| 摘 要： | 为提高电网的安全运行水平和经济性,灵活的可重构的网络拓扑结构是未来智能配电网的基本特征.而配电管理系统(DMS)中的大部分功能,如状态估计,潮流计算和电压控制等,都基于网络当前的拓扑结构.因此,拓扑辨识是DMS的基础功能之一,研究更为高效和准确的智能配电网拓扑辨识方法具有重要意义.结合配电网的结构和运行特点,建立了基于机器学习的智能配电网拓扑辨识框架,并提出了基于LightGBM和深度神经网络(DNN)的配电网在线拓扑辨识方法.该方法借助LightGBM实现特征选择,筛选出对配电网拓扑辨识最有效的少量量测,以深度神经网络实现配电网运行断面量测数据与其拓扑结构间的映射.考虑实际应用中可能存在量测数据丢失的情况,提出了基于最小方差的缺失值填补方法.同样利用样本间的最小方差进行未知拓扑的甄别,并借助增量学习机制,通过增量训练DNN模型实现拓扑知识库的更新.与现有方法相比,本文提出的拓扑辨识方法仅需要配电网中少量节点的运行断面量测数据,同时适用于辐射状和弱环网结构,计算效率可支持在线拓扑辨识.通过IEEE33节点配电网和PGE69节点配电网验证了所提方法的有效性与优越性,并分析了对于不同噪声水平情况、量测特征值缺失和存在未知拓扑的适应性.
|
