基于注意力机制和卷积神经网络的配电网拓扑辨识方法

1.本发明涉及配电网拓扑辨识领域，尤其是涉及一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法。


背景技术：

2.随着时代的发展，人民生活水平逐渐提高，对电能质量的需求也不断提高。配电网作为现代社会的重要能源基础措施。由于大量新能源接入，配电网拓扑变化频繁，而且较输电网而言监测设备及监测能力远远不够，因此，配电网的拓扑结构往往是未知的，然而精确地拓扑结构是电力系统进行潮流计算、状态估计和整定计算等分析手段的基础，是电网规划、运行和控制的先决条件，因此迫切需要得到一种能够精确识别配电网拓扑结构的方法。
3.现有技术中，有以下辨识方法，如利用深度优先算法搜索bridge线路，在进行混合整数二次优化得到一个初步的拓扑结构，采用树生成算法将无向图变成树，遍历这些树，找到与潮流匹配评价指标最小的树即为最终拓扑；利用台区、配变、馈线、用户电表之间的关系构建知识图谱进行拓扑辨识，对变化频繁的配电网不太适用；采用相关性方法进行判别馈线所属，再利用电压幅值随着潮流方向逐渐降低，确定负荷所属位置，但是其相关性阈值难以确定，且随着分布式能源的加入，电网的潮流不再是单向流动。
4.现有技术中还基于功率方程和电网潮流计算方法，通过建立物理模型，引入线性回归和雅各比矩阵进行迭代求解，实现通过量测数据得到精确的拓扑识别，但是要求每个节点量测数据完整；现有辨识过程中需要电压相角等量测量，这就需要μpmu或pmu等高级量测设备，这类设备通常比较昂贵，在配电网中不可能每个节点都配备；还有些其他拓扑识别方法要求数据为连续量测数据，在现实量测中，由于通讯以及测量装置的原因，很难做到。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，包括以下步骤：
8.s1：获取配电网的历史量测数据以及对应的拓扑结构，构建数据库；
9.s2：对量测数据进行预处理；
10.s3：根据特征贡献度对特征筛选，构建特征集；
11.s4：构建配电网拓扑辨识模型，基于特征集对配电网拓扑辨识模型进行训练；
12.s5：将待辨识的配电网的量测数据送入配电网拓扑辨识模型，获取待辨识的配电网的拓扑结构。
13.优选地，所述的预处理包括数据清洗、填补缺失值、去除异常值。
14.优选地，所述的步骤s3的具体步骤包括：
15.s31：获取不同测量数据对配电网拓扑识别的特征贡献度；
16.s32：对特征贡献度进行排序，选取特征贡献度最高测量数据作为特征集，并将对应的拓扑结构作为特征集的标签。
17.优选地，所述的步骤s31中采用随机森林算法计算测量数据的特征贡献度。
18.优选地，所述的配电网拓扑辨识模型为基于注意力机制的卷积神经网络。
19.优选地，所述的卷积神经网络包括注意力模块和依次连接的输入层、隐藏层、输出层，所述注意力模块设于所述隐藏层的第一层后。
20.优选地，所述的卷积神经网络的损失函数为：
[0021][0022]
其中，p＝[p1,
…
,pn]是一个概率分布，每个元素pi表示样本属于拓扑结构i的概率；y＝[y1,
…
,yn]是样本标签，当样本属于拓扑结构i时yi＝1，否则yi＝0；n是拓扑结构类别总数。
[0023]
优选地，所述的量测数据包括节点电压幅值和节点注入功率。
[0024]
优选地，所述的节点注入功率为有功功率。
[0025]
优选地，所述的拓扑结构为每一组节点的量测数据对应的拓扑结构图。
[0026]
与现有技术相比，本发明具有如下优点：
[0027]
1)本发明方法针对配电网中大量冗余量测数据，借助随机森林算法对特征集进行筛选，对数据集进行降维，降低后续模型的计算复杂度和空间复杂度，提升模型辨识效率；
[0028]
2)本发明利用卷积神经网络重分挖掘特征类别与拓扑结构之间的关联关系，并学习其映射规则，实现仅需断面量测数据就可以对当前拓扑进行辨识，解决了目前辨识方法阈值设定难、仅适用于辐射网的缺点；
[0029]
3)本发明将注意力机制加入到卷积神经网络中，通过附加注意力到相应的特征上，极大提高模型的鲁棒性，克服了量测数据噪声高的缺点，使得模型在含有较高噪声的数据中也具有较好的辨识效果，具有更高的实际应用价值。
附图说明
[0030]
图1为本发明的流程图；
[0031]
图2为本发明的实施流程图；
[0032]
图3为本发明实施例中ieee33节点配电网算例图；
[0033]
图4为本发明的特征贡献度排序图；
[0034]
图5为本发明注意力机制实现原理图；
[0035]
图6为本发明卷积神经网络的结构图；
[0036]
图7为本发明测试结果的混淆矩阵图。
具体实施方式
[0037]
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
[0038]
实施例
[0039]
一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，如图1所示，包括以下步骤：
[0040]
s1：获取配电网的历史量测数据以及对应的拓扑结构，构建数据库；
[0041]
本实施例中，量测数据包括节点电压幅值和节点注入功率，其中，获取的节点注入功率选择易得到的有功功率。
[0042]
本实施例中的算例ieee33节点配电网如图3所示，考虑实际配电网中可能有分布式发电接入，故选择节点7、10、14、33作为分布式发电接入，线路参数采用ieee33节点标准参数，在此拓扑基础上改变线路连接，生成28种拓扑结构，其中20种为辐射状网络，8种含环网络。在每种拓扑的基础上改变工作场景，借助matlab软件仿真得到3000组样本数据，总共84000组。每组样本的数据为33个节点的电压幅值和注入功率。
[0043]
s2：对量测数据进行预处理。
[0044]
预处理包括数据清洗、填补缺失值、去除异常值。
[0045]
具体地，首先对数据进行最大电压幅值估计，将超过规定变化范围的值作为异常值进行删除；
[0046]
然后，对数据进行归一化处理：
[0047][0048]
式中：v和v
norm
分别为该节点归一化前后的电压幅值，v
min
和v
max
分别为训练数据集中节点处电压幅值的最小值和最大值。
[0049]
某节点归一化后的电压数据等于其实际量测值与该节点处所有时刻最低量测值之差比上该节点所有时刻最大量测值与最小量测值之差；
[0050]
最后对删除值以及缺失值进行补漏：
[0051][0052]
其中v
i,t
表示节点i在t时刻的电压幅值，n表示与节点i同一条支路上的节点总数。
[0053]
具体为，对于缺失部分数据的训练样本，直接丢弃并重新采集数据；对于缺失部分数据的测试样本，则对样本进行数据填补，以保证拓扑辨识可正常进行。利用相邻节点电压的波动性具有相似性，数据缺失处填补为相近节点的电压幅值与上一时刻的差值的均值加上缺失值的上一时刻的电压幅值。
[0054]
s3：根据特征贡献度对特征筛选，构建特征集。
[0055]
步骤s3的具体步骤包括：
[0056]
s31：获取不同测量数据对配电网拓扑识别的特征贡献度；
[0057]
s32：对特征贡献度进行排序，选取特征贡献度最高测量数据作为特征集，将节点电压幅值和对应的配网拓扑结构作为特征数据集和对应标签，供后续模型训练用。
[0058]
为了降低后续模型训练的计算复杂度和空间复杂度，采用随机森林智能算法计算各个特征类别对配电网拓扑辨识贡献度的大小，其原理如下：
[0059]
[0060]
其中，n代表森林中决策树的棵树，对每一颗决策树，选择相应的袋外数据(out of bag，oob)计算袋外数据误差，记为erroob1，随机对袋外数据所有样本的特征x加入噪声干扰(可以随机改变样本在特征x处的值)，再次计算袋外数据误差，记为erroob2。特征贡献度排序如图4所示。除了根节点外，其他所有节点的电压幅值的贡献度均要高于节点注入功率，故选用节点电压幅值作为特征集。
[0061]
s4：构建配电网拓扑辨识模型，基于特征集对配电网拓扑辨识模型进行训练。
[0062]
如图2所示，配电网拓扑辨识模型为基于注意力机制的卷积神经网络。卷积神经网络包括注意力模块和依次连接的输入层、隐藏层、输出层，所述注意力模块设于所述隐藏层的第一层后。
[0063]
注意力模块采用注意力机制通过快速对所有特征进行扫描，获得需要重点关注的特征类别，然后将注意力主要集中在需要重点关注的特征类别，降低其他加在不重要的特征类别上的注意力，从而大大提高工作效率及准确率。其实现原理如图5所示，通过对输入的所有特征数据集进行特征重要度计算，获取每个特征类别权值并将其余输入特征相乘得到注意力机制处理后的特征数据集。将注意力机制和卷积神经网络结合构建配电网拓扑辨识模型，其基本结构如图6所示，输入层为33个节点的电压幅值，输出层为属于28种拓扑中某种拓扑的概率，将注意力机制放入其中作为隐藏层提高模型的抗噪能力。
[0064]
卷积神经网络的损失函数为：
[0065][0066]
其中，p＝[p1,
…
,pn]是一个概率分布，每个元素pi表示样本属于拓扑结构i的概率；y＝[y1,
…
,yn]是样本标签，当样本属于拓扑结构i时yi＝1，否则yi＝0；n是拓扑结构类别总数。
[0067]
s5：将待辨识的配电网的量测数据送入配电网拓扑辨识模型，获取待辨识的配电网的拓扑结构。
[0068]
本实施例中，为了便于体现本发明的有效性和优越性，分别基于几种常见的智能算法如卷积神经网络(convolutional neural network，cnn)、深度神经网络(deep neural networks，dnn)、极限梯度提升(extreme gradient boosting，xgboost)构建配电网拓扑模型，将实验结果进行对比。
[0069]
此处模型的评价指标采用准确率(acc)、查准率(pre)、召回率(rec)。其计算公式如下：
[0070][0071][0072][0073]
其中：t是所有分类中正确的样本数量，n是所有样本总数量，tp表示分类为正的正样本数量，fp表示分类为正的负样本数量，fn表示分类为负的正样本数量。
[0074]
同时考虑到本发明的模型功能实际上是一个多分类功能，故可采用混淆矩阵来对
模型进行单个样本类别分类效果进行展示，混淆矩阵能够非常直观的展示模型分类的效果。
[0075]
将特征数据集和标签集，随机切分，70％作为训练集，30％作为测试集。模型训练结果如下表所示：
[0076]
表1四种算法性能比较
[0077][0078]
由上表结果可知，该分类问题重点关注准确率，本发明的结合注意力机制的卷积神经网络(acnn)和cnn的准确率都较高，且acnn的查准率和召回率也都较为不错，拓扑辨识效果都较好。
[0079]
从理论分析来看，acnn应该在数据中含有噪声的情况下分类效果的优越性才能够体现出来，并且噪声越大优越性体现的越明显，考虑到性能优良、量测误差较好的pmu设备和微型pmu设备的量测误差分别为0.05％和0.01％，其他普通量测设备误差更大，因此在数据中分别加0.01％、0.05％、0.5％和1％的噪声模拟真实量测数据。
[0080]
在测试数据中添加噪声后，其辨识结果如下表所示，此处用总矢量误差(tve)来衡量噪声水平：
[0081]
表2考虑量测噪声的ieee33节点测试集准确率
[0082][0083]
由上表结果可以看出，在一定范围内，当数据中噪声水平越高时，acnn的分类效果优越性就越能够得到体现。
[0084]
为了进一步验证模型的有效性，对模型计算归一化混淆矩阵，其混淆矩阵热力图结果如图7所示。混淆矩阵中第i行第j列的元素含义是：真实拓扑标签是i，预测拓扑标签是j的概率。由图示结果可以看出对角线上的元素近乎全为1，非对角线上的元素基本为0，故模型的效果较好。由此可见本发明可以准确有效的实现配电网拓扑辨识。
[0085]
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。