[发明专利]一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法

说明书

本发明公开了一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法，属于电力系统分析领域；首先，通过XGBoost方法计算每个节点量测的重要程度；随后，基于最大信息系数判断不同节点量测之间的相关关系，以筛选出不含冗余拓扑特征信息的重要量测；接着，基于格拉姆角场特征变换，将一维的配电网时间断面量测数据变换为二维的格拉姆角场，在保留时间断面的节点电压分布规律的同时，有效表征节点电压幅值分布中的拓扑特征信息；最后，利用三卷积层神经网络模型实现准确地、稳定地辨识拓扑；本发明仅需要部分节点电压幅值量测的时间断面数据，适用于分布式能源接入、辐射状拓扑和环网拓扑混合运行的配电网。

技术领域

本发明属于电力系统分析领域，尤其涉及一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法。

背景技术

高比例分布式能源接入是未来配电网的基本形态。为应对分布式能源接入带来的不确定性，需要对配电网络进行实时、频繁的拓扑重构，以保证配电网安全可靠经济运行。配电网的拓扑信息是进行潮流计算、电压与无功优化、阻塞分析等工作的重要前提。频繁变化的拓扑对配电网的管理提出了严峻挑战，如何准确高效的辨识配电网拓扑已成为亟需解决的关键问题。

发明内容

为了解决上述技术问题，本发明提供了一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法，包括以下步骤：

S1、基于XGBoost方法，计算所有候选节点量测的重要度；

S2、基于最大信息系数，判定所有不同节点量测之间的相关度；

S3、依据所有节点量测之间的相关度判断不同量测是否强相关，若两个候选量测强相关，则依据所有节点量测的重要度删除重要程度较低的量测；

S4、基于格拉姆角场特征变换，将一维的配电网时间断面量测数据变换为二维的格拉姆角场；

S5、根据三卷积层的神经网络模型，对格拉姆角场所蕴含的拓扑特征信息进行稳定提取，完成拓扑辨识。

进一步，所述步骤S1计算所有候选节点量测的重要度的步骤包括：

101、XGBoost是由K棵决策树组成的加法集成模型：

其中，f_k(x_i)表示第i个样本x_i在第k棵树所对应叶子节点的权重；x_i∈R^N，表示K棵树组成的函数空间；表示样本x_i的预测值；

102、对于第k棵树而言，通过k个损失函数来衡量预测值与拓扑标签之间的差距，损失函数为：

其中，y_i表示样本x_i拓扑标签，表示样本x_i的训练残差，Ω表示惩罚项，反映模型复杂度；N_s表示样本总数；

103、XGBoost的学习策略是采用贪心算法来寻找第k棵树式(5)的最优解，损失函数需改写为：

其中，g_i、h_i分别是的一阶导数和二阶导数，T表示叶子节点个数，w_j表示第j个叶子节点的权重，γ表示惩罚项；X_j表示叶子节点j的样本集合；

104、确定第k棵树的结构，方法是从树的深度为0开始，每一节点都遍历所有的量测，最终选取信息增益最大的量测作为分裂量测，分裂叶子节点；信息增益的计算方式为：