一种配电网动态参数辨识方法及装置与流程

1.本发明属于数据驱动的配电网参数辨识领域，具体涉及一种配电网动态参数辨识方法及装置。


背景技术：

2.节能降损的重点在配电网，配电线路物理参数是电网损耗计算的基础。由于配电网规模庞大，各区域配电自动化水平不同，部分供电区域难以获得准确的配电线路物理参数。在实际运行中，配电网线路物理参数与环境温度、线路载流量等因素密切相关，会随着运行环境的变化而呈现出动态特性，造成生产管理系统(pms)中存储的静态配电网线路物理参数不准确。导致部分地区配电网调度部分无法精确的掌握配电网运行状态，进而增加了由于人为操作不当而产生的停电事故的可能性。通过人工校核动态参数的方式效率低、成本高，如何利用高级量测体系数据进行数据驱动的配电网动态参数辨识成为实现智能电网态势感知的关键。


技术实现要素：

3.发明目的：针对现有技术的问题，本发明提出一种基于概率图模型的配电网动态参数辨识方法及装置，分析配电网运行状态和外部环境因素对配电网参数动态特性的影响，利用概率图模型推断出配电网动态参数的概率分布，实现配电网动态参数的精准辨识。
4.技术方案：为实现上述目的，一方面，本发明提出了一种配电网动态参数辨识方法，包括以下步骤：
5.对采集的配电网运行数据、外部环境数据进行数据预处理，生成配电网动态参数辨识样本；
6.将配电网动态参数辨识样本离散化，获取离散化样本；
7.基于预先建立的概率图模型，根据离散化样本，获取概率图模型的参数，其中所述概率图模型为两时间片概率图模型；
8.根据观测变量以及获取参数后的概率图模型，基于置信度传播算法，获取配电网动态参数。
9.进一步地，所述概率图模型的建立步骤包括：
10.选择一个时刻下的温度、湿度、馈线段电压降以及馈线段传输功率作为概率图模型中的观测变量，选择线路在该时刻的阻抗作为概率图模型的隐变量；
11.依据单个时间片下各观测变量与隐变量间的因果关系，逐个将各个变量加入到概率图模型中，构建静态贝叶斯网络；
12.设定一个初始时间片，指定该时间片下各变量的先验概率分布；
13.指定相邻时间片之间各状态的因果关系，构建转移模型。
14.进一步地，所述生成配电网动态参数辨识样本，包括：
15.对外部环境数据进行二次样条插值，使得不同数据来源的外部环境数据的频率齐
同；
16.合并不同数据源的数据，剔除其中的冗余字段；
17.剔除配电网运行数据中的重复数据，以及进行数据去空。
18.进一步地，所述将配电网动态参数辨识样本离散化，其计算公式如下：
[0019][0020]
其中z为隐变量，m为划分的离散区间的个数，n
count
(z＝s)为数据中隐变量在状态s的样本数量；n
amount
(z)为样本总数。
[0021]
进一步地，所述获取概率图模型的参数，包括：
[0022]
基于概率质量函数，根据离散化样本中获得各变量的初始概率分布表；
[0023]
基于最大期望算法，根据离散化样本中计算各变量之间的条件概率分布表；
[0024]
从时间轴上连续的数据样本中统计出各变量从t时刻到t+1时刻的转移概率分布表；
[0025]
通过检查每个变量的概率分布之和是否为1，检查条件概率分布是否与贝叶斯网络中的因果关系一致，确定所述条件概率分布表的正确性。
[0026]
进一步地，所述概率质量函数的表达式为：
[0027][0028]
其中为隐变量初始在状态s的概率；n
count
(z＝s)为数据中隐变量在状态s的样本数量；n
amount
(z)为样本总数。
[0029]
进一步地，所述基于最大期望算法，根据离散化样本中计算各变量之间的条件概率分布表，包括：
[0030]
依据条件概率初始值或上一步迭代所得的条件概率来计算隐变量的后验概率，作为隐变量的现期望值，其表达式为：
[0031]
p
posterior
(z)＝p(z|x；θ
cpt
)
[0032]
其中z为隐变量，p
posterior
(z)为隐变量的后验概率，θ
cpt
为概率图模型中条件概率分布表，x为观测变量；
[0033]
以似然函数最大化为目标更新条件概率分布表，其表达式为：
[0034][0035]
其中m为隐变量状态个数，p(x,z；θ
cpt
)为从样本中获得的隐变量的期望；
[0036]
当依据概率图模型中条件概率分布表抽到训练数据样本的概率最大时，最大期望算法迭代结束。
[0037]
进一步地，所述转移概率分布表的表达式为：
[0038][0039]
其中表示隐变量z从t
‑
1到t时刻从状态1转移为状态2的概率；n
count
(s1,s2)代
表获取的历史数据中隐变量z从t
‑
1到t时刻从状态1转移为状态2的次数；n
amount
(s1)代表获取的历史数据中隐变量z处于状态1的样本数量。
[0040]
进一步地，所述基于置信度传播算法，获取配电网动态参数，包括：
[0041]
依据样本初始化每个变量的概率分布；
[0042]
随机选择网络中某一状态变量y，将该节点的置信度替换为b(y
t
)：
[0043][0044]
其中φ(y
t
,x
t
)为t时刻相应状态变量y与观测变量x之间的似然函数，表示节点y在t时刻的联合相容度，g为节点y的一阶邻域，m
xy
(y
t
)为节点x传递给节点y的消息；
[0045]
更新变量间的信息：
[0046][0047]
其中ψ(y
t
,y
t
‑1)为节点y处t
‑
1时刻到t时刻的节点间的势能量；
[0048]
直至满足收敛条件：
[0049]
b
(n)
(y
t
)
‑
b
(n
‑
1)
(y
t
)＜10
‑5[0050]
将最终隐变量的置信度b(y
t
)作为隐变量在各状态区间概率分布的推断结果。
[0051]
另一方面，本发明提供了一种配电网动态参数辨识装置，包括：
[0052]
数据预处理模块，用于对采集的配电网运行数据、外部环境数据进行数据预处理，生成配电网动态参数辨识样本；
[0053]
离散化处理模块，用于将配电网动态参数辨识样本离散化，获取离散化样本；
[0054]
模型参数确定模块，用于基于预先建立的概率图模型，根据离散化样本，获取概率图模型的参数；所述概率图模型为两时间片概率图模型；
[0055]
配电网动态参数生成模块，用于根据观测变量以及获取参数后的概率图模型，基于置信度传播算法，获取配电网动态参数。
[0056]
有益效果：
[0057]
1、本发明根据数据统计和先验知识分析了配电网动态参数的影响、因素，提出的一种配电网动态参数辨识方法解决了部分配电区域无法获取动态参数的问题，有助于提高部分配电区域运行方式突变或外部环境突变情况下的参数辨识精度，有助于配电网调度人员掌握、分析配电网的运行状态，最终的辨识结果可以为配电自动化系统上层应用提供良好的基础；
[0058]
2、本发明对采集的配电网运行数据和气象数据进行科学分析，为配电网态势感知提供基础，有利于实现全景可见可控的配电网，有助于电网公司提供更加可靠、安全、经济的电能。
附图说明
[0059]
图1是根据本发明实施例的一种配电网动态参数辨识方法流程图；
[0060]
图2是根据本发明实施例的线路物理参数辨识的动态贝叶斯模型结构图；
[0061]
图3是根据本发明实施例的原始数据预处理流程图；
[0062]
图4是根据本发明实施例的基于置信度传播算法推理配电网动态参数的示意图；
[0063]
图5是根据本发明实施例的仿真实验使用的中压配电网简化拓扑模型。
具体实施方式
[0064]
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0065]
图1为本发明实施例的一种配电网动态参数辨识方法流程图，如图1所示，该方法包括以下步骤：
[0066]
步骤1，对采集的配电网运行数据、外部环境数据进行数据预处理，生成配电网动态参数辨识样本。
[0067]
根据一种实施方式，可以利用pandas对原始数据以dataframe的形式进行预处理。
[0068]
数据驱动的线路物理参数辨识所需数据包括配电网运行数据和外部环境数据：配电网运行数据来自智能电表采集数据，包括每15min采集一次的节点电压、电流、有功功率以及无功功率；外部环境数据来自58238气象台数据(由meteomanz.com提供)，包括每3小时采集一次的地区温度和湿度。原始数据主要存在三个问题，一是原始数据来自不同的数据源，需要将不同数据源中的数据合并，集成在一个数据框中；二是数据的维度需要规约，原始数据属性过多，不利于数据建模；三是数据存在缺失值和离群点，需要进行数据清理。
[0069]
为解决上述问题，在一个实施例中，可以针对原始数据采取如下操作：
[0070]
对外部环境数据进行二次样条插值，使得不同数据来源的外部环境数据的频率齐同；
[0071]
合并不同数据源的数据，剔除其中的冗余字段；
[0072]
剔除配电网运行数据中的重复数据，以及进行数据去空。
[0073]
在一个具体的例子中，如图3所示，还可以进一步采用：
[0074]
考虑到来自不同数据源的两类数据在采集频率上的不匹配，利用样条插值法在每两个外部环境数据中插入数据点补全数据，具体做法是使用python scipy模块包中interp1d函数对温度和湿度的时间序列进行插值，补全气象历史数据以匹配两种数据来源的频率；
[0075]
通过pandas模块中的merge函数将来自不同数据源的数据合并，并使用drop函数剔除原始数据中的冗余字段；
[0076]
对数据空缺和数据重复进行处理；利用drop_duplicates函数剔除运行数据中的重复数据；用pandas.isnull.sum()检测出变量的缺失比例，在缺失率较低(小于95％)且重要性较低的情况下，使用dropna函数进行数据去空，最终得到清洗后的配电网动态参数辨识数据样本。样本的结构如下表1所示。
[0077]
表1配电线路参数辨识数据样本
[0078][0079][0080]
步骤2，将配电网动态参数辨识样本离散化，获取离散化样本。
[0081]
在一个实施例中，可以利用最大熵算法将数据样本离散化，其计算公式如下：
[0082][0083]
其中z为隐变量，m为划分的离散区间的个数，n
count
(z＝s)为数据中变量在状态s的样本数量；n
amount
(z)为样本总数。网络中每个变量依据互信息熵最大的条件分配到各自的状态空间，在没有先验知识的情况下，每一个离散区间包含的样本数量相同时，各状态间的互信息熵最大。选择离散化的粒度为样本数量的10％，每个变量离散化的结果如下表2所示。
[0084]
表2离散粒度为10％时的变量离散化结果
[0085][0086]
步骤3，基于预先建立的概率图模型，根据离散化样本，获取概率图模型的参数。
[0087]
其中，所述概率图模型为两时间片概率图模型。
[0088]
概率图模型为预先建立的，根据一种实施方式，概率图模型的建立步骤可以包括：
[0089]
选择t时刻下的温度t
t
，湿度h
t
，馈线段电压降δv
t
以及馈线段传输功率s
t
作为概率图模型中的观测变量，选择线路在该时刻的阻抗z
t
作为概率图模型的隐变量；
[0090]
依据单个时间片下各观测变量与隐变量间的因果关系，逐个将各个变量加入到概率图模型中，构建静态贝叶斯网络；
[0091]
设定一个初始时间片，指定该时间片下各变量的先验概率分布；
[0092]
指定相邻时间片之间各状态的因果关系，构建转移模型。
[0093]
下面对模型建立过程进一步阐述。
[0094]
具体而言，考虑配电网动态参数与外部环境和配电网运行状态有关，依据这些变量与线路阻抗参数间的关系，选择t时刻下的温度t
t
，湿度h
t
，馈线段电压降δv
t
以及馈线段传输功率s
t
作为概率图模型的观测变量，即概率图模型在t时刻的观测变量x的表达式为：
[0095]
x
t
＝{t
t
,h
t
,δv
t
,s
t
}
[0096]
考虑到配电网线路相对较短，本申请在构建概率图模型时忽略线路的对地电容。因此概率图模型在t时刻的隐变量y
t
为线路在该时刻的阻抗，用z
t
表示。
[0097]
在模型的随机变量确定之后，依据因果关系选择变量的顺序。表示外部环境的t
t
和h
t
均为线路阻抗的影响因素，因此是线路阻抗z
t
父节点。线路节点电压降的表达式如下：
[0098][0099]
其中v1，v2表示节点1和节点2的电压幅值差，p，q分别为流经节点1和节点2之间的有功功率和无功功率，r，x分别为连接节点1和2线路的电阻及电抗，i
r
，i
x
分别表示相应的有功电流及无功电流。另外s
t
表征视在功率；z
t
为线路阻抗。由上式可知视在功率和线路阻抗是电压降的影响因素，因此它们是线路电压降δv
t
的父节点。最后，从一个空图出发，按照各变量间依赖关系逐个将变量加入到概率图模型中，形成一个有向无环图。
[0100]
在此基础上选定一个初始时间片，指定该时间片下各变量的先验概率分布，指定
相邻时间片之间各状态的因果关系，构建转移模型，完成基于两时间片概率图模型的配电网动态参数辨识模型的构建。得到图2中配电网动态参数辨识的两时间片概率图模型。
[0101]
根据一种实施方式，可以通过以下方式获取概率图模型的参数：
[0102]
基于概率质量函数，根据离散化样本中获得各变量的初始概率分布表；
[0103]
基于最大期望算法，根据离散化样本中计算各变量之间的条件概率分布表；
[0104]
从时间轴上连续的数据样本中统计出各变量从t时刻到t+1时刻的转移概率分布表；
[0105]
通过检查每个变量的概率分布之和是否为1，检查条件概率分布是否与贝叶斯网络中的因果关系一致，确定所述条件概率分布表的正确性。
[0106]
在一个实施例中，可以以下方式获取概率图模型的参数，即初始概率分布表、条件概率分布表和转移概率分布表：
[0107]
通过计算概率质量函数从离散化后的样本中获得各变量的初始概率分布表，初始概率分布表的结构如下表3所示；
[0108]
表3初始概率分布表
[0109][0110]
初始概率向量中所有元素的和为1，每个元素p
i
通过计算概率质量函数(probability mass function,pmf)获得：
[0111][0112]
其中为隐变量初始在状态s的概率；n
count
(z＝s)为数据中隐变量在状态s的样本数量；n
amount
(z)为样本总数。
[0113]
通过最大期望算法从离散化后的样本中计算各变量之间的条件概率分布表在隐变量状态数为m，观测变量的状态数分别为n、k、v和h的情况下，条件概率分布表是一个m
×
(n
×
k
×
v
×
h)的矩阵，其结构如下表4所示。
[0114]
表4条件概率分布表
[0115][0116][0117]
条件概率分布可以通过em算法获得。em算法首先对概率分布进行初始化，然后分两步进行迭代，直至收敛。两步迭代的过程如下：
[0118]
1)e步计算(expectation step)：依据条件概率初始值或上一步迭代所得的条件概率来计算隐变量的后验概率，作为隐变量的现期望值：
[0119]
p
posterior
(z)＝p(z|x；θ
cpt
)
[0120]
其中p
posterior
(z)为隐变量的后验概率，θ
cpt
为dbn(深度置信网络，deep belief network)中条件概率分布表这一参数。
[0121]
2)m步计算(maximization step)：以似然函数最大化为目标更新条件概率分布表：
[0122][0123]
其中m为隐变量状态个数，p(x,z；θ
cpt
)为从样本中获得的隐变量的期望。当依据概率图模型中条件概率分布表抽到训练数据样本的概率最大时，最大期望算法迭代结束。最大期望算法可以从非完整数据集中对参数进行最大似然估计，适用于配电网采集数据缺失情况下的概率图模型条件概率分布计算。
[0124]
从时间轴上连续的数据样本中统计出各变量从t时刻到t+1时刻的转移概率分布表。转移概率分布是dbn中表达变量时序转移的参数，可以通过下式计算：
[0125]
[0126]
其中表示隐变量z从t
‑
1到t时刻从状态1转移为状态2的概率；n
count
(s1,s2)代表获取的历史数据中隐变量z从t
‑
1到t时刻从状态1转移为状态2的次数；n
amount
(s1)代表获取的历史数据中隐变量z处于状态1的样本数量。
[0127]
最后，可以通过检查每个变量的概率分布之和是否为1，检查条件概率分布是否与贝叶斯网络中的因果关系一致来检查得到参数的正确性。
[0128]
步骤4，根据观测变量以及获取参数后的概率图模型，基于置信度传播算法，获取配电网动态参数。
[0129]
根据一种实施方式，利用置信度传播算法在观测变量已知的情况下推断配电网动态参数，如图4所示，其包括：
[0130]
1)依据样本初始化每个变量的概率分布；
[0131]
2)随机选择网络中某一状态变量y，该节点的置信度可表示为b(y
t
)，且该置信度与相邻节点及所有通过相邻边传递给该节点的信息m
xy
(y
t
)成正比，可将节点的置信度替换为概率：
[0132][0133]
其中，φ(y
t
,x
t
)为t时刻相应状态变量y与观测变量x之间的似然函数，表示该节点在t时刻的联合相容度，g为该节点的一阶邻域，即所有与该节点相邻的节点集合。m
xy
(y
t
)为节点x传递给节点y的消息，表明了节点x在t时刻对节点y的影响。
[0134]
3)更新变量间的信息：
[0135][0136]
其中ψ(y
t
,y
t
‑1)为该节点y处t
‑
1时刻到t时刻的节点间的势能量，反映隐变量之间的相容性。
[0137]
4)不断重复步骤2)和3)进行消息传播和置信度更新的不断迭代，直至满足收敛条件：
[0138]
b
(n)
(y
t
)
‑
b
(n
‑
1)
(y
t
)＜10
‑5[0139]
5)将最终隐变量的置信度作为隐变量在各状态区间概率分布的推断结果。dbn最终推理结果是一个概率分布，相较于单点参数辨识，dbn模型可以提供该时刻可能出现的所有情况及其出现的概率。为与传统单点的线路参数辨识模型对比，最终的线路阻抗参数单点辨识结果由历史数据中处于该状态区间的样本{z1,z2,
…
,z
n
}计算，可采用均方根作为线路参数的点辨识结果。
[0140][0141]
其中n为历史数据中与辨识结果处于同一状态的样本数量，z
i
为样本的阻抗值，为这些样本阻抗值的均方根。以图5中通过联络开关连接的两条10kv馈线为参数辨识对象，14条线路的参数辨识结果如下表5所示。
[0142]
表5配电网动态参数辨识结果
[0143][0144][0145]
由于每条线路的长度不同，以各条线路参数辨识的平均误差率为评价标准，提出的概率图模型阻抗参数辨识的平均误差率为3.80％，电抗参数辨识的平均误差率为9.05％。
[0146]
在另一个实施例中，本发明提供了一种配电网动态参数辨识装置，包括：
[0147]
数据预处理模块，用于对采集的配电网运行数据、外部环境数据进行数据预处理，生成配电网动态参数辨识样本；
[0148]
离散化处理模块，用于将配电网动态参数辨识样本离散化，获取离散化样本；
[0149]
模型参数确定模块，用于基于预先建立的概率图模型，根据离散化样本，获取概率图模型的参数；所述概率图模型为两时间片概率图模型；
[0150]
配电网动态参数生成模块，用于根据观测变量以及获取参数后的概率图模型，基于置信度传播算法，获取配电网动态参数。
[0151]
综上，本发明构建了一种新颖的配电网动态参数辨识概率图模型，以解决由于运行条件变化和数据误差带来的配电网参数辨识误差。利用概率论领域知识解决配电网参动态数辨识过程中存在的不确定性问题，为配电网态势感知、线损计算提供了准确的线路物理参数。本发明提出的模型在可以改进配电线路阻抗参数辨识的精确度和鲁棒性，提升了配电网分析、管理的智能化程度，为配网调度人员掌握、分析、控制配电网运行方式提供参数基础。
[0152]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0153]
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程
和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0154]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0155]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0156]
以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。