连，从而实现分布式能源配电网的拓扑识别，本发明充分考虑了节点功率注入数据的相关性，并通过最大互信息确定节点电压之间的依赖关系，从而确定节点之间的连接关系，进而可提高配电网拓扑识别准确性。
图2示例了一种电子设备的实体结构示意图。如图2所示，该电子设备可以包括：处理器(processor)210、通信接口(Communications Interface)220、存储器(memory)230和通信总线240，其中，处理器210、通信接口220、存储器230通过通信总线240完成相互间的通信。处理器210可以调用存储器230中的逻辑指令，以执行前述的基于图形化建模的分布式能源配电网拓扑识别方法方法。
此外，上述的存储器230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于图形化建模的分布式能源配电网拓扑识别方法。
又一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现以执行上述各方法提供的基于图形化建模的分布式能源配电网拓扑识别方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于图形化建模的分布式能源配电网拓扑识别方法，其特征在于，包括：
步骤S1：获取分布式能源配电网中节点模型内各节点的相关功率注入值；
步骤S2：将各节点的相关功率注入值转化为独立功率注入值，并将各节点的独立功率注入值输入至神经网络得到各节点独立功率注入下的节点电压值；
步骤S3：通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息，并在所述最大互信息大于预设值时，确定对应的两节点之间相连，从而实现分布式能源配电网的拓扑识别。
2.如权利要求1所述的基于图形化建模的分布式能源配电网拓扑识别方法，其特征在于，所述步骤S2中，将各节点的相关功率注入值转化为独立功率注入值的步骤包括：
步骤S21：确定各节点的相关功率注入值对应的协方差矩阵；
步骤S22：对各协方差矩阵进行乔莱斯基分解，得到乔莱斯基分解量；
步骤S23：根据所述乔莱斯基分解量和各节点的相关功率注入值得到各节点的训练样本；
步骤S24：将各节点的训练样本转化为独立正态分布形式，得到呈独立正态分布的训练样本集合；
步骤S25：根据所述乔莱斯基分解量和所述训练样本集合得到各节点的测试样本集合。
3.如权利要求2所述的基于图形化建模的分布式能源配电网拓扑识别方法，其特征在于，对各协方差矩阵进行求和，并设置各协方差矩阵的权重，所述方法还包括：通过对各协方差矩阵进行乔莱斯基分解对各协方差矩阵的权重进行更新。
4.如权利要求1所述的基于图形化建模的分布式能源配电网拓扑识别方法，其特征在于，设定第一节点电压变量和第二节点电压变量，所述动态均分最大信息系数算法为：
分别对所述第一节点电压变量和所述第二节点电压变量进行均匀分割；在均匀分割后，分别计算所述第一节点电压变量和所述第二节点电压变量对应的边际概率分布以及所述第一节点电压变量和所述第二节点电压变量的联合概率分布；分别计算两边际概率分布对应的香农熵和所述联合概率分布对应的联合熵，并根据所述香农熵和所述联合熵计算得到两节点电压的互信息值。
5.如权利要求4所述的基于图形化建模的分布式能源配电网拓扑识别方法，其特征在于，所述步骤S3中，通过动态均分最大信息系数算法对任意两节点的节点电压值进行处理得到任意两节点之间的最大互信息的步骤包括：
根据任意两节点的节点电压值分别计算得到对应的边际概率分布以及联合概率分布；分别计算两边际概率分布对应的香农熵和所述联合概率分布对应的联合熵，并根据所述香农熵和所述联合熵计算得到两节点电压的互信息值，并从所述互信息值中确定出最大互信息。
6.如权利要求1-5中任一项所述的基于图形化建模的分布式能源配电网拓扑识别方法，其特征在于，所述神经网络为基于注意力机制的神经网络。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的方法。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310994233.7A CN117175546A (zh) | 2023-08-08 | 2023-08-08 | 基于图形化建模的分布式能源配电网拓扑识别方法和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310994233.7A CN117175546A (zh) | 2023-08-08 | 2023-08-08 | 基于图形化建模的分布式能源配电网拓扑识别方法和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117175546A true CN117175546A (zh) | 2023-12-05 |
Family
ID=88930925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310994233.7A Pending CN117175546A (zh) | 2023-08-08 | 2023-08-08 | 基于图形化建模的分布式能源配电网拓扑识别方法和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117175546A (zh) |
-
2023
- 2023-08-08 CN CN202310994233.7A patent/CN117175546A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| WO2007050622A2 (en) | Weighted pattern learning for neural networks | |
| CN108228959A (zh) | 利用删失数据估计系统实际状态的方法及应用其的滤波器 | |
| CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
| CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
| CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
| CN117560267A (zh) | 一种多模场域网的故障诊断方法及快速恢复方法 | |
| CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
| CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
| CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
| CN117175546A (zh) | 基于图形化建模的分布式能源配电网拓扑识别方法和介质 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN116108745A (zh) | 水环境模型多参数率定方法、终端设备及存储介质 | |
| CN110929849B (zh) | 一种基于神经网络模型压缩的视频检测方法和装置 | |
| CN112416709A (zh) | 芯片动态功耗估计方法、装置、处理器芯片及服务器 | |
| CN113759709A (zh) | 策略模型的训练方法、装置、电子设备和存储介质 | |
| CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
| CN117786444B (zh) | 电池剩余使用寿命预测方法、装置、设备及存储介质 | |
| CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
| CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
| Benala et al. | Software effort estimation using functional link neural networks optimized by improved particle swarm optimization | |
| CN118012218A (zh) | 一种光伏逆变器的最大功率跟踪方法、装置及电子设备 |
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 |