基于分类时序生成对抗插补网络的可解释配电网拓扑辨识

摘要

有源配电网的量测噪声和通讯故障会导致量测数据缺乏精确性和完整性，而深度学习模型应用于配电网拓扑辨识又存在“黑盒”模型导致的可信度偏低问题．为了解决这些问题，提出了一种基于分类时序生成对抗插补网络(CTGAIN)的可解释配电网拓扑辨识方法．该方法采用节点注入功率伪量测和局部电流向量的时序量测数据，设计了由两个级联的神经网络构成的CTGAIN．其基于双向循环GRU(Bi-GRU)构建生成器，并利用序列数据的前向和后向信息结合缺失掩码进行缺失值插补；基于Transformer构建判别器，通过多头注意力机制对生成器的插补结果进行拓扑辨识与缺失掩码预测；再通过复合损失函数对CTGAIN进行联合优化，从而在保持插补精度的同时提升拓扑辨识的准确性．此外，在Transformer中引入双重注意力机制和多标签积分梯度，实现了拓扑状态关联特征的重要性评价与解释．其中，双重注意力机制实时优化注意力权重，动态衡量特征重要性；积分梯度则通过累积特征梯度，精准识别与开关状态相关的重要特征．最后，对修改后的IEEE33节点和69节点算例进行仿真实验．在不同噪声水平下，其相较次佳模型辨识正确率平均提高了3%；在量测特征值随机缺失50%时，其能保持95%以上的辨识正确率；在分布式电源(DER)渗透率为70%的情况下，其能保持90%以上的辨识正确率．实验结果验证了该方法对不同噪声水平、不同量测特征值缺失和不同比例的分布式电源渗透率的适应性．

关键词

配电网 / 拓扑辨识 / 时序生成对抗插补网络 / 可解释

基金资助

南方电网公司科技资助项目(031900KK5222204)