一种基于动态贝叶斯网络的中压配电网参数区间辨识方法和系统

专利主权项内容

1.一种基于动态贝叶斯网络的中压配电网参数区间辨识方法，其特征在于，包括以下步骤：步骤1：根据中压配电网中母线节点安装的量测装置所量测的历史物理量以及历史气象数据，计算历史配电参数，将所述历史物理量、所述历史气象数据和所述历史配电参数组成连续时间序列的历史量测数据，所述历史量测数据包括特征向量集和标签向量集；步骤2：将连续时间序列的历史量测数据进行离散化处理，对所述历史量测数据进行区间划分，根据所述特征向量集的平均差异度和所述标签向量集的平均差异度，计算所述特征向量集和所述标签向量集的聚类中心与相应的区间上下边界值；步骤3：根据所述历史物理量和所述历史气象数据的各个特征与所述历史配电参数之间的影响关系构建静态贝叶斯网络，基于所述特征向量集和所述标签向量集的聚类中心，学习所述静态贝叶斯网络的条件概率；步骤4：将单时间断面的静态贝叶斯网络扩展为时变动态贝叶斯网络，并根据所述标签向量集的聚类中心，学习所述历史配电参数的时间转移概率，得到动态贝叶斯网络模型；步骤5：采集中压配电网的实时量测数据，所述实时量测数据包括所述量测装置所量测的实时物理量以及实时气象数据，将所述实时量测数据输入所述动态贝叶斯网络模型，以对所述中压配电网的配电参数的后验概率进行估计，并且根据所述后验概率确定所述配电参数的区间上下边界值；所述根据中压配电网中母线节点安装的量测装置所量测的历史物理量以及历史气象数据，计算历史配电参数，进一步包括：根据原始设计方案获取所述中压配电网的相应拓扑结构图，并将所述中压配电网中的母线作为拓扑图模型中的节点，在此基础上根据拓扑图模型以及功率流向对中压配电网进行节点编号，设置中压配电网首端变压器低压侧节点作为基准参考节点；分析母线节点安装的量测装置所量测的各物理量，包括中压配电网的支路有功功率 、支路无功功率/>、支路电压降落横分量/>，采集节点相关的气象数据，包括温度/>、湿度/>、风速/>、光照强度/>，并采集中压配电网中各节点间支路相关物理参数，包括支路串联电阻、支路串联电抗/>之间的关系；所述将所述历史物理量、所述历史气象数据和所述历史配电参数组成连续时间序列的历史量测数据，进一步包括：根据不同节点的对应支路电压降落横分量、支路有功功率/>、支路无功功率/>及支路所在位置温度/>、湿度/>、风速/>、光照强度/>构建特征向量集/>：
；根据串联支路电阻参数和串联支路电抗参数构建标签向量集：
；其中表示/>时刻历史量测特征向量子集：
；
表示/>时刻中压配电网节点/>与节点/>之间的平均温度，其中节点/>与节点/>是中压配电网中具有实体连接关系的任意两个节点；/>表示/>时刻中压配电网节点/>与节点/>之间的平均湿度，/>表/>时刻中压配电网节点/>与节点/>之间的平均风速，/>表示/>时刻中压配电网节点/>与节点/>之间的平均光照强度，/>表示/>时刻中压配电网节点/>与节点/>之间的支路有功功率，/>表示/>时刻中压配电网节点/>与节点/>之间的支路无功功率，/>表示/>时刻中压配电网节点/>与节点/>之间的支路电压降落横分量，/>表示采集数据时间长度；
表示根据/>时刻历史量测数据所得到的标签向量子集：其中表示/>时刻中压配电网节点/>与节点/>之间的串联支路电阻参数，/>表示/>时刻中压配电网节点/>与节点/>之间的串联支路电抗参数；所述步骤2中，根据以下过程来计算所述特征向量集的平均差异度和所述标签向量集的平均差异度：根据所述历史量测特征向量子集和标签向量子集，计算任意两个子集向量与/>、/>与/>之间的欧氏距离/>和/>：根据计算所得到的任意两个子集之间的欧氏距离，利用平均差异度方法计算任意样本和/>相应的平均差异度/>与/>：利用各子集平均差异度，计算特征向量集和标签向量集/>的平均差异度/>和/>：
；所述步骤2中，计算所述特征向量集和所述标签向量集的聚类中心与相应的区间上下边界值，进一步包括：根据所述特征向量集和标签向量集/>的平均差异度/>和/>，确定初始聚类中心和/>，其中/>为聚类中心的数量；/>和/>分别为第i个聚类中心；根据初始聚类中心和/>及聚类中心数量/>对特征向量集/>和标签向量集/>的全部子集进行k均值聚类，对于每一个子集向量/>与/>分别计算与各聚类中心之间距离/>和，并将其分配至距离最近的聚类中心，形成各聚类中心集/>和/>：其中，表示子集向量/>距离聚类中心的距离最小值所对应的子集向量，/>表示子集向量/>距离聚类中心的距离最小值所对应的子集向量，/>表示子集与聚类中心所计算的欧氏距离的最小值对应的子集向量；根据所述聚类中心集和/>，获取各聚类中心所对应的聚类中心及相应的区间上下边界值/>和/>，其中/>和/>分别表示聚类中心对应的区间下边界，/>和/>表示聚类中心对应的区间上边界；所述步骤3进一步包括：步骤3.1：将所述历史量测数据中的温度与湿度/>、风速/>与光照强度/>作为2组4个观测变量，并将4个观测变量作为隐变量支路电阻/>和支路电抗/>的父节点；步骤3.2：根据支路电压降落横分量表达式，确定隐变量支路电阻、支路电抗/>与支路有功功率/>、支路无功功率/>、支路电压降落横分量/>之间的关系，即支路电压降落横分量作为支路有功功率/>、支路无功功率/>及隐变量的子节点：其中，表示支路有功功率，/>表示支路无功功率，/>表示支路电压降落横分量，/>表示支路两端节点/>或节点/>的节点电压幅值，/>表示隐变量支路电阻，/>表示支路电抗；步骤3.3：根据聚类中心集和/>，计算隐变量/>关于温度/>、湿度/>、风速/>、光照强度/>、支路有功功率/>、支路无功功率/>和支路电压降落横分量/>之间的条件概率/>：其中，表示频数统计函数，/>包括温度/>、湿度/>、风速/>、光照强度/>及支路功率/>，将得到的多个条件概率组成所述静态贝叶斯网络；所述步骤4中，将单时间断面的静态贝叶斯网络扩展为时变动态贝叶斯网络，进一步包括：根据当前时刻的单时间断面的静态贝叶斯网络，复制得到下一时刻断面的静态贝叶斯网络，并依据马尔科夫假设，当前时刻仅由上一时刻所决定，从而构成多时间断面的动态贝叶斯网络；所述步骤4中，学习所述历史配电参数的时间转移概率，得到动态贝叶斯网络模型，进一步包括：在所述动态贝叶斯网络的基础上学习隐变量时间转移概率：其中，表示频数统计函数；将所述静态贝叶斯网络中已推导完成的条件概率和所述动态贝叶斯网络中已推导完成的时间转移概率/>以及动态贝叶斯网络模型结构进行输出并保存。