一种高比例户用光伏接入的配电网拓扑辨识方法

1.本发明涉及智能配电网技术领域，尤其是一种高比例户用光伏接入的配电网拓扑辨识方法。


背景技术：

2.近年来，随着分布式光伏的发展，用户可参与的户用光伏系统在低压配电网中的并网数量快速增长。低压配电网位于配电系统末端，直接面向海量终端用户，是保证供电质量的关键环节。户用光伏系统接入低压配电网时，通常需要提供正确的拓扑档案作为并网依据。拓扑是指区域内所有电气设备的物理连接关系。准确的拓扑还能够为线损计算、三相不平衡管理等运行管理模式提供依据。但是由于老旧台区线路复杂、人工记录不清楚等原因，许多低压配电台区缺少正确的拓扑档案。同时，相较于中高压配电网来说，低压配电网只具备有限的监测设备。在有限信息环境下，仅通过人工梳理记录等传统方法难以保障拓扑记录档案更新的实时性和灵活性。
3.高比例户用光伏接入的给低压配网拓扑的识别带来了更多挑战：户用光伏产权属于用户，易受用户行为影响，用户私下的改动将使用户情况变化更加频繁，管理方难以及时更新拓扑档案；拓扑辨识通常需以功率、电压等电气特征量为基础进行判断，而户用光伏的接入带来了配网有源化、潮流双向化等问题。由于光伏出力的随机性与波动性，配电网的潮流与电压特征出现了本质上的变化，进一步加剧了基于电气特性进行拓扑辨识的困难。


技术实现要素：

4.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，在本部分以及本技术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。
5.鉴于上述和/或现有技术中所存在的问题，提出了本发明。
6.因此，本发明所要解决的技术问题是针对老旧台区线路复杂、人工记录不清楚的现状，以及许多低压配电台区缺少正确的拓扑档案的问题。
7.为解决上述技术问题，本发明提供如下技术方案：一种高比例户用光伏接入的配电网拓扑辨识方法，包括，
8.基于配电网中智能量测装置采集的用户功率、电压值及户用光伏的功率、电压值，构建配变下所有用户时序向量及时序矩阵，建立所有用户时序向量及时序矩阵与配网信息的映射关系；
9.基于所述映射关系，利用bilstm算法搭建量测数据时序模型，提取用户光伏瞬时渗透率数据的时序特征识别光伏时序；
10.基于所述量测数据时序模型及已识别的光伏时序片段，构建光伏时序功率卷积模型，识别高比例光伏接入的配电网拓扑。
11.作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其
中：建立时序向量与配网信息的映射关系包括：
12.设定m个变压器n个用户，对智能量测装置在t时刻(t＝1,2,
…
,t)采集的量测数据进行分类，记用户i的有功功率值为e
it
、户用光伏并网有功功率为s
it
，配变j有功e
jt
，光伏专线有功功率s
jt
；建立多元线性回归方程，公式如下：
13.p
t
＝p
t
·
x+ε
t
14.其中p
t
为t时刻用户时序功率矩阵，p
t
为t时刻变压器时序功率矩阵，ε
t
是t时刻的残差向量，x为n
×
m维的特征矩阵，即为待求的连续未知变量组成的矩阵。
15.作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：所述提取时序特征识别光伏时序包括：
16.基于滑窗函数将预处理后的用户的功率、电压及光伏瞬时渗透率数据矩阵划分为多个时间片段，根据不同时间片段的光伏瞬时渗透率数据建立用户光伏瞬时渗透率时序模型；
17.基于用户光伏渗透率数据时序模型将用户光伏瞬时渗透率时序信息分为正反两个序列，引入bilstm模型对正反光伏瞬时渗透率时间序列进行特征提取与分类，采用注意力机制算法筛选光伏渗透率最高的时序片段。
18.作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：所述划分多个时间片段包括：
19.设定滑窗的窗长为l
window
、，令滑窗在有功功率ei＝[e
i1
,e
i2
,
…
,e
it
]
t
等用户量测数据向量上从0时刻滑向t时刻进行分段，每次滑动的距离为l
window
，则第t个时刻得到的时间片段为：
[0020]
sl
t
＝x
user
[(l
window
×
(t-1))(l
window
+l
window
×
(t-1))]
[0021]
其中，x
user
表示用户的功率、电压及光伏瞬时渗透率时序数据，sl
t
表示第t个时刻的滑窗截取的时间片段。
[0022]
作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：建立用户光伏瞬时渗透率时序模型包括：
[0023]
将户用光伏有功功率量测值s
it
与用户有功功率实时量测值e
it
的比值定义为d
it
，用来表示t时刻用户i的光伏瞬时渗透率，构建用户光伏瞬时渗透率矩阵d
t
×n＝[d
it
]m×n：
[0024][0025]
则光伏瞬时渗透率数据t时刻的第k个时间片段tpvk＝[d
t
,d
t+1
,...,d
ts
]，其中d
t
为t时刻不同用户的光伏瞬时渗透率向量；
[0026]
建立用户光伏瞬时渗透率时序模型为：
[0027]
tpv＝[tpv1,tpv1,...,tpv1]
t
[0028]
作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：将用户光伏渗透率数据时序模型分为正反两个序列为：
[0029][0030]
其中，表示输入光伏渗透率时序的正向序列，表示输入光伏渗透率时序的反向序列，n是时间片段的总数。
[0031]
作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：设置注意力机制算法包括：
[0032]
利用bilstm模型对正反两个方向的光伏瞬时渗透率时间序列进行特征提取与分类，计算得到正向的隐层状态h
t1
和反向的隐层状态h
t2
，二者共同记为h
t
；
[0033]
基于各时刻的隐层状态ht，对各时刻的隐层状态分配不同的注意力系数a
t
:
[0034][0035][0036]
其中，et是ht注意力打分函数，在注意力机制下，光伏渗透率越大的区域含有越高的分数；uattt∈r1
×
l，watt∈rl
×
m是注意力机制中待学习的参数矩阵。
[0037]
作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：筛选光伏瞬时渗透率最高的目标区域包括：
[0038]
通过对不同的隐层状态和其对应的注意力系数的乘积加权求和得到最终的融合各个时刻的隐层状态c，其计算公式为：
[0039][0040]
在获得各个时刻的隐层状态c后，经过softmax分类器可得到模型融合各个时刻信息后的分类结果，即属于光伏时序的时间片段。
[0041]
作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：所述构建光伏时序功率卷积模型的目标函数包括：
[0042]
建立一个对角方阵为光伏权重矩阵w，方阵大小与用户功率矩阵相等；在光伏时序t∈tpv内，权重矩阵元素wjt取值为其残差的高斯核函数，这一函数值在0～1的范围内随残差值增大而减小；在非光伏时序t∈tp内则wjt取1，不进行加权计算。
[0043][0044]
其中，p
jt
为t时刻变压器时序功率。
[0045]
作为本发明所述高比例户用光伏接入的配电网拓扑辨识方法的一种优选方案，其中：还包括，
[0046]
将该光伏时序权重矩阵通过加权线性回归引入线性回归模型中，并通过矩阵卷积转化为光伏时序功率卷积模型并进行求解：
[0047]
wp＝w(p*x)
[0048]
得目标函数为：
[0049][0050]
其中，p为用户时序功率矩阵，p为变压器时序功率矩阵。
[0051]
本发明的有益效果：本技术的一种高比例户用光伏接入的配电网拓扑辨识方法，有效提高了拓扑记录档案更新的实时性和灵活性；且所提方法能够适应低压配电网不断变
化的拓扑，在含有高比例分布式户用光伏的配电网中可以得到良好的结果。
附图说明
[0052]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0053]
图1为高比例户用光伏接入的低压配电网拓扑辨识方法的流程图；
[0054]
图2为光伏时序功率卷积模型示意图；
具体实施方式
[0055]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0056]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0057]
其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0058]
再其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0059]
实施例1
[0060]
本发明提供了一种高比例户用光伏接入的配电网拓扑辨识方法，相比于未优化的普通mlr算法有更高的准确率，在含高比例用户光伏的配电网中有更好的适配性。
[0061]
具体的：本发明的一种高比例户用光伏接入的配电网拓扑辨识方法，包括以下步骤：
[0062]
s1：基于配电网中智能量测装置采集信息，引入配变下所有用户时序向量及时序矩阵，建立用户时序向量及时序矩阵与配网信息的映射关系；
[0063]
s2：基于步骤s1建立的映射关系，通过引入bilstm模型提取用户光伏瞬时渗透率数据的时序特征，提出一种光伏时序识别方法平抑光伏波动影响；
[0064]
s3：基于步骤s2建立的量测数据时序模型及已识别的光伏时序片段，构建光伏时序功率卷积模型，实现对高比例光伏接入背景下的配电网拓扑的识别。
[0065]
本技术根据含分布式光伏的低压配网的实际结构，从数学角度出发，建立了其量测数据的变量矩阵，并将拓扑识别问题归纳为多元线性回归数学模型，然后，归纳并声明计算过程中高比例户用光伏带来的影响。流程图如图1所示。
[0066]
进一步地，步骤s1中，假设共m个变压器n个用户，对智能量测装置在t时刻(t＝1,2,...,t)采集的量测数据进行分类，记用户i的有功功率值为e
it
、户用光伏并网有功功率为s
it
，配变j有功e
jt
，光伏专线有功功率s
jt
；
[0067]
则用户时序功率矩阵为p
t
×n＝e
t
×
n-s
t
×n＝[p1,p2,
…
,pn]；
[0068]
变压器时序功率矩阵p
t
×m＝e
t
×
m-s
t
×m＝[p1,p2,
…
,pm]；
[0069]
其中e
t
×n为用户有功功率矩阵，s
t
×n为余电上网有功功率矩阵，e
t
×m为配变有功功率矩阵，s
t
×m为光伏专线有功功率矩阵。
[0070]
将户用光伏有功功率量测值s
it
与用户有功功率实时量测值e
it
的比值定义为d
it
，用来表示t时刻用户i的光伏瞬时渗透率，构建用户光伏瞬时渗透率矩阵d
t
×n＝[d
it
]m×n：
[0071][0072]
因此，根据用户-配变功率平衡关系，即在减去误差及功率损失部分后，每个时刻终端用户负荷功率之和与低压配变得到的输出有功功率相等，则可以将t时刻第j个变压器与其对应的n个终端用户的功率平衡关系表示为如下的线性方程:
[0073][0074]
其中，εj通常是包含配网线损、量测误差、数据缺失等误差的常数值，代表功率平衡中所有不平衡量，此时，考虑到存在功率倒送现象，配变的供电功率有可能小于其下用户总耗电功率，不平衡量可能存在负值；a
ji
＝{0,1}表示变压器j与用户i之间的连接关系，若变压器与某用户间存在从属连接关系，则该变量值为1，反之则为0。则可以用m
×
n维邻接矩阵am×n＝[a
ji
]m×n来描述低压配电系统中所有变压器与所有用户之间的连接：
[0075]at
＝[a1,a2,...,aj,...,am]
(n
×
m)
[0076]
p
t
＝p
t
·at
+ε
t
[0077]
其中，p
t
为t时刻用户时序功率矩阵，p
t
为t时刻变压器时序功率矩阵，a
t
则为待求解的邻接矩阵的转置，将aj＝[a
1i
,a
2i
,...,a
ji
,...,a
jn
]
t
转换为m维特征向量，a
t
即为n
×
m维的特征矩阵。
[0078]
由于邻接矩阵的求解是一个非确定性多项式困难问题，难以直接求得二进制结果，因此，本文将t时刻的户变关系归纳为功率的多元线性回归模型后进行求解。设ε
t
是t时刻的残差向量，x为待求的连续未知变量组成的矩阵，即可得到多元线性回归方程，其矩阵表示为：
[0079]
p
t
＝p
t
·
x+ε
t
[0080]
其中，x＝a
t
，为n
×
m维的特征矩阵。
[0081]
对于高比例户用光伏接入下的低压配电网，光伏出力较大的时段内，被包含在残差矩阵ε内的网络整体线损含有波动性大、随机性强及异常点多等特性，易违背线性回归的残差正态性假设，难以保证得到的结果是模型的无偏估计，需要平抑光伏波动影响。
[0082]
进一步地，步骤s2具体操作：
[0083]
s2.1，基于滑窗函数将预处理后的用户的功率、电压及光伏瞬时渗透率数据矩阵划分为多个时间片段，根据不同时间片段的光伏瞬时渗透率数据建立用户光伏瞬时渗透率时序模型，将光伏渗透率时序数据按时间片段形式存储；
[0084]
s2.2，基于用户光伏渗透率数据时序模型将其分为正反两个序列，利用bilstm模型对正反光伏瞬时渗透率时间序列进行特征提取与分类，采用注意力机制算法筛选光伏渗透率最高的时序片段，消除光伏对线性回归求解的影响。
[0085]
进一步地，步骤s2.1中，首先，通过滑窗函数将预处理后的用户的功率、电压及光
伏瞬时渗透率数据矩阵划分为多个时间片段。在滑窗函数中，假定滑窗的窗长为l
window
、，令滑窗在有功功率ei＝[e
i1
,e
i2
,
…
,e
it
]
t
等用户量测数据向量上从0时刻滑向t时刻进行分段，每次滑动的距离为l
window
，则第t个时刻得到的时间片段为：
[0086]
sl
t
＝x
user
[(l
window
×
(t-1))(l
window
+l
window
×
(t-1))]
[0087]
其中，以x
user
统一表示用户的功率、电压及光伏瞬时渗透率时序数据，总共有t个时刻采得量测值。sl
t
表示第t个时刻的滑窗截取的时间片段，其中包含的量测时间点的个数等于滑窗长度l
window
，最大时刻数为ts＝1+(t－l
window
)/l
window
。截取光伏瞬时渗透率数据t时刻的第k个时间片段tpvk＝[d
t
,d
t+1
,...,d
ts
]，其中d
t
为t时刻不同用户的光伏瞬时渗透率向量。建立用户光伏瞬时渗透率时序模型为tpv＝[tpv1,tpv1,...,tpv1]
t
。
[0088]
进一步地，步骤s2.2中，将光伏渗透率时序数据按时间片段形式存储，并将用户光伏渗透率数据时序模型分为正反两个序列：
[0089][0090]
其中，表示输入光伏渗透率时序的正向序列，表示输入光伏渗透率时序的反向序列，n是时间片段的总数。bilstm层中，用bilstm模型对正反两个方向的光伏瞬时渗透率时间序列进行特征提取与分类，计算得到正向的隐层状态h
t1
和反向的隐层状态h
t2
，二者共同记为h
t
。
[0091]
在基于bilstm的时序模型中得到各时刻的隐层状态h
t
，对各时刻的隐层状态分配不同的注意力系数a
t
，如下所示:
[0092][0093][0094]
其中，e
t
是h
t
注意力打分函数，在注意力机制下，光伏渗透率越大的区域含有越高的分数；u
attt
∈r1×
l
，w
att
∈r
l
×m是注意力机制中待学习的参数矩阵。通过对不同的隐层状态和其对应的注意力系数的乘积加权求和得到最终的融合各个时刻的隐层状态c，其计算公式为：
[0095][0096]
在注意力机制层中，通过注意力机制层获得各个时刻的隐层状态c后经过softmax分类器可得到模型融合各个时刻信息后的分类结果，即属于光伏时序的时间片段。对单一用户的时间片段取并集，得到该用户总的光伏时序范围，记为t∈t
pv
；对于非光伏时序的时刻记为t∈t
p
。
[0097]
进一步地，步骤s3中，在受光伏出力影响较大的时间段内，能够通过权重大小降低光伏波动带来的异常点对装设户用光伏系统的用户量测数据带来的影响。因此，建立一个对角方阵为光伏权重矩阵w，方阵大小与用户功率矩阵相等。在光伏时序t∈t
pv
内，权重矩阵元素w
jt
取值为其残差的高斯核函数，这一函数值在0～1的范围内随残差值增大而减小；在非光伏时序t∈t
p
内则w
jt
取1，不进行加权计算。
[0098][0099]
其中，p
jt
为t时刻变压器时序功率，将该光伏时序权重矩阵通过加权线性回归引入线性回归模型中，并通过矩阵卷积转化为光伏时序功率卷积模型并进行求解：
[0100]
wp＝w(p*x)
[0101]
其中，p为用户时序功率矩阵，p为变压器时序功率矩阵。
[0102]
在图2中，以箭头表示卷积核沿时间轴在用户数据矩阵上滑动的方向，步长为1，每移动一次，其加权和向量与对应的配电变压器某一时刻的量测功率保持平衡，在完成对整个输入矩阵的遍历后即得到结果矩阵。因此，目标函数为：
[0103][0104]
下面对本发明的有益效果根据历史量测数据进行验证：
[0105]
采用用户侧实际用电负荷的历史量测数据进行验证，其中包含低压配变台区，终端用户，安装户用光伏的用户数据。包括用户实时量测功率、初始拓扑台账记录等未推广安装户用光伏的台区历史数据，以及用户实时量测功率、天气状况、初始拓扑台账记录、户用光伏出力情况等光伏渗透率提升后的台区历史数据。以上数据均一个采样时刻。这些配电网中智能量测装置采集信息，将引入配变下所有用户时序向量及时序矩阵，建立其与配网信息的映射关系。得到如下多元线性回归方程，其矩阵表示为：
[0106]
p
t
＝p
t
·at
+ε
t
[0107]
之后按照s2.1，基于滑窗函数将预处理后的用户的功率、电压及光伏瞬时渗透率数据矩阵划分为多个时间片段，根据不同时间片段的光伏瞬时渗透率数据建立用户光伏瞬时渗透率时序模型，将光伏渗透率时序数据按时间片段形式存储；
[0108]
然后基于用户光伏渗透率数据时序模型将其分为正反两个序列，引入bilstm模型对正反光伏瞬时渗透率时间序列进行特征提取与分类，采用注意力机制算法筛选光伏渗透率最高的时序片段，消除光伏对线性回归求解的影响。
[0109]
接着根据建立的量测数据时序模型及已识别的光伏时序片段，构建光伏时序功率卷积模型，识别高比例光伏接入的配电网拓扑。通过求解如下目标函数得到拓扑初步识别结果：
[0110][0111]
将结果与使用未经优化的多元线性回归方法(mlr)的结果做对比。结果如
[0112]
表1所示。
[0113] 未经优化的电压聚类拓扑识别方法光伏时序功率卷积准确率82.68％99.08％
[0114]
表1.不同方法识别准确度对比
[0115]
再与初始台账进行对比可以发现，在高比例户用光伏低压配网下，未经优化的普通电压聚类原理的拓扑识别方法可以大致识别拓扑链接关系，平均准确率为82.68％；同样
的条件下引入基于光伏时序功率卷积模型识别得到的拓扑链接关系识别结果正确率有一定提升，平均准确率回升至99.08％。
[0116]
综上，本发明提供一种高比例户用光伏接入的配电网拓扑辨识方法，从分布式户用光伏对低压配电网影响的角度，在基于数据驱动进行传统低压配电网户变关系识别的研究基础上，针对高比例户用光伏下低压配网历史量测数据的数学特征，建立了基于光伏时序功率卷积模型的户变关系识别模型，有着更高的准确率。有效提高了拓扑记录档案更新的实时性和灵活性。且所提方法能够适应低压配电网不断变化的拓扑，在含有高比例分布式户用光伏的配电网中可以得到良好的结果。
[0117]
重要的是，应注意，在多个不同示例性实施方案中示出的本技术的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
[0118]
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
[0119]
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
[0120]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：包括，基于配电网中智能量测装置采集的用户功率、电压值及户用光伏的功率、电压值，构建配变下所有用户时序向量及时序矩阵，建立所有用户时序向量及时序矩阵与配网信息的映射关系；基于所述映射关系，利用bilstm算法搭建量测数据时序模型，提取用户光伏瞬时渗透率数据的时序特征识别光伏时序；基于所述量测数据时序模型及已识别的光伏时序片段，构建光伏时序功率卷积模型，识别高比例光伏接入的配电网拓扑。2.根据权利要求1所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：建立时序向量与配网信息的映射关系包括：设定m个变压器n个用户，对智能量测装置在t时刻(t＝1,2,...,t)采集的量测数据进行分类，记用户i的有功功率值为e
it
、户用光伏并网有功功率为s
it
，配变j有功e
jt
，光伏专线有功功率s
jt
；建立多元线性回归方程：p
t
＝p
t
·
x+ε
t
其中p
t
为t时刻用户时序功率矩阵，p
t
为t时刻变压器时序功率矩阵，ε
t
是t时刻的残差向量，x为n
×
m维的特征矩阵，即为待求的连续未知变量组成的矩阵。3.根据权利要求1或2所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：所述提取时序特征识别光伏时序包括：基于滑窗函数将预处理后的用户的功率、电压及光伏瞬时渗透率数据矩阵划分为多个时间片段，根据不同时间片段的光伏瞬时渗透率数据建立用户光伏瞬时渗透率时序模型；基于用户光伏渗透率数据时序模型将用户光伏瞬时渗透率时序信息分为正反两个序列，引入bilstm模型对正反光伏瞬时渗透率时间序列进行特征提取与分类，采用注意力机制算法筛选光伏渗透率最高的时序片段。4.根据权利要求3所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：所述划分多个时间片段包括：设定滑窗的窗长为l
window
、，令滑窗在有功功率e
i
＝[e
i1
,e
i2
,
…
,e
it
]
t
等用户量测数据向量上从0时刻滑向t时刻进行分段，每次滑动的距离为l
window
，则第t个时刻得到的时间片段为：sl
t
＝x
user
[(l
window
×
(t-1))(l
window
+l
window
×
(t-1))]其中，x
user
表示用户的功率、电压及光伏瞬时渗透率时序数据，sl
t
表示第t个时刻的滑窗截取的时间片段。5.根据权利要求4所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：所述用户光伏瞬时渗透率时序模型为：tpv＝[tpv1,tpv1,...,tpv1]
t
。6.根据权利要求5所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：建立用户光伏瞬时渗透率时序模型包括：将户用光伏有功功率量测值s
it
与用户有功功率实时量测值e
it
的比值定义为d
it
，用来表示t时刻用户i的光伏瞬时渗透率，构建用户光伏瞬时渗透率矩阵d
t
×
n
＝[d
it
]
m
×
n
：
则光伏瞬时渗透率数据t时刻的第k个时间片段tpv
k
＝[d
t
,d
t+1
,...,d
ts
]，其中d
t
为t时刻不同用户的光伏瞬时渗透率向量。7.根据权利要求6所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：将用户光伏渗透率数据时序模型分为正反两个序列为：其中，表示输入光伏渗透率时序的正向序列，表示输入光伏渗透率时序的反向序列，n是时间片段的总数。8.根据权利要求7所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：利用bilstm模型对正反两个方向的光伏顺势渗透率时间序列进行特征提取与分类，并用注意力机制算法将具有光伏时序特征的片段标记为光伏时序片段，将其余的片段标记为非光伏时序片段。9.根据权利要求8所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：还包括：建立一个对角方阵为光伏权重矩阵w，方阵大小与用户功率矩阵相等；在光伏时序t∈t
pv
内，权重矩阵元素wjt取值为其残差的高斯核函数，这一函数值在0～1的范围内随残差值增大而减小；在非光伏时序t∈t
p
内则wjt取1，不进行加权计算；为：其中，p
jt
为t时刻变压器时序功率。10.根据权利要求8或9所述的高比例户用光伏接入的配电网拓扑辨识方法，其特征在于：还包括，将该光伏时序权重矩阵通过加权线性回归引入线性回归模型中，并通过矩阵卷积转化为光伏时序功率卷积模型并进行求解：wp＝w(p*x)得目标函数为：其中，p为用户时序功率矩阵，p为变压器时序功率矩阵。

技术总结
本发明公开了一种高比例户用光伏接入的配电网拓扑辨识方法，包括，基于配电网中智能量测装置采集的用户功率、电压值及户用光伏的功率、电压值，构建配变下所有用户时序向量及时序矩阵，建立所有用户时序向量及时序矩阵与配网信息的映射关系；基于所述映射关系，提取用户光伏瞬时渗透率数据的时序特征识别光伏时序；基于所述量测数据时序模型及已识别的光伏时序片段，构建光伏时序功率卷积模型，识别高比例光伏接入的配电网拓扑；本申请的一种高比例户用光伏接入的配电网拓扑辨识方法，有效提高了拓扑记录档案更新的实时性和灵活性。且所提方法能够适应低压配电网不断变化的拓扑，在含有高比例分布式户用光伏的配电网中可以得到良好的结果。得到良好的结果。得到良好的结果。


技术研发人员：朱音洁 鲍若愚 李嘉睿 陆佳恩 殷涵 张津铭 陈子靖 鲍雨 赵健 陈悦
受保护的技术使用者：上海电力大学
技术研发日：2023.03.01
技术公布日：2023/7/13