基于深度学习与决策树驱动的配电网混合观测布点方法技术

本发明专利技术公开了基于深度学习与决策树驱动的配电网混合观测布点方法，涉及电力系统优化技术领域，首先构建决策树模型量化分析配电网各个节点特征对配电网拓扑可观性影响重要度大小，根据节点特征重要度从大到小以依排列，选取部分重要度高的节点量测特征和量测数据构成供深度学习模型训练的混合量测样本集合；然后采用PCA

【技术实现步骤摘要】
基于深度学习与决策树驱动的配电网混合观测布点方法


[0001]本专利技术涉及电力系统优化
，具体是基于深度学习与决策树驱动的配电网混合观测布点方法。

技术介绍

[0002]随着配电网自动化的发展，越来越多的AMI、PMU等量测装置被投入配电网，这为采用以深度学习为代表的数据科学方法解决主动配电网状态估计和拓扑识别等复杂的非线性问题提供了数据支持。但是该类以数据为基础的数据科学方法对样本数据的质量和数量都有比较高的要求，尤其在规模庞大的配电网中，由于高精度的AMI、PMU等配电自动化量测装置成本昂贵，该类量测装置配置数量十分有限，实时量测数据的数量和精度仍然难以满足当前算法所需数据的要求，大多场景下不得不使用基于预测的伪量测数据；尽管部分电网已经投入较多的先进量测装置，但是其布点位置不够合理，采集的量测数据包含较多的冗余信息，并且各种量测装置成本不同，量测数据之间因数据延迟、数据周期不同、数据精度差异大等造成的数据不兼容是影响配电网完全可观的重要因素。为了兼顾电力数据来源的经济性和可靠性，同时提高配电网状态估计和拓扑识别场景下配电网的可观性，需要在配电网系统中规划配置新的量测系统或者改造已有的量测系统，充分利用混合量测数据，实现配电网拓扑的可观性。在当前配电网快速发展的环境下，迫切需要相关技术的有力支撑指导主动配电网拓扑辨识混合观测布点与规划。

技术实现思路

[0003]鉴于上述技术缺点，本专利技术提供了基于深度学习与决策树驱动的配电网混合观测布点方法。
[0004]为实现上述专利技术目的，本专利技术的技术方案如下：
[0005]基于深度学习与决策树驱动的配电网混合观测布点方法，包括如下步骤：
[0006]S1，获取主动配电网运行状态离线样本T；
[0007]S2，基于主动配电网运行状态离线样本构建决策树模型，将S1中所获取的离线样本输入至决策树模型进行分析计算，获得节点的特征重要度，并按照从大到小顺序对特征重要度进行排列，选择序列的前n个特征重要度对应的节点的量测数据，备选混合观测布点样本集；
[0008]S3，将步骤S2获得的备选混合观测布点样本集输入PCA
‑
DBN耦合拓扑识别模型，分析主动配电网拓扑的可观性，判断主动配电网拓扑是否完全可观，若主动配电网拓扑完全可观则进入步骤S4，若主动配电网拓扑不完全可观，选择序列的前n+1个特征重要度对应的节点的量测数据，组成备选混合观测布点方案，并重新输入至PCA
‑
DBN耦合拓扑识别模型中；
[0009]S4，得到混合观测布点方案。
[0010]作为优选的，S1中获取主动配电网运行状态离线样本的流程如下：
[0011]S10，选择满足主动配电网径向、无环和无孤岛三个运行特性的配电网运行拓扑结构集合G
T
＝(G
T1
,G
T2
,
…
,G
Tm
)；
[0012]S11，从可行拓扑集合G
T
中选取拓扑G
Ta
；
[0013]S12，基于可行拓扑G
Ta
，根据典型日负荷波动曲线和光伏出力曲线以及考虑光伏和ZIP负荷，生成不同的主动配电网运行场景；
[0014]S13，在不同的主动行场景下计算潮流分布，记录主动配电网运行状态数据组成主动配电网运行状态离线样本，其中，的离线样本包括主动配电网各节点的有功功率P、节点电压V和电压相角差θ做为样本的输入，以及对应输入的配电网联络开关和分段开关状态做为样本输出。
[0015]作为优选的，S2中的构建决策树模型包括如下步骤：
[0016]对以X作为输入变量，以Y作为输出变量的主动配电网运行状态离线样本T进行有监督学习，其中主动配电网运行状态离线样本为：T＝{(x1,y1),(x2,y2),
…
,(x
n
,y
n
)}；
[0017]主动配电网运行状态离线样本T的基尼系数数学表达式为：
[0018][0019]主动配电网运行状态离线样本设置有K个类别，C
k
为第K个类别样本数量；
[0020]决策树模型是从根节点开始通过主动配电网运行状态离线样本基于基尼系数最小准则递归构建二叉决策树，该决策树模型的建立过程如下：
[0021]S20，输入主动配电网运行状态离线样本T、基尼系数阈值g
ini
；
[0022]S21，计算主动配电网运行状态离线样本每一个特征和划分节点的损失函数，随机选择主动配电网运行状态离线样本T的第j个特征x
j
作为样本的切分变量以及x
j
的取值s作为样本的划分节点，将主动配电网运行状态离线样本T划分为两个子数据集T
s1
和T
s2
，划分原则的数学表达式如下：
[0023][0024]损失函数为划分后两个子数据集T
s1
和T
s2
的均方差，选择损失函数达到设定最小值时对应的特征切分变量x
j
以及划分节点s，其计算公式如下：
[0025][0026]式中c1表示子数据集T
s1
输出的平均值，c2表示子数据集T
s2
输出的平均值，其中
[0027][0028]S22，分别计算两个划分节点的基尼系数，判断两个划分节点的基尼系数是否小于基尼系数阈值g
ini
，当两个划分节点的基尼系数均不小于基尼系数阈值g
ini
时，则两个划分节点各自返回步骤S21处继续节点递归划分；当其中一个划分节点的基尼系数小于基尼系数阈值g
ini
时，则该节点停止节点递归划分，将没有小于基尼系数阈值g
ini
的另外一个划分
节点返回至步骤S21处继续节点递归划分，直至递归到另外一个划分节点的基尼系数小于基尼系数阈值g
ini
，得到所有划分的节点为K个子空间；
[0029]S23，将输入的主动配电网运行状态离线样本划分为K个子空间，每个子空间包含部分的样本数据和子空间输出值的平均值c
K
，得到决策树模型，决策树模型的数学表达式为：
[0030][0031]式中I(x∈T
sK
)表示模型的指示函数。
[0032]作为优选的，步骤S2中的将S1获取的离线样本输入至决策树模型进行分析计算的方式如下：
[0033][0034][0035]式中N表示主动配电网运行状态离线样本总数量，N
t
表示当前节点的主动配电网运行状态离线样本数量，N
tR
表示当前节点左子树，N
tL
表示当前节点左子树的主动配电网运行状态离线样本数量，H表示当前节点不纯度，H
right
表示当前节点左子树，H...

【技术保护点】

【技术特征摘要】
1.基于深度学习与决策树驱动的配电网混合观测布点方法，其特征在于，包括如下步骤：S1，获取主动配电网运行状态离线样本T；S2，基于主动配电网运行状态离线样本构建决策树模型，将S1中所获取的离线样本输入至决策树模型进行分析计算，获得节点的特征重要度，并按照从大到小顺序对特征重要度进行排列，选择序列的前n个特征重要度对应的节点的量测数据，组成备选混合观测布点样本集；S3，将步骤S2获得的备选混合观测布点样本集输入PCA
‑
DBN耦合拓扑识别模型，分析主动配电网拓扑的可观性，判断主动配电网拓扑是否完全可观，若主动配电网拓扑完全可观则进入步骤S4，若主动配电网拓扑不完全可观，选择序列的前n+1个特征重要度对应的节点的量测数据，组成备选混合观测布点样本集，并重新输入至PCA
‑
DBN耦合拓扑识别模型中；S4，得到混合观测布点方案。2.根据权利要求1所述的基于深度学习与决策树驱动的配电网混合观测布点方法，其特征在于，S1中所述获取主动配电网运行状态离线样本的流程如下：S10，选择满足主动配电网径向、无环和无孤岛三个运行特性的配电网运行拓扑结构集合G
T
＝(G
T1
,G
T2
,
…
,G
Tm
)；S11，从可行拓扑集合G
T
中选取拓扑G
Ta
；S12，基于可行拓扑G
Ta
，根据典型日负荷波动曲线和光伏出力曲线以及考虑光伏和ZIP负荷，生成不同的主动配电网运行场景；S13，在不同的主动行场景下计算潮流分布，记录主动配电网运行状态数据组成主动配电网运行状态离线样本，其中，所述的离线样本包括主动配电网各节点的有功功率P、节点电压V和电压相角差θ做为样本的输入，以及对应输入的配电网联络开关和分段开关状态做为样本输出。3.根据权利要求1所述的基于深度学习与决策树驱动的配电网混合观测布点方法，其特征在于，S2中所述的构建决策树模型包括如下步骤：对以X作为输入变量，以Y作为输出变量的主动配电网运行状态离线样本T进行有监督学习，其中主动配电网运行状态离线样本为：T＝{(x1,y1),(x2,y2),
…
,(x
n
,y
n
)}；主动配电网运行状态离线样本T的基尼系数数学表达式为：主动配电网运行状态离线样本设置有K个类别，C
k
为第K个类别样本数量；决策树模型是从根节点开始通过主动配电网运行状态离线样本基于基尼系数最小准则递归构建二叉决策树，该决策树模型的建立过程如下：S20，输入主动配电网运行状态离线样本T、基尼系数阈值g
ini
；S21，计算主动配电网运行状态离线样本每一个特征和划分节点的损失函数，随机选择主动配电网运行状态离线样本T的第j个特征x
j
作为样本的切分变量以及x
j
的取值s作为样本的划分节点，将主动配电网运行状态...

【专利技术属性】
技术研发人员：刘友波，赵亮，高红均，向月，刘俊勇，
申请(专利权)人：四川大学，
类型：发明
国别省市：