郭巖巖

(國網(wǎng)河南省電力公司鄭州供電公司互聯(lián)網(wǎng)部(數(shù)據(jù)中心)，河南 鄭州 450052)

在電網(wǎng)結(jié)構(gòu)優(yōu)化、故障恢復(fù)和網(wǎng)絡(luò)重構(gòu)過程中，各種開關(guān)狀態(tài)的組合將形成不同類型的電網(wǎng)拓?fù)?，包括回路和孤島[1-3]。近些年來，電網(wǎng)設(shè)備管理逐步向農(nóng)網(wǎng)用戶與低壓用戶延伸，電網(wǎng)設(shè)備數(shù)量也逐漸上升，極大地增加了電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)識別與故障分析的壓力[4]。因此，為了及時(shí)識別復(fù)雜電網(wǎng)的動(dòng)態(tài)拓?fù)涔收?，必須區(qū)分不同類型的電網(wǎng)拓?fù)?，以保證電網(wǎng)運(yùn)行安全。

Waarde等[5]利用測量的輸入/輸出數(shù)據(jù)識別異構(gòu)網(wǎng)絡(luò)的動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)，根據(jù)電網(wǎng)測量數(shù)據(jù)確認(rèn)重建拓?fù)浣Y(jié)構(gòu)的可識別性條件；分析SISO系統(tǒng)同質(zhì)異構(gòu)網(wǎng)絡(luò)的可識別特性，利用廣義西爾維斯特方程識別拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)。缺點(diǎn)是無法識別孤點(diǎn)故障。劉超等[6]提出一種基于高級量測體系的圖模型近鄰估計(jì)的配電網(wǎng)拓?fù)浔孀R方法，將相鄰時(shí)刻電壓幅值量測之差視作高斯隨機(jī)變量，構(gòu)建概率圖模型的精度矩陣估計(jì)模型；采用近鄰估計(jì)算法求解圖模型精度矩陣；采用生成樹算法重建出配電網(wǎng)拓?fù)?。缺點(diǎn)是該方法能夠識別出的故障較少。高澤璞等[7]提出了基于知識圖譜的電網(wǎng)拓?fù)浣Y(jié)構(gòu)辨識技術(shù)，但隨著電網(wǎng)拓?fù)浣Y(jié)構(gòu)中電源點(diǎn)數(shù)量增長，其識別率會(huì)逐漸降低。劉廣一等[8]提出的基于圖計(jì)算的電網(wǎng)結(jié)構(gòu)分析技術(shù)，可實(shí)時(shí)識別電網(wǎng)拓?fù)浣Y(jié)構(gòu)，識別效率高，但識別精度稍低。

為了提高電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的識別準(zhǔn)確率，本文提出一種基于粒子群優(yōu)化算法的電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別技術(shù)。

1 電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別

1.1 電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的圖數(shù)據(jù)庫構(gòu)建

本文根據(jù)數(shù)據(jù)源的特點(diǎn)，在分析電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)特點(diǎn)的基礎(chǔ)上，設(shè)計(jì)了電網(wǎng)動(dòng)態(tài)拓?fù)鋱D數(shù)據(jù)庫的構(gòu)建方法，使電網(wǎng)動(dòng)態(tài)拓?fù)鋱D數(shù)據(jù)庫更加實(shí)用和專業(yè)。電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)圖數(shù)據(jù)庫的具體構(gòu)建過程如圖1所示。

圖1 電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)圖數(shù)據(jù)庫構(gòu)建過程圖

由圖1可知，具體的構(gòu)建過程如下：

1)基于電網(wǎng)拓?fù)浣Y(jié)構(gòu)的CIM(common information mode)，創(chuàng)建各物理設(shè)備的聯(lián)系，并對物理設(shè)備的本身屬性予以考量，選取自頂向下的圖數(shù)據(jù)庫構(gòu)建方式。

2)對于采用結(jié)構(gòu)化數(shù)據(jù)庫的電網(wǎng)信息系統(tǒng)，由于結(jié)構(gòu)化數(shù)據(jù)庫的知識易于提取，因此在提取數(shù)據(jù)庫數(shù)據(jù)的知識時(shí)，還需要提取數(shù)據(jù)庫中的字段。

3)通過知識融合，從多個(gè)信息系統(tǒng)結(jié)構(gòu)化數(shù)據(jù)庫中提取知識，可以提高每個(gè)信息系統(tǒng)中同一實(shí)體屬性的完整性。

4)建立電網(wǎng)動(dòng)態(tài)拓?fù)鋱D數(shù)據(jù)庫中的物理設(shè)備本體模型。該模型本體屬于物理設(shè)備的抽象概念，包含了物理設(shè)備的所有屬性?？梢匀藶榈囟x本體之間的關(guān)系，并盡可能減少本體知識集合。

5)在本體創(chuàng)建的基礎(chǔ)上，創(chuàng)建的本體對應(yīng)數(shù)據(jù)庫中提取的知識，兩者融合形成數(shù)據(jù)實(shí)體；通過訓(xùn)練樣本數(shù)據(jù)構(gòu)造實(shí)體之間的屬性和關(guān)系。

6)組合構(gòu)成后的實(shí)體、屬性與關(guān)系為三元組，三元組的形式包括實(shí)體—關(guān)系—屬性與實(shí)體—關(guān)系—實(shí)體兩種，將所形成的三元組儲(chǔ)存到相應(yīng)的圖數(shù)據(jù)結(jié)構(gòu)內(nèi)，實(shí)現(xiàn)電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)圖數(shù)據(jù)庫的構(gòu)建。

1.2 拓?fù)浣Y(jié)構(gòu)智能識別技術(shù)

在所構(gòu)建的電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)圖數(shù)據(jù)庫基礎(chǔ)上，本文所設(shè)計(jì)的電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別系統(tǒng)由圖數(shù)據(jù)庫構(gòu)建層與電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別層構(gòu)成，其中圖數(shù)據(jù)庫構(gòu)建層主要包括數(shù)據(jù)源獲取單元、數(shù)據(jù)轉(zhuǎn)換處理單元及數(shù)據(jù)存儲(chǔ)單元。基于粒子群優(yōu)化算法的電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別技術(shù)框架如圖2所示。

圖2 電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別技術(shù)框架

在圖2中，圖數(shù)據(jù)庫構(gòu)建層通過數(shù)據(jù)源獲取單元，在結(jié)構(gòu)化數(shù)據(jù)庫內(nèi)獲取知識數(shù)據(jù)源，由數(shù)據(jù)轉(zhuǎn)換處理單元對所獲取的數(shù)據(jù)源實(shí)施相應(yīng)的轉(zhuǎn)換處理后，存儲(chǔ)到數(shù)據(jù)存儲(chǔ)單元中，實(shí)現(xiàn)圖數(shù)據(jù)庫的構(gòu)建；電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別層重點(diǎn)依據(jù)圖數(shù)據(jù)庫內(nèi)經(jīng)過圖數(shù)據(jù)化之后的電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)，識別電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)。

1.3 電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)深度優(yōu)先遍歷識別

運(yùn)用深度優(yōu)先遍歷算法智能識別電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的總體思路是將電網(wǎng)潮流首端視為電源點(diǎn)，由電源點(diǎn)開始，逐個(gè)遍歷標(biāo)記，并對各個(gè)相鄰點(diǎn)實(shí)施逐個(gè)遍歷。如果遍歷過程中某個(gè)負(fù)荷節(jié)點(diǎn)被訪問兩次或搜尋到其余電源點(diǎn)，則可判別該電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)內(nèi)存在環(huán)路；如果遍歷完成后依然存在未被訪問過的負(fù)荷節(jié)點(diǎn)，那么可判斷該負(fù)荷節(jié)點(diǎn)屬于電源孤立節(jié)點(diǎn)；如果在完成遍歷之后沒有出現(xiàn)環(huán)路或孤立節(jié)點(diǎn)，則此電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)屬于常規(guī)運(yùn)行的開式、輻射網(wǎng)狀。

為了提升深度優(yōu)先遍歷算法識別電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的效率，先采用粒子群優(yōu)化算法提升圖中節(jié)點(diǎn)的訪問速度。

設(shè)原數(shù)組visited[0,1,…,n-1]為粒子群，設(shè)每個(gè)節(jié)點(diǎn)為單個(gè)粒子i，節(jié)點(diǎn)的路徑訪問環(huán)路判斷系數(shù)為d，則粒子群在優(yōu)化計(jì)算中的訪問速度為(vi,d)，計(jì)算過程如下：

(vi,d)={ed/p(ed,i)|ed∈Ed)}

(1)

式中：(vi,d)為單個(gè)節(jié)點(diǎn)被優(yōu)化的訪問速度集合；Ed為路徑中所有節(jié)點(diǎn)的集合；ed為Ed中的個(gè)體元素；p(ed,i)為ed的概率。若c×rand≥1，則將概率取為1，否則直接保留為c×rand，以此判斷某個(gè)體元素被訪問的概率：

(2)

式中：c為粒子群算法的學(xué)習(xí)因數(shù)；rand為隨機(jī)概率；A，B分別為兩個(gè)節(jié)點(diǎn)的最優(yōu)位置；p(ed,B)為由最優(yōu)位置節(jié)點(diǎn)及概率p(ed)組成的速度集合。將兩集合中最大的概率max(p(ed,1),p(ed,2))加入到新的速度集合中，生成v1,d,v2,d，分別代表速度集合中不同的速度元素，此時(shí)速度集合可轉(zhuǎn)化為：

(3)

式中：p(ed,1)，p(ed,2)分別為位置節(jié)點(diǎn)為1和2時(shí)的被訪問概率。

比較隨機(jī)概率rand與vi,d被選取的概率，將vi,d中大于rand的概率值組成集合，得到候選集合cut(vi,d)，再從中得到最優(yōu)速度節(jié)點(diǎn)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]為擁有遍歷最優(yōu)速度的節(jié)點(diǎn)訪問環(huán)路函數(shù)。

在path[vi,d]上，采用深度優(yōu)先遍歷算法智能識別電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的主要過程，如圖3所示。

圖3 電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)智能識別過程圖

2 實(shí)例分析

以某市電力公司2016年的歷史電網(wǎng)拓?fù)鋽?shù)據(jù)為例，運(yùn)用本文所提技術(shù)實(shí)施電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)識別，通過分析識別結(jié)果檢驗(yàn)本文技術(shù)的實(shí)際應(yīng)用效果。該電力公司電網(wǎng)拓?fù)鋽?shù)據(jù)可達(dá)11億頂點(diǎn)與22億無向邊的全聯(lián)通圖數(shù)據(jù)。

2.1 識別結(jié)果呈現(xiàn)

由電力公司2016年歷史電網(wǎng)拓?fù)鋽?shù)據(jù)中隨機(jī)選出一個(gè)復(fù)雜電網(wǎng)，此電網(wǎng)網(wǎng)架結(jié)構(gòu)內(nèi)包含4個(gè)電源點(diǎn)與46個(gè)負(fù)荷節(jié)點(diǎn)，該電網(wǎng)網(wǎng)架結(jié)構(gòu)如圖所示。圖4中U1～U4為4個(gè)電源點(diǎn)。

圖4 復(fù)雜電網(wǎng)網(wǎng)架結(jié)構(gòu)圖

在該復(fù)雜電網(wǎng)網(wǎng)架結(jié)構(gòu)的動(dòng)態(tài)變化過程中，通過本文技術(shù)對其動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)實(shí)施智能識別，所識別出存在不同故障的動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)如圖5所示，其中識別出的故障負(fù)荷節(jié)點(diǎn)通過空心圓(?)標(biāo)注。

通過圖5的識別結(jié)果可知，圖5(a)中，該復(fù)雜電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)內(nèi)存在一類環(huán)路，此種狀況下拓?fù)浣Y(jié)構(gòu)中的負(fù)荷節(jié)點(diǎn)11、12、43、42、36、30、37、31、32、33、34屬于雙向電源供電，電源點(diǎn)分別為U2和U3；圖5(b)中，復(fù)雜電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)內(nèi)存在二類環(huán)路，此時(shí)拓?fù)浣Y(jié)構(gòu)內(nèi)的負(fù)荷節(jié)點(diǎn)14、15、36、42、43、12、11均由電源點(diǎn)U2供電；圖5(c)中，該復(fù)雜電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)中存在孤點(diǎn)，孤點(diǎn)為負(fù)荷節(jié)點(diǎn)36，可知此時(shí)沒有電源對負(fù)荷節(jié)點(diǎn)36實(shí)施供電。

圖5 不同電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)識別結(jié)果

2.2 識別率對比分析

在固定時(shí)間內(nèi)分別運(yùn)用本文技術(shù)、基于知識圖譜的電網(wǎng)拓?fù)浣Y(jié)構(gòu)辨識技術(shù)(文獻(xiàn)[7]技術(shù))、基于圖計(jì)算的電網(wǎng)結(jié)構(gòu)分析技術(shù)(文獻(xiàn)[8]技術(shù))對電力公司2016年的歷史電網(wǎng)拓?fù)鋽?shù)據(jù)實(shí)施電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)識別，檢驗(yàn)各種技術(shù)識別拓?fù)浣Y(jié)構(gòu)中存在孤點(diǎn)、一類環(huán)路與二類環(huán)路3種故障的識別率并實(shí)施對比分析，結(jié)果見表1。

表1 各技術(shù)識別率對比結(jié)果

通過表1可得出，本文技術(shù)、文獻(xiàn)[7]技術(shù)與文獻(xiàn)[8]技術(shù)識別三種故障的平均識別率依次為98.75%、95.99%、93.75%，可見相較其他兩種技術(shù)而言，本文技術(shù)整體識別率更高。

3 結(jié)束語

本文構(gòu)建了電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)圖數(shù)據(jù)庫，用此儲(chǔ)存電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)有關(guān)數(shù)據(jù)；基于圖數(shù)據(jù)庫中的圖數(shù)據(jù)，利用粒子群算法提升圖中節(jié)點(diǎn)的訪問速度，優(yōu)化了深度優(yōu)先遍歷算法，可以智能識別電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)，進(jìn)而智能、有效地識別出電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)中所存在的孤點(diǎn)、一類環(huán)路及二類環(huán)路故障，且整體識別率高，提高了電網(wǎng)動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的識別準(zhǔn)確率，為及時(shí)消除電網(wǎng)故障、保障電網(wǎng)運(yùn)行安全提供了參考，在電網(wǎng)優(yōu)化運(yùn)行方面具有實(shí)際應(yīng)用意義。但由于條件限制，本文能夠識別的故障有限，未來可以針對電網(wǎng)其他故障類型進(jìn)行研究。