CN111628494B - 一种基于逻辑回归法的低压配电网拓扑识别方法及*** - Google Patents
一种基于逻辑回归法的低压配电网拓扑识别方法及*** Download PDFInfo
- Publication number
- CN111628494B CN111628494B CN202010393380.5A CN202010393380A CN111628494B CN 111628494 B CN111628494 B CN 111628494B CN 202010393380 A CN202010393380 A CN 202010393380A CN 111628494 B CN111628494 B CN 111628494B
- Authority
- CN
- China
- Prior art keywords
- voltage
- historical
- data
- time series
- low
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007477 logistic regression Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 36
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 2
- 230000035515 penetration Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 10
- 238000003012 network analysis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于逻辑回归法的低压配电网拓扑识别方法及***。随着分布式能源的渗透,电力能源***对快速、准确的在线数据分析工具提出了更高的要求。本发明的低压配电网拓扑识别方法采用的技术方案为:首先,采集低压配电台区用户的时间序列电压幅值信息,其次,对历史数据进行训练,得到拓扑的分类模型,然后通过最近邻算法获取一组最为相似的历史数据,最后将其放入训练好的回归模型中进行预测完成对低压配电台区的拓扑识别。本发明可以更好应对电力工业模式由基于传统物理模型的监控体系结构向基于数据驱动资源管理模式的转变,打破现有基于监控架构的模型既需要大型复杂建模又耗费大量时间的现状。
Description
技术领域
本发明属于配电网拓扑识别领域,涉及一种基于逻辑回归法的低压配电网拓扑识别方法及***。
背景技术
电力网络分析与优化问题是电力***控制、运行及规划的基础。近年来,高比例可再生能源大规模并网,其发电出力具有较强的随机性,这对电力***不确定性分析与优化提出了更高的要求。分布式能源、储能、电动汽车等设备在末端配电网的渗透逐渐增加,使得配电网的分析与控制更加复杂。这些因素给电力网络分析与优化问题带来了挑战。
另一方面,数据分析与处理技术近年来飞速发展,全球各行各业在对数据的获取、分析与处理这一全新维度上,已经进行了大量的投入并展开了激烈的竞争。由于电力实时平衡的特点,电力行业在日常调度运行中对于实时性与精确性具有较高要求,这使得数据的量测、传输与存储具有较好积累,为数据驱动的分析奠定了良好的基础。基于数据驱动的电力网络分析与优化问题,大多不依赖电力***的物理模型,这类问题可以概括为借助一定关联关系,依据已知数据求解未知数据(data to data,D2D)的过程减少了对电力***物理模型的依赖。数据驱动思维与技术在传统电力网络分析与优化问题中的应用,能够综合利用历史数据与先验知识,使得电力网络分析与优化的结果更加精确、更新更加实时,从而提升电力***的稳定性。
现有研究中存在的问题:电力***拓扑的研究大多局限在对输电网拓扑错误的辨识和拓扑结构变化的检测,但是目前配电网频繁的更新、配线复杂,伴随着智能电网的发展,配电网各个环节的海量数据,对于配电网拓扑辨识难以实现。
发明内容
本发明的目的是针对上述现有技术存在的不足,提供一种基于逻辑回归法的低压配电网拓扑识别方法及***,可以有效应对由高比例可再生能源大规模并网引起的网络拓扑频繁改变而显著增加拓扑辨识难度问题,进一步进行电力***计算和优化,从而提升电力***的稳定性。
为此,本发明采用如下的技术方案:一种基于逻辑回归法的低压配电网拓扑识别方法,其包括步骤:
1)采集低压配电台区用户的时间序列电压幅值信息作为识别低压配电台区拓扑的数据,与其对应的时间序列历史拓扑结构作为标签;
2)训练回归方法生成回归模型;
本发明旨在利用这些海量的历史数据来提高拓扑识别的准确性,以应对智能电网中出现的不确定性。
作为进一步的优化方案,步骤1)中采集的数据包括历史数据的时间序列历史电压测量值和历史数据的时间序列历史拓扑结构;
11)低压配电台区用户的时间序列电压幅值测量值:{z1,z2,...,zk,...,zQ},Q为时间序列的长度,zk代表一个时间序列下的电压测量值向量;
12)历史数据的时间序列历史拓扑结构:{s1,s2,...,sk,...,sQ},Q代表时间序列的长度,sk代表一个时间序列下配电网的开关状态向量,开关闭合时数值为1,开关断开时数值为0。
作为进一步的优化方案,步骤2)的具体内容为:
21)将得到的历史数据放入机器学习算法SVM中进行训练,得到拓扑的分类模型,训练回归模型,就是最大如下的概率分布:
式中,w={w0,w1,...,wn}代表概率的参数,zk和s(l)分别代表历史数据的时间序列历史电压测量值向量和采集历史数据的时间序列历史拓扑结构向量;
22)对21)中的第一个等式取log得到:
d(v)是时距离函数,表示当前电压的测量值zcurrent与历史电压测量值zk的距离;是电压测量向量与开关状态向量合并在一起的向量;Q是时数据集中所有数据点的个数;N是时自然数的集合;k是数据点的索引;K为v的基数,v表示电压。
本发明还提供一种基于逻辑回归法的低压配电网拓扑识别***,其包括:
数据采集模块:采集低压配电台区用户的时间序列电压幅值信息作为识别低压配电台区拓扑的数据,与其对应的时间序列历史拓扑结构作为标签;
模型生成模块:训练回归方法生成回归模型;
进一步地,所述的数据采集模块中,采集的数据包括历史数据的时间序列历史电压测量值和历史数据的时间序列历史拓扑结构,具体内容如下:
11)低压配电台区用户的时间序列电压幅值测量值:{z1,z2,...,zk,...,zQ},Q为时间序列的长度,zk代表一个时间序列下的电压测量值向量;
12)历史数据的时间序列历史拓扑结构:{s1,s2,...,sk,...,sQ},Q代表时间序列的长度,sk代表一个时间序列下配电网的开关状态向量,开关闭合时数值为1,开关断开时数值为0。
进一步地,所述模型生成模块的具体内容为:
21)将得到的历史数据放入机器学习算法SVM中进行训练,得到拓扑的分类模型,训练回归模型,就是最大如下的概率分布:
式中,w={w0,w1,...,wn}代表概率的参数,zk和s(l)分别代表历史数据的时间序列历史电压测量值向量和采集历史数据的时间序列历史拓扑结构向量;
22)对21)中的第一个等式取log得到:
d(v)是时距离函数,表示当前电压的测量值zcurrent与历史电压测量值zk的距离;是电压测量向量与开关状态向量合并在一起的向量;Q是时数据集中所有数据点的个数;N是时自然数的集合;k是数据点的索引;K为v的基数,v表示电压。
本发明具有的有益效果如下:本发明可有效应对由高比例可再生能源大规模并网引起的网络拓扑频繁改变而显著增加拓扑辨识难度问题,进一步进行电力***计算和优化,从而提升电力***的稳定性;本发明拓扑识别的准确率高,拓扑识别的运行时间短。
附图说明
图1为本发明低压配电网拓扑识别方法的流程图;
图2为本发明具体实施方式中的IEEE30节点图。
具体实施方式
下面结合说明书附图对发明的技术方案进行详细说明。
实施例1
本实施例提供一种基于逻辑回归法的低压配电网拓扑识别方法,其流程图如图1所示,其采用的步骤如下:
步骤(1):采集低压配电台区用户的时间序列电压幅值信息作为识别低压配电台区拓扑的数据,与其对应的时间序列历史拓扑结构作为标签。
利用智能电表定时测量各节点电压,得到各节点电压的历史时间序列值。
低压配电台区用户的时间序列电压幅值测量值:{z1,z2,...,zk,...,zQ},Q代表时间序列的长度,zk代表一个时间序列下的电压测量值向量。
采集历史数据的时间序列历史拓扑结构:{s1,s2,...,sk,...,sQ},Q代表时间序列的长度,sk代表一个时间序列下配电网的开关状态向量,开关闭合时数值为1,开关断开时数值为0。
步骤(2):将得到的历史数据放入机器学习算法SVM中进行训练,得到拓扑的分类模型。
训练回归模型,就是最大如下的概率分布:
其中,w={w0,w1,...,wn}。
对等式取log可以得到:
带入公式中就可以得到:
采用K近邻算法根据节点电压的历史时间序列值对所有节点进行分类处理,获取每个节点的k个近邻点。
根据电压时间序列值计算任意两节点之间的距离,距离所选节点最小的k个节点作为所选节点的邻近点。
k值的选择要满足拓扑识别准确率和运行时间的双重要求,k的取值越大,拓扑识别的准确率越高,但运行时间也会越长。
k的取值范围为2~n,n表示配电网的节点数量。
k等于与n/4最接近的整数,n表示配电网的节点数量。
图2是IEEE43节点图。
在IEEE43节点图中,分别采用传统拓扑识别方法以及基于逻辑回归的拓扑识别方法。
利用本发明提供的快速算法进行配电网的拓扑识别,具有如下优点:
1)拓扑识别的准确率高
拓扑识别算法准确率的定义为:
2)拓扑识别的运行时间短。
实施例2
本实施例提供一种基于逻辑回归法的低压配电网拓扑识别***,其包括:
数据采集模块:采集低压配电台区用户的时间序列电压幅值信息作为识别低压配电台区拓扑的数据,与其对应的时间序列历史拓扑结构作为标签;
模型生成模块:训练回归方法生成回归模型;
所述的数据采集模块中,采集的数据包括历史数据的时间序列历史电压测量值和历史数据的时间序列历史拓扑结构,具体内容如下:
11)低压配电台区用户的时间序列电压幅值测量值:{z1,z2,...,zk,...,zQ},Q为时间序列的长度,zk代表一个时间序列下的电压测量值向量;
12)历史数据的时间序列历史拓扑结构:{s1,s2,...,sk,...,sQ},Q代表时间序列的长度,sk代表一个时间序列下配电网的开关状态向量,开关闭合时数值为1,开关断开时数值为0。
所述模型生成模块的具体内容为:
21)将得到的历史数据放入机器学习算法SVM中进行训练,得到拓扑的分类模型,训练回归模型,就是最大如下的概率分布:
式中,w={w0,w1,...,wn}代表概率的参数,zk和s(l)分别代表历史数据的时间序列历史电压测量值向量和采集历史数据的时间序列历史拓扑结构向量;
22)对21)中的第一个等式取log得到:
Claims (4)
1.一种基于逻辑回归法的低压配电网拓扑识别方法,其特征在于,包括步骤:
1)采集低压配电台区用户的时间序列电压幅值信息作为识别低压配电台区拓扑的数据,与其对应的时间序列历史拓扑结构作为标签;
2)训练回归方法生成回归模型;
步骤1)中采集的数据包括历史数据的时间序列历史电压测量值和历史数据的时间序列历史拓扑结构;
11)低压配电台区用户的时间序列电压幅值测量值:{z1,z2,...,zk,...,zQ},Q为时间序列的长度,zk代表一个时间序列下的电压测量值向量;
12)历史数据的时间序列历史拓扑结构:{s1,s2,...,sk,...,sQ},Q代表时间序列的长度,sk代表一个时间序列下配电网的开关状态向量,开关闭合时数值为1,开关断开时数值为0;
步骤2)的具体内容为:
21)将得到的历史数据放入机器学习算法SVM中进行训练,得到拓扑的分类模型,训练回归模型,就是最大如下的概率分布:
式中,w={w0,w1,...,wn}代表概率的参数,zk和s(l)分别代表历史数据的时间序列历史电压测量值向量和采集历史数据的时间序列历史拓扑结构向量;
22)对21)中的第一个等式取log得到:
3.一种基于逻辑回归法的低压配电网拓扑识别***,其特征在于,包括:
数据采集模块:采集低压配电台区用户的时间序列电压幅值信息作为识别低压配电台区拓扑的数据,与其对应的时间序列历史拓扑结构作为标签;
模型生成模块:训练回归方法生成回归模型;
所述的数据采集模块中,采集的数据包括历史数据的时间序列历史电压测量值和历史数据的时间序列历史拓扑结构,具体内容如下:
11)低压配电台区用户的时间序列电压幅值测量值:{z1,z2,...,zk,...,zQ},Q为时间序列的长度,zk代表一个时间序列下的电压测量值向量;
12)历史数据的时间序列历史拓扑结构:{s1,s2,...,sk,...,sQ},Q代表时间序列的长度,sk代表一个时间序列下配电网的开关状态向量,开关闭合时数值为1,开关断开时数值为0;
所述模型生成模块的具体内容为:
21)将得到的历史数据放入机器学习算法SVM中进行训练,得到拓扑的分类模型,训练回归模型,就是最大如下的概率分布:
式中,w={w0,w1,...,wn}代表概率的参数,zk和s(l)分别代表历史数据的时间序列历史电压测量值向量和采集历史数据的时间序列历史拓扑结构向量;
22)对21)中的第一个等式取log得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393380.5A CN111628494B (zh) | 2020-05-11 | 2020-05-11 | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393380.5A CN111628494B (zh) | 2020-05-11 | 2020-05-11 | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111628494A CN111628494A (zh) | 2020-09-04 |
CN111628494B true CN111628494B (zh) | 2021-12-10 |
Family
ID=72271821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010393380.5A Active CN111628494B (zh) | 2020-05-11 | 2020-05-11 | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111628494B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241812B (zh) * | 2020-10-20 | 2023-10-03 | 江苏其厚智能电气设备有限公司 | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 |
CN112182499B (zh) * | 2020-10-23 | 2022-10-14 | 国网天津市电力公司 | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 |
CN112688365B (zh) * | 2020-12-26 | 2023-07-04 | 四川大川云能科技有限公司 | 一种基于互信息-贝叶斯网络的配电网拓扑鲁棒识别方法 |
CN112986658B (zh) * | 2021-01-25 | 2023-07-18 | 浙江华云信息科技有限公司 | 一种低压线路的拓扑识别方法及装置 |
CN114814420B (zh) * | 2022-04-20 | 2024-02-02 | 北京飞利信信息安全技术有限公司 | 一种基于冻结数据的低压配电网拓扑识别方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183475B (zh) * | 2017-12-27 | 2021-02-09 | 国网河南省电力公司电力科学研究院 | 一种低压配电网拓扑重构方法及装置 |
CN109359271B (zh) * | 2018-12-21 | 2020-06-30 | 浙江大学 | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 |
-
2020
- 2020-05-11 CN CN202010393380.5A patent/CN111628494B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111628494A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
Kusiak et al. | Short-term prediction of wind farm power: A data mining approach | |
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、***及介质 | |
WO2022021726A1 (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测*** | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
Perez et al. | Suitability of voltage stability study methods for real-time assessment | |
CN112350318B (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估*** | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
CN115296295B (zh) | 基于聚类分析和图论的低压配电台区拓扑辨识方法及*** | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN116247668A (zh) | 一种基于量测大数据分析的配电网运行方式识别方法 | |
CN106816871B (zh) | 一种电力***状态相似性分析方法 | |
CN109638892A (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN106684854B (zh) | 一种基于节点等效的有源配电网电压越限风险分析方法 | |
CN115377999A (zh) | 一种基于宽频测量数据的次同步振荡辨识的方法 | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN114707789A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |