本发明属于电力系统。
背景技术：
1、精确的拓扑和线路参数是电力系统潮流计算、状态估计和整定计算等分析手段的基础。但随着分布式电源的接入，配电系统的网络结构及运行特性趋于多样化、复杂化。与输电网相比，配电网监测设备少，大部分拓扑和线路参数信息只能从规划文件和铭牌中获得。此外由于线路长期运行和维护等情况，导致线路实际参数与理论参数存在偏差。因此如何及时、准确地识别径向或网状的配电网拓扑结构是目前面临的挑战。
2、在能源互联网的背景之下，交直流混合配电技术被认为是未来配电网的发展方向，不仅可以减少变流环节的能量损耗，还可以做到多种负荷的灵活接入。交直流混合配电网的能量管理与控制方式与传统配电网相比有所不同，网络结构也更为复杂。此外，目前的研究普遍假设采集到的数据样本对应于相同的拓扑结构。但在实际运行中，由于检修计划、运行经济性等情况的发生，拓扑变化可以达到每几个小时发生一次。这些可能出现的拓扑变化难以确定变化发生的时间。因此实时识别径向或网状的交直流配电网拓扑结构与线路参数对电力系统的调度与规划具有一定的指导作用和现实意义。
技术实现思路
1、本发明的目的是利用配电系统中的有限测量设备，通过物理和数据混合驱动方法得到拓扑-线路参数联合识别灰盒模型的数据-物理混合驱动的交直流配电网拓扑识别方法。
2、本发明的步骤是：
3、s1、聚类算法是：
4、采用全连接法，以高斯核函数定义边权重
5、
6、式中：wi,j为相似性度量矩阵w中第i行第j列的元素；d(xi,xj)2为第i个和第j个样本的欧式距离；σ为样本之间衰减速度的尺度参数；
7、通过相似度矩阵w构建度矩阵d和归一化的拉普拉斯矩阵lnom
8、
9、
10、l＝d-w (4)
11、
12、式中：di代表与点vi相连的所有权重值之和；
13、lnom中前k个最小特征值构成f＝[λ1,λ2,…,λk]，对f中的元素进行差分处理得到c：
14、c＝[c1,c2,...,ck-1] (6)
15、ck-1＝λk-λk-1 k＝2,3,...,n (7)
16、自适应谱聚类算法步骤如下：
17、步骤1：构建样本的相似性矩阵w和度矩阵d；
18、步骤2：计算出拉普拉斯矩阵l并进行标准化；
19、步骤3：计算lnom对应的特征值，计算出相应的特征向量矩阵并降维，利用奇异值分解方法求取lnom对应的正交矩阵q，并对q进行降维操作得qk：
20、lnom＝qλq-1 (8)
21、q＝[q1,q2,…,qn]；qk＝[q1,q2,…,qk] (9)
22、式中：λ为lnom的特征值矩阵；q1,q2,…,qn分别为特征值对应的特征向量；k为维度参数且1≤k≤n；
23、步骤4：根据式(6-7)确定最优聚类数h；
24、步骤5：基于矩阵qk进行聚类；将q*k的每一行作为一个k维的样本，共n个样本，用k-means聚类方法进行聚类，聚类类别数设为h。输出聚类结果{a1,a2,…,ag,…,ah}，其中ag代表第g个类；
25、s2、拓扑与线路参数辨识物理模型是：
26、对于一个有n个节点的网络，任一节点的功率和电压均可通过智能电表进行测量，在同一拓扑下测量m次，其测量数据的时间序列形式为pi(t),qi(t),ui(t)(t＝1,2,…,m)；潮流方程的矩阵形式表示为：
27、
28、式中：表示网络中除了节点i之外的所有节点，ei表示随机测量高斯白噪音；
29、当节点属于交流侧时，节点属于直流侧时，
30、用yi表示[pi(t)/ui(t)]向量，则对于每个节点有
31、yi＝aixi+ei (11)
32、式中：ai＝[a1,i,…,ai-1,i,…,an,i]是一个m×n-1阶的矩阵，其中aj,i(t)＝uj(t)-ui(t)，表示在一个时间段内，每个时刻节点i与节点j的电压差值；表示节点导纳矩阵的第i列列向量，不包含节点i本身；
33、压缩感知理论模型如下：
34、y＝φx+e (12)
35、式中：y为m×1维的观测向量；φ为m×n(m＜＜n)维感知矩阵；x为n×1维待重构稀疏向量；e为n×1维服从n(0,σ2)的高斯白噪声；
36、压缩感知充分利用待重构信号x的稀疏性，引入稀疏约束项x1，通过1范数正则化公式寻找最优稀疏解为：
37、
38、式中λ为松弛因子；
39、对于x中每个元素，得到稀疏向量x先验分布形式为：
40、
41、式中：αi(逆方差)为高斯密度函数精度；为高斯分布；γ(αi|a,b)为gamma先验分布。积分项满足t分布，选择适合的参数a和b能使得t分布在xi＝0处附近取峰值，xi为x中的元素；
42、x先验分布的均值和方差分别为：
43、
44、式中：超参数αi和σ-2可通过ⅱ型最大似然函数估计得到；
45、通过期望最大化算法得到：
46、
47、γi＝1-[∑w]i,i·αi (16)
48、
49、式中：μi为μ中第i个元素；γi＝1-αiσii，σii为σ中第i个对角元素；
50、界定值的计算如式(18)所示：
51、
52、式中：m1为初识别所需的量测数据组数；k为待重构信号稀疏度；l为待重构信号的长度；
53、拓扑-线路参数初识别方案的详细步骤如下：
54、步骤1：首先对各个节点的电压以及功率注入数据进行采集，在采集到m1组数据后得到全部的观测信号[p/v]，[q/v]以及相应的感知矩阵u；
55、步骤2：将步骤1中得到的感知矩阵u与节点i(i＝1,2,…,n)对应的观测信号[pi/vi]，[qi/vi]作为参数送入bcs重构算法中进行计算，得到节点i对应初始节点导纳矩阵的第i列向量gi，bi；步骤3：直到求取完初始节点导纳矩阵的所有列，对得到的初始节点导纳矩阵g#,b#进行降噪处理，最终得到降噪处理后的初始节点导纳矩阵；
56、s3、以p、q和v为已知量，g、b和θ为待求量建立非线性方程组，θ的初值由g和b初值经潮流计算获得，修正方程为：
57、
58、式中：δp和δq分别为节点有功和无功不平衡量；δg、δb和δθ分别为线路电导、电纳和电压相角的修正量；h、i、e和f为雅可比矩阵中的元素矩阵；
59、修正模型所需量测数据组数m2的取值范围为：
60、m2(2nac+ndc)≥2mac+mdc+m2(nac-1) (20)
61、修正量求解公式为：
62、
63、式中：为求矩阵广义逆运算；
64、拓扑-线路参数辨识修正模型的实现过程具体如下：
65、步骤1：输入m组p、q和v量测数据，并经过经过拓扑-线路参数初识别模型得到初始线路参数；
66、步骤2：以初始辨识的线路参数进行潮流计算，得到节点电压相角初值θ(0)；
67、步骤3：在(9)、(10)中代入初始辨识的线路参数g(0)、b(0)和相角θ(0)，求出功率不平衡量δp和δq；
68、步骤4：求解对应的雅可比矩阵元素；
69、步骤5：由修正方程式求出修正量δg、δb和δθ，并得到新值g、b和θ；
70、步骤6：计算功率不平衡量δp和δq，若小于修正阈值γ，则去除电导g小于噪声阈值λ的线路；若大于阈值γ，则进行下一步；
71、步骤7：若节点功率不平衡量δp和δq小于收敛阈值ε，则输出辨识结果，否则将新值g、b和θ作为初始值返回步骤3，进行下一步迭代。
72、本发明基于数据-物理混合驱动对拓扑与线路参数进行识别，分析不同历史运行数据并采用聚类算法估计其历史拓扑库的拓扑类型数，通过物理模型对其具体的拓扑结构和线路参数进行求解，将其整体进行训练得到灰盒模型，实现了实时监测配电网拓扑结构和线路参数的变化，电力系统运维人员可以及时采取措施应对设备故障、节点状态变化等问题，提高电网的可靠性和运行效率，具有广阔的产业应用前景，具有广阔的经济、社会效益。
1.一种数据-物理混合驱动的交直流配电网拓扑识别方法，其特征在于：其步骤是：
