一种基于结构相似性指数的配电网拓扑辨识方法

摘要: 本发明涉及电力系统配电网参数估计领域,特别是一种基于结构相似性指数的配电网拓扑辨识方法。背景技术:1、为了应对分布式电源的大规模并网以及配电网中日益频繁的倒闸重...
一种基于结构相似性指数的配电网拓扑辨识方法

本发明涉及电力系统配电网参数估计领域,特别是一种基于结构相似性指数的配电网拓扑辨识方法。

背景技术:

1、为了应对分布式电源的大规模并网以及配电网中日益频繁的倒闸重构操作,有源配电网的拓扑结构呈现出高度的动态时变特性。传统的静态拓扑分析能力已无法满足现代配电网实时监控与运行调度的需求。为了精准追踪这些复杂的网络动态变化,配电网动态拓扑辨识技术已成为维持电网安全高效运行的核心支撑。

2、然而,现代配电网的实际运行环境极其复杂,底层数据采集与监控系统普遍面临着量测数据不完整(如通信丢包)、高频测量噪声干扰,以及源荷双侧功率剧烈波动带来的强不确定性。这种恶劣的运行工况给基于物理求解器的传统优化算法或数据驱动的神经网络模型施加了沉重的负担,导致复杂的模型构建成本和高昂的离线预训练开销。当面临严重的数据缺失或极端量测噪声时,现有算法的拓扑辨识精度往往会发生断崖式下降。

3、针对有源配电网在复杂、稀疏监测的量测环境下如何实现高精度、高鲁棒性拓扑辨识这一技术问题,现有的技术主要存在以下两种主流的数据处理方案,但均存在显著的技术缺陷:

4、现有技术方案一:基于海量数据驱动的人工智能学习技术。此类方案(如深度学习架构、图神经网络等)天然具备编码复杂非线性映射关系的能力,期望在不依赖明确物理先验信息的条件下实现网络拓扑的实时推演。

5、然而,该方案的核心机制不可避免地高度依赖于海量的历史量测数据进行极其耗时的离线预训练。即便是引入生成对抗网络等生成式模型来进行数据增强以弥补稀缺数据,也难以在大规模配网结构中实现高精度的拓扑识别准确率,反而还会因为模型复杂度不断提升导致难以承担的训练负担。更为致命的是,实际电网中的量测数据由于物理环境限制,必然伴随着不同程度的噪声污染和通信丢包,这直接导致高度依赖数据质量的人工智能学习型模型性能急剧恶化。此外,由于神经网络模型固有的“黑盒”属性,其在极端运行工况下缺乏可证明的鲁棒性与物理可解释性,导致该方案在监测设备稀疏、运行环境复杂的配电网中难以真正满足工程可信度要求。

6、现有技术方案二:数学统计推断与解析图模型技术。为了规避数据驱动模型对海量数据和繁重离线预训练的过度依赖,部分现有技术转向利用纯图模型或统计解析模型(如马尔可夫随机场、多项式时间结构学习等)进行无物理先验的拓扑估计。

7、然而,这类方案同样面临难以逾越的应用瓶颈。首先,基于纯图模型的方案需要进行极其复杂的图节点关联构建,当算法需要跨越不同结构的配电网物理网架进行应用时,将面临极其高昂的算法迁移与重构成本。其次,基于解析推断(如马尔可夫随机场结合迭代筛选)的模型在面对配电网底层不可预知的测量噪声时,往往表现出极差的鲁棒性。尽管有方案试图引入多项式时间结构学习算法来提升解析方法的抗干扰能力,但当底层通信网络发生连续时间的数据丢包或量测间断时,这些严格依赖统计数据连贯性的算法便无法保证辨识结论的绝对可靠。现有技术仍旧存在如数据驱动算法的“训练成本高、黑盒不可释、对脏数据极其敏感”与统计解析图模型的“网架迁移成本高、抗连续丢包及极端噪声能力差”等难以解决的难题。难以满足现代配电网在极端恶劣量测环境下对拓扑辨识准确性、实时性及高鲁棒性的严苛要求。

技术实现思路

1、本发明的目的在于克服现有技术的缺点,提供一种基于结构相似性指数的配电网拓扑辨识方法。

2、本发明的目的通过以下技术方案来实现:一种基于结构相似性指数的配电网拓扑辨识方法,该方法包括以下步骤:

3、s1、获取实时负荷数据并输入候选拓扑集执行潮流仿真,计算拓扑库中各拓扑的全网电压与电流分布,根据传感器物理布点从仿真结果中提取对应n个监测位置的量测数据,生成各候选拓扑的基准状态向量;

4、s2、通过现场高分辩率量测设备,在连续的观察时间窗口内按统一频率获取w个时间帧的实时电气参数,将n个监测位置的量测数据按时空维度排列,构建w×n维原始观测矩阵;

5、s3、将基准状态向量沿时间轴进行w次复制平铺,构建与所述原始观测矩阵维度匹配的w×n维模拟参考矩阵,对原始观测矩阵中的缺失数据进行补全,对原始观测矩阵和模拟参考矩阵进行归一化预处理,将异构量测数据映射至统一数值区间;

6、s4、利用结构相似性指数分别计算各候选拓扑的模拟参考矩阵与预处理后的原始观测矩阵之间的结构相似度,结构相似性指数从均值偏离、波动方差及空间协相关三个维度进行量化评估,选取结构相似性指数得分最大的候选拓扑作为当前配电网的实际运行拓扑。

7、具体的,所述根据传感器物理布点从仿真结果中提取对应n个监测位置的量测数据,生成各候选拓扑的基准状态向量包括:

8、利用拓扑图库中配电网拓扑图与设备台账的映射关系,将实时负荷分布数据对应配网潮流计算结果中的节点电压向量或支路电流向量,按照实际部署的高分辨率量测设备的物理节点索引和支路索引进行空间筛选,组合形成1×n维的静态电气特征向量,作为该候选拓扑的初始物理参照基准。

9、具体的,所述s3中,对原始观测矩阵中的缺失数据进行补全包括:

10、当检测到所述w×n维原始观测矩阵中某一监测位置在特定时间帧的量测数据发生丢包或失效时,提取该监测位置在时间轴上前后相邻有效时间帧的量测数值,计算算术平均值进行插值填补;

11、若遇到时间轴上连续多帧数据缺失,则先尝试结合该监测位置在时间轴上前后相邻有效时间帧的量测数值进行插值填补,若填补失败则剔除该量测点对应的列数据,并对应剔除所述模拟参考矩阵中的对应列数据。

12、具体的,所述对原始观测矩阵和模拟参考矩阵进行归一化预处理包括:

13、采用标幺化处理算法,分别按列对所述w×n维原始观测矩阵以及所述模拟参考矩阵中的电压观测列与电流观测列进行独立的数值缩放,消除不同物理量纲固有量级的差异。

14、具体的,所述利用结构相似性指数分别计算各候选拓扑的模拟参考矩阵与预处理后的原始观测矩阵之间的结构相似度包括:

15、分别计算所述原始观测矩阵与所述模拟参考矩阵之间的均值比较函数、方差比较函数以及协方差比较函数,以分别对应均值偏离、波动方差和空间协相关三个维度的特征量化;

16、通过自适应调整配电网电气特性的权重因子,将所述均值比较函数、方差比较函数和协方差比较函数进行乘积融合,得到结构相似性指数综合得分。

17、具体的,所述选取结构相似性指数得分最大的候选拓扑作为当前配电网的实际运行拓扑之后,还包括基于辨别裕度的安全校验机制,具体包括:

18、提取获得最大结构相似性指数得分的最优候选拓扑与获得次大结构相似性指数得分的次优候选拓扑,计算二者之间的得分差值作为辨别裕度;

19、当所述辨别裕度小于预设的安全裕度阈值时,暂停输出单一确定的自动化辨识结论,转而输出带有低置信度告警标识的疑似拓扑集合,以提示人工介入核查。

20、具体的,所述候选拓扑集的构建方式包括:

21、获取配电网底层的物理基础设施台账及连通性参数,将实际配电网抽象为数学图论模型g=(v, e),其中节点集合v代表母线、变压器及负荷接入点,边集合e代表物理馈线,并将边集合细分为不可控的静态线路段与可控的开关设备;

22、以图论生成树算法为驱动,以配电网辐射状运行约束为前置条件,在图模型空间中提取所有满足连通且无回路特性的开关状态组合,生成初始辐射状拓扑库;

23、对所述初始辐射状拓扑库施加多重运行边界约束进行剪枝,所述多重运行边界约束包括系统全局连通性及避免孤岛约束、上级电源点供电容量范围约束、节点电压越限边界约束以及支路热容量限制,最终生成候选拓扑集。

24、本发明具有以下优点:

25、1、本发明在系统架构上彻底摒弃了传统数据驱动模型对海量历史数据集和繁重离线预训练过程的依赖,通过构建包含配电网物理约束的候选拓扑集,创新性地实现了一种免训练的物理状态匹配机制。通过系统预设的潮流仿真器获取各可行拓扑的基准电参数状态,完全规避了深度学习及图神经网络等算法在数据收集、清洗、标注以及模型迭代更新方面的高昂成本。这不仅有效克服了机器学习黑盒模型在缺乏历史量测数据的新建电网中面临的“冷启动”难题,更使得算法具备了即开即用、无需预演的工程落地能力,极大提升了系统在面对不同网架结构扩展与迁移时的灵活性与实施效率;

26、2、本发明将图像评估领域的结构相似性指数跨界引入配电网动态拓扑分析中,并进行适应性调整:1.通过基准向量沿时间轴的复制平铺(解决静态基准与动态观测的维度与性质不匹配);2.异构量测的逐列标幺归一(消除电压/电流量纲与量级差异对亮度、对比度项的非对称掩盖);3.保持维度一致的时空插补(修复通信丢包导致的矩阵空洞),从底层构建出维度匹配、无量纲、结构完整的可比对评价空间。在此基础上建立“拓扑物理变更——矩阵均值/方差/协方差漂移”的物理对应并按配网电气特性自适应加权,将原本面向视觉感知的相似度算子改造为具有明确物理判别意义的拓扑辨识度量。通过量化模拟参考矩阵与实时观测矩阵之间的结构相似度,实现了对实际运行物理拓扑的精准匹配。不同于传统基于点对点绝对数值误差(如均方误差mse)的敏感评价体系,本发明的ssi算子能够从电学特征的空间分布、波动趋势和相关性等多个维度,将抽象的电网拓扑物理变更转化为数学上可精确度量的矩阵结构漂移。这种基于结构相似对比的拓扑识别方法,使得系统在推演时能够直接接收包含电气全貌的拓扑关联上下文,为复杂配电网的结构动态追踪提供了极其直观且精准的评价准则;

27、3、本发明充分利用了配电网电气参数在时空维度的全局结构相关性来压制局部数据的异常干扰,在面对极端恶劣的工程量测工况时展现出极高的鲁棒性。当真实配电网的底层通信发生大面积丢包(高达50%的数据缺失)或量测设备受到极端的连续高频噪声污染时,由于本方法的匹配机制聚焦于数据矩阵的整体拓扑特征而非局部独立数值,这些局部的、孤立的“脏数据”无法轻易破坏全局的物理结构关联。数值验证表明,系统在面临极端数据破坏的场景下仍能坚挺地维持88%以上的辨识成功率,彻底解决了传统高度依赖数据质量的学习型算法在恶劣环境下辨识精度断崖式下降的致命缺陷,极大地提高了系统在真实复杂通信环境中的安全可靠性;

28、4、本发明在提供免训练、高抗扰能力的同时,实现了满足配电网在线监控与调度的卓越计算效率。尽管部分端到端深度学习基线模型在单纯的在线推理阶段表现出一定的速度优势,但本发明的无预训练匹配架构彻底消除了庞大参数优化的算力消耗与时间壁垒。在执行实时的拓扑追踪时,系统通过精简且高度向量化的ssi矩阵运算,替代了复杂的非线性物理方程迭代求解过程或深度神经网络深层前向传播过程。这种轻量化的运算机制不仅降低了系统对高端计算硬件(如高端gpu)的依赖,其极短的辨识响应耗时更是完美契合了有源配电网实时调度的严苛时间约束,展现出了应对现代复杂电网状态估计的极高工程实用价值。