基于数据驱动的配电网拓扑识别及线路阻抗估计

中低压配电网的拓扑识别及线路阻抗参数估计是未来智能配电网实现各种功能的基础。依托AMI（高级量测体系）提供的电量信息,提出了一种仅依靠配电网节点电压及功率数据驱动的中低压配电网拓扑识别及线路阻抗估计方法。利用核密度估计方法计算各节点电压数据间的互信息并据此分析各节点间相关性;根据图的最小生成树算法生成以邻接矩阵形式表示的配电网拓扑;结合线性回归及Distflow潮流模型对拓扑进行校正,检验拓扑中是否存在AMI系统中没有相关数据的汇流节点并计算线路阻抗;最终得到准确的配电网拓扑及线路阻抗参数。通过IEEE 33节点中压配电网及典型低压配电网算例对所提方法进行了验证,结果表明所提方法能够准确辨识拓扑及线路阻抗参数,即使在感知设备不足的低压配电网中仍有较好的辨识效果。     

数据驱动的三相配电网络拓扑与线路参数辨识

近年来,分布式电源、电动汽车、用户侧储能等大量接入配电网,对配电网的优化运行带来挑战。同时,分布式可再生能源的不确定性和用户用电差异性使得配电网三相处于不平衡的状态,对配电网安全经济运行提出了更高要求。然而,由于配电网中量测设备的限制,通常无法得到相角信息,难以有效辨识拓扑和参数信息。面对这些问题和挑战,该文提出无相角信息下数据驱动的三相配电网络拓扑与参数辨识方法。首先利用线性回归方法,得到无相位标签的拓扑和参数初值;然后以相关性为指标调整相序、拓扑以及参数;最后提出一种数据驱动的改进型Newton-Raphson法,得到精细的线路参数,恢复电压相角。通过爱尔兰真实负荷数据,在IEEE 34和123节点三相配电网中验证方法的收敛性和准确性。     

基于μPMU相量信息的配电网络故障测距方法

配电网参数不准确是影响配电网故障测距精度的主要原因之一,同时实际中配电线路不对称较为严重,也在一定程度上影响了故障测距精度。传统配电网阻抗法故障测距多采用电压电流序分量幅值信息,其精度受到互感器及现场条件制约,难以有本质提高。随着微型同步相量测量单元(micro phasor measurement unit,?PMU)在配电网中的应用,可以获取高精度的相位信息,为基于在线参数辨识的配电网故障测距提供了条件。提出了一种基于μPMU相量信息的配电线路故障测距方法。首先,量化分析了实际配电线路参数误差对故障测距结果的影响,采用考虑线路耦合与线路三相不平衡的集中参数模型。其次,结合μPMU高精度测量的线路正常运行数据与故障数据,以线路参数与故障距离同时作为未知参数,挖掘线路首、末端信息得到的故障点电压相量特性,以电压相量差模值最小作为目标函数,以相角相等作为约束条件,利用内点法优化同时求取实时线路参数与故障距离。最后,在PSCAD中搭建了仿真模型进行验证,仿真结果表明文中提出的算法可以根据故障前后的信息辨识线路参数,并具有较高的故障测距精度。     

基于新型PMU配置的局部配电网状态估计

针对配电网网络结构复杂,点多面广,配电自动化设备无法实现全覆盖,提出了一种基于非线性动力系统的局部配电网状态估计方法。所提出的方法是全局收敛的,并且可以使用PMU提供的稀疏同步相量量测而不受传统状态估计网络可观性的限制。对于电压控制或热极限控制等实际应用,需要有针对性地提高电压幅度或电压相角的精度,在这种情况下,提出了一种增强的状态估计模型,包括电压幅值测量残差约束和电压相角测量残差约束。仿真结果证实了所提方法的有效性。     

考虑双侧量测误差的配电网拓扑识别及参数联合估计方法

配电网参数估计和拓扑识别是配电网规划、运行分析和安全控制的基础,传统线性回归方法对量测数据误差或噪声数据具有较高要求,只有在无噪声情况下,估计才是准确的。然而实际输入测量值(如电压幅值和相位角)和输出测量值(如有功和无功功率)均存在噪声数据,对于拓扑估计,即使量测误差很小,回归方法也无法得到准确拓扑。针对上述问题,首先构建了配电网参数估计的基本模型,并定量分析了量测误差对线路参数估计和拓扑识别的影响。在此基础上,建立了考虑双侧量测误差的线路参数估计模型。针对其非凸导致的难以求解的问题,基于拉格朗日函数进行等价转化,得到易于求解的最小化瑞利熵问题。最后,基于IEEE 8节点系统进行仿真分析,并与传统线性回归、最小二乘法进行对比,证明所提方法在量测误差达到10%时,依然具有良好的估计精度。     

基于数据驱动的潮流雅可比矩阵估计方法研究

线路元件以及拓扑结构信息不准确使得基于模型的雅可比矩阵计算结果存在一定的误差。提出了基于数据驱动的雅可比矩阵估计方法，具有不需要线路信息、不受网络拓扑结构变化影响的特点。通过设置多种“数据污染”场景，探究普通最小二乘法，完全最小二乘法，广义最小二乘法的优缺点、适用性，证明了基于数据驱动的雅可比矩阵估计方法可实现高精度的雅可比矩阵估计以及数据驱动方法在高维数据空间上的鲁棒性。     

基于K-Means算法的配电网负荷和拓扑等效方法

配电网负荷和拓扑的复杂性严重影响了对系统潮流的计算和分析.为解决配电网负荷和拓扑等效简化问题,本文基于台区拓扑和台区监测数据,提出一种基于K-Means算法的配电网负荷和拓扑等效方法.首先,通过地理信息GIS系统中台区线路的拓扑结构,结合计量自动化系统中的负荷电压、容量数据,提出电压相似、距离相近等效原则并对台区内的用...     

基于微型PMU的配电线路抗差参数辨识

微型相量测量单元装置为智能配电网提高可观性和可控性提供了基础。研究了基于微型相量测量单元的配电网线路参数抗差辨识方法:针对配电网三相运行不对称的情况,构建了基于相分量描述的配电线路三相π型等值模型,结合微型相量测量单元提供的多组线路两端电压、电流相量数据,提出了基于相分量模型的、适应配电网不对称运行的最小二乘线路参数辨识方法;并引入2种抗差方法,一种为基于Huber估计的抗差最小二乘法,另一种为基于中位数估计的抗差最小二乘法。在中性点经消弧线圈或小电阻接地系统中,所提方法仅需要线路两端的电压和电流相量即可在辨识线路相参数的同时获得线路正序和零序参数;在中性点不接地系统中,由于没有零序电流分量,当系统正常运行时所提方法可辨识线路正序参数。算例仿真验证了所提方法的有效性,并比较了2种抗差方法在辨识精度、计算耗时方面的优劣,结果表明,基于中位数估计的抗差最小二乘法的抗差性能更好,计算时间较短。     

基于径向基函数神经网络的配电网参数估计

配电网的线路参数会受温度、周围环境、集肤效应等因素的影响而发生变化,导致在进行配电网常规分析应用时降低计算结果的精度。本文提出一种基于径向基函数神经网络的三相不平衡配电网线路参数估计方法,通过对配电网三相不平衡线路等效模型的数学推导建立参数估计模型,利用径向基函数神经网络去拟合线路两端支路功率、节点电压和线路参数之间的非线性关系。对于训练完成的径向基函数神经网络,只需要知道线路两端测量值便可以获得准确的线路参数,可以有效地解决线路参数,估计数学模型中的病态矩阵问题。     

参数未知情形下线路两端PMU相角差校准方法

针对量测、时间同步、攻击等造成的部分线路两端实测同步相量测量单元(PMU)数据相角差量测不准的实际问题,文中提出了一种不依赖于线路参数的两端相角差偏差的估计及校准方案。首先,分析了PMU相角误差的来源,并用实例说明了线路两端相角差存在的偏差问题。其次,基于线路正序参数的π型等值序分量模型,利用两种工况下的量测数据,推导建立了包含相角差偏差信息的数学模型。进一步,利用多点量测和最小二乘给出了相角差偏差的估计方法,可实现线路两端相角差的校准。仿真和实测算例验证了所提方案的有效性以及算法的鲁棒性,线路参数辨识的应用算例还证明了文中方法的工程实用性。     

基于互信息贝叶斯网络的配电网拓扑鲁棒辨识算法

基于微型同步相量测量装置(μPMU),提出一种配电网拓扑识别新算法,通过贝叶斯网络(BN)拟合配电网拓扑、光伏、负荷及μPMU测量电压的非线性关系,引入最大互信息网格划分量度连续型节点区间,解决了BN处理连续型数据时需人为指定区间数目、难以适应较多连续型变量的问题.基于拉丁超立方抽样生成光、荷数据,保证了场景在样本空间内均匀分布,简化了BN的训练过程并提高了拓扑识别的泛化能力.通过仿真算例验证方法的有效性,结果表明,所提方法具有与实时估计匹配法相当的识别精度和更高的时效性,且识别时间不随配电网可行拓扑数量的增加而线性增长,适用性佳;即使在μPMU部分失效或负荷、光伏等数据缺失时仍能保证较高识别率,具有较强的鲁棒性.     

基于生成对抗网络与局部电流相量的配电网拓扑鲁棒辨识

有源配电网运行方式切换频繁且其量测受噪声影响,要求其拓扑辨识具有实时性和鲁棒性,但传统方法驱动的有限观测条件下拓扑辨识是非确定性多项式(NP)难问题。文中提出一种基于生成对抗网络与局部电流相量的配电网拓扑鲁棒辨识方法。为解决传统监督学习在未知拓扑辨识任务下泛化能力差的问题,通过梯度惩罚优化的条件生成对抗网络(CGAN)学习由线路电流幅值、相角和节点负荷伪测量映射的拓扑分布。同时,以一维卷积神经网络构建生成器,有效利用连续观测窗中时序电流数据,增强算法的抗噪和抗数据缺失性能。此外,仅局部的电流信息需求大幅降低了配电网可观性改造投资。最后,通过算例验证了所提方法的有效性。     

基于电压相似性评估的低压配电网户变关系和相位识别技术研究

低压配电网拓扑关系是电网状态估计的基础。文章针对低压配电网拓扑识别难题,分析了通过电压相似进行户变关系和相位识别的可行性,在此基础上应用Hausdorff距离算法,构建了基于节点电压相似性评估的户变关系和相位识别流程,设计了基于Hausdorff距离识别基本判据,以及包括构建滑动窗口和选择有效电压的数据集优化方法;最后通过实际的案例,验证了文章所提方法的有效性。     

负荷数据不完全的配电网降损优化方法

为减小配电网网损,本文对不完全配电网负荷数据情况下的多种类型分布式电源出力优化方法进行了研究。首先,依据配电网拓扑结构、支路参数和部分有监测装置节点的负荷数据,计算出其他节点的负荷功率;其次,以多种类型分布式电源的出力为决策变量,以网络节点电压和支路电流不越限为约束条件,以配电网线路总体损耗最小为目标建立优化模型,采用罚函数方法处理约束条件,结合优化目标函数确定适应度函数;最后,采用粒子群优化算法进行优化模型求解。通过某10 kV馈线中的仿真算例验证了所提出方法的正确性和有效性。     

基于数据关联分析的低压配电网拓扑识别方法

文中介绍了一种基于数据关联分析的低压配电网拓扑识别方法。基于低压配电网停电事件、恢复上电事件及地理位置信息将待识别低压配电网划分为单一配电变压器停电台区、由于10kV配电线路停电引起的多个配变停电台区和未停过电台区,在每类台区内筛选特征电压序列,并利用Tanimoto相似度系数计算各分组内配电变压器、分支箱、表箱、用户智能电表之间相关性和非相关性,从而实现低压配电网拓扑识别;结合同一配电变压器台区内停电与带电状态、停电时长、地理位置、供电半径等台区拓扑校验规则对识别出的拓扑进行校验。通过实际案例证明文章提出的方法能够解决现有基于大数据挖掘方法计算量大、计算结果不准确、无法校验等问题,实现了配电变压器台区拓扑的高效、准确识别,提升了配电网的信息化水平和数据质量。     

利用故障录波数据修正PMU数据中电压相角差误差的方法

实际电网频率的波动性会使PMU中利用DFT算法计算电压相角时出现误差,另外由于实际电网中缺乏其他测量电压相角差的手段,导致在实际电网中无法实现对PMU测量的不同测点上的电压相角差数据误差进行校验,因此本文提出了一种利用故障录波器上传的电压波形数据计算不同测点上电压相角差的方法,利用单相接地故障时的零序电流波形和相关函数分析,实现了线路两端录波数据的同步,并计算出了线路两端不同测点间的电压相角差。理论分析、实际PMU数据和录波数据的分析结果表明:该方法实现了电网中不同测点上电压相量间相角差的准确测量,实现了对利用PMU测量相角数据计算的电压相角差误差的修正。该方法对于提高故障录波数据的应用价值和修正PMU数据中的电压相量相角差的误差具有重要参考价值。     

一种基于拓扑结构变化的主动配电网自适应保护方法

随着逆变型分布式电源大量接入配电网,配电网运行方式灵活多变,保护方案的设计与保护装置的动作范围受拓扑变化的影响。在此背景下并结合工程实际,提出一种基于拓扑结构变化的主动配电网自适应保护方法。通过多点量测信息感知配电网的运行状态,利用电压量和电流量之间的相关性,对拓扑结构的变化进行识别。然后,根据拓扑结构的变化,形成新的关联矩阵,自适应调整系统的保护方案与参数。最后,通过仿真验证了所提出的方法有效性。     

基于有限关键节点及Wasserstein距离的配网拓扑识别

明确配电网结构是配电网最优潮流、安全评估、网络重建、故障定位的基础。针对现有配电网拓扑识别方法缺乏结合现有网络结构参数和潮流信息,仅通过量测数据来进行拓扑识别效率低的问题,提出一种基于有限关键节点及Wasserstein距离的配电网拓扑识别方法。首先,利用子空间扰动模型证明配网拓扑变化时,可以利用有限的关键节点来进行拓扑识别,基于熵值法的混合K-Shell算法引入影响度概念,通过影响度与节点电气距离得出节点的重要度,确定配电网拓扑结构中的关键节点。其次,基于密度的噪声应用聚类算法通过电压、电流、有功、无功等4个特征来进行节点的聚类,将其他节点与关键节点进行类别归属,再结合Wasserstein距离得出节点间的连接关系从而得出配电网的拓扑结构。最后,通过IEEE 33节点算例和某小区实例,验证该方法的有效性。该方法极大地提高配电网拓扑识别效率与正确率,实现了配网拓扑结构的动态识别。     

基于改进K-means聚类的配电网电压暂降频次估计法

传统考虑保护动作特性的电压暂降频次估计法需要获取详尽的保护配置信息,然而配电网保护配置多样,在不同因素如过渡电阻、运行方式、故障类型等的影响下,阶段式保护各级保护区可能产生较大变化,采用传统方法对电压暂降持续时间进行评估可能会产生较大误差.文中提出一种基于改进K-means聚类的配电网电压暂降频次估计方法,在未知线路保护配置基础上,基于电压暂降历史监测数据与保护动作信息,采用改进K-means聚类算法,对电压暂降幅值-持续时间进行聚类分析,推断线路保护配置情况,计算保护动作时间与保护动作电压.根据计算结果,在考虑不同故障类型、不同运行方式及不同过渡阻抗的情况下进行配电网电压暂降频次估计.在IEEE RBTS-6母线测试系统的母线5配电网中进行仿真,验证了文中方法的有效性和优越性.     

基于深度迁移学习的时变拓扑下电力系统状态估计

针对电力系统拓扑实时变化导致数据驱动状态估计器不可用的情况,提出一种基于深度迁移学习的数据驱动状态估计方法.将原拓扑海量历史数据训练得到的模型作为基础模型,当新拓扑实时量测数据更新时,加载和保存基础模型中特征提取层的权重和参数,只需要微调模型的全连接层,即可获得适应于新拓扑的神经网络,提高了数据驱动状态估计模型的自适应性和泛化性能.通过对IEEE标准系统和中国某实际省网的算例测试,并将其估计结果与加权最小二乘法和加权最小绝对值法进行比较.结果表明,在考虑拓扑时变性的情况下,该算法与上述2种物理算法相比具有更优的估计性能和估计效率.