CN116845971A - 一种光伏并网低压台区拓扑结构自动识别方法 - Google Patents

Abstract

本发明涉及一种改进主成分分析加层次聚类算法实现低压台区的拓扑识别，可自动识别光伏并网低压台区的拓扑结构关系。该方法包括：根据树干式低压台区电压数据特征，首先通过IPCA降维聚类，实现低压台区用户相位的识别，之后再通过层次聚类算法对各相位进行聚类识别出各表箱之间的关系，通过凝聚层次聚类树识别出相位‑表箱‑用户之间的关系，最后通过电压均值确定表箱在支线的位置，实现支线‑表箱‑用户拓扑结构图。

Description

一种光伏并网低压台区拓扑结构自动识别方法

技术领域

本发明涉及光伏并网低压台区拓扑识别领域，提出一种基于IPCA加层次聚类的光伏并网低压台区拓扑结构自动识别方法，通过分析低压台区电压特性：同一相线之中各个节点电压曲线变化趋势相似。电气距离相聚越近，电压压降越小，节点电压之间的相似程度越高。进行拓扑结构的自动识别。

背景技术

台区拓扑识别的准确性对整个低压台区***分析具有重要的意义，是达到台区全景感知的基础，直接影响着台区规划运行的稳定性及可靠的控制保护性。台区电网拓扑结构的准确识别和获取一直是电网公司需要解决的问题。通过识别户变关系基础下，低压台区用户所属表箱和接入相位也需要有准确的识别。随着智能电表的广泛应用，大量用电数据的获取和保存非常容易，如电流、电压、功率等相关电气数据。通过大量电气数据进行台区的拓扑结构识别已成为当今电力***研究的重点方向，其具有可靠、经济和安全等优点。工程上具有重要的应用价值。

在相同相线下，用户的电表分别安装在不同的电表箱之中，而同一电表箱下的电表一般是并联的，它们的电压更为相似。根据电表箱和变压器之间距离关系原理：距离越近，电表箱电压越大，距离越远，电表箱电压相对变小。在知道具体表箱数量的情况下，将同相位的用户节点进行聚类分析，从而对表箱和用户的拓扑连接关系进行识别。采用凝聚层次聚类来自动识别表箱的拓扑结构和用户的相位。层次聚类算法一共有两种方式分别为***层次聚类(DIANA)和凝聚层次聚类(AGNES)，其中比较常用的方法是凝聚层次聚类算法。凝聚层次聚类的基本思想为自底向上，聚类前，将每个对象视为单独的簇类，然后通过相似度度量标准计算对象之间的相似度。然后，根据相似度从高到低将每个对象合并成一个新的聚类。最后，重复合并过程，直到集群数量或集群距离达到阈值。

发明内容

为了解决上述问题，本发明提出了一种基于IPCA加层次聚类的光伏并网低压台区拓扑结构自动识别方法

一种基于IPCA加层次聚类的光伏并网低压台区拓扑结构自动识别方法，其特征在于，包括如下步骤：

S1：对数据进行处理，通过图1和图2所示为采集到节点电压曲线。可以看出，相同相位的节点电压变化曲线相似，不同相位的节点电压曲线差异明显；

S2：电压序列特征降维，具体如下：

通过以1小时为时间间隔进行电压数据采集，构建光伏并网低压台区历史电压数据

集U_tr∈R^3×T为：

式中：元素u_it代表低压台区变压器低压侧在第i相在t时刻电压值，T为采集电压数据时间点数。其中，i＝a,b,c；t＝1,2,…,T。

单相的用户电压数据集U∈R^n×t表示为：

式中：元素u_nt表示在t时刻n用户节点的电压数据，低压台区的单相用户节点数为n。U的行向量U_n表示的是用户n在采集时段的电压测量数据，U的列向量U_t表示的是在低压台区中t时刻所有用户节点的电压值。

S3：利用改进主成分分析算法(IPCA)对电压数据进行特征降维：

(1)对U_n×t矩阵进行Min-Max标准化得到V_n×t；

式中：v_ij＝(u_ij-minu_j)/(maxx_j-minx_j),i＝1,2,…,n,j＝1,2,…,t；

(2)通过协方差公式计算出各节点电压数据各时间段之间的相关系数矩阵R；

计算矩阵R的特征值，并将矩阵R的m个特征值λ_i按降序排列；

(3)计算相关系数矩阵R，求解特征值λ_i(i＝1,2,…,t)及对应的特征向量Z＝(Z_1i,Z_2i,Z_3i,…,Z_ti)^T，具体公式为：

式中，各个特征值之间的大小关系为：λ₁＞λ₂＞λ₃,…,λ_t；

(4)构造电压数据第k个主成分并求解第k个主成分的方差贡献率N_k(k＝1,2,3,…,t)，具体计算公式为：

通常在实际应用中选取累计方差贡献率到达85％以上的相关特征值，λ₁,λ₂,…,λ_m(m≤t)为对应的m个主成分或者提取的特征值大于等于1，所代表对应的特征值，最终达到数据降维的效果。具体流程图如图2。

S4：采用凝聚层次聚类来自动识别表箱的拓扑结构和用户的相位。层次聚类算法一共有两种方式分别为***层次聚类(DIANA)和凝聚层次聚类(AGNES)，其中比较常用的方法是凝聚层次聚类算法。凝聚层次聚类的基本思想为自底向上，聚类前，将每个对象视为单独的簇类，然后通过相似度度量标准计算对象之间的相似度。然后，根据相似度从高到低将每个对象合并成一个新的聚类。最后，重复合并过程，直到集群数量或集群距离达到阈值；

S5：选用欧氏距离作为相似度的度量方法。设两个用户节点在经过IPCA降维后的电压数据特征向量为V_i＝[v_i1,v_i2,…,v_id]、V_j＝[v_j1,v_j2,…,v_jd]两者计算欧式距离的公式如下：

式中：d为采集的电压数据降维后的维度，N为低压台区中单相用户的数量。

采用平均链法作为用户之间相位聚类的依据。对于不同的两个簇类C_i和C_j，平均链法的关于族类之间的距离公式如下式：

式中：||x-z||代表二个电压数据点x和z之间的距离，|C_i|和|C_j|分别代表类C_i和C_j的电压数据点的数量。

利用采集到的电压样本数据对台区用户节点相位和表箱拓扑关系进行识别的流程为：将采集到的台区电压样本数据通过IPCA进行降维，之后再对降维后的低维数据进行层次聚类。在识别出用户相位信息和支线下表箱个数的情况下，对同一相位的用户节点进行二次层次聚类。设置聚类数为表箱个数，聚类到同一类别的用户属于同一电表箱，不同类簇中平均电压较高的用户位于线路上游。综上所述，基于IPCA和层次聚类方法对用户节点相位和表箱拓扑识别的工作流程图如图3。

S6：在MATLAB软件中创建IPCA降维算法和凝聚层次聚类算法；

S7：在MATLAB软件中测试IPCA降维算法和凝聚层次聚类算法对低压台区拓扑识别的可行性。

进一步地，S2所述的光伏并网低压台区配电网自动拓扑识别方法，其特征在于：精确的台区拓扑信息为供电服务指挥和抢修提供决策依据。如果已知电表在台区拓扑中的准确位置，有助于现场维护人员锁定电表位置、故障范围，进而缩短故障抢修时间，提高供电服务水平，改善供电质量，全面提升供电网络的信息化与智能化水平，最终实现对新型电力***供电网络运行状态的实时感知与精细化控制。

进一步地，S3中所述的低压台区配电网拓扑识别方法，其特征在于：该方法采用主成分分析法对电压波动特征数据进行降维处理，使得更有利于聚类算法的实现，减少聚类算法的计算时间。

进一步地，S7中所述采用IPCA加层次聚类算法对低压台区进行拓扑识别，结果表明识别结果可行，对低压台区具有很好的拓扑识别效果。

如上所述，本发明提供的一种基于邻域粒K均值聚类的光伏并网低压台区拓扑识别方法，具有如下效果：

1、该方法采用将IPCA和层次聚类相结合的拓扑识别方法。首先通过IPCA对用户侧的电压数据进行降维处理，得到含有特征信息的低维电压数据，减小了因噪音信息和冗余信息所可能导致的识别误差，使得之后进行的层次聚类效果更加精确。然后，对含有相关特征信息的降维后电压数据通过层次聚类算法进行聚类，识别出各个用户节点的具体相位。最后在识别出用户节点相位的基础上，通过二次聚类并根据相关的特征电压数据识别出每个用户所在的表箱。在已知表箱所在分支下的情况下，构建出变电站-支线-电表箱-用户的拓扑结构关系。

2、该方法引入IPCA加层次聚类算法实现光伏并网低压台区拓扑结构自动识别，利用低压台区已有智能终端的历史电压数据对拓扑结构进行识别，不需要新增设备，减少了投资，同时降低了运行人员的劳动强度。

附图说明

图1是本发明方法仿真数据，同相电压数据曲线；

图2是本发明方法仿真数据，异相电压数据曲线；

图3是本发明方法拓扑识别流程图；

图4是本发明方法聚类结果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

S1：对数据进行处理，通过图1和图2所示为采集到节点电压曲线。可以看出，相同相位的节点电压变化曲线相似，不同相位的节点电压曲线差异明显；

S2：电压序列特征降维，具体如下：

通过以1小时为时间间隔进行电压数据采集，构建光伏并网低压台区历史电压数据集U_tr∈R^3×T为：

式中：元素u_it代表低压台区变压器低压侧在第i相在t时刻电压值，T为采集电压数据时间点数。其中，i＝a,b,c；t＝1,2,…,T。

单相的用户电压数据集U∈R^n×t表示为：

式中：元素u_nt表示在t时刻n用户节点的电压数据，低压台区的单相用户节点数为n。U的行向量U_n表示的是用户n在采集时段的电压测量数据，U的列向量U_t表示的是在低压台区中t时刻所有用户节点的电压值。

S3：利用改进主成分分析算法(IPCA)对电压数据进行特征降维：

(1)对U_n×t矩阵进行Min-Max标准化得到V_n×t；

式中：v_ij＝(u_ij-minu_j)/(maxx_j-minx_j),i＝1,2,…,n,j＝1,2,…,t；

(2)通过协方差公式计算出各节点电压数据各时间段之间的相关系数矩阵R；

计算矩阵R的特征值，并将矩阵R的m个特征值λ_i按降序排列；

(3)计算相关系数矩阵R，求解特征值λ_i(i＝1,2,…,t)及对应的特征向量Z＝(Z_1i,Z_2i,Z_3i,…,Z_ti)^T，具体公式为：

式中，各个特征值之间的大小关系为：λ₁＞λ₂＞λ₃,…,λ_t；

(4)构造电压数据第k个主成分并求解第k个主成分的方差贡献率N_k(k＝1,2,3,…,t)，具体计算公式为：

通常在实际应用中选取累计方差贡献率到达85％以上的相关特征值，λ₁,λ₂,…,λ_m(m≤t)为对应的m个主成分或者提取的特征值大于等于1，所代表对应的特征值，最终达到数据降维的效果。具体流程图如图2。

S4：采用凝聚层次聚类来自动识别表箱的拓扑结构和用户的相位。层次聚类算法一共有两种方式分别为***层次聚类(DIANA)和凝聚层次聚类(AGNES)，其中比较常用的方法是凝聚层次聚类算法。凝聚层次聚类的基本思想为自底向上，聚类前，将每个对象视为单独的簇类，然后通过相似度度量标准计算对象之间的相似度。然后，根据相似度从高到低将每个对象合并成一个新的聚类。最后，重复合并过程，直到集群数量或集群距离达到阈值；

S5：选用欧氏距离作为相似度的度量方法。设两个用户节点在经过IPCA降维后的电压数据特征向量为V_i＝[v_i1,v_i2,…,v_id]、V_j＝[v_j1,v_j2,…,v_jd]两者计算欧式距离的公式如下：

式中：d为采集的电压数据降维后的维度，N为低压台区中单相用户的数量。

采用平均链法作为用户之间相位聚类的依据。对于不同的两个簇类C_i和C_j，平均链法的关于族类之间的距离公式如下式：

式中：||x-z||代表二个电压数据点x和z之间的距离，|C_i|和|C_j|分别代表类C_i和C_j的电压数据点的数量。

利用采集到的电压样本数据对台区用户节点相位和表箱拓扑关系进行识别的流程为：将采集到的台区电压样本数据通过IPCA进行降维，之后再对降维后的低维数据进行层次聚类。在识别出用户相位信息和支线下表箱个数的情况下，对同一相位的用户节点进行二次层次聚类。设置聚类数为表箱个数，聚类到同一类别的用户属于同一电表箱，不同类簇中平均电压较高的用户位于线路上游。综上所述，基于IPCA和层次聚类方法对用户节点相位和表箱拓扑识别的工作流程图如图3。

S6：在MATLAB软件中创建IPCA降维算法和凝聚层次聚类算法；

S7：在MATLAB软件中测试IPCA降维算法和凝聚层次聚类算法对低压台区拓扑识别的可行性。

所述IPCA加层次聚类算法能够在MATLA软件中仿真，该聚类方法在多特征数少类别数的数据聚类效果更好，适合用于通过电压波动特征进行低压台区拓扑识别。

所述基于IPCA加层次聚类的低压台区配电网拓扑识别方法，该方法采用主成分分析法对电压波动特征数据进行降维处理，使得更有利于聚类算法的实现，减少聚类算法的计算时间。其特征在于：通过IPCA对用户侧的电压数据进行降维处理，得到含有特征信息的低维电压数据，减小了因噪音信息和冗余信息所可能导致的识别误差，使得之后进行的层次聚类效果更加精确。然后，对含有相关特征信息的降维后电压数据通过层次聚类算法进行聚类，识别出各个用户节点的具体相位。最后在识别出用户节点相位的基础上，通过二次聚类并根据相关的特征电压数据识别出每个用户所在的表箱。在已知表箱所在分支下的情况下，构建出变电站-支线-电表箱-用户的拓扑结构关系。因此通过IPCA降维加层次聚类的低压台区拓扑识别方法效果更好。

以上所述仅为本发明的一个实施方式，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种光伏并网低压台区拓扑结构自动识别方法，利用智能终端采集的台变电压和用户电压数据进行拓扑识别，其特征在于：包括如下步骤：

S1：对数据进行处理：相同相位的节点电压变化曲线相似，不同相位的节点电压曲线差异明显；

S2：电压序列特征降维：通过以1小时为时间间隔进行电压数据采集，构建光伏并网低压台区历史电压数据集U_tr∈R^3×T为：

式中：元素u_it代表低压台区变压器低压侧在第i相在t时刻电压值，T为采集电压数据时间点数。其中，i＝a,b,c；t＝1,2,...,T；

单相的用户电压数据集U∈R^n×t表示为：

式中：元素u_nt表示在t时刻n用户节点的电压数据，低压台区的单相用户节点数为n，U的行向量U_n表示的是用户n在采集时段的电压测量数据，U的列向量U_t表示的是在低压台区中t时刻所有用户节点的电压值；

S3：利用改进主成分分析算法(IPCA)对电压数据进行特征降维；

S4：采用凝聚层次聚类来自动识别表箱的拓扑结构和用户的相位；

S5：选用欧氏距离作为相似度的度量方法：设两个用户节点在经过IPCA降维后的电压数据特征向量为V_i＝[v_i1,v_i2,…,v_id]、V_j＝[v_j1,v_j2,…,v_jd]两者计算欧式距离的公式如下：

式中：d为采集的电压数据降维后的维度，N为低压台区中单相用户的数量；

采用平均链法作为用户之间相位聚类的依据，对于不同的两个簇类C_i和C_j，平均链法的关于族类之间的距离公式如下式：

式中：||x-z||代表二个电压数据点x和z之间的距离，|C_i|和|C_j|分别代表类C_i和C_j的电压数据点的数量；

S6：在MATLAB软件中创建IPCA降维算法和凝聚层次聚类算法；

S7：在MATLAB软件中测试IPCA降维算法和凝聚层次聚类算法对低压台区拓扑识别的可行性。

2.根据权利要求1所述的一种光伏并网低压台区拓扑结构自动识别方法，其特征在于：所述S3包括：

S31：对U_n×t矩阵进行Min-Max标准化得到V_n×t；

式中：v_ij＝(u_ij-minu_j)/(maxx_j-minx_j),i＝1,2,…,n,j＝1,2,…,t；

S32：通过协方差公式计算出各节点电压数据各时间段之间的相关系数矩阵R；

计算矩阵R的特征值，并将矩阵R的m个特征值λ_i按降序排列；

S33：计算相关系数矩阵R，求解特征值λ_i(i＝1,2,…,t)及对应的特征向量Z＝(Z_1i,Z_2i,Z_3i,…,Z_ti)^T，具体公式为：

式中，各个特征值之间的大小关系为：λ₁＞λ₂＞λ₃,…,λ_t；

S34：构造电压数据第k个主成分并求解第k个主成分的方差贡献率N_k(k＝1,2,3,…,t)，具体计算公式为：

通常在实际应用中选取累计方差贡献率到达85％以上的相关特征值，λ₁,λ₂,…,λ_m(m≤t)为对应的m个主成分或者提取的特征值大于等于1，所代表对应的特征值，最终达到数据降维的效果。

3.根据权利要求1所述的一种光伏并网低压台区拓扑结构自动识别方法，其特征在于：所述本识别方法采用主成分分析法对电压波动特征数据进行降维处理，使得更有利于聚类算法的实现，减少聚类算法的计算时间。

4.根据权利要求1所述的一种光伏并网低压台区拓扑结构自动识别方法，其特征在于：通过IPCA对用户侧的电压数据进行降维处理，得到含有特征信息的低维电压数据，减小了因噪音信息和冗余信息所可能导致的识别误差，使得之后进行的层次聚类效果更加精确。