基于随机森林和最大互信息系数关键特征选择的配电网拓扑辨识研究OA北大核心CSTPCD

随着高比例分布式能源(distributed generation,DG)的接入,配电网的拓扑变化更加频繁。针对含DG的配电网拓扑辨识所需量测特征多、辨识准确率低的问题,提出基于随机森林(random forest,RF)算法和最大互信息系数(maximal information coefficient,MIC)关键特征选择的配电网拓扑辨识方法。首先,考虑风光出力的不确定性和相关性,基于Frank-Copula函数得到典型风光出力场景,与配电网不同拓扑相结合构建数据集。然后,根据RF和MIC进行特征选择,筛选出对拓扑辨识最重要且不含冗余信息的关键特征。最后,利用蝙蝠算法(bat algorithm,BA)优化BP(back propagation,BP)神经网络模型对配电网拓扑模型进行辨识。通过IEEE 33节点配电网和PG&E 69节点配电网进行仿真分析,验证所提模型的可行性。