欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022108413666
申请人: 南京工程学院
专利类型:发明专利
专利状态:已下证
专利领域: 发电、变电或配电
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于数据模型联合驱动的配电网拓扑二阶辨识方法,其特征在于,包括以下步骤:步骤1:通过采集测量设备提供的电压数据,训练深度信念网络挖掘电压关联特征;

步骤2:将深度信念网络特征提取结果,通过随机森林算法进行特征选择,粗略辨识配电网拓扑信息;

步骤3:以粗略辨识结果作为初值,将拓扑辨识问题转换为混合整数规划问题,快速求解高精度的拓扑信息。

2.根据权利要求1所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法,其特征在于,上述步骤1中,深度信念网络由多个受限波尔兹曼机叠加生成,受限波尔兹曼机是一种基于能量的概率图模型,用随机概率神经网络来描述;每个受限波尔兹曼机由一个由可见层 与隐藏层 组成;对应的可见层单位偏差为,隐藏层单位偏差为 ;同一层中的神经单元相互独

立,不同层中的神经单元完全相连;可见层神经单元vi与隐藏层神经单元hj按权重wji关联;

因此,基于能量的概率图模型的能量函数定义为:

隐藏层和可见层单元之间的联合概率分布表示为 ;

由于受限波尔兹曼机同一层中的神经元是独立的,当给定某一层神经元的状态时,隐藏层和可见层的激活概率表示为:各层的偏差与权重按照以下规律更新:

其中,学习率 和 大小在[0,1]中,n表示迭代次数, 和 分别是数据分布和模型分布的期望值;

通过无监督学习将从测量数据生成的初始数据集提供给深度信念网络模型;然后,对整个模型进行微调;在此阶段,基于初始深度信念网络模型,保留基于能量的概率图模型之间的权重和偏差,并以数据集中的标签为标准计算网络误差;使用反向传播算法获得各层的误差,并使用梯度下降法调整各层的权重和偏差。

3.根据权利要求2所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法,其特征在于,上述步骤2中将深度信念网络特征提取结果,通过随机森林算法进行特征选择,粗略辨识配电网拓扑信息,具体步骤如下:步骤21:输入由深度信念网络挖掘的特征向量表示的网络拓扑信息子样本;对多个子样本集进行采样和形成,避免过度拟合;

步骤22:对于每个子样本集,使用CART决策树生成完全分裂的独立子决策树;

步骤23:训练子决策树,从所有特征中随机选取m个特征,得到所有非叶分支节点的候选特征信息子集;

步骤24:利用候选特征信息子集中的每个特征信息进行节点切割,根据基尼最小杂质准则从特征信息子集中选择切割能力最好的特征信息;

步骤25:重复步骤23和步骤24,直到该子决策树的每个节点按照基尼最小杂质准则进行切割;

步骤26:重复步骤21至步骤25,直到子决策树的数量分别满足随机森林算法的需求,并投票获得粗略的拓扑辨识结果。

4.根据权利要求3所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法,其特征在于,上述步骤3中以粗略辨识结果作为初值,将拓扑辨识问题转换为混合整数规划问题,快速求解高精度的拓扑信息,具体包括:采用连接系数 来表示拓扑连接问题,如果两个节点之间的支路处于连接状态,则为系数 =1;否则,=0;最小化拓扑信息的误差即可获得准确的配电网拓扑,目标函数表示为:其中, 是节点c和d之间的连接情况, 是从遥信数据中获得的节点c和d之间的节点连接信息,表示节点全集。

5.根据权利要求4所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法,其特征在于,上述目标函数的约束条件包括:在配电网运行过程中,节点电流注入遵循基尔霍夫电流定律,流入节点的电流之和等于流出节点的电流之和: ;其中,e为支路总数,是流经连接到该节点c的第k个支路电流;根据基尔霍夫电压定律,节点之间的电流也取决于节点的电压: ;其中,g是闭环元件的数量, 是节点c关联支路的第k个元件两端的电压;

同时,基于误差有界理论,测量方程满足以下约束:

其中,、 、 分别表示量测的基准值与误差的上界和下界, 表示量测方程;结合连接系数 ,将上述约束修改为:其中,、 分别表示流过节点c的电流汇总与流过节点c和节点d之间的电流; 表示节点c和d之间之路的阻抗; 表示节点c和d之间的量测方程;

所以,所转换的拓扑错误最少的寻优问题表示为:

。

6.根据权利要求5所述的基于数据模型联合驱动的配电网拓扑二阶辨识方法,其特征在于,非线性约束会使求解难度很大,降低辨识的效率,将所转换的拓扑错误最少的寻优问题转换为混合整数规划问题;

将 与 分别用 与 表示;当 =1时, =  , =  ;否则, =0, =0;

通过以下约束条件表示 、 、 、 和 之间的关系:

其中M1和M2是由足够大的正数组成的同维列向量;

根据上述线性约束,将优化问题转化为无非线性约束的混合整数规划问题:其中 表示与节点c相连的所有节点的集合;

以粗略辨识获得结果为规划问题的初值,快速求解实现快速准确的拓扑辨识。