一种考虑关键特征选择的配电网拓扑辨识方法

本发明涉及一种考虑关键特征选择的配电网拓扑辨识方法，属于配电网拓扑辨识领域。

背景技术：

1、由于风电、光伏大规模并网，系统不确定性不断增强，配电网的安全稳定运行状态受到了严峻的挑战。为了应对各种新能源接入的不确定性，需要对配电网进行实时的拓扑重构，以保证配电网的安全稳定运行。配电网的拓扑辨识工作可以为后续潮流计算、状态估计、容量分配、故障定位等工作提供结构信息。因此，开展具有高精度、高效率的含分布式能源(distributed generation,dg)配电网的拓扑辨识可以更好地对配电网进行管理。

2、在配电网拓扑辨识方面，h.wu等利用一种电网拓扑生成对抗网络模型，用于识别网络或径向结构的配电网拓扑；李克明等提出了一种基于动态时间弯曲距离和聚类分析的台区拓扑辨识方法；j.zhang提出了一种基于有功/无功功率注入和电压幅值数据来估计开环配电网导纳矩阵的方法；刘超等提出了一种基于高级量测体系潮流匹配的辐射状中压配电网两阶段拓扑辨识方法；萧展辉等利用混合整数线性优化模型对系统进行拓扑辨识。此外，部分学者利用量测装置对配电网的拓扑进行辨识,v.l.srinivas等提出了一种利用安装在配电网不同位置的智能电表和微相位测量单元获得的测量值来识别配电网拓扑；x.wang等提出一种可以利用同步相量量测装置(phasor measurement unit,pmu)提取出的信息实时估计系统动态矩阵，从而对网络拓扑变化进行辨识。但在实际运行中，由于运行成本的约束，难以在所有节点安装量测仪器，因此，j.zhang等提出了一种在没有电压相角信息的情况下识别拓扑和估计线路参数的方法。上述方法在拓扑结构识别过程中或基于电网元件连接关系和开关状态信息，或需要进行状态估计、复杂的潮流计算，在电网实际运行过程中，状态频繁变化的开关占少数，且开关存在拒动、误动或检测错误的情况，状态估计与潮流计算将耗费大量的时间，影响电网拓扑识别效率。

3、基于上述问题，以机器学习为代表的人工智能算法被广泛运用到配电网拓扑辨识中，董宸等将电网拓扑结构识别归结为寻求盒子与小球全局最优组合问题，利用免疫智能算法对模型进行求解；蒋玮等提出了一种基于深度神经网络的配电变压器联络关系辨识方案，通过特征提取、模型优化和集成学习等策略，训练出具有在线拓扑辨识能力和鲁棒性的深度神经网络模型；陈碧云等提出一种基于初步拓扑辨识和潮流匹配的双层配电网拓扑辨识模型；杨秀等利用注意力机制和卷积神经网络进行拓扑辨识；任鹏哲等通过贝叶斯网络拟合配电网拓扑、光伏、负荷及测量电压的非线性关系，提高拓扑识别的泛化能力；邵晨颖等提出一种基于生成对抗网络与局部电流相量的配电网拓扑辨识方法；潘毓笙等提出了一种基于两阶段特征选择和格拉姆角场的配电网拓扑辨识方法。

4、上述使用人工智能算法进行配电网拓扑辨识的研究中，所需的量测数据量很大，大部分文献在采集dg节点的数据时假设dg出力服从概率分布，只考虑了风光的不确定性，未考虑其相关性，可能造成计算误差，对配电网的管理将产生一定影响；另外，由于成本等因素的限制，现代量测设备如pmu等虽然能够减小数据量测误差但并未在实际配电网中广泛应用，只在关键节点安装量测装置，然而上述研究为保证方法的有效性与适应性，一般需要所有节点的量测信息，不符合配电网量测装置有限的情况。

5、鉴于此，本发明在构建配电网拓扑模型时考虑风光不确定性和相关性，基于rf和mic进行特征选择，利用ba-bp算法对配电网拓扑模型进行辨识。首先，根据华东地区某新能源场站的实际数据利用frank-copula函数生成风光出力场景，与配电网不同拓扑相结合构建量测数据集。其次，通过rf给量测特征进行重要度排序并根据mic删除含冗余的特征，筛选出拓扑辨识的关键特征。再次，利用ba优化bp神经网络模型对配电网拓扑模型进行辨识。最后，通过ieee33、pg&e69配电网对所提模型进行验证。

技术实现思路

1、本发明提供了一种考虑关键特征选择的配电网拓扑辨识方法，以用于解决随着高比例分布式能源的接入，配电网的拓扑变化更加频繁，含dg的配电网拓扑辨识所需量测特征多、辨识准确率低的问题。

2、本发明的技术方案是：一种考虑关键特征选择的配电网拓扑辨识方法，所述方法的具体步骤如下：

3、step1、基于frank-copula函数得到典型风光出力场景，与配电网不同拓扑相结合构建量测数据集；

4、step2、通过随机森林(random forest,rf)给量测特征进行重要度排序并根据最大互信息系数(maximal information coefficient,mic)删除含冗余的特征，筛选出拓扑辨识的关键特征；

5、step3、使用蝙蝠算法(bat algorithm,ba)优化神经网络(back propagation,bp)模型，对配电网的拓扑进行辨识。

6、作为本发明的进一步方案，所述step1的具体步骤是：

7、step1.1、采集n天风光出力的实际数据，基于非参数核密度估计法生成每个时段的风光出力概率密度函数，具体公式如式(1)所示：

8、

9、式中：：为t时段风机出力的概率密度函数、为t时段光伏出力的概率密度函数；t＝1,2,…,24，表示24个时段；xt、yt分别为t时段风机与光伏出力；xdt、ydt分别为第d天t时段风机与光伏出力；h为带宽；k(.)为高斯核函数，即

10、

11、step1.2、根据概率密度函数求出其累积分布函数和基于frank-copula函数建立每个时段的风光出力联合分布函数：

12、

13、式中：c为二维frank-copula函数，即：

14、

15、式中：λt为相关系数，λt∈(-1,1)且λt≠0。

16、step1.3、根据每个时段的联合概率分布函数，进行采样得到n组随机采样结果，利用采样结果和风光的联合概率分布函数反变换，得到每个时段的风机和光伏出力，将得到的每个时段的风机和光伏出力组合起来，生成一天的曲线，即典型日曲线。

17、step1.4、由于采样数n较大，为了简化分析和计算，采用k-means聚类对考虑到风光不确定性和相关性的风光场景采样结果进行筛减；

18、step1.5、将典型风光场景出力数据注入配电网中，与配电网的不同拓扑相结合构建量测数据集。

19、作为本发明的进一步方案，所述step2的具体步骤是：

20、step2.1、利用随机森林rf对初始量测特征进行重要度选择，rf进行特征选择的公式如式(5)所示：

21、

22、式中：n表示随机森林的决策树数量；erroob1表示袋外数据误差；erroob2表示加入噪声干扰后的袋外数据误差。

23、step2.2、根据特征重要性筛选出的量测特征可能会包含部分冗余信息，所以本发明引入mic对节点电压幅值量测特征进行相关性分析，筛选出对拓扑辨识最重要且不含冗余的关键特征：

24、

25、式中：x,y为两节点所有时间断面量测值的集合；a,b分别为x,y方向上划分的网格数，且ab<b；b为网格数的上限；i(x,y)为互信息值，即

26、

27、式中：p(x)，p(y)分别为x和y的边缘分布概率；p(x,y)为x和y的联合分布概率。

28、作为本发明的进一步方案，所述step3的具体步骤是：

29、step3.1、bp神经网络模型在网络理论与性能方面都已较为成熟，但是仍存在学习速度慢、容易陷入局部极小值等缺陷，为克服此问题，本发明引入ba对bp神经网络模型进行优化。

30、ba的主要参数如下：

31、(1)蝙蝠的脉冲频率更新公式：

32、fi＝fmax+(fmax-fmin)β                       (8)

33、式中：fi为第i只个体探寻目标时的脉冲频率；fmax、fmin为蝙蝠的最大、最小脉冲频率；β为[0,1]内均匀分布的随机数。

34、(2)蝙蝠的飞行速度更新公式：

35、vit＝vit-1+(xit-1-x*)fi                        (9)

36、式中：vit、vit-1分别为第i只个体在t时刻和t-1时刻的飞行速度；xit-1为个体i在t-1时刻的位置；x*全局最优值下蝙蝠所处的位置。

37、(3)蝙蝠的位置更新公式：

38、xit＝xit-1+vit                          (10)

39、(4)蝙蝠搜寻猎物时的音量和脉冲频度的更新公式：

40、ait+1＝αait                           (11)

41、rit+1＝ri0(1-e-λtt)                         (12)

42、式中：ait为t时刻个体i的脉冲音量；响度衰减系数α为[0,1]；ri0为最大脉冲频度；λ为t时刻的频度增加系数，取值大于0。

43、使用ba优化bp神经网络的权值和阈值参数，ba优化的适度值函数为

44、

45、式中：l表示样本个数；ypi,j、yi,j分别表示i个样本对应输出点的预测值和实际值。

46、step3.2、将采集到的实时断面量测数据输入到训练好的模型中，对断面拓扑进行辨识；考虑评测结果的准确性和有效性，选取分类问题中常用的准确率acc、查准率pre和召回率rec来进行模型评估，具体公式如式(14)-(16)所示

47、

48、式中：t为全部正确分类的样本量；n1为样本总数；tp表示分类为正的正样本；fp表示分类为正的负样本；fn表示分类为负的正样本。

49、本发明的有益效果是：

50、(1)根据输入特征与准确率之间的关系，利用关键性节点的量测数据即可实现拓扑辨识，降低了原始数据集的数据维度且符合实际配电网中量测装置有限的情况。

51、(2)基于rf计算量测数据的重要性，通过mic判定不同量测数据的相关性，可以指导筛选对拓扑辨识最重要且不含冗余的关键特征，能够给配电网配置量测数据提供参考。

52、(3)本发明所构建的基于ba-bp的配电网拓扑辨识模型不仅适用于辐射状网络，同时也适用于环网；相较于ga-bp和pso-bp算法，ba-bp算法在不同规模的配电网中具有更高的准确率以及更好的抗噪能力。