[发明专利]基于深度学习与决策树驱动的配电网混合观测布点方法

说明书

本发明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‑DBN耦合深度学习模型分析配电网不同混合量测方案下的拓扑可观性变化性能指标，最终根据配电网完全可观时所选节点以及混合量测方案，确定混合量测装置最优布点方案。所提方法突破传统量测装置优化布点方法的规划思路，采用深度学习与决策树等数据驱动方法实现主动配电网拓扑辨识经济高效的混合观测布点规划方案。

技术领域

本发明涉及电力系统优化技术领域，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。

背景技术

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。

发明内容

鉴于上述技术缺点，本发明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。

为实现上述发明目的，本发明的技术方案如下：

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：

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，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方案，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。

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：

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；