一种基于神经网络的低压配电网拓扑识别方法及装置与流程

1.本发明涉及电力电网技术领域，尤其涉及一种基于神经网络的低压配电网拓扑识别方法及装置。


背景技术：

2.随着新型电力系统建设，大规模分布式新能源投切，导致低压配电网拓扑频繁变化。随着居民生活用电需求的急剧增加，用户违约用电、私自搭接线路等问题在低压配电系统中频繁发生，增加了电能表的客户归属的辨识难度。在日常的配电运维管理工作中，往往存在户变连接关系不清晰的问题。尤其是老旧台区，部分拓扑根本无法直接获取，需要进行人工摸查，工作量巨大，造成了人力、物力的浪费。


技术实现要素：

3.本发明实施例提供一种基于神经网络的低压配电网拓扑识别方法及装置，能基于神经网络，实现对低压配电网的拓扑识别，节省人力物力。
4.本发明一实施例提供了一种基于神经网络的低压配电网拓扑识别方法，包括：采集各用户电表、各分支箱以及各配电变压器处的有功电流信号；
5.将所采集的有功电流信号输入至预设的拓扑相关性识别模型，以使所述拓扑相关性识别模型根据所采集的有功电流信号输出各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数；
6.根据各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数，识别低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系。
7.进一步的，在将所采集的有功电流信号输入至预设的拓扑相关性识别模型之前，还包括：通过卡尔曼滤波器对所采集的有功电流信号进行滤波。
8.进一步的，以各用户电表、各分支箱以及各配电变压器处的历史有功电流信号为输入样本，以各所述用户电表与各所述分支箱间的历史相关系数，以及各所述分支箱与各所述配电变压器之间的历史相关系数为输出，对bp神经网络进行训练，生成所述拓扑相关性识别模型；其中，用户电表与具有从属拓扑关系的分支箱之间的历史相关系数为1，用户电表与不具有从属拓扑关系的分支箱之间的历史相关系数为0，分支箱与具有从属拓扑关系的配电变压器之间的历史相关系数为1，分支箱与不具有从属拓扑关系的配电变压器之间的历史相关系数为0。
9.进一步的，在生成所述拓扑相关性识别模型时，根据所述输入样本通过遗传算法确定所述bp神经网络的隐藏层个数以及每层隐藏层中神经元个数。
10.进一步的，还包括：将所识别的低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系存储至数据库中，并对数据库中的历史拓扑数据进行更新。
11.在上述方法项实施例的基础上，本发明对应提供了装置项实施例；
12.本发明一实施例提供了一种基于神经网络的低压配电网拓扑识别装置，包括：数据采集模块、相关性计算模块以及拓扑识别模块；
13.所述数据采集模块，用于采集各用户电表、各分支箱以及各配电变压器处的有功电流信号；
14.所述相关性计算模块，用于将所采集的有功电流信号输入至预设的拓扑相关性识别模型，以使所述拓扑相关性识别模型根据所采集的有功电流信号输出各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数；
15.所述拓扑识别模块，用于根据各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数，识别低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系。
16.进一步的，还包括：滤波模块；所述滤波模块，用于将所采集的有功电流信号输入至预设的拓扑相关性识别模型之前，通过卡尔曼滤波器对所采集的有功电流信号进行滤波。
17.进一步的，还包括：模型构建模块；所述模型构建模块，用于以各用户电表、各分支箱以及各配电变压器处的历史有功电流信号为输入样本，以各所述用户电表与各所述分支箱间的历史相关系数，以及各所述分支箱与各所述配电变压器之间的历史相关系数为输出，对bp神经网络进行训练，生成所述拓扑相关性识别模型；其中，用户电表与具有从属拓扑关系的分支箱之间的历史相关系数为1，用户电表与不具有从属拓扑关系的分支箱之间的历史相关系数为0，分支箱与具有从属拓扑关系的配电变压器之间的历史相关系数为1，分支箱与不具有从属拓扑关系的配电变压器之间的历史相关系数为0。
18.进一步的，还包括：模型构建模块在生成所述拓扑相关性识别模型时，根据所述输入样本通过遗传算法确定所述bp神经网络的隐藏层个数以及每层隐藏层中神经元个数。
19.进一步的，还包括：数据更新模块；所述数据更新模块，用于将所识别的低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系存储至数据库中，并对数据库中的历史拓扑数据进行更新。
20.通过实施本发明实施例具有如下有益效果：
21.本发明实施例提供了一种基于神经网络的低压配电网拓扑识别方法与装置，方法将各用户电表、各分支箱以及各配电变压器处的有功电流信号，输入到预设的拓扑相关性识别模型中，以使拓扑相关性识别模型根据所采集的有功电流信号输出各用户电表与各分支箱间的相关系数，以及各分支箱与各配电变压器之间的相关系数；最后根据各用户电表与各分支箱间的相关系数，以及各分支箱与各配电变压器之间的相关系数，识别低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系。通过实施本发明实施例，无需人工进行台区拓扑排查，只需对应各设备处的有功电流信号，即可实现拓扑关系的识别，节约了人力物力，且准确性较高。
附图说明
22.图1是本发明一实施例提供的一种基于神经网络的低压配电网拓扑识别方法的流程示意图。
23.图2是本发明一实施例提供的一种基于神经网络的低压配电网拓扑识别装置的结
构示意图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.如图1所示，本发明一实施例提供了一种基于神经网络的低压配电网拓扑识别方法，至少包括如下和步骤：
26.步骤s101:采集各用户电表、各分支箱以及各配电变压器处的有功电流信号。
27.步骤s102:将所采集的有功电流信号输入至预设的拓扑相关性识别模型，以使所述拓扑相关性识别模型根据所采集的有功电流信号输出各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数。
28.步骤s103:根据各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数，识别低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系。
29.对于步骤s101，可以在各用户电表、各分支箱以及各配电变压器处部署用于采集有功电流信号的传感器，实时各处的有功电流信号。
30.对于步骤s102,首先对上述拓扑相关性识别模型的构建进行说明，在一个优选的实施例中，以各用户电表、各分支箱以及各配电变压器处的历史有功电流信号为输入样本，以各所述用户电表与各所述分支箱间的历史相关系数，以及各所述分支箱与各所述配电变压器之间的历史相关系数为输出，对bp神经网络进行训练，生成所述拓扑相关性识别模型；其中，用户电表与具有从属拓扑关系的分支箱之间的历史相关系数为1，用户电表与不具有从属拓扑关系的分支箱之间的历史相关系数为0，分支箱与具有从属拓扑关系的配电变压器之间的历史相关系数为1，分支箱与不具有从属拓扑关系的配电变压器之间的历史相关系数为0。
31.具体的，bp神经网络包括输入层、隐藏层和输出层，输入层的神经元数量为k，隐藏层各层神经元数量为s，输出层的神经元数量为n。其中，隐藏层参数为p(w,b)，p为bp神经网络参数矩阵，p为隐藏层权重矩阵，b为阈值矩阵。
32.以各用户电表、各分支箱以及各配电变压器处的历史有功电流信号为输入值每个神经元对输入信号xi,(i＝1～k)进行量化感知。其中，i代表输入层的第i个神经元，k为输入层神经元的总个数。
33.神经网络的激活函数为:
34.其中,a为激活函数参数。
35.定义神经网络隐藏层输出函数为：
36.其中w
ij
为输入层神经元与隐藏层神经元之间的权重，bj为隐藏层阈值，hj为隐藏层第j个神经元输出。
37.神经网络输出层函数为：
38.其中，w
jm
为隐藏层神经元与输出层神经元之间的权重，cm为输出层阈值，om为第m个神经元输出。
39.在机器学习的过程中，每一次训练都会产生误差，损失函数可以反映模型与实际数据的差距，通过反向传播更新权重和偏置让下一轮训练逐渐减小误差，提高预测精度。为了判断估计值与实际值间误差，定义损失函数：
[0040][0041]
其中，m为样本个数，y为神经网络训练样本输出，d为数据的维数，y
′
为期望输出(即为上述历史相关性系数，用户电表与具有从属拓扑关系的分支箱之间的历史相关系数为1，用户电表与不具有从属拓扑关系的分支箱之间的历史相关系数为0，分支箱与具有从属拓扑关系的配电变压器之间的历史相关系数为1，分支箱与不具有从属拓扑关系的配电变压器之间的历史相关系数为0)。
[0042]
根据误差的负梯度方向，对权重进行更新。当给定输入样本和期望输出后，对每个输入样本重复进行迭代，当所有样本都训练完毕后，判断指标函数是否满足精度。若指标函数满足精度，则停止训练，否则重新训练，直到满足精度为止。至此，bp神经网络构建完毕，生成上述拓扑相关性识别模型。
[0043]
在一个优选的实施例中，在生成所述拓扑相关性识别模型时，根据所述输入样本通过遗传算法确定所述bp神经网络的隐藏层个数以及每层隐藏层中神经元个数。
[0044]
由于随着神经网络层数增多，在提高精度的同时会导致运算速度下降，影响拓扑识别速度，难以实现低压配电拓扑关系快速识别，为解决这一问题，本发明在在生成所述拓扑相关性识别模型时，根据所述输入样本通过遗传算法确定所述bp神经网络的最优的隐藏层个数以及每层隐藏层中最优的神经元个数，从而使得构建的bp神经网络能够实现拓扑关系的快速识别。
[0045]
具体的，利用遗传算法确定bp神经网络隐藏层个数以及每层神经元个数，设定神经网络的层数不超过3层，每层的神经元个数在[32,256]之间。具体优化步骤如下：
[0046]
步骤1：初始化种群的生成。随机生成n个个体，每个个体中由一组十位二进制数构成，包含适用于低压配电网拓扑识别的神经网络隐藏层个数以及每层神经元个数，前两位代表层数，后8位代表每层神经元个数。
[0047]
步骤2：确定适应度函数。个体生存能力由适应度函数决定，适应度函数值越大，个体生存能力越强。适应度函数为：
[0048][0049]
其中，yr为神经网络实际输出值，y
′r为神经网络期望输出值，n为个体数量。
[0050]
步骤3：选择。比较包含神经网络隐藏层个数以及每层神经元个数的不同个体间的适应度函数，每次按轮盘赌的方法选择一对个体进行竞争，适应度函数值大的个体被选中，具有繁殖下一代的可能，适应度函数值小的个体被淘汰。如此反复，直到选满为止。
[0051]
步骤4：交叉。两个相互配对的个体按单点交叉方式相互交换染色体中的部分基因，形成两个新的个体，新个体中仍包含神经网络隐藏层个数以及每层神经元个数。
[0052]
步骤5：变异。随机选择变异个体，被选中的个体以概率p随机使数组中的某值变异。
[0053]
步骤6：计算新种群中个体的适应度函数值f(r)，若f(r)达到要求或进化次数达到最大值则进化完毕，得到可以反应神经网络隐藏层层数以及各层神经元个数的最优个体，否则返回步骤3。
[0054]
根据得到的隐藏层数量以及各层神经元数，构建上述bp神经网络，以近一个月的历史数据(及上述各用户电表、各分支箱以及各配电变压器处的历史有功电流信号)作为训练集，将训练集输入到输入层神经元,然后逐层将信号正向传播并计算输出，直到有输出层的结果并计算输出层的误差，再利用误差反向传播并更新各层神经元的权重和阈值。直到反复进行该过程直到满足迭代终止条件才停止训练，得到的神经网络参数几乎不再发生变化。此时得到一个满足误差条件且精准度较高的拓扑相关性识别模型。
[0055]
在构建完上述拓扑相关性识别模型后，将所采集的有功电流信号输入至相关性识别模型中，模型即可输出各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数。
[0056]
在一个优选的实施例中，在将所采集的有功电流信号输入至预设的拓扑相关性识别模型之前，还包括：通过卡尔曼滤波器对所采集的有功电流信号进行滤波。
[0057]
由于在实际的有功电流信号采集的过程中，有功电流信号经常会受到台区载波信号串扰，从而导致数据不准确，因此在本发明这一实施例中，通过卡尔曼滤波器对所采集的有功电流信号进行处理后，再输入到模型中进行识别。
[0058]
具体的，采用卡尔曼滤波器对所采集的有功电流信号进行处理的步骤如下：
[0059]
定义系统的状态向量为x(n)＝[i
1n
，i
2n
，i
3n
，...，i
kn
]，其中i
kn
表示n时刻采集的第k个设备的有功电流值。对有功电流信号建立系统状态空间方程：
[0060]
x(n)＝x(n-1) w(n-1)；
[0061]
式中，w(n-1)为系统的过程噪声向量。
[0062]
定义有功电流观察模型：z(n)＝hx(n) v；
[0063]
式中，h为低压配电网用户电表、分支箱、配电变压器有功电流信号测量值与系统状态值的比值，v为有功电流信号观测噪声。v和w是互不相关且均值为零的高斯白噪声。
[0064]
根据已知低压配电网有功电流信号系统模型和噪声统计特性，得到有功电流信号预测状态：
[0065]
x(n|n-1)＝x(n-1)；
[0066]
根据上一时刻的最优估计协方差，得到n时刻有功电流信号协方差的预测值：
[0067]
p(n|n-1)＝p(n-1) q；
[0068]
式中，q为过程噪声协方差矩阵，矩阵p(n|n-1)为有功电流信号协方差的预测值，初始化为q，即：p(1|0)＝q。
[0069]
定义卡尔曼增益为：
[0070]
k(n)＝p(n|n-1)
·ht
·
(h
·
p(n|n-1)
·ht
r)-1
；
[0071]
其中，r为有功电流信号观测噪声v的协方差。
[0072]
因此，n时刻低压配电网有功电流信号的最优估计值为：
[0073][0074]
n时刻有功电流信号协方差的最优估计值为：
[0075]
p(n)＝(i-k(n)
·
h)
·
c；
[0076]
每次递推都需要根据噪声方差重新计算卡尔曼增益k(n)和有功电流信号协方差p(n)，其中，而k(n)是令p(n)最小的最优值。
[0077]
通过卡尔曼滤波最终可以获得有功电流信号的最优估计值，将最优估计值作为滤波后的有功电流信号，输入到拓扑相关性识别模型中进行识别。
[0078]
需要说明的，在一个优选的实施例中，在将各用户电表、各分支箱以及各配电变压器处的历史有功电流信号输入至bp神经网络进行训练之前，同样需要通过卡尔曼滤波器对历史有功电流信号进行滤波处理，这样可以提高所训练出的模型的鲁棒性。
[0079]
对于步骤s103,基于上述拓扑相关性识别模型可以获悉各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数。设定一个相关系数阈值，逐一将各设备之间的相关系数与相关系数阈值进行比对，若大于相关系数阈值，则说明两个设备之间具有从属拓扑关系，否则说明两个设备之间不具备从属拓扑关系，最终完成低压配电网中各设备的拓扑关系的识别，示意性的上述相关系数阈值可以为0.9。
[0080]
在一个优选的实施例中，还包括：将所识别的低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系存储至数据库中，并对数据库中的历史拓扑数据进行更新。通过实时存储更新数据库中的拓扑数据，可以实现对低压配电网的动态监控，及时获悉低压配电网的拓扑变动情况。
[0081]
在上述方法项实施例的基础上，本发明对应提供了装置项实施例。
[0082]
如图2所示，本发明一实施例提供了一种低压配电网拓扑识别装置，包括：数据采集模块11、相关性计算模块12以及拓扑识别模块13；
[0083]
所述数据采集模块11，用于采集各用户电表、各分支箱以及各配电变压器处的有功电流信号；
[0084]
所述相关性计算模块12，用于将所采集的有功电流信号输入至预设的拓扑相关性识别模型，以使所述拓扑相关性识别模型根据所采集的有功电流信号输出各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数；
[0085]
所述拓扑识别模块13，用于根据各所述用户电表与各所述分支箱间的相关系数，以及各所述分支箱与各所述配电变压器之间的相关系数，识别低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系。
[0086]
在一个优选的实施例中，还包括：滤波模块14；所述滤波模块14，用于将所采集的有功电流信号输入至预设的拓扑相关性识别模型之前，通过卡尔曼滤波器对所采集的有功电流信号进行滤波。
[0087]
在一个优选的实施例中，还包括：模型构建模块15；所述模型构建模块15，用于以各用户电表、各分支箱以及各配电变压器处的历史有功电流信号为输入样本，以各所述用户电表与各所述分支箱间的历史相关系数，以及各所述分支箱与各所述配电变压器之间的
历史相关系数为输出，对bp神经网络进行训练，生成所述拓扑相关性识别模型；其中，用户电表与具有从属拓扑关系的分支箱之间的历史相关系数为1，用户电表与不具有从属拓扑关系的分支箱之间的历史相关系数为0，分支箱与具有从属拓扑关系的配电变压器之间的历史相关系数为1，分支箱与不具有从属拓扑关系的配电变压器之间的历史相关系数为0。
[0088]
优选的，模型构建模块15在生成所述拓扑相关性识别模型时，根据所述输入样本通过遗传算法确定所述bp神经网络的隐藏层个数以及每层隐藏层中神经元个数。
[0089]
在一个优选的实施例中，还包括：数据更新模块16；所述数据更新模块16，用于将所识别的低压配电网中各用户电表、各分支箱以及各配电变压器的拓扑关系存储至数据库中，并对数据库中的历史拓扑数据进行更新。
[0090]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0091]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。