一种基于STGCN的中压配电网拓扑辨识方法及系统

本发明属于中压配电网运行拓扑，尤其涉及一种基于stgcn的中压配电网拓扑辨识方法及系统。

背景技术：

1、作为智能电网中直接面向用户的一个关键环节，智能配电网基于配电高级自动化技术，融合先进测量传感技术、控制技术等，为用户提供安全、稳定、优质、经济的电力供应服务。相比于传统的配电网，智能配电网具有更高的供电可靠性，更佳的电能质量，并且允许可再生能源大量接入等特点。近年来随着电力系统规模增大，系统采集和处理的数据规模呈现海量的增长；同时，新能源的高渗透率和用户的随机多样化需求等不确定因素，使得配电网的运行更加复杂，对配电管理的要求日趋提高。为了保障配电网的安全稳定运行，提高供电可靠性，研究配电网的拓扑辨识问题对配电网的运行控制具有重要的意义。同时，大量的量测数据为基于数据驱动的配电网拓扑辨识提供了基础。

2、目前网络拓扑辨识方法主要可分为两大类。一类方法利用潮流计算和数学原理进行推导。例如，基于邻接矩阵的网络拓扑辨识方法，用节点-支路关联矩阵表示网络的基本拓扑结构，并利用相关特性降低其阶数，从而减少网络拓扑分析的计算量。还有对线路非线性电压方程推导，建立非线性参数估计模型的方法，从而重建拓扑并进行参数估计。然而此类方法一般基于dscada和μpmu数据，但此类方法需要安装大量设备，且遥信误动和抖动时常发生，会影响拓扑辨识的实时性和准确性。同时基于实时潮流计算的算法鲁棒性较弱，在μpmu故障、负荷和光伏等关键数据缺失时容易产生错误结果。另一类拓扑辨识方法是利用深度学习与机器学习技术，运用数据驱动的方法。例如，引入注意力机制、使用支持向量机、聚类等机器学习方法实现拓扑辨识，此类传统机器学习方法往往对于数据特征挖掘不足，识别效率较低。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：中压配电网拓扑辨识准确率较低、计算效率低、且未考虑拓扑中节点连接关系的问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于stgcn的中压配电网拓扑辨识方法，包括如下步骤：将中压配电网中的总线单元作为节点，将所有线路作为边，获取配电网的拓扑图，获取并与处理母线单元的输出电压幅值、注入有功、注入无功、断路器状态数据，作为训练样本的输入，构建时空特征图卷积网络并初始化网络参数，训练时空信息图卷积网络并保存训练完成的模型，将实时采集的节点电压幅值、节点电压注入有功功率、节点电压注入无功功率作为节点特征输入至时空图信息图卷积网络模型中辨识配电网线路断路器开断状态，输出拓扑对应标签。

4、作为本发明所述的基于stgcn的中压配电网拓扑辨识方法的一种优选方案，其中：所述获取配电网的拓扑图包括将配电网中的总线单元作为拓扑图模型的节点，连通线路作为包括支路与联络开关所在支路，并且设置配电网首端电源节点作为基准参考节点，得到无向拓扑图模型，记为g＝{v，e}，节点集合记为v＝{v1，v2，…，vn}，边集合记为e＝{eij|i∈[0，n]，j∈[0，n]，i≠j，}，n表示拓扑图模型中的节点总数；

5、得到拓扑图中节点的邻接矩阵b，所述邻接矩阵为n×n阶的对称矩阵，表示为b＝{bij|i∈[1，n]，j∈[1，n]}，其中邻接矩阵b中第i行第j列的元素bij表示节点vi与节点vj之间的连通关系，随后形成空间图

6、作为本发明所述的基于stgcn的中压配电网拓扑辨识方法的一种优选方案，其中：所述训练样本的输入包括在相同时间断面，对于同一节点采集的数据形成对应特征向量以及标签向量，表示为：

7、x＝{[p1，q1，v1]，[p2，q2，v2]，…，[pi，qi，vi]，…，[pn，qn，vn]}

8、其中[pi，qi，vi]表示第i个节点的节点注入有功功率、注入无功功率、节点电压的采样数据；

9、l＝{[l1]t，[l2]t，…，[lk]t…，[lc]t}，其中[lk]表示k时刻的边属性，[lk]＝[l1，l2，…，lb]，i∈[1，n]，k∈[1，c]，b为边标签总数；

10、检测在同一时间断面下n个节点全部输入数据，如果任意节点特征值存在缺失，则删除当前时间断面下节点的所有特征；

11、检测全部特征值，若存在特征值大于3σ，则删除离群值所在时间断面下节点的所有特征值；

12、由第r个时间断面下的中压配电网的节点特征信息[pr，qr，vr]以及边标签向量lr构成第r组训练样本trainr＝[xr，yr，b]；

13、将t个时刻的数据按照比例划分为训练样本集train＝{trainr|r∈[1，r]}以及测试样本集test＝{testt-r|t-r∈[1，t-r]}，其中，r为训练集样本总数。

14、作为本发明所述的基于stgcn的中压配电网拓扑辨识方法的一种优选方案，其中：所述构建时空特征图卷积网络并初始化网络参数包括构建一个图卷积层，采用切比雪夫滤波器，提取数据的空间特征，表示为：

15、

16、其中，θvi、θpi、θqi是卷积层的学习参数，

17、由上式得到节点特征的频域卷积，表示为：

18、

19、构建一个时间卷积层，提取样本的时间特征，根据下式进行非线性特征建模，激活函数使用glu函数；

20、

21、将时空融合信息块进行聚合，利用下式得到每个总线的三个特征通道表达形式；

22、

23、使用节点层块进行处理，对数据进行加权聚合与归一化，表示为：

24、

25、其中，ψ1，ψ2，ψ3是分别对应节点层块的权重；

26、利用diffpool进行聚合，h′表示节点i经过处理后的新特征，表示为：

27、y′＝softmax(snode*softmax(sb)t)

28、其中，snode＝[snode1 snode2 … snoden]，sb为稠密学习分配矩阵。

29、作为本发明所述的基于stgcn的中压配电网拓扑辨识方法的一种优选方案，其中：所述训练时空信息图卷积网络并保存训练完成的模型包括定义stgcn的当前迭代次数为μ，并初始化μ＝1，设定最大迭代次数为μmax，初始化r＝1；

30、将第r组训练样本trainr中的特征集与邻接矩阵b＝{bij|i∈[1，n]，j∈[1，n]}作为网络特征集输入至时空图卷积网络中，依次经过一个图卷积层、一个时空卷积层、一个归一化层、一个池化层、一个softmax分类层的处理后输出第r组历史训练样本在第μ次迭代的前向输出结果

31、将第r组历史训练样本在第μ次迭代前向计算得到的前向输出结果与第r组迭代的状态向量yr作差，从而获得第r组训练样本迭代所产生的误差

32、将r+1赋值给r，判断r＞r是否成立，若成立，则执行计算第μ次迭代的stgcn交叉熵损失函数eμ；

33、若不成立，则重新将网络特征集输入至时空图卷积网络中。

34、作为本发明所述的基于stgcn的中压配电网拓扑辨识方法的一种优选方案，其中：所述辨识配电网线路断路器开断状态还包括判断eμ＞e0且μ＜μmax是否成立，若成立，则将μ+1赋值给μ，根据梯度下降算法更新第μ次迭代的权重参数，继续迭代；否则，将第μ次迭代的stgcn作为最优模型。

35、作为本发明所述的基于stgcn的中压配电网拓扑辨识方法的一种优选方案，其中：所述辨识配电网线路断路器开断状态包括将各节点所生成的新特征向量h′i及邻接矩阵b输入至多层感知机中对任意两节点之间所连边进行连接性预测，并用[0，1]表示；

36、将实时采集的节点电压注入有功功率、节点电压注入无功功率、节点电压幅值、作为节点特征输入至最优模型中；

37、计算断路器的开断状态，将全拓扑图中的连接矩阵对比拓扑标签库得到拓扑对应标签并将其输出。

38、本发明的另外一个目的是提供一种基于时空信息图卷积网络的中压配电网拓扑辨识系统，其能通过通过使用时空信息图卷积网络的方法，解决中压配电网拓扑辨识效率低下，准确性不高，难以适应配电网的动态变化的问题。

39、为解决上述技术问题，本发明提供如下技术方案：一种基于时空信息图卷积网络的中压配电网拓扑辨识系统，包括：测量数据获取模块、数据处理模块、拓扑结构识别模块；

40、所述测量数据获取模块用于获取配电网中各测量装置对应的测量数据，所述测量装置包括采集与监控系统、先进测量系统以及微型同步相量测量单元；

41、所述数据处理模块用于基于所述测量数据的时间尺度，通过判断离群值对所述测量数据进行处理，得到目标数据；

42、所述拓扑结构识别模块用于基于各所述测量装置的数据更新频率对所采集数据进行处理后得到目标数据，并将所述目标数据输入至stgcn模型以确定所述配电网中的拓扑结构。

43、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种基于stgcn的中压配电网拓扑辨识方法的步骤。

44、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种基于stgcn的中压配电网拓扑辨识方法的步骤。

45、本发明的有益效果：本发明首先将中压配电网中的总线单元作为节点，将线路作为边，将配电网结构抽象为拓扑图模型；然后对原始数据进行数据预处理，把处理后的数据输入至时空信息图卷积网络中进行特征提取与特征聚合操作，并用相关数据集进行训练及验证；最后将训练完成所得到的最优网络模型保存；并将实时采集的节点电压注入有功功率、节点电压注入无功功率、节点电压幅值作为节点特征输入至时空信息图卷积网络模型中辨识配电网线路断路器开断状态。与以往的方法不同点在于，本方法考虑配电网的节点特征和结构特征，在得到训练完成的时空信息图卷积网络模型后，充分利用量测装置采集的数据，实现快速准确的中压配电网拓扑辨识。