一种基于数据驱动的低压配电网潮流拟合方法与流程

本发明涉及电网潮流计算技术，具体是一种基于数据驱动的低压配电网潮流拟合方法。

背景技术：

1、配电网潮流计算是配电网规划、网络分析和故障处理的基础。低压配电网为1kv以下的电力传输和配电系统，其直接面对用户，一般采用闭环设计、开环运行，其结构呈辐射状；配电线的线径比输电线的小，导致配电网的r/x较大。由于配电线路的r/x较大,使得在输电网中常用的潮流计算在低压配电网的潮流计算中其收敛性难以保证。

2、配电网潮流计算可以通过网络拓扑分析建立。配电网络的拓扑分析是根据配电电气元件的连接关系，把整个配电网络看成线与点结合的拓扑图，然后根据电源结点、开关结点等进行整个网络的拓扑连线分析，它是配电网络进行状态估计、潮流计算、故障定位、隔离及供电恢复、网络重构等其它分析的基础。好的网络拓扑算法应该有效且直观，它不仅能满足配电网自动化中的不同高级功能的要求，还应能实现配电网络连通性的快速跟踪和识别，适应事件变化，同时还应节省存储空间和其他高级计算功能的时间。

3、但低压配电网部分区域因缺乏完整的拓扑信息，难以进行拓扑校核，因此，也难以建立正确的物理潮流模型。

技术实现思路

1、针对背景技术提出的问题，本发明的目的是提供一种基于数据驱动的低压配电网潮流拟合方法，其结合低压配电网内运行数据较为丰富的特点，根据配电网运行状态与注入功率之间的关联关系，通过卷积神经网络训练建立低压配电网潮流拟合模型，为低压配电网潮流计算提供了新的方法和思路。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于数据驱动的低压配电网潮流拟合方法，包括以下步骤：

4、步骤s1、基于拓扑校核建立中压配电网潮流计算的物理模型；包括以下步骤：步骤s1.1、拓扑关系判定；具体如下：

5、对中压配电网进行拓扑校核，当节点拓扑关系正确时，符合下式功率约束：

6、λ1as＜at＜λ2as (1)

7、上式中，λ1与λ2为线损系数，当主变不存在功率倒送时，λ1与λ2均小于1，当台区内存在光伏时，λ1小于1，而λ2大于1；at为主变处的电能计量值，as为主变下属各节点的电能值之和；

8、如果式(1)越下限，则说明拓扑结构存在错误，拓扑中缺失了一部分原本属于该主变的节点，此时算法发出错误信号，拓扑校验不通过；

9、如果式(1)越上限，则说明拓扑结构中存在一部分不属于本主变的节点，此时拓扑校核转为求解真正属于该主变的节点，运行步骤s1.2；

10、s1.2、拓扑节点筛选；

11、由于从属于同一台主变的节点的电压曲线存在较高的线性相关性，因此采用基于电压聚类的聚类算法，筛选出疑似不属于该主变的节点；

12、s1.3、拓扑关系校验；

13、在标记出疑似不属于该主变的节点后，基于电能守恒原理计算出主变下最可能的设备组合；即将未被标记为疑似的设备作为一个整体，与疑似的设备进行组合，比较组合后的电能与主变出口侧电能的相关程度，进而得到主变所属设备，实现对疑似不属于该主变的设备的确认；

14、s1.4、通过拓扑校验，配电网的线路参数信息完整，因此根据基尔霍夫定律建立如下潮流计算的物理模型：

15、

16、式(5)中：pi和qi为节点i的有功和无功功率；vi为节点i的电压幅值；gij和bij为节点i、j间线路导纳的实部和虚部；θij为节点i、j间的电压相角差；pij和qij为节点i、j间的线路潮流；

17、步骤s2、采用卷积神经网络，构建低压配电网潮流拟合模型，包括以下步骤：

18、s2.1、根据式(5)可得，电力系统各节点注入功率和节点电压之间存在隐函数关系；对式(5)中节点电压方程泰勒级数展开，通过近似变换可得：

19、

20、由式(6)得，低压配电台区各节点注入功率p、q对v、θ的偏导是雅各比矩阵，因此隐函数对应的偏导连续且不为零，由隐函数存在唯一性定理可得，存在从p、q到v、θ的唯一映射；

21、考虑到低压台区接入点附近馈线的功率分布会影响到低压台区接入点处的电压，采用卷积神经网络，以馈线上与低压台区接入点间隔节点数不大于3的馈线节点和低压台区所有节点的注入功率作为模型的输入特征，以低压台区各节点电压的幅值作为输出特征，构建低压配电台区接入节点注入功率与低压台区电压的函数关系；可得：

22、

23、式(7)中，vi为低压台区i内各节点电压的集合；uicnn为低压台区i的电压拟合函数式；pifeeder、qifeeder为与低压台区i节点电压相关的馈线节点的注入功率；pstation,i、qstation,i为低压台区i内节点的注入功率；

24、s2.2、由式(7)得，电力系统各节点注入功率和线路潮流之间存在隐函数关系；将式(5)中线路潮流方程泰勒级数展开，通过近似变换可得：

25、

26、又系统正常运行状态下，潮流方程的雅各比矩阵可逆，式(8)变换后可得：

27、

28、上式中，矩阵a作为低压配电台区各节点注入功率p、q对线路潮流pline、qline的偏导矩阵，连续且不为零；由隐函数存在唯一性定理可得，存在p、q到pline、qline的唯一映射；

29、仍采用卷积神经网络，将低压台区接入馈线处的线路潮流为输出特征，将低压台区所有节点的注入功率作为输入特征，经训练，可得：

30、

31、式(10)中，pcon,i和qcon,i为台区i接入馈线处的线路有功功率和无功功率；picnn为低压台区i训练得到的潮流拟合函数式，i、n、m∈n，n为自然数；ps,i为低压台区i节点处的有功功率，qs,i为低压台区i节点处的无功功率。

32、所述步骤s1.2具体如下：

33、基于电压聚类的聚类算法以电压波动相似度作为距离标准；具体公式如下；

34、

35、上式中，ui与uj分别代表节点i与节点j的电压序列值向量，当两者的波动趋势完全一致时，距离为0；

36、由于节点电压的聚类，其聚类中心数量不确定，聚类形状也不是直观的圆；而相同节点的电压曲线在空间上密集，所以选择基于密度聚类的算法dbscan；基于密度聚类的算法dbscan核心概念是首先搜寻数据集中的核心对象即高密度点，之后连接相邻密度高的点形成聚类；算法中高密度的定义为在参数e邻域内的点数目多于minpts的区间，e代表与中心点的距离，minpts表示距中心距离为e的空间内点数量的阈值；

37、基于密度聚类的算法dbscan的核心步骤为：

38、s1.2.1、搜寻核心对象形成临时聚类簇；

39、扫描整个数据集，如果存在某个样本使得其半径e内的点数量不少于minpts，则将其记录为核心对象，并将范围内的点设置成临时聚类簇；

40、s1.2.2、合并临时聚类簇获得新聚类簇；

41、对所有临时聚类簇，检查其中是否存在新的核心对象，如存在则将对应的两个临时聚类簇合并，得到新聚类簇；

42、s1.2.3重复操作步骤s1.2.2，直至临时聚类簇中无新的核心对象；

43、经以上聚类算法操作，会自动产生相应的聚类中心与噪声点，将噪声点标记为疑似不属于该主变的节点，待下一步验证。

44、所述步骤s1.3中，组合后的电能与主变出口侧电能的相关程度，采用下式判断：

45、

46、上式为余弦相似度计算公式，当at与as两者之间波动情况完全一致时为1，因为用来度量曲线正相关变化的相似性，所以sim的取值大于0；结合步骤s1中(1)式的线损波动范围约束，当生成的拓扑为正确时，下属节点电能之和as与主变电能at之间要满足强相关关系，因此有下式：

47、sim(at,as)＞minsim (4)

48、minsim为满足强相关性的最小值约束。

49、所述步骤s1.3中，在求解设备组合时，采用apriori算法快速组合出符合约束的设备从属关系集；具体如下：

50、设定d＝{t1,1,t1,2,…,t1,n,t2,1,…,tn,1}，tf,g＝{i1,i2,…,ik,…,if}，其中，d为分析的数据集，ik称为项，ik表示第k个用户节点的电能序列值，tf,g称为事务，tf,g表示包含f个用户节点的组合的第g种，则d表示所有的组合方法；设i＝{i1,i2,···，in}为d中所有数据项组成的集合，i的任何子集x称为d中的项集，若|x|＝h，则称集合x为h-项集；lh为满足电能上限约束条件的所有h项集的集合，ch为由lh-1生成的未处理的候选h项集的集合；

51、当各节点为纯负荷节点时，组合内节点数量的增多会导致组合的电能值单调增加，根据apriori算法理念，有以下性质：

52、项集的子集组合的电能值之和小于该项集的电能值之合；

53、基于以上性质，有以下步骤:

54、连接步骤：由lh-1的自身连接产生ch；假设lh-1中存在两个项集th,r与th,s满足|th,r∩th,s|＝h-2，则这两个项集是可连接的，合并两个项集的所有用户节点，得到h-项集；

55、剪枝步骤：由于以上性质，如果一个候选h-项集ch的h-1子项集不在lh-1中，则该候选必不满足电能上限约束，从而可以从ch中删除，得到压缩后的候选ch。

56、基于以上性质与策略，电能组合方案为：

57、1)将本主变下的设备作为整体，将疑似的每个节点作为一个项，根据(1)式的电能上限约束，生成所有满足条件的1项集的集合l1；

58、2)经过连接与剪枝策略生成c2，开始二次扫描，删除c2中不满足电能上限约束的集合，得到l2；

59、3)重复连接、剪枝、删除步骤，直到新的项集为空，算法停止；

60、4)得到的所有l集合为满足电能上限约束的组合，扫描集合，删除其中不满足电能下限约束的集合，得到满足所有满足电能约束的设备从属集。

61、本发明的有益效果：本发明针对低压配电网部分台区拓扑不明的情况，提出了基于数据驱动的低压配电网潮流拟合技术；本发明结合低压配电网内运行数据较为丰富的特点，根据配电网运行状态与注入功率之间的关联关系，通过卷积神经网络训练建立低压配电网潮流拟合模型，为低压配电网潮流计算提供了新的方法和思路。