一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法与流程

本发明涉及电力系统配电技术领域，尤其涉及一种基于用户智能电表历史数据，利用马尔可夫随机场对低压配电网拓扑进行识别的方法。

背景技术：

目前，国内外的中高压配电系统已经具备了完备的配电管理系统，通过数据采集与监视控制系统和地理信息系统获取配电网拓扑结构、运行状态、负荷状态等一系列数据，实现状态评估；并以此建立各类配电网分析和决策算法，包括处理配电网中负荷和可再生能源不确定性的配电网随机优化调度方法、以故障恢复或者三相不平衡治理为目标的配电网重构方法等。

相比之下，低压配电系统面临有限信息环境，缺乏有效的系统建模与状态评估方法，难以展开配电系统潮流计算以及其他配电管理高级功能。尤其是，低压配电系统的拓扑结构建模，是建立低压配电系统最优潮流的基础，也是治理低压配电系统三相不平衡、网络损耗、消纳可再生能源、接纳电动汽车充电负荷、提升用户用电可靠性等等一系列问题的基础。因此，识别配电网拓扑是实现低压配电系统可视化和管理的必备条件。考虑到低压配电系统中能够获取到的运行数据非常有限，如何有效利用智能电表数据以及配变运行数据，实现配电系统拓扑识别，建立配电系统基本运行模型，是当前发展低压配电系统的首要目的。

技术实现要素：

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有基于马尔可夫随机场的低压配电系统网络拓扑识别方法存在的问题，提出了本发明。

因此，本发明目的是提供一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法，其利用历史电表电压数据等已知数据对低压配电网络结构展开识别，不需要新增设备，减少了投资，具有较高的识别准确率。

为解决上述技术问题，本发明提供如下技术方案：此种基于马尔可夫随机场的低压配电系统网络拓扑识别方法包括如下步骤：

(1)获取用户智能电表电压时间序列数据及配变ttu电压时间序列数据；

(2)对步骤(1)中获取的电压数据进行一阶差分、分箱处理、独热编码处理；

(3)利用马尔可夫随机场对配电系统网络结构建模，建立描述配电系统网络结构中各节点之间相关关系的联合概率分布；

(4)通过最大似然估计法求解联合概率分布，得到配电系统网络结构节点间的相关性矩阵；

(5)根据节点相关性矩阵，建立配电系统网络结构的邻接矩阵。

作为本发明所述基于马尔可夫随机场的低压配电系统网络拓扑识别方法的一种优选方案，其中：所述步骤(1)中，数据采集的要求样本数在500个时间截面以上。

作为本发明所述基于马尔可夫随机场的低压配电系统网络拓扑识别方法的一种优选方案，其中：步骤(2)的数据预处理具体包括：

步骤2.1：对步骤(1)中获取的电压数据在时序上做一阶前向差分，其计算表达式为：

vi_diff＝vi(t)-vi(t-1)

其中vi(t)表示节点i在t时刻的电压，vi(t-1)表示节点i在t-1时刻的电压，计算结果存储在vi_diff中，所述vi_diff表示节点i的电压前向差分数据；

步骤2.2：在完成步骤2.1的一阶差分之后，对得到的电压数据vi_diff进行分箱处理，将离散的数据变换为0,1,2，…，n这样的整数编码，分箱处理过程如下：

其中，vmax_diff和vmin_diff分别指一阶前向差分后一个时间截面内各节点电压的最大值和最小值，[]为取整符号，计算结果存储在bin_vi中，bin_vi表示节点i的电压前向差分数据得到的分箱数据；

步骤2.3：在上述两步数据预处理之后，最后对数据bin_vi进行独热编码，采用n位状态寄存器来对n个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效，第n个状态对应的n位为1，其他位为零，将编码后的i节点的信息存储在xi中，作为节点i的输入变量。

作为本发明所述基于马尔可夫随机场的低压配电系统网络拓扑识别方法的一种优选方案，其中：所述步骤2.2中，将电压数据分成了0到20之间的21种不同的状态，bin_vi＝n，n＝0，1，2，…，20。

作为本发明所述基于马尔可夫随机场的低压配电系统网络拓扑识别方法的一种优选方案，其中：步骤(3)的马尔可夫随机场建模具体包括：

步骤3.1：将配电系统网络结构定义为一个四元组m＝(x,e,φ,ψ)，其中(x，e)是无向的随机变量图像；x为图的顶点集，表示配电系统中的节点，e为图的边集，表示连接配电系统节点的电力线路；然后分别建立描述配电系统节点与连线关系的势函数φ、ψ，来定量刻画配电网节点和连线的变量特征，描述配电系统节点与连线关系的势函数分别定义为：

φ(xs)＝exp{e(xs)}

ψ(xst)＝exp{e(xs,xt)}

式中，xs和xt分别是代表节点x和节点s的随机变量，xst表示连接节点s和节点t的边缘所对应的随机变量，e称为能量函数，参数化形式如下所示：

e(xs)＝v^sd^s(xs)

式中d^s称为状态特征，是定义在节点上的特征函数，只考虑当前节点，b^st称为转移特征，是定义在边缘上的特征函数，v^s是配电系统中节点s的权重，w^st是连接节点s、t线路的权重；

步骤3.2：在完成对单个节点和对相连节点的建模后，接下来建立能够描述整个配电系统中所有节点，即整个拓扑网络相关关系的联合概率分布，如下：

其中，z为分区函数，是一个规范化因子、归一化函数，其作用是保证p(y)构成一个联合概率分布，定义为所有可能赋值的总和。

作为本发明所述基于马尔可夫随机场的低压配电系统网络拓扑识别方法的一种优选方案，其中：步骤(4)的配电系统网络结构联合概率分布的求解具体包括：

步骤4.1：利用最大似然估计法求解联合概率分布，如下:

其中，ll(θ)＝logp(y)是p(y)的对数似然形式；

步骤4.2，根据上步求解得到的节点相关概率，使用梯度下降算法，根据步骤(1)中获取的电压数据，求解目标函数得到边权重参数w；

步骤4.3，将权重参数wij^st根据合成最后得到表征配电网中各个节点连接关系的节点相关性矩阵k，其中，k是节点相关性矩阵，kst是k中元素，wij^st是连接节点s、t线路的权重，e是自然常数。

作为本发明所述基于马尔可夫随机场的低压配电系统网络拓扑识别方法的一种优选方案，其中：步骤(5)将节点相关性矩阵k中相关性最大的节点相连，即将最大相关性所在位置元素置1，其他置0，最终得到低压配电系统网络结构的邻接矩阵。

本发明的有益效果：传统的配电网结构识别方法需要知道部分配电网络结构而本发明能够根据已知的历史电压数据直接生成低压配电网的拓扑结构，本发明利用历史电表电压数据等已知数据对低压配电网络结构展开识别，不需要新增设备，减少了投资，具有较高的识别准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为基于马尔可夫随机场的配电网拓扑学习方法流程图。

图2为为对经过预处理数据进行独热编码示意图。

图3为算法实现过程示意图。

图4为ieee123节点验证结果。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

实施例1

参照图1，为本发明第一个实施例，提供了一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法，此种方法包括如下步骤：

(1)获取用户智能电表电压时间序列数据及配变ttu电压时间序列数据，数据采集的要求样本数在500个时间截面以上，要求数据连续、没有缺失值和异常值，获取的数据主要为电表上传的已有数据。

(2)对步骤(1)中获取的电压数据进行一阶差分、分箱处理、独热编码处理。

步骤(2)的数据预处理具体包括：

步骤2.1：对步骤(1)中获取的电压数据在时序上做一阶前向差分，在提取电压变化特征的同时，减少测量噪声的影响，其计算表达式为：

vi_diff＝vi(t)-vi(t-1)

其中vi(t)表示节点i在t时刻的电压，vi(t-1)表示节点i在t-1时刻的电压，计算结果存储在vi_diff中，所述vi_diff表示节点i的电压前向差分数据；

步骤2.2：在完成步骤2.1的一阶差分之后，对得到的电压数据vi_diff进行分箱处理，对数据进行分箱处理后能够增加模型迭代速度，减少测量噪声带来的影响。基于实际电表数据位数保留问题，分箱处理后将数值变换到了与实际电表相似的尺度上。分箱处理过程中将离散的数据变换为0,1,2，…，n这样的整数编码。本发明中将电压数据分成了0到20之间的21种不同的状态，分箱处理过程如下：

其中，vmax_diff和vmin_diff分别指一阶前向差分后一个时间截面内各节点电压的最大值和最小值，[]为取整符号，计算结果存储在bin_vi中，bin_vi表示节点i的电压前向差分数据得到的分箱数据，bin_vi＝n，n＝0,1,2，…，20。

步骤2.3：在上述两步数据预处理之后，最后对数据bin_vi进行独热编码，采用n位状态寄存器来对n个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效，第n个状态对应的n位为1，其他位为零，将编码后的i节点的信息存储在xi中，作为节点i的输入变量。

(3)利用马尔可夫随机场对配电系统网络结构建模，建立描述配电系统网络结构中各节点之间相关关系的联合概率分布。

步骤(3)的马尔可夫随机场建模具体包括：

步骤3.1：将配电系统网络结构定义为一个四元组m＝(x,e,φ,ψ)，其中(x，e)是无向的随机变量图像；x为图的顶点集，表示配电系统中的节点，e为图的边集，表示连接配电系统节点的电力线路；然后分别建立描述配电系统节点与连线关系的势函数φ、ψ，来定量刻画配电网节点和连线的变量特征，描述配电系统节点与连线关系的势函数分别定义为：

φ(xs)＝exp{e(xs)}

ψ(xst)＝exp{e(xs,xt)}

式中，xs和xt分别是代表节点x和节点s的随机变量，xst表示连接节点s和节点t的边缘所对应的随机变量，e称为能量函数，参数化形式如下所示：

e(xs)＝v^sd^s(xs)

式中d^s称为状态特征，是定义在节点上的特征函数，只考虑当前节点，b^st称为转移特征，是定义在边缘上的特征函数，v^s是配电系统中节点s的权重，w^st是连接节点s、t线路的权重；

步骤3.2：在完成对单个节点和对相连节点的建模后，基于马尔可夫随机场理论中多个变量的联合概率分布能分解为多个势函数的乘积，接下来建立能够描述整个配电系统中所有节点，即整个拓扑网络相关关系的联合概率分布，如下：

其参数化形式为：

其中，z为分区函数，是一个规范化因子、归一化函数，其作用是保证p(y)构成一个联合概率分布，定义为所有可能赋值的总和。

(4)通过最大似然估计法求解联合概率分布，得到配电系统网络结构节点间的相关性矩阵。

步骤(4)的配电系统网络结构联合概率分布的求解具体包括：

步骤4.1：利用最大似然估计法求解联合概率分布，如下:

其中，ll(θ)＝logp(y)是p(y)的对数似然形式；

步骤4.2，根据上步求解得到的节点相关概率，使用梯度下降算法，根据步骤(1)中获取的电压数据，求解目标函数得到边权重参数w，计算得到的边权重为节点间n位独热编码的权重矩阵：

步骤4.3，将权重参数wij^st根据合成最后得到表征配电网中各个节点连接关系的节点相关性矩阵k，其中，k是节点相关性矩阵，kst是k中元素，wij^st是连接节点s、t线路的权重，e是自然常数。

(5)根据节点相关性矩阵，建立配电系统网络结构的邻接矩阵。将节点相关性矩阵k中相关性最大的节点相连，即将最大相关性所在位置元素置1，其他置0，最终得到低压配电系统网络结构的邻接矩阵。

为验证本方法的准确性，我们选取ieee123标准节点进行测试。首先根据蒙特卡洛方法随机生成500个时间截面下各个节点的有功无功数据，然后通过潮流计算获得各个节点的电压时间序列，之后采用本算法将得到的电压时间序列进行计算，得到节点连接矩阵如图4所示。将本方法得到的连接关系与ieee123标准节点相对比，准确度达到100％。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。