2024年基于数据驱动的配电网拓扑识别方法研究报告

背景与问题

配电网拓扑识别在故障检测和运行优化中至关重要，但因其规模大、监测率低、拓扑变化频繁等特点，观测性较弱。现有研究主要采用数学优化或数据驱动方法，但存在批量数据样本拓扑类别数量难以获取、同步相量测量装置普及率低、数据质量不高、大规模计算负担重等问题。

研究框架与方法

提出两阶段拓扑识别框架：第一阶段通过历史批量数据识别混合拓扑并预测实时拓扑；第二阶段基于可用节点测量进行实时识别。数据结构包括历史标记数据（电压幅值、相角、有功/无功功率注入）和无标记数据。采用改进的EM算法（Split-EM）计算拓扑概率密度，适用于三相平衡与不平衡系统。实时识别通过贝叶斯递归进行标签可信度分析和重新识别。

案例研究

以IEEE 33节点系统为例，验证了Split-EM算法在4类拓扑（均为径向网络）识别中的有效性，并通过敏感性分析表明算法对线路参数和测量误差具有鲁棒性。实时识别结果表明，基于历史数据训练的分类器可准确识别未出现过的拓扑。三相不平衡系统案例进一步验证了方法普适性。

扩展应用

提出大规模系统应用方案：将配电网解耦为子系统并行识别，通过优化子系统划分最小化子系统间连接线数量。测试结果表明，该方法可显著降低计算负担，实现动态高效拓扑信息获取。此外，研究还探讨了柔性互联网络的联合参数估计与拓扑识别，验证了方法对复杂拓扑的适应性。

研究结论

核心贡献包括：提出Split-EM算法可同时识别多拓扑类别；构建两阶段框架充分利用历史数据并缩小拓扑类别范围；实现大规模网络拓扑动态高效识别；拓展至柔性互联网络识别。相关成果已发表在IEEE Transactions on Power Systems等期刊，并申请专利。