基于粒子群优化算法的电网动态拓扑结构智能识别技术

郭岩岩

(国网河南省电力公司郑州供电公司互联网部(数据中心)，河南 郑州 450052)

在电网结构优化、故障恢复和网络重构过程中，各种开关状态的组合将形成不同类型的电网拓扑，包括回路和孤岛[1-3]。近些年来，电网设备管理逐步向农网用户与低压用户延伸，电网设备数量也逐渐上升，极大地增加了电网动态拓扑结构识别与故障分析的压力[4]。因此，为了及时识别复杂电网的动态拓扑故障，必须区分不同类型的电网拓扑，以保证电网运行安全。

Waarde等[5]利用测量的输入/输出数据识别异构网络的动态拓扑结构，根据电网测量数据确认重建拓扑结构的可识别性条件；分析SISO系统同质异构网络的可识别特性，利用广义西尔维斯特方程识别拓扑网络结构。缺点是无法识别孤点故障。刘超等[6]提出一种基于高级量测体系的图模型近邻估计的配电网拓扑辨识方法，将相邻时刻电压幅值量测之差视作高斯随机变量，构建概率图模型的精度矩阵估计模型；采用近邻估计算法求解图模型精度矩阵；采用生成树算法重建出配电网拓扑。缺点是该方法能够识别出的故障较少。高泽璞等[7]提出了基于知识图谱的电网拓扑结构辨识技术，但随着电网拓扑结构中电源点数量增长，其识别率会逐渐降低。刘广一等[8]提出的基于图计算的电网结构分析技术，可实时识别电网拓扑结构，识别效率高，但识别精度稍低。

为了提高电网动态拓扑结构的识别准确率，本文提出一种基于粒子群优化算法的电网动态拓扑结构智能识别技术。

1 电网动态拓扑结构智能识别

1.1 电网动态拓扑结构的图数据库构建

本文根据数据源的特点，在分析电网动态拓扑结构特点的基础上，设计了电网动态拓扑图数据库的构建方法，使电网动态拓扑图数据库更加实用和专业。电网动态拓扑结构图数据库的具体构建过程如图1所示。

图1 电网动态拓扑结构图数据库构建过程图

由图1可知，具体的构建过程如下：

1)基于电网拓扑结构的CIM(common information mode)，创建各物理设备的联系，并对物理设备的本身属性予以考量，选取自顶向下的图数据库构建方式。

2)对于采用结构化数据库的电网信息系统，由于结构化数据库的知识易于提取，因此在提取数据库数据的知识时，还需要提取数据库中的字段。

3)通过知识融合，从多个信息系统结构化数据库中提取知识，可以提高每个信息系统中同一实体属性的完整性。

4)建立电网动态拓扑图数据库中的物理设备本体模型。该模型本体属于物理设备的抽象概念，包含了物理设备的所有属性。可以人为地定义本体之间的关系，并尽可能减少本体知识集合。

5)在本体创建的基础上，创建的本体对应数据库中提取的知识，两者融合形成数据实体；通过训练样本数据构造实体之间的属性和关系。

6)组合构成后的实体、属性与关系为三元组，三元组的形式包括实体—关系—属性与实体—关系—实体两种，将所形成的三元组储存到相应的图数据结构内，实现电网动态拓扑结构图数据库的构建。

1.2 拓扑结构智能识别技术

在所构建的电网动态拓扑结构图数据库基础上，本文所设计的电网动态拓扑结构智能识别系统由图数据库构建层与电网动态拓扑结构智能识别层构成，其中图数据库构建层主要包括数据源获取单元、数据转换处理单元及数据存储单元。基于粒子群优化算法的电网动态拓扑结构智能识别技术框架如图2所示。

图2 电网动态拓扑结构智能识别技术框架

在图2中，图数据库构建层通过数据源获取单元，在结构化数据库内获取知识数据源，由数据转换处理单元对所获取的数据源实施相应的转换处理后，存储到数据存储单元中，实现图数据库的构建；电网动态拓扑结构智能识别层重点依据图数据库内经过图数据化之后的电网动态拓扑结构数据，识别电网动态拓扑结构。

1.3 电网动态拓扑结构深度优先遍历识别

运用深度优先遍历算法智能识别电网动态拓扑结构的总体思路是将电网潮流首端视为电源点，由电源点开始，逐个遍历标记，并对各个相邻点实施逐个遍历。如果遍历过程中某个负荷节点被访问两次或搜寻到其余电源点，则可判别该电网动态拓扑结构内存在环路；如果遍历完成后依然存在未被访问过的负荷节点，那么可判断该负荷节点属于电源孤立节点；如果在完成遍历之后没有出现环路或孤立节点，则此电网动态拓扑结构属于常规运行的开式、辐射网状。

为了提升深度优先遍历算法识别电网动态拓扑结构的效率，先采用粒子群优化算法提升图中节点的访问速度。

设原数组visited[0,1,…,n-1]为粒子群，设每个节点为单个粒子i，节点的路径访问环路判断系数为d，则粒子群在优化计算中的访问速度为(vi,d)，计算过程如下：

(vi,d)={ed/p(ed,i)|ed∈Ed)}

(1)

式中：(vi,d)为单个节点被优化的访问速度集合；Ed为路径中所有节点的集合；ed为Ed中的个体元素；p(ed,i)为ed的概率。若c×rand≥1，则将概率取为1，否则直接保留为c×rand，以此判断某个体元素被访问的概率：

(2)

式中：c为粒子群算法的学习因数；rand为随机概率；A，B分别为两个节点的最优位置；p(ed,B)为由最优位置节点及概率p(ed)组成的速度集合。将两集合中最大的概率max(p(ed,1),p(ed,2))加入到新的速度集合中，生成v1,d,v2,d，分别代表速度集合中不同的速度元素，此时速度集合可转化为：

(3)

式中：p(ed,1)，p(ed,2)分别为位置节点为1和2时的被访问概率。

比较随机概率rand与vi,d被选取的概率，将vi,d中大于rand的概率值组成集合，得到候选集合cut(vi,d)，再从中得到最优速度节点位置元素集：

path[vi,d]={vi,d|vi,d/cut(vi,d)∈

vi,d&cut(vi,d)≥rand}

(4)

式中：path[vi,d]为拥有遍历最优速度的节点访问环路函数。

在path[vi,d]上，采用深度优先遍历算法智能识别电网动态拓扑结构的主要过程，如图3所示。

图3 电网动态拓扑结构智能识别过程图

2 实例分析

以某市电力公司2016年的历史电网拓扑数据为例，运用本文所提技术实施电网动态拓扑结构识别，通过分析识别结果检验本文技术的实际应用效果。该电力公司电网拓扑数据可达11亿顶点与22亿无向边的全联通图数据。

2.1 识别结果呈现

由电力公司2016年历史电网拓扑数据中随机选出一个复杂电网，此电网网架结构内包含4个电源点与46个负荷节点，该电网网架结构如图所示。图4中U1～U4为4个电源点。

图4 复杂电网网架结构图

在该复杂电网网架结构的动态变化过程中，通过本文技术对其动态拓扑结构实施智能识别，所识别出存在不同故障的动态拓扑结构如图5所示，其中识别出的故障负荷节点通过空心圆(⦿)标注。

通过图5的识别结果可知，图5(a)中，该复杂电网动态拓扑结构内存在一类环路，此种状况下拓扑结构中的负荷节点11、12、43、42、36、30、37、31、32、33、34属于双向电源供电，电源点分别为U2和U3；图5(b)中，复杂电网动态拓扑结构内存在二类环路，此时拓扑结构内的负荷节点14、15、36、42、43、12、11均由电源点U2供电；图5(c)中，该复杂电网动态拓扑结构中存在孤点，孤点为负荷节点36，可知此时没有电源对负荷节点36实施供电。

图5 不同电网动态拓扑结构识别结果

2.2 识别率对比分析

在固定时间内分别运用本文技术、基于知识图谱的电网拓扑结构辨识技术(文献[7]技术)、基于图计算的电网结构分析技术(文献[8]技术)对电力公司2016年的历史电网拓扑数据实施电网动态拓扑结构识别，检验各种技术识别拓扑结构中存在孤点、一类环路与二类环路3种故障的识别率并实施对比分析，结果见表1。

表1 各技术识别率对比结果

通过表1可得出，本文技术、文献[7]技术与文献[8]技术识别三种故障的平均识别率依次为98.75%、95.99%、93.75%，可见相较其他两种技术而言，本文技术整体识别率更高。

3 结束语

本文构建了电网动态拓扑结构图数据库，用此储存电网动态拓扑结构有关数据；基于图数据库中的图数据，利用粒子群算法提升图中节点的访问速度，优化了深度优先遍历算法，可以智能识别电网动态拓扑结构，进而智能、有效地识别出电网动态拓扑结构中所存在的孤点、一类环路及二类环路故障，且整体识别率高，提高了电网动态拓扑结构的识别准确率，为及时消除电网故障、保障电网运行安全提供了参考，在电网优化运行方面具有实际应用意义。但由于条件限制，本文能够识别的故障有限，未来可以针对电网其他故障类型进行研究。