基于数据驱动的配电网拓扑识别方法研究
背景
-
配电网拓扑识别的重要性：
- 配电网可观测性弱，导致拓扑识别困难。
- 大规模和频繁的拓扑变化，传感器覆盖率不足，手动维护导致信息不完整。
- 分布式能源（如储能、分布式发电、可控负荷等）的发展加剧了拓扑变化频率。
- 拓扑识别用于故障检测和控制优化。
-
现有研究现状：
- 现有的拓扑识别方法主要包括数学优化方法和数据驱动方法。
- 数据驱动方法中常用的算法包括混合整数二次规划、贝叶斯学习方法、分布式子梯度算法和深度学习等。
- 近年来，数据驱动方法的比例迅速增长，从2012年的6.8%增加到2023年的59.4%。
-
存在的问题：
- 拓扑类别数量难以确定。
- 同步相量测量设备（如μ-PMU）普及率低。
- 数据质量不高，由于采集不及时、不完整或不准确。
- 在大规模拓扑识别中计算负担需要降低。
框架与方法
-
两阶段拓扑识别框架：
- 第一阶段：历史数据识别
- 使用历史未标记数据和历史标记数据。
- 采用分裂期望最大化（Split-EM）算法进行聚类分析。
- 第二阶段：实时拓扑识别
- 利用节点测量值进行分类。
- 通过贝叶斯递归模型进行可靠性分析。
-
数据结构与来源：
- 历史未标记数据：包含节点测量值和拓扑类别。
- 历史标记数据：包含节点测量值、功率注入和拓扑类别。
- μ-PMU设备提供精确的相量测量数据。
-
基本数学模型：
- 通过最大似然估计和条件分布计算拓扑概率。
- 使用期望最大化（EM）算法进行迭代优化。
- 分裂EM算法适用于已知拓扑类别数量的情况。
-
概率密度计算：
- 对三相平衡系统和不平衡系统的概率密度进行计算。
- 利用高斯分布和线性变换简化计算过程。
-
实时拓扑识别：
- 基于贝叶斯递归模型进行可靠性分析。
- 根据历史标记数据生成实时拓扑分类器。
- 通过迭代更新提高拓扑识别的准确性。
实验案例
-
测试系统：
- 采用IEEE 33节点系统进行实验。
- 生成节点电压幅值和相角数据，并添加随机测量误差。
- 数据样本包含100个记录，每个记录包含四种不同的拓扑状态。
-
实验结果：
- 两种场景下的实验结果：
- 所有节点电压相角均被测量。
- 所有节点电压相角未被测量并设为0。
- 结果表明分裂EM算法能够有效识别拓扑变化，且计算复杂度较低。
结论
本研究提出了一种基于数据驱动的配电网拓扑识别方法，通过两阶段框架实现历史数据和实时数据的拓扑识别。实验结果验证了该方法的有效性和准确性。
