一种低压台区拓扑识别方法、装置、设备以及存储介质与流程

本发明涉及电力线拓扑，尤其涉及一种低压台区拓扑识别方法、装置、设备以及存储介质。

背景技术：

1、电力系统中的台区指的是一台变压器的供电区域，正确辨识低压台区的拓扑结构，是供电部门计算潮流、更新开关状态的变化、研判故障、远程费控、分析线路损耗并提出优化措施的基础，有利于电网的安全运行及高效管理。然而城市中低压供电台区数目众多、连接混乱、拓扑改动频繁，甚至存在未按规定走线的现象，因此探索高效、准确、动态的低压台区电力拓扑结构识别方法，能够提高低压台区管理水平，实现低压配电网精细化管理，提升客户服务质量。

2、目前现有拓扑识别方法的主要研究方向在于数据分析法，数据分析法基于高级量测体系采集电压、电流等电气量数据，基于大数据挖掘角度，通过分析长时间尺度下低压网络中各负荷节点的电压、电流等电气量时空特性，得出用户间潜在的关联关系，进而实现拓扑关系的识别。

3、但在现有的数据分析法中，其通常利用电表电压时序测量曲线的相关性来分析相邻节点的连通性。然后首先以负荷时序电压数据为分类依据，对节点进行k均值聚类，其次计算支路电流，进而生成低压台区的电力拓扑关系；但在实际复杂拓扑中，某些特定末端线路间首端电流接近，无法利用电流准确分辨。或者采用灰色关联分析法识别电压曲线相似性；但该方法受分辨系数及电压的极值差影响。又或者基于离群点检测进行拓扑校验；但此方法离群点计算中距离阈值和分数阈值难以把握。因此现有数据分析法存在拓扑识别效率低，且准确率不高的问题。

技术实现思路

1、本发明提供了一种低压台区拓扑识别方法、装置、设备以及存储介质，以解决现有的低压台区拓扑识别方法存在拓扑识别效率低，且准确率不高的技术问题。

2、为了解决上述技术问题，本发明实施例提供了一种低压台区拓扑识别方法，包括：

3、获取待测台区中各电压节点的电压时序数据，根据所述电压时序数据得到待测台区的电压时序矩阵；

4、对所述电压时序矩阵进行聚类分析，生成一预设的台区拓扑识别模型的输入特征；

5、将所述输入特征输入至所述台区拓扑识别模型，以使所述台区拓扑识别模型根据所述输入特征对待测台区的拓扑结构进行识别，输入用于标识待测台区拓扑结构的拓扑结构矩阵；

6、其中，所述台区拓扑识别模型是以若干数量节点的电压时序数据所对应的电压时序矩阵为输入，以所述节点对应的拓扑结构矩阵为输出，对一预设的神经网络模型进行训练而成。

7、作为优选方案，所述台区拓扑识别模型为一维卷积神经网络模型；其中，所述一维卷积神经网络模型包括：一维卷积层、批标准化层、最大池化层、全局池化层、dropout层、全连接层以及reshape层。

8、作为优选方案，所述台区拓扑识别模型的生成，包括：

9、根据预设的拓扑生成器，穷举若干数量节点可能构成的所有拓扑结构，生成各所述拓扑结构对应的邻接矩阵；其中，所述节点包括：根节点和子节点；

10、根据各所述邻接矩阵以及预设的低压潮流计算算法，计算得到各节点处的节点电压，继而根据所述节点电压得到各节点的电压时序数据；

11、计算各子节点电压到根节点电压之间的欧氏距离，并根据所述欧氏距离对对应的节点进行编号；

12、根据各节点的节点编号，对所述邻接矩阵的行序以及列序进行调节，生成该节点编号方式下各所述拓扑结构对应的表示矩阵，并将所述表示矩阵作为所述一维卷积神经网络模型的训练样本标签；

13、对各节点的电压时序数据进行归一化处理，并将归一化处理后的电压时序数据作为所述一维卷积神经网络模型的训练样本特征；

14、以所述训练样本特征为输入，以所述训练样本标签为输出，对所述一维卷积神经网络模型进行训练，生成所述台区拓扑识别模型。

15、作为优选方案，所述根据各所述邻接矩阵以及预设的低压潮流计算算法，计算得到各节点处的节点电压，包括：

16、根据各所述邻接矩阵以及预设的低压潮流计算算法，生成用于表示各所述拓扑结构对应的拓扑连接关系的branch矩阵，以及用于表示各节点处的节点负荷功率的bus矩阵；

17、根据所述bus矩阵以及预设的随机功率波动，生成用于模拟不同用户的负荷功率曲线；

18、根据所述branch矩阵、bus矩阵以及所述负荷功率曲线，计算得到各节点处的电压。

19、作为优选方案，所述对所述电压时序矩阵进行聚类分析，生成一预设的台区拓扑识别模型的输入特征，包括：

20、对所述电压时序矩阵进行归一化处理，并计算归一化处理后的电压时序矩阵中各元素的相关系数矩阵；

21、计算所述相关系数矩阵的特征值以及对应的特征向量矩阵，继而根据所述特征值以及所述特征向量矩阵，计算各特征值的累积贡献率；

22、根据各特征值的累积贡献率，筛选出累积贡献率大于预设阈值的特征值，作为目标特征值；

23、根据所述目标特征值，筛选出归一化处理后的电压时序矩阵中与所述目标特征值所对应的元素，生成目标电压时序矩阵；

24、计算所述目标电压时序矩阵中各节点电压之间的欧氏距离，并根据所述欧氏距离得到节点电压的欧氏距离矩阵；

25、根据所述欧氏距离矩阵，对各电压节点进行聚类分析，将所述电压节点分为若干类；

26、根据所述目标电压时序矩阵，计算每一类中各电压节点的电压平均值，根据所述电压平均值得到电压平均值矩阵；

27、将每一类中电压平均值最高的电压节点作为对应类的聚点，将所述聚点的电压平均值作为对应类的聚点电压，继而根据所述聚点电压以及所述电压平均值矩阵，生成所述台区拓扑识别模型的输入特征。

28、作为优选方案，所述根据所述聚点电压以及所述电压平均值矩阵，生成所述台区拓扑识别模型的输入特征，包括：

29、根据每一类的聚点电压，将聚点电压最高的聚点作为第1类聚点；

30、计算其余类聚点的聚点电压与第1类聚点的聚点电压之间的欧氏距离，并根据所述欧氏距离对各电压节点进行编号；

31、根据各电压节点的节点编号，对所述电压平均值矩阵的行序进行调节，生成该节点编号方式下的电压时序矩阵，并根据所述电压时序矩阵生成所述台区拓扑识别模型的输入特征。

32、作为优选方案，在所述台区拓扑识别模型根据所述输入特征对待测台区的拓扑结构进行识别，输入用于标识待测台区拓扑结构的拓扑结构矩阵之后，还包括：

33、根据其余类聚点的聚点电压与第1类聚点的聚点电压之间的欧氏距离，对所述拓扑结构矩阵的行序和列序进行调节。

34、在上述实施例的基础上，本发明另一实施例提供了一种低压台区拓扑识别装置，包括：电压时序数据获取模块、输入特征生成模块以及拓扑结构矩阵生成模块；

35、所述电压时序数据获取模块，用于获取待测台区中各电压节点的电压时序数据，根据所述电压时序数据得到待测台区的电压时序矩阵；

36、所述输入特征生成模块，用于对所述电压时序矩阵进行聚类分析，生成一预设的台区拓扑识别模型的输入特征；

37、所述拓扑结构矩阵生成模块，用于将所述输入特征输入至所述台区拓扑识别模型，以使所述台区拓扑识别模型根据所述输入特征对待测台区的拓扑结构进行识别，输入用于标识待测台区拓扑结构的拓扑结构矩阵；其中，所述台区拓扑识别模型是以若干数量节点的电压时序数据所对应的电压时序矩阵为输入，以所述节点对应的拓扑结构矩阵为输出，对一预设的神经网络模型进行训练而成。

38、在上述实施例的基础上，本发明又一实施例提供了一种电子设备，所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的低压台区拓扑识别方法。

39、在上述实施例的基础上，本发明又一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行上述发明实施例所述的低压台区拓扑识别方法。

40、相比于现有技术，本发明实施例具有如下有益效果：

41、本发明获取待测台区中各电压节点的电压时序数据，根据所述电压时序数据得到待测台区的电压时序矩阵；对所述电压时序矩阵进行聚类分析，生成一预设的台区拓扑识别模型的输入特征；将所述输入特征输入至所述台区拓扑识别模型，以使所述台区拓扑识别模型根据所述输入特征对待测台区的拓扑结构进行识别，即可输入用于标识待测台区拓扑结构的拓扑结构矩阵；其中，所述台区拓扑识别模型是以若干数量节点的电压时序数据所对应的电压时序矩阵为输入，以所述节点对应的拓扑结构矩阵为输出，对一预设的神经网络模型进行训练而成。

42、在本发明中，通过预训练好的台区拓扑识别模型来对待测台区的拓扑结构进行识别，只需采集台区拓扑中各电压节点的电压时序数据，并将其输入所述台区拓扑识别模型，即可实现台区拓扑结构的在线识别，提高了拓扑识别的效率，不需要额外的识别设备，成本较低，并且这种通过模型进行识别的方式识别准确率较高。