【技術實現步驟摘要】
本專利技術涉及配電網拓撲及參數辨識，具體涉及基于潮流圖卷積網絡的拓撲參數聯合辨識方法及相關設備。
技術介紹
1、隨著分布式能源、儲能系統等新元素的融入，配電網的結構日益復雜，用戶用電需求也持續擴大。這一趨勢對配電網的規劃管理、安全運行以及狀態監測提出了更高要求。準確的拓撲信息和線路參數是實現配電系統高效規劃與運行的關鍵前提。然而，由于配電系統運營商投資不足，配電系統缺乏必要的狀態監測設備，導致可觀測性較低。加之運營商的粗放式管理、線路改造維護過程中數據更新不及時等因素，配電網中拓撲信息或線路參數缺失及難以準確估計的問題愈發凸顯。
2、隨著先進計量基礎設施的不斷完善，配電系統的可觀測性問題得到了有效緩解，同時這些基礎設施也提供了海量的量測數據，為數據驅動方法的應用奠定了堅實的基礎。數據驅動方法在配電系統的拓撲辨識與參數估計領域已成為研究熱點，主要分為模型類方法和神經網絡方法。
3、模型類方法根據研究范圍可劃分為單一屬性研究和聯合估計研究。單一屬性研究專注于拓撲辨識或線路參數估計。拓撲辨識通常基于節點相關性，而線路參數估計的基本原理為潮流方程。
4、針對于上述問題，現有技術提出了如下方法：通過分析pmu數據特征來檢測配電網拓撲變化；基于能量數據，通過能量守恒和主成分分析推斷配電網拓撲；利用節點電壓數據，提出了基于圖形恢復的拓撲辨識算法；利用馬爾可夫隨機場理論進行節點電壓相關性的分析，并采用最大似然估計法求解拓撲；為實時預測拓撲，提出了一種基于分裂期望最大化的兩階段拓撲識別方法，但該方法對數據完整性
5、實際配電網中拓撲與線路參數的缺失現象往往同時發生，同時實現拓撲辨識和線路參數估計的聯合估計研究，更能滿足實際應用需要?，F有技術基于線性回歸算法求解網絡拓撲，然后按照葉節點到根節點次序估計線路參數?；?，利用線性潮流模型計算節點之間的電阻距離，然后利用遞歸分組算法來恢復拓撲和線路阻抗?；?，基于線性潮流模型構建拓撲標簽矩陣，通過特征聚類辨識拓撲，通過線性回歸估計線路參數?；?，部署少量pmu，通過無跡卡爾曼濾波器與newton-raphson方法迭代求解拓撲與線路參數?；?，利用偽潮流和newton-raphson的迭代方法實現拓撲和線路參數的聯合估計。不幸的是，基于線性潮流模型的近似方法精度有限，newton-raphson迭代法收斂性不穩定，易受初值影響。
6、與傳統方法相比，神經網絡在處理復雜非線性關系上具有顯著優勢，因此受到廣泛關注。目前存在技術將cnn應用于拓撲識別問題，而另一種技術則提出一種基于attentional?and?convolutional?neural?networks(acnn)的配電網拓撲識別方法?；?，基于卷積神經網絡提取pmu數據特征，構建線路參數辨識模型。上述技術將拓撲辨識或者線路參數估計建模為分類或篩選問題，無法應用于拓撲信息和線路參數缺失的配電網。或，聯合圖卷積網絡和全卷積網絡執行輸電網的參數估計任務，無法適應量測裝置缺乏的配電網?；?，提出一種基于深淺層神經網絡的拓撲和參數估計方法，但是該方法需要依據可觀測性水平進行區域劃分，實際應用中面臨挑戰?；?，將配電網拓撲嵌入圖神經網絡，證明了通過梯度下降進行線路參數估計的可行性。上述研究中神經網絡缺乏明確的物理信息，缺乏可解釋性。另外，圖神經網絡的非歐幾里德數據處理優勢未能有效發揮。
7、綜上，現有技術仍存在依賴高成本電壓相角測量的局限。
技術實現思路
1、基于上述
技術介紹
所提出的問題，本專利技術的目的在于提供基于潮流圖卷積網絡的拓撲參數聯合辨識方法及相關設備，本專利技術利用節點相關性原理構建節點相關性矩陣，并提出最小距離迭代算法以生成候選拓撲集合，并將候選拓撲集合作為參數估計模型的圖輸入；基于交流功率流方程的拓撲依賴性和卷積特性，設計了pfgcn網絡用于線路參數估計，通過偽潮流計算與神經網絡訓練的交替迭代過程實現參數精煉；本方法利用訓練收斂性與損失函數值作為反饋，篩選并驗證候選拓撲，最終實現拓撲與參數的聯合準確估計，解決了現有技術仍存在依賴高成本電壓相角測量的局限的問題。
2、本專利技術通過下述技術方案實現：
3、本專利技術第一方面提供了基于潮流圖卷積網絡的拓撲參數聯合辨識方法，包括如下步驟：
4、獲取功率和電壓幅值量測數據，利用所述功率和電壓幅值量測數據構建節點相關性矩陣；
5、利用最小距離迭代算法對所述節點相關性矩陣進行迭代計算，生成候選拓撲集合；
6、建立基于潮流圖卷積網絡的線路參數估計模型，將所述候選拓撲集合輸入至所述線路參數估計模型中進行篩選，得到最終拓撲結構。
7、在上述技術方案中，獲取功率和電壓幅值量測數據，并對獲取數據進行分組處理，為后續的聯合辨識降低了計算復雜度，同時提高拓撲辨識結果的容錯率。將分組處理后的數據通過計算節點間的歐幾里得距離與動態時間規整距離構建節點相關性矩陣，利用最小距離迭代算法生成候選拓撲集合。
8、將線路參數估計問題建模為最小化功率估計誤差的優化問題，并基于交流潮流方程的拓撲依賴性與復值卷積特性建立了線路參數估計模型，考慮到實際量測中電壓相角數據的缺失，在線路參數估計模型中采用偽潮流計算方法對缺失數據予以補充，線路參數估計模型通過偽潮流計算與導納估計迭代計算，以精確估計線路參數。
9、在一種可選的實施例中，利用所述功率和電壓幅值量測數據構建節點相關性矩陣，包括如下步驟：
10、從所述功率和電壓幅值量測數據中提取任意兩組節點電壓數據；
11、計算所述兩組節點電壓數據之間的歐氏距離和ddtw距離，并根據所述歐氏距離和所述ddtw距離建立歐氏距離矩陣和ddtw距離矩陣；
12、將所述歐氏距離矩陣和所述ddtw距離矩陣進行歸一化，利用歸一化后的歐氏距離矩陣和ddtw距離矩陣構建節點相關性矩陣。
13、在一種可選的實施例中，利用最小距離迭代算法對所述節點相關性矩陣進行迭代計算，包括如下步驟：
14、初始化節點池、線路池和節點鄰接矩陣；
15、將所述節點相關性矩陣進行升序排列，得到索引矩陣；
16、遍歷所述索引矩陣，檢查節點間的連接條件，若節點i和節點j滿足所述連接條件，則在所述節點i和所述節點j之間建立連接，并更新所述線路池；
17、檢查最小距離條件，在滿足所述最小距離條件的對應節點之間建立連接，并更新所述線路池；
18、基于更新后的線路池從所述初始化節點池中移除已建立連接的節點；
19、當移除已建立連接的節點后的初始化節點池不為空時，遍歷所述本文檔來自技高網...
【技術保護點】
1.基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，利用所述功率和電壓幅值量測數據構建節點相關性矩陣，包括如下步驟：
3.根據權利要求2所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，利用最小距離迭代算法對所述節點相關性矩陣進行迭代計算，包括如下步驟：
4.根據權利要求1所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，建立基于潮流圖卷積網絡的線路參數估計模型，將所述候選拓撲集合輸入至所述線路參數估計模型中進行篩選，包括：
5.根據權利要求4所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，所述參數估計層由潮流圖卷積網絡構成，其中，所述潮流圖卷積網絡的神經元及神經元的連接關系與基于復值卷積形式的交流潮流方程的運算過程一一對應。
6.根據權利要求4所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，將所述交流潮流方程映射至復值圖卷積框架中，包括：
7.根據權利要求6所述的基
8.基于潮流圖卷積網絡的拓撲參數聯合辨識系統，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至7任一所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7任一所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法。
...【技術特征摘要】
1.基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，利用所述功率和電壓幅值量測數據構建節點相關性矩陣，包括如下步驟：
3.根據權利要求2所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，利用最小距離迭代算法對所述節點相關性矩陣進行迭代計算，包括如下步驟：
4.根據權利要求1所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，建立基于潮流圖卷積網絡的線路參數估計模型，將所述候選拓撲集合輸入至所述線路參數估計模型中進行篩選，包括：
5.根據權利要求4所述的基于潮流圖卷積網絡的拓撲參數聯合辨識方法，其特征在于，所述參數估計層由潮流圖卷積網絡構成，其中，所述潮流圖卷積網絡的神經元及神經元的連接關系與基于復值卷積形式...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。