一种考虑馈线柔性互联的配电网拓扑识别方法

本发明属于配电领域，具体涉及一种考虑馈线柔性互联的配电网拓扑识别方法。

背景技术：

1、sop（智能软开关）接入后在发生故障隔离等情况时sop提供的电压支持等特性可能阻碍停电信息的传输，降低了配电网拓扑可观测性。而将基于数字驱动的改进期望最大化算法应用于含sop配电网的拓扑识别，为解决该问题提供了一种可行技术途径。这方面的现有技术中，有文献提出了一种基于实时测量装置来识别配电网络拓扑的方法，该方法使用功率消耗的期望值及其方差，通过最大似然原则来近似测量值作为正态分布的随机变量，快速计算识别正确拓扑的置信水平，需要假设测量误差较小，在实际应用中难以满足。为了适用于单相、两相和三相线路，有文献提出了一种利用智能电表测量数据自动确定低压系统中的拓扑结构、线路参数以及客户和线路的相位连接的方法，该方法进行了粒度和灵敏度分析，考虑了智能电表数据质量，但需要足够数量及质量的智能电表数据，实际收集时存在一定困难。另有文献提出了一种基于少量线路电流传感器测量和可用的节点功率注入伪测量的拓扑识别算法，使用多个测量快照来提高ti的准确性和对伪测量误差的鲁棒性，但需要精确的电流测量和伪测量，实际应用中可能存在测量误差。

2、已有基于数据驱动的拓扑识别技术中，需要足够的智能电表数据质量和覆盖范围，在实际应用中，由于经济和管理等方面的限制，能使用的数据不多且质量一般，噪声和测量误差等因素也会影算法准确度，且针对的配电网结构较为简单，考虑的因素有限，无法适用于柔性配电网络等场景。

3、配电网作为电网末端，其自动化装置覆盖率低，拓扑可观测弱，影响电网的安全性和可靠性。随着高比例分布式能源的接入，配电网管理变得更复杂。此外，sop的存在会干扰配电网拓扑变化的识别，尤其是在故障隔离后，sop提供的电压支持可能阻碍停电信息的传输。因此，提高sop对配电网拓扑结构的识别能力，解决其状态变化时拓扑结构不清晰的问题，对于新型配电网的稳定运行至关重要。基于数据驱动的配电网拓扑识别研究中，为了准确识别配电网络的拓扑结构，通常需要自动化测量装置辅助或者收集已知拓扑类别的量测数据，然而由于经济和管理等因素自动化装置数量有限，通常实际应用中难以提前知道拓扑类别数量。目前拓扑识别的应用场景多从射状、环形和岛状配置等结构出发，大多未考虑柔性互联配电网中sop造成的影响。

技术实现思路

1、为解决上述技术问题，本发明提供一种考虑馈线柔性互联的配电网拓扑识别方法，提出基于含sop中压配电网基本特征的改进期望最大化拓扑识别方法，其对包含sop的节点对的历史批量数据进行拓扑类别辨识，得到历史标注数据，并根据机器学习方法，利用历史标记数据训练可行的分类器，预测实时拓扑，进行可信度分析和重新识别，提高了柔性中压配电网拓扑的可观测性。

2、为达到上述目的，本发明采用如下的技术方案：

3、一种考虑馈线柔性互联的配电网拓扑识别方法，包括如下步骤：

4、步骤1、构建两阶段拓扑识别框架，把历史数据识别阶段视作第1阶段，一条记录代表某一时间点的节点测量值，矢量包括电压幅值和相位角，矢量包括有功和无功注入；其中，i为第i条记录，j为第j个拓扑类别；把实时识别阶段视作第2阶段；

5、步骤2、采用改进期望最大化算法执行拓扑识别操作后，确定拓扑类别，将其添加到原始记录中，生成历史标记数据；

6、步骤3、在第2阶段，采用第1阶段得到的所有历史标记数据进行机器学习训练生成多个拓扑分类器，使用训练好的分类器对实时测量进行标记，并进行可信度分析，获得可信的标记数据；

7、步骤4、根据可信度分析的结果，将可信的标记数据发送到历史标记数据库中更新分类器的机器学习训练，将不可靠的数据采用贝叶斯递归模型进行重新识别。

8、有益效果：

9、本发明提出基于改进期望最大化算法，能够处理未知数量的拓扑类别，无需预先指定类别数，这是对传统em（期望最大化）算法的重要改进，改进算法采用的分割策略，通过迭代过程中合并和分割拓扑类别，有效处理混合拓扑数据。算法设计了优化的迭代计算过程，减少了计算资源消耗，提高了处理大规模数据集的效率。算法通过历史数据训练分类器，并用于实时数据的预测，同时通过实时数据更新训练模型，实现了历史与实时数据的有效结合。

10、本发明方法对测量数据质量及精度要求不高，适用于目前配电网中普遍收集到的数据，能够处理未知数量的拓扑类别，并有效处理混合拓扑数据。

技术特征：

1.一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，所述步骤2包括：

3.根据权利要求2所述的一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，改进期望最大化算法包括如下步骤：

4.根据权利要求3所述的一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，所述步骤2.4包括：将选定的拓扑类别分裂成两个新的类别，增加拓扑类别数量；如果算法在第轮迭代中决定分裂类别，那么在第k+1轮迭代的e步骤和m步骤中，除了之外的其他拓扑类别的拓扑参数将被固定，不会进行更新，其他拓扑类别包括, , ...,, , ..., ；对于被分裂的类别，其拓扑参数在新的迭代中将被更新，包括调整线路的连接状态、电压幅值、相位角。

5.根据权利要求3所述的一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，所述步骤2.6中，拓扑分类器作为实时拓扑识别阶段的工具，输入为节点测量值，输出为相应的拓扑类别。

6.根据权利要求3所述的一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，所述步骤2.8中，对数概率公式为：

7.根据权利要求3所述的一种考虑馈线柔性互联的配电网拓扑识别方法，其特征在于，所述步骤2.9，贝叶斯递归模型的迭代公式为：

技术总结本发明提供一种考虑馈线柔性互联的配电网拓扑识别方法，包括：构建两阶段拓扑识别框架，把历史数据识别阶段视作第1阶段；把实时识别阶段视作第2阶段；采用改进期望最大化算法执行拓扑识别操作后，确定拓扑类别，将其添加到原始记录中，生成历史标记数据；在第2阶段，采用第1阶段得到的所有历史标记数据进行机器学习训练生成多个拓扑分类器，使用训练好的分类器对实时测量进行标记，并进行可信度分析，获得可信的标记数据；根据可信度分析的结果，将可信的标记数据发送到历史标记数据库中更新分类器的机器学习训练，将不可靠的数据采用贝叶斯递归模型进行重新识别。本发明提高了柔性中压配电网拓扑的可观测性。技术研发人员：马丽,李奕璇,裴玮,张国驹,肖浩受保护的技术使用者：中国科学院电工研究所技术研发日：技术公布日：2025/1/6