本技术属于拓扑识别技术领域,尤其涉及一种基于TCN‑LSTM的低压台区拓扑识别方法及系统;方法包括:获取低压台区的电压数据并进行预处理;将预处理后的电压数据输入至电网拓扑识别模型中,利用TCN模型提取电压数据的周期性特征,利用基于注意力机制的LSTM模型提取电压数据的长时间依赖特征;将提取的特征拼接后输入至KANs网络中进行特征融合,融合后的特征经过输出层后得到低压台区拓扑识别结果。本发明考虑到电压时间序列数据通常具有长期趋势和周期性特征,通过构建并行的特征提取分支捕捉长时间依赖信息以及周期性特征,为后续的台区识别提供丰富的特征表示。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电力系统是现代社会中不可或缺的重要基础设施,它为人们的生活和工作提供了稳定可靠的电力供应;拓扑关系是指网络中各个节点之间的连接关系,它反映了网络的结构特征。电网拓扑识别是能量管理系统和配电管理系统的重要模块,电网拓扑的准确性直接影响智能电网系统运行的合理性和继电保护系统的运行。因此,准确的电网拓扑对智能电网安全稳定运行有着重要的意义。对于电网拓扑识别问题可以理解为如何有效利用电网数据对复杂网络拓扑分析进行求解的问题。
在电力系统中,低压台区的拓扑关系包括了各个变电站之间的连接关系、变压器之间的连接关系以及线路之间的连接关系等。这些关系对于电力系统的稳定运行具有重要的影响。例如,如果某个变电站与其它变电站之间的连接关系出现了异常,可能会导致该变电站无法正常供电,从而影响到周边的用电设备。配电台区拓扑连接关系和线路参数对电网局域容量分析和计算具有重要意义。
在中低压配电网中,若不能实时或准实时计算出更准确的线路参数,则会导致电力公司无法提前估算运行状态和老化程度。准确的拓扑结构和线路参数可以解决此问题,并与配电网线路的寿命和规划配合,从而判断线路是否需要维护或更换。
传统的电网拓扑识别方法主要依赖于预先设定的规则或者机器学习算法来推导拓扑结构。这些方法在一定程度上可以识别出电网拓扑,但是当面对复杂的网络环境和未知的异常模式时,它们的检测准确率和实时更新往往无法满足需求。
实现思路