本发明涉及配电网拓扑辨识领域,具体涉及一种基于多标签分类的配电网拓扑辨识方法。
背景技术:
1、随着可再生分布式电源大规模并网发电,对配电网的安全运行和可靠控制带来全新的挑战。精确地识别配电网拓扑结构是实现配电网态势感知的基础,也是开展实时拓扑重构及经济运行的前提条件。与此同时,弹性负荷投切、系统故障、设备检修等事件使配电系统中的开关状态不定期发生变化。拓扑结构的动态变化缺乏详实记录,再加上拓扑传感器数量有限、遥信信号不满足实时性要求,精确的拓扑结构往往是未知的。
2、近年来,随着微型同步相量测量单元和先进计量基础设施的持续部署,涌现了许多基于机器学习的配电网拓扑辨识方法。大多数机器学习架构下的拓扑辨识方法采用多分类器来捕捉量测数据与拓扑结构间的映射关系。然而,对于大型配电网,候选拓扑数量过多,多分类模型的识别准确度会大幅度降低。考虑配电网的运行工况,配电网在非常规工况下的数据样本稀缺,会引起多分类模型输出类别的不完整。这一问题成为了基于机器学习拓扑辨识方法中较大的瓶颈。
技术实现思路
1、针对现有技术的不足,本发明提出了一种基于多标签分类的配电网拓扑辨识方法。
2、本发明的目的可以通过以下技术方案实现:
3、一种基于多标签分类的配电网拓扑辨识方法,包括以下步骤:
4、获取配电网历史多断面的电压量测数据和考虑联络开关状态的配电网拓扑结构;
5、对电压量测数据预处理,提取电压量测数据对应拓扑结构中的开关状态信息,进行多标签编码,构成多标签分类器;
6、利用卷积神经网络搭建配电网拓扑辨识模型,并利用电压量测数据训练该多标签分类器;
7、输入配电网当前断面量测数据到训练后的拓扑辨识模型中,在线获取配电网当前时间断面的拓扑结构。
8、可选地,所述的电压量测数据包括dscada系统采集的电压幅值数据和μpmu装置的电压相角数据。
9、可选地,所述的多标签编码是将拓扑中的联络开关对应到模型输出空间,提取历史量测对应拓扑结构中的开关状态信息,进行多标签0-1编码,每个联络开关对应关断/闭合两种状态;设置判别阈值γ=0.5将其二值化为0/1的离散输出。
10、可选地,所述的卷积神经网络包括输入层、若干卷积层、扁平层、全连接层与输出层;所述输出层嵌套sigmiod函数得到多标签分类结果。
11、可选地,所述卷积神经网络采用二值交叉熵函数作为损失函数:
12、
13、式中,m为分类模型输出维度对应联络开关数,yi为模型输出向量空间y=(y1,y2,…,y m)中的第i个标签对应输出值,zi为真实标签集z=(z 1,z 2,…,z m)中第i个标签对应真实值。
14、一种配电网拓扑辨识系统,包括:
15、数据收集模块,用于获取配电网历史多断面的电压量测数据和考虑联络开关状态的配电网拓扑结构;
16、预处理模块,与所述数据收集模块连接,用于接收电压量测数据,并能够对所述电压量测数据进行预处理,提取电压量测数据对应拓扑结构中的开关状态信息,进行多标签编码;以及
17、配电网拓扑辨识模型,配置有卷积神经网络,并能够利用电压量测数据训练该多标签分类器;
18、其中,当所述的配电网拓扑辨识模型训练完毕后,能够接收配电网当前断面量测数据,进而在线获取配电网当前时间断面的拓扑结构。
19、可选地,所述的卷积神经网络包括输入层、若干卷积层、扁平层、全连接层与输出层;所述输出层嵌套sigmiod函数得到多标签分类结果。
20、可选地,所述卷积神经网络采用二值交叉熵函数作为损失函数:
21、
22、式中,m为分类模型输出维度对应联络开关数,yi为模型输出向量空间y=(y1,y2,…,y m)中的第i个标签对应输出值,zi为真实标签集z=(z 1,z 2,…,z m)中第i个标签对应真实值。
23、一种计算机可读存储介质,存储有指令,所述指令被执行时,能够上述的一种基于多标签分类的配电网拓扑辨识方法。
24、一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令运行时能够实现上述的一种基于多标签分类的配电网拓扑辨识方法。
25、本发明的有益效果:
26、1、本发明的配电网拓扑辨识方法,将配电网拓扑辨识问题转换为多标签分类问题,利用多标签机制建立了数学模型到物理层面的联系,同时有效缓解了候选拓扑数量过多影响多分类模型的识别准确度的问题。
27、2、本发明的配电网拓扑辨识方法,通过卷积神经网络构建多标签分类器,利用卷积神经网络较强的特征提取能力学习关键局部信息,基于多标签分类的卷积神经网络可以同时学习多个复杂映射关系,深入挖掘量测电压数据与联络开关状态间的内在联系。
28、3、本发明的配电网拓扑辨识方法,针对部分拓扑对应数据样本缺失的情况,利用配电系统中开关的开断状态来反映配电网整体的拓扑连接情况,使模型在训练样本丰富度不足时对训练样本空间外的数据样本也具备一定的分析推理能力。
1.一种基于多标签分类的配电网拓扑辨识方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于多标签分类的配电网拓扑辨识方法,其特征在于,所述的电压量测数据包括dscada系统采集的电压幅值数据和μpmu装置的电压相角数据。
3.根据权利要求1所述的一种基于多标签分类的配电网拓扑辨识方法,其特征在于,所述的多标签编码是将拓扑中的联络开关对应到模型输出空间,提取历史量测对应拓扑结构中的开关状态信息,进行多标签0-1编码,每个联络开关对应关断/闭合两种状态;设置判别阈值γ=0.5将其二值化为0/1的离散输出。
4.根据权利要求1所述的一种基于多标签分类的配电网拓扑辨识方法,其特征在于,所述的卷积神经网络包括输入层、若干卷积层、扁平层、全连接层与输出层;所述输出层嵌套sigmiod函数得到多标签分类结果。
5.根据权利要求1所述的一种基于多标签分类的配电网拓扑辨识方法,其特征在于,所述卷积神经网络采用二值交叉熵函数作为损失函数:
6.一种配电网拓扑辨识系统,包括:
7.根据权利要求6所述的一种配电网拓扑辨识系统,其特征在于,所述的卷积神经网络包括输入层、若干卷积层、扁平层、全连接层与输出层;所述输出层嵌套sigmiod函数得到多标签分类结果。
8.根据权利要求6所述的一种配电网拓扑辨识系统,其特征在于,所述卷积神经网络采用二值交叉熵函数作为损失函数:
9.一种计算机可读存储介质,存储有指令,所述指令被执行时,能够实现权利要求1~5任一所述的一种基于多标签分类的配电网拓扑辨识方法。
10.一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,其特征在于,所述程序或指令运行时能够实现权利要求1~5任一所述的一种基于多标签分类的配电网拓扑辨识方法。