[发明专利]一种配电网拓扑识别方法、电子设备及介质

说明书

本发明公开了一种配电网拓扑识别方法、电子设备及介质。首先基于历史的配电网电压幅值数据集形成配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵，构造能够压缩配电网节点电压幅值并用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构，然后进行迭代训练，得到最优的马尔可夫毯图向量压缩神经网络模型；最后根据实时的电压幅值测量对配电网进行拓扑识别，得到配电网实时的线路拓扑通断信息。本发明改进了传统的神经网络模型，能够适用大规模的配电网拓扑识别问题，同时提高计算效率，增强识别的准确度，能够与配电网稳定控制等算法相兼容。

技术领域

本发明属于配电网拓扑识别领域，特别涉及一种基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法、电子设备及介质。

背景技术

近年来，随着可再生能源，电动汽车，储能器等的集成化程度不断提高，配电网正在迅速发展，在这种情况下，双向潮流可能会流向电网，以反馈剩余的能量。这些变化需要加强对电网运行和控制的管理，其中的先决条件包括对电网拓扑的及时可靠的估计。在实践中，配电网的配置可能经常变化，有时甚至每小时变化几次。

对于配电网的拓扑识别算法，可分为不基于图理论的方法和基于图理论的方法。不基于图理论的方法主要是线性回归法，此方法忽略电压之间的非线性关联性，导致识别精度较低；基于图理论的方法主要有马尔可夫随机场方法，相互信息法和逆相关系数矩阵法。马尔可夫随机场方法需要训练大量的模型参数，不适用大规模电力系统；相互信息法需要遍历每一对节点，计算量极大，效率低；逆相关系数法矩阵法需要完备的网络阻抗信息和节点状态量信息，无法解决部分节点状态量缺失的问题。为了实现实时快速有效高效鲁棒的配电网拓扑识别，有必要利用人工智能强大的学习能力和实时应用能力，构建有效的拓扑数据压缩模型，进而得到实时的拓扑识别方法。

发明内容

为了克服目前配电网拓扑识别存在识别精度低、模型训练慢、效率低、参数要求高的技术问题，本发明提供一种效率高、兼容性好且识别精度高的基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法、电子设备及介质。

为了实现上述目的，本发明的技术方案是：

一种配电网拓扑识别方法，包括以下步骤：

步骤1）根据配电网电压幅值的历史数据集中配电网的节点数目和电压幅值样本数建立第一矩阵，然后以相邻节点对的电压幅值并集作为相邻节点对的电压马尔可夫毯来建立第二矩阵，并基于第一矩阵和第二矩阵来建立配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵；其中节点的电压马尔可夫毯是指与节点相邻的节点的电压幅值的集合，则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对和的电压幅值马尔可夫毯的并集；

步骤2）基于配电网总的节点数和配电网电压幅值节点来建立作为马尔可夫毯图向量模型的矩阵，然后将矩阵分别与第二矩阵或相邻节点对中的节点对应于配电网中的位置来联合形成马尔可夫毯图向量压缩模型，再将马尔可夫毯图向量压缩模型作为神经网络中的图卷积层来形成马尔可夫毯图向量压缩神经网络；

步骤3）基于步骤1）的电压幅值测量矩阵对步骤2）的神经网络进行迭代训练，得到最优的马尔可夫毯图向量压缩神经网络模型；

步骤4）基于步骤3）的神经网络模型，根据实时的配电网节点电压幅值马尔可夫毯格式的电压幅值测量矩阵对配电网进行拓扑识别，得到配电网实时的线路拓扑通断信息。

所述的方法，所述的步骤1)中，第一矩阵通过以下方式建立：

将历史电压幅值储存为一个 行列的矩阵来作为第一矩阵；其中，表示配电网的节点数目，表示总的电压幅值样本数；配电网的节点编号为，配电网线路的编号为；其中，，分别表示第，个配电网节点的编号，表示配电网相邻节点对和之间的线路，，分别表示配电网节点本身。

所述的方法，所述的步骤1)中，第二矩阵通过以下方式建立：

建立维度为的矩阵作为第二矩阵，其中中的元素为：