一种基于二次规划和灰色关联度的有源客户拓扑辨识方法

技术领域

本发明涉及电网运维领域，尤其涉及一种基于二次规划和灰色关联度的有源客户拓扑辨识方法。

背景技术

长期以来，由与技术研究不够先进与管理的不实时，低压配电网(low voltagedistribution network,LVDN)一直存在着设备数量繁多、种类繁杂、智能化不高等问题，导致了LVDN运行、维护、管理、调度等方面普遍较为落后。在LVDN运维方面，因为智能化不高，所以台账管理、故障定位与排查等工作需要人工到场解决，加上网架大、设备多的特点，极大地增加了成本。

随着电力系统的发展，大量的新能源被接入到配电网之中，但随着新能源在配电网之中的比例提升，配电网原本的安全稳定运行状态受到了新的挑战：一方面，越来越多的电力电子元件导致系统的网架结构变得复杂，部分元件的损坏会导致一定范围的级联故障；另一方面，分布式电源(Distributed Generation,DG)的加入导致配电网的潮流方向由单向变为双向，状态估计变得更加困难。

目前，由于LVDN观测信息少、网络复杂、变化频繁的特点，长久以来，其拓扑信息普遍缺失或不准确，造成LVDN长期粗放式运行，已经成为制约LVDN规划、运行与管理智能化的重要瓶颈。加上分布式能源的大量接入，并且由于其特性分布式电源可能会在短时间内频繁的改变配电网拓扑，传统的拓扑分析方法无法适应。因此，作为LVDN智能化建设的重要基础，对有源客户拓扑的辨识是十分必要的。

传统的配电网的拓扑识别技术主要包括信号法、停电检测法等，此类方法需要在用户侧新增设备或者可能干扰用户正常生活，成本较高。而单一的数据关联度分析由于新能源在配电网之中的比例提升，导致不同台区下的数据区分度下降，依据数据关联度辨识难度增大。因此，寻求一种能够从多方面考虑的综合辨识方法尤为重要。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于二次规划和灰色关联度的有源客户拓扑辨识方法，以能够简便可靠地对有源客户拓扑进行辨识目的。为此，本发明采取以下技术方案。

一种基于二次规划和灰色关联度的有源客户拓扑辨识方法，包括以下步骤：

1)向配电管理系统获取初始台账记录，生成初始邻接矩阵A

2)通过高级量测体系获取变压器、用户侧智能电表数据并进行预处理；

3)基于功率平衡，使用二次规划算法，得到邻接矩阵A

4)对电压时间序列进行灰色关联度分析，得到邻接矩阵A

5)综合邻接矩阵A

本技术方案，通过结合二次规划算法和灰色关联度分析，能够更准确地识别有源客户的拓扑结构。二次规划算法可以优化功率平衡，确保计算结果的准确性，而灰色关联度分析则能够处理不确定性和不完全的数据，进一步提高拓扑辨识的准确性。本方法利用高级量测体系获取数据，可以快速准确地获取变压器和用户侧智能电表的数据，避免了传统方法中需要人工采集和处理数据的时间和人力成本。本方法结合了二次规划算法和灰色关联度分析的优点，能够更好地处理各种情况下的数据，从而提高了拓扑辨识的可靠性。此外，它还可以通过不断学习和优化来提高自身的性能和准确性。

本技术方案基于二次规划算法和灰色关联对有源客户进行拓扑辨识，辨识方法简便可靠，且准确性高。

作为优选技术手段：在步骤1)中获取初始台账记录，生成初始邻接矩阵A

向配电管理系统获取初始台账记录，获取到的初始台账记录包含M个变压器与N个用户的连接关系，根据连接关系构建初始邻接矩阵A

通过从配电管理系统直接获取台账记录，能够确保获取到的连接关系数据的准确性。通过自动化的方式获取台账记录，可以减少人工操作和数据输入的错误，提高工作效率。能够与配电管理系统进行集成，充分利用现有系统的数据资源，避免重复采集和处理数据，降低了工作成本。本方案能够灵活地更新和扩展台账记录，以适应新的网络结构和连接关系。通过标准化的台账记录和邻接矩阵表示，使得数据的维护和管理更加方便，降低了维护成本。

作为优选技术手段：步骤2)包括步骤：

21)通过高级量测体系(AMI)获取变压器、用户侧智能电表七天的电压、功率数据，其中AMI每隔15min采集一次电压、功率数据，获得长度l为672的电压、功率时间序列，但由于网络通信等问题部分数据会缺失，对缺失数据进行线性差值；

假设变压器i电压数据中U

22)对于补全后的数据，变压器电压、功率时间序列记作U

。

通过高级量测体系(AMI)获取数据，能够确保数据的准确性。通过自动化的方式获取数据，可以减少人工操作和数据输入的错误，提高工作效率。本方案能够与配电管理系统进行集成，充分利用现有系统的数据资源，避免重复采集和处理数据，降低了工作成本。通过标准化的数据表示，使得数据的维护和管理更加方便，降低了维护成本。对于缺失的数据，该方案使用线性差值进行补全，能够快速准确地恢复缺失的数据本方案使用向量表示变压器和用户的电压、功率时间序列，方便后续的拓扑辨识和分析。

作为优选技术手段：步骤3)包括步骤：

31)对于含有有源客户的低压配电网中，普通负荷客户的功率大于0，有源客户的功率小于0，根据用户-配变功率平衡关系，在减去误差及功率损失部分后，每个时刻终端用户负荷功率之和与低压配变得到的输出有功功率相等，则可以将t时刻第j个变压器与其对应的n个终端用户的功率平衡关系表示为如下的线性方程：

其中ε为量测误差、配网线损等常数，其中a

32)根据式(2)即可得到功率平衡方程：P

其中，P

minf＝||P

a

33)二次规划模型是一个0-1整数二次规划问题，为加强可解性，将a

minf＝||P

a

34)基于二次规划问题计算得到的A

通过二次规划算法，可以优化功率平衡，确保计算结果的准确性。这种方法能够处理量测误差和配网线损等因素，使得功率平衡关系更加准确。本方法结合了二次规划算法和功率平衡的优点，能够更好地处理各种情况下的数据，从而提高了拓扑辨识的可靠性。

作为优选技术手段：步骤4)包括步骤：

41)对变压器与用户的电压时间序列进行无量纲处理，将U与u中的每个元素按照

42)选取变压器j的电压时间序列U′

Δ

计算两极极差的最大值Δ

Δ

Δ

43)对第i个用户的每个电压序列元素按照式(4)并带入最大值Δ

λ

44)对第i个用户的关联系数序列按照式(5)求取均值，即可得第i个用户的电压时间序列与变压器j的电压时间序列的灰色关联度r

45)选取变压器j作为参考序列，对n个用户计算灰色关联度得到变压器j的灰色关联度R

46)初始化邻接矩阵A

灰色关联度分析能够处理不确定性和不完全的数据，通过计算电压时间序列的灰色关联度，能够更准确地识别有源客户的拓扑结构。利用灰色关联度分析，可以快速准确地获取邻接矩阵，避免了传统方法中需要人工采集和处理数据的时间和人力成本。本方法结合了灰色关联度分析的优点，能够更好地处理各种情况下的数据，从而提高了拓扑辨识的可靠性。此外，它还可以通过不断学习和优化来提高自身的性能和准确性。

作为优选技术手段：步骤5)包括步骤：

51)为评估多个算法结果的准确度，使用F1分数(F1-socre)算法作为可信系数；以F1分数作为识别结果的参考权重即可信系数λ，计算公式为：

其中，表征识别结果的精确率参数为P，表征识别结果的召回率参数为R：

式中：TP为实际为某台区且分类正确的用户数；FP为不属于但被划分为某台区的用户数；FN为属于该台区但被划分到其他台区的用户数；TN为不属于且未划分到某台区的用户数；

52)将邻接矩阵A

A＝λ

53)令邻接矩阵A中每列最大值的元素值为1，其余值为0，完成对邻接矩阵A的计算，并作为拓扑辨识结果。

通过F1分数评估算法，能够准确评估多个算法结果的准确度，为拓扑辨识结果提供可信的参考。F1分数评估方法考虑了精确率和召回率两个因素，能够全面评估算法的性能，提高评估结果的可靠性。

有益效果：本技术方案通过结合二次规划和灰色关联度分析，能够综合考虑多种因素，提高拓扑辨识的准确性。本技术方案利用高级量测体系获取数据，可以快速准确地获取变压器和用户侧智能电表的数据，避免了传统方法中需要人工采集和处理数据的时间和人力成本。本方法可以根据实际情况调整参数或策略，以适应不同的配电网络和有源客户类型。本方法结合了二次规划算法和灰色关联度分析的优点，能够更好地处理各种情况下的数据，从而提高了拓扑辨识的可靠性。以上使得本法具有辨识简便可靠，且准确性高的优点。

附图说明

图1是本发明的流程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1所示，本发明包括以下步骤：

步骤S1：向配电管理系统获取初始台账记录，生成初始邻接矩阵A

步骤S2：通过高级量测体系获取变压器、用户侧智能电表数据并进行预处理。

步骤S3：基于功率平衡，使用二次规划算法，得到邻接矩阵A

步骤S4：对电压时间序列进行灰色关联度分析，得到邻接矩阵A

步骤S5：综合邻接矩阵A

以下就各步骤作进一步的具体说明：

一、步骤S1中获取初始台账记录，生成初始邻接矩阵A

步骤S1：向配电管理系统获取初始台账记录，获取到的初始台账记录包含M个变压器与N个用户的连接关系，根据连接关系构建初始邻接矩阵A

二、步骤S2中通过高级量测体系获取变压器、用户侧智能电表数据并进行预处理过程如下：

步骤S21：通过高级量测体系(AMI)获取变压器、用户侧智能电表七天的电压、功率数据，其中AMI每隔15min采集一次电压、功率数据，可获得长度l为672的电压、功率时间序列，但由于网络通信等问题部分数据会缺失，对缺失数据进行线性差值。

假设变压器i电压数据中U

步骤S22：对于补全后的数据，变压器电压、功率时间序列记作U

三、步骤S3中基于功率平衡，使用二次规划算法，得到邻接矩阵A

步骤S31：对于含有有源客户的低压配电网中，普通负荷客户的功率大于0，有源客户的功率小于0，根据用户-配变功率平衡关系，在减去误差及功率损失部分后，每个时刻终端用户负荷功率之和与低压配变得到的输出有功功率相等，则可以将t时刻第j个变压器与其对应的n个终端用户的功率平衡关系表示为如下的线性方程：

其中ε为量测误差、配网线损等常数，其中a

步骤S32：根据式(2)即可得到功率平衡方程：P

min f＝||P

a

步骤S33：该模型是一个0-1整数二次规划问题，为加强可解性，将a

minf＝||P

a

步骤S34：由此转换为二次规划问题。在该模型中，基于二次规划问题计算得到的A

四、步骤S4中对电压时间序列进行灰色关联度分析，得到邻接矩阵A

步骤S41：对变压器与用户的电压时间序列进行无量纲处理，将U与u中的每个元素按照

步骤S42：选取变压器j的电压时间序列U

Δ

计算两极极差的最大值Δ

Δ

Δ

步骤S43：对第i个用户的每个电压序列元素按照式(4)并带入最大值Δ

λ

步骤S44：对第i个用户的关联系数序列按照式(5)求取均值，即可得第i个用户的电压时间序列与变压器j的电压时间序列的灰色关联度r

步骤S45：选取变压器j作为参考序列，对n个用户计算灰色关联度得到变压器j的灰色关联度R

步骤S46：初始化邻接矩阵A

五、步骤S5中综合邻接矩阵A

步骤S51：为评估多个算法结果的准确度，使用F1分数(F1-socre)算法作为可信系数。F1分数是统计学中用来衡量二分类模型精确度的一种指标，一种算法的F1-score越高，则代表该算法的准确率越高，其结果越可信。因此，以F1分数作为识别结果的参考权重即可信系数λ，计算公式为：

其中，表征识别结果的精确率参数为P，表征识别结果的召回率参数为R：

式中：TP为实际为某台区且分类正确的用户数；FP为不属于但被划分为某台区的用户数；FN为属于该台区但被划分到其他台区的用户数；TN为不属于且未划分到某台区的用户数。

步骤S52：将邻接矩阵A

A＝λ

步骤S53：令邻接矩阵A中每列最大值的元素值为1，其余值为0，完成对邻接矩阵A的计算，并作为拓扑辨识结果。

以上所示的一种基于二次规划和灰色关联度的有源客户拓扑辨识方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。