[发明专利]一种最大相关性筛选算法实现拓扑识别方法

说明书

一种最大相关性筛选算法实现拓扑识别方法，包括以下步骤，S1：获取用户智能电表电压时间序列及配变TTU电压时间序列数据为样本；S2：对获取的所述时间数据进行预处理，得到节点对应的随机变量；S3：利用所述节点对应的随机变量建立数学模型和目标函数；S4：求解所目标函数的权重参数W；S5：合成相关性矩阵K；S6：利用所述相关性矩阵K得到拓扑结构。1.准确度高：提出的数据预处理方法能有效减少数据噪音的影响，充分挖掘和利用数据隐含的结构关系，提高拓扑识别的准确性；2.实用性强：相比于根据局部已知拓扑辨识剩余拓扑或者对已知拓扑进行验证的方法，该方法能够在完全未知拓扑的情况下直接产生配电网拓扑结构。

技术领域

本发明属于电力系统配电技术领域，具体为一种最大相关性迭代筛选算法实现拓扑识别方法。

背景技术

目前，国内外的中高压配电系统已经具备了完备的配电管理系统，通过数据采集与监视控制系统和地理信息系统获取配电网拓扑结构、运行状态、负荷状态等一系列数据，实现状态评估；并以此建立各类配电网分析和决策算法，包括处理配电网中负荷和可再生能源不确定性的配电网随机优化调度方法、以故障恢复或者三相不平衡治理为目标的配电网重构方法等。

相比之下，低压配电系统面临有限信息环境，缺乏有效的系统建模与状态评估方法，难以展开配电系统潮流计算以及其他配电管理高级功能，尤其是低压配电系统的拓扑结构建模，是建立低压配电系统最优潮流的基础，也是治理低压配电系统三相不平衡、网络损耗、消纳可再生能源、接纳电动汽车充电负荷、提升用户用电可靠性等等一系列问题的基础。因此，识别配电网拓扑是实现低压配电系统可视化和管理的必备条件。考虑到低压配电系统中能够获取到的运行数据非常有限，如何有效利用智能电表数据以及配变运行数据，实现配电系统拓扑识别，建立配电系统基本运行模型，是当前发展低压配电系统的首要目的。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有技术中所存在的问题，提出了本发明。

因此，本发明所要解决的技术问题是低压配电系统面临有限信息环境，缺乏有效的系统建模与状态评估方法，难以展开配电系统潮流计算以及其他配电管理高级功能的问题。

为解决上述技术问题，本发明提供如下技术方案：一种最大相关性筛选算法实现拓扑识别方法，包括以下步骤，

S1：获取用户智能电表电压时间序列及配变TTU电压时间序列数据为样本；

S2：对获取的所述时间数据进行预处理，得到节点对应的随机变量；

S3：利用所述节点对应的随机变量建立数学模型和目标函数；

S4：求解所目标函数的权重参数W；

S5：合成相关性矩阵K；

S6：利用所述相关性矩阵K得到拓扑结构。

作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案，其中：所述步骤S1中样本的数量在500个时间截面以上，其数据连续、没有缺失值和异常值。

作为本发明所述最大相关性筛选算法实现拓扑识别方法的一种优选方案，其中：所述步骤S2中预处理过程包括，

S21：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；

S22：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；

S23：在进行上述两步数据预处理之后，对数据进行独热编码。