[发明专利]一种最大相关性筛选算法实现拓扑识别方法

权利要求书

1.一种最大相关性筛选算法实现拓扑识别方法，其特征在于：包括以下步骤，

获取用户智能电表电压时间序列及配变TTU电压时间序列为样本；

对获取的所述时间序列进行预处理，得到节点对应的随机变量；

利用所述节点对应的随机变量建立数学模型和目标函数；

求解所述目标函数的权重参数W；

合成相关性矩阵K；

利用所述相关性矩阵K得到拓扑结构；

所述样本的数量在500个时间截面以上，其数据连续、没有缺失值和异常值；

所述预处理过程包括，

对获得的电表历史数据进行数据清洗，使用回归、决策树归纳来确定最有可能的值来填充缺失信息，使用回归方法对数据进行降噪处理；

在完成数据清洗之后，对数据进行规范化处理，将数据转化为易于学习的形式；

在进行上述数据预处理之后，对数据进行独热编码；

所述建立数学模型为基于无向图模型对整个拓扑网络进行建模；

所述目标函数为拓扑网络的节点相关关系的联合概率分布；

所述联合概率分布形式如下：

其参数化形式为：

构建联合概率分布的似然形式：

其中，Xu和Xv分别代表节点u和节点v的随机变量，X_uv代表连接节点u和节点v的边所对应的随机变量，u是配电系统中的节点，(u，v)是配电系统中节点u和v之间的线路；V^u是配电系统中节点u的权重；W^uv是连接节点u与v线路的权重；d^u为状态特征，定义了在节点上的特征函数，b^uv是转移特征，定义了在边上的特征函数；Φ和ψ表示为基于概率图模型的势函数，Φ代表节点的势，ψ代表连接节点的边的势；Z为分区函数，是一个规范化因子、归一化函数，定义为所有可能赋值的总和；u^*表示为与u节点相邻的所有节点组成的集合；

所述求解所目标函数的权重参数W包括，

利用最大似然估计法整理似然形式方程，得到对数似然形式方程，如下：

利用梯度下降法求解所述对数似然形式方程，得到所述权重参数W；

所述合成相关性矩阵K包括，

对所获得的权重参数进行状态合成，得到节点之间的相关性参数Kuv；

整合相关性参数Kuv得到表征配电网各个物理节点连接紧密程度的节点相关性矩阵K；

所述利用所述相关性矩阵K得到拓扑结构，包括以下步骤，

对所述相关性矩阵K进行迭代，筛选出相关性最高的节点连接在一起形成节点团；

迭代所述节点团，将不同的节点团相关性最大的节点建立联系；实现配电系统拓扑结构识别；

所述形成节点团过程具体为

建立描述U节点配电系统的邻接矩阵A；

初始化所述邻接矩阵A；

定义一个用来储存未连接节点的节点池V，定义一个用于储存已知有效连接关系节点团的连接池C，连接池C初始为空；

对相关性矩阵K的每一行进行迭代计算，得到每一行的最大值及位置，将邻接矩阵中相应位置元素置为1；

对相关性矩阵K处理完后，迭代邻接矩阵A中的每一个节点，将相互连接的节点建立节点团T，将各组节点团T加入连接池C中，并将这些节点从节点池V中去掉，直至节点池V为空；

所述将不同的节点团相关性最大的节点建立联系包括迭代连接池C中的节点团，排列组合分析节点团之间的相关性，将不同节点团相关性最大的两个节点建立连接，令相应的邻接矩阵a_ij＝1，直至连接池C中只有一个节点团；通过最大相关性迭代筛选算法得到低压配电系统网络结构的邻接矩阵，建立低压配电系统的拓扑结构。