基于智能电表数据的低压配电网拓扑识别方法.pdf

Aug.2023Fluid Measurement&ControlVol.4 No.4 基于智能电表数据的低压配电网拓扑识别方法Topology Identification Method of LowVoltage Distribution Network Based on Smart Meter Data高贵军（龙城城市运营服务集团有限公司，广东 深圳 518000）GAO Guijun（Longcheng City Operation Service Group Co.，Ltd.，Shenzhen 518000，Guangdong，China）摘要：为提升低压配电网供电质量，提出基于智能电表数据的低压配电网拓扑识别方法。首先，智能电表用电数据采集系统通过采集终端、通信信道和主站，采集、输送、管控低压配电网用户用电数据，经清洗、标准化预处理后，基于标准化的智能电表数据构建电能线性模型，通过主成分分析（PCA）协调具有随机误差的电能数据；其次，计算上下级电表电能的约束矩阵，得出电能线性关系，采用电能测量标准差缩放电能数据，获取“分支表箱”的拓扑关系；最后，利用迭代 PCA 求取电压相关系数，分相识别相同分支用户，得到低压配电网“配变分支表箱用户”的拓扑结构。实验结果表明：该方法可有效识别低压配电网拓扑出现的错误，调整后的拓扑结构更符合实际，能够精准采集日常用电信息，且应用后可显著减少低压配电网电能损耗，提升供电质量。关键词：智能电表数据；低压配电网；拓扑识别方法；约束矩阵；主成分分析Abstract：In order to improve the power supply quality of low-voltage distribution network，the topology identification method of low-voltage distribution network based on smart meter data is proposed.Smart meter electricity data acquisition system through the acquisition terminal，communication channel and main station，collect，transport and control the power consumption data of the users of the low-voltage distribution network.After cleaning and standardizing the collected smart meter data，building a linear model of electric energy based on standardized smart meter data.Coordinate the electrical energy data with random error by principal component analysis.And calculate the constraint matrix of the electric energy of the upper and lower stage meters.The linear relationship of electric energy，scaling of the electrical energy data using the standard deviation of electrical energy measurement，obtaining the topological relationship of the“branch-table box”.The voltage correlation coefficient is obtained using an iterative principal component analysis.Phase identification of the same branch users and the topological structure of“distribution transformer-branch-table box-user”is obtained.The experimental results show that this method can effectively identify the errors in the topology of low-voltage distribution network，and the adjusted topology structure is more in line with the reality.This method can accurately collect the daily electricity information，and the application can greatly reduce the power loss of low-voltage distribution network and improve the power supply quality.Key words：smart meter data；low voltage distribution network；topology identification method；constraint matrix；principal component analysis中图分类号：TM 711 文献标志码：A 文章编号：2096-9023（2023）04-0064-061前言配电网是构建电力系统“发-输-变-配-用”的一大核心构成元素，低压配电网也称配电变压器台区，是配电系统向用户提供服务的直接平台，运行情况的好坏会对用户用电感受造成最直接的影响。但是从之前到现在，关于配电网的分析与建造方面，主要目光都投放在中压配电网上，忽视了低压配电网，导致低压配电网的管理存在疏忽、自动化水平较差，常出现用户、网架拓扑与台账三者之间的记录不符等情况，严重妨碍了电网的运行效率。目前在低压配电网上的研究还只是初步地调整低压负荷、配电台区、线路线径等，试图通过这种方式解决电压低、超负荷以及三相不平衡等问题。因为不具备专业的自动、信息化技术，导致低压配电网的拓扑结构常出现缺损或错误等情况，用户报修后工作人员因不够了解低压配电网的运行情况所以不能及时修复，严重破坏了向用户供电的安全可靠性。综上所述，基于对低压配电网拓扑结构的了解，有利于工作人员对台区运行情况的及时掌握，642023年 8月流体测量与控制第 4卷第 4期（总第 17期）能够帮助工作人员迅速且准确地定位到故障发生区域，实现台区线损情况的管理。基于此，相关研究人员对低压配电网的拓扑结构进行深入研究。邹时容等1以三维时空的特性为切入，杨志淳等2基于数据的关联特征分别获取台区对应关系与相位错误的结果，但是其在应用过程中容易造成网络堵塞，甚至引起系统瘫痪。本文提出基于智能电表数据的低压配电网拓扑识别方法，能够极大地简化低压配电网拓扑识别的计算过程，提升其效率与准确率，增强低压配电网的信息、自动化水平以及数据质量。智能电表数据体现了配电网在某时刻的实际运行情况，其完全依据电气工程的规律。例如：配电网电源至负荷方向的馈线电压表现为分布降低的形态；电源相同的量测电压相似并具有接近的波动幅度；区域内供应的电量进出守恒等3。智能电表数据的分析是通过统计分析所收集的海量智能电表数据实现其处理与计算，研究其内在有用信息的关联性，给予电力公司的运维、规划等决策支撑。2基 于 智 能 电 表 数 据 的 低 压 配 电 网 拓 扑识别通过智能电表的推广应用构建用户用电数据采集系统，采集用户侧量测数据。利用迭代主成分分析（PCA）方法完成用户台区、相别的划分，解决台区营配拓扑差异导致的问题。2.1基于智能电表的用户用电数据采集2.1.1拓扑识别原理受负荷不确定性影响，低压配电网的电压存在波动。由于同台区用户的电压-时间变化幅度极为接近，所以同台区同馈线用户的电压变化也极为接近。除此之外，电压随馈线由变压器至线末持续降低。通过智能配变终端在固定间隔后提取台区用户用电数据，识别低压用户台区和馈线。2.1.2智能电表用电数据采集系统智能电表用电数据采集系统主要包括主站、通讯信道以及采集终端，具体结构如图 1所示。主站主要包括应用、数据库服务器，作用是在设定的时间采集、管控以及处理系统相关数据，实现系统下发的所有任务。通信信道的功能是连接主站与采集终端并实现两者之间的数据传输，其包括 230 MHz无线专网、GPRS以及光纤专网等。采集终端包括公变、专变以及厂站的采集器，通过安装于居民、工商业以及专用配变用户的智能电表采集、统计并输送用户用电数据。其中，智能电表可按照所采集目标划分为 2 种，分别是部署于用户侧采集用户用电数据的用户端电表，以及部署于变压器进线位置统计变压器输出电能的台区考核电表，前者多为单相电表，后者常为三相电表4。受当前智能电表全覆盖影响，可轻松采集全部用户的用电数据，展开配变并研究用户用电数据，完成用户用电检测、线损研究等，实现自动抄表、运维成本控制等。2.2智能电表数据预处理（1）数据清洗。在一般情况下，智能电表收集的数据在量测过程中会存在若干问题，例如遗漏数据、差错数据和重复数据等，所以必须对其展开数据清洗，确保数据质量。针对差错数据，常采用周围数据推出近似值，然后再利用平均值、最小值、最大值以及其他复杂概率估计值替换缺失数据。针对重复数据，可利用检验数值近似度获取重复数据，随后剔除重复数据即可。（2）数据标准化。在海量智能电表数据中，部分数据的量纲存在差异，从而要求对其中的数据展开标准化处理，将原始智能电表量测数据由初始多元化空间过渡至统一规范化空间，消除智能电表数据量纲。2.3基于 PCA的低压配电网线性识别基于采集的智能电表数据分析低压配电网中上下级电表电能之间具有的线性关系，继而实现低压配电网拓扑识别，提出如下低压配电网拓扑识别假设条件：（1）同台区中差异用户负荷种类、用电记录，在未来较长期限内差异用户用电量不可能一模一样；（2）台区无任何窃电抑或负荷漏统计行为。图 1用电数据采集系统结构 65Aug.2023Vol.4 No.4 Fluid Measurement&Control通过 PCA 识别电能线性模型，并采用电能测量标准差缩放电能数据，完成电能的数据修正与线性模型约束矩阵优化。通过 PCA 的去噪降维特性实现电能数据的数据协调，分析上下级电表电能之间的线性关系，完成低压配电网拓扑识别。将n个智能电表于第j个时间段测量的电能值Wm(j)为Wm(j)=Wm1(j),Wm2(j),Wmn(j)T（1）式中：Wmi(j)为第i个节点于第j个时间段中测量的电能。智能电表测量电能值的向量表示为W m(j)=Wt(j)+e(j)（2）式中：Wt(j)、e(j)分别为第j个时间段的真实电能值向量、随机误差向量。令误差为独立同分布，则有e(j)N(0,2eI)（3）式中：2e、N、I分别为误差方差、正态分布以及(n n)单位矩阵。上下级智能电表电能线性模型为CWt(j)=0（4）式中：C为(p n)约束矩阵；p为线性关系数。利用N个时间所测Wm(j)建立(n N)维W矩阵，线性关系式表示无噪声数据在C和构成的p维子空间正交的(n-p)维子空间内。为实现(n-p)维真实数据子空间与p维约束子空间的估计，采用奇异值分解计算W，得到W=N(U11VT1+U22VT2)（5）式中：U1、U2分别为协方差矩阵W的(n-p)个最大特征值VT1、最小p个特征值VT2的对应正交特征向量集；1、2均为奇异值所建对角矩阵。电能测量去噪估计值为Wt=N U11VT1（6）采用 PCA 识别线性模型关于U2，得到约束模型且不唯一：UT2W=CW=Q CW=0（7）式中：Q为非奇异矩阵；C为估计约束矩阵。划分变量获取回归模型，得到因变量Wd、自变量Wi，其个数分别为nd=p，ni=n-p，根据其可得C=Cd,Ci（8）式中：Cd、Ci分别为(nd nd)、(nd ni)维矩阵。结合U2d为满轶得到Wd=-(Cd)-1CiWi=RWi（9）式中：R为唯一的(nd ni)维回归矩阵。若e(j)不为独立同分布，则C的子空间估计不是最优最大似然。此时需要缩放电能矩阵，分解e获取标准差矩阵得到e=LLT（10）式中：L为(n n)维对角矩阵。通过L缩放W得到Ws=L-1W=L-1Wt+L-1E（11）式中：E为误差矩阵。奇异值分解计算Ws得到Ws=N(U1s1sVT1s+U2s2sVT2s)（12）缩放电能数据完成协调的估计值表示为Wts=N U1s1sVT1s（13）推导得出与原始智能电表数据相对应的完成数据协调的估算值、约束矩阵分别为Wt=L Wts（14）C=UT2sL-1（15）得出对应原始智能电表电能数据的回归矩阵估计：R=-(Cd)-1Ci（16）由于智能电表在测量时具有误差，主要包括用户侧电表与低压相线初始位置的电流测量误差5-6，以评价测量误差对低压配电网拓扑识别的影响为目标，提出允许误差率指标，以该指标为评判，若全部智能电表抑或相线电流的误差绝对值和实际电流值的最大比值在该指标区间内，则表示所得结果与实际相符。用户侧智能电表、相线的电流允许误差率分别是D=max|dtndtn（17）L=max|ltlt（18）式中：dtn、lt分别为保证拓扑识别正确的用户侧智能电表n、相线于t时刻的有功电流测量误差阈值。2.4基于迭代 PCA的低压配电网拓扑识别通过 PCA 获取上下级电表之间的线性关系得 662023年 8月流体测量与控制第 4卷第 4期（总第 17期）出“分支-表箱”的拓扑关系，按照相同步骤获取“表箱-用户”“配变-分支”的拓扑关系。展开低压配电网拓扑识别时，需要展开分相识别，具体步骤如下：步骤 1 基于分支箱内全部分支、电表箱的 A相电能数据，根据 2.3识别“分支-表箱”的拓扑关系；步骤 2 求取用户电压与分支箱内所有分支与其相应相电压相关系数；步骤 3 根据上述系数大小挑选相同分支用户，获取“分支-用户”的拓扑关系；步骤 4 识别变压器结构为分支箱类型还是低压干线类型；步骤 5 基于相同分支电表箱的 A 相用户、电能数据，通过迭代 PCA 方法识别“表箱-用户”的 A相拓扑结构；步骤 6 按照相同步骤获取 B、C 相的“表箱-用户”拓扑结构；步骤 7 综合上述步骤，获取低压配电网“配变-分支-表箱-用户”的拓扑结构。3实验分析以某台区低压配电网为对象展开实验，配电网内共有 20个负荷节点以及 5条馈线，其中，节点 1表示根节点（电源），其位于配电变压器一侧，除该节点之外的其他节点表示安装智能电表的节点，馈线1、2、3、4、5 分别包括节点 24、59、1012、1316、1720，表示拓扑结构识别的量测数据总时间断面数是 25。该低压配电网的拓扑结构如图 2所示。对本文方法的有效性进行验证，以馈线 2 连接的负荷与全时间断面中的耦合节点电压变化情况为例展开分析，通过本文方法识别原始低压配电网拓扑结构，结果如图 3所示。通过图 3 可以看出，馈线 2 上的负荷节点耦合节 点 电 压 幅 值 关 系 为Upc7 Upc6 Upc5 Upc8=Upc9，但在原始低压配电网拓扑结构（图 2）中，显示该馈线负荷耦合节点的电压排列应为Upc5 Upc6Upc7 Upc8=Upc9，说明负荷节点 5、7馈线位置出现问题，应该对其进行调整，获取正确的负荷位置关系，即调整负荷节点 5 与 7，得到馈线 2 上的负荷排列情况由上游到下游为：7、6、5、8、9，并且 8、9 在同个耦合节点位置相连。通过本文方法可有效识别出原始低压配电网拓扑出现的错误，调整后的低压配电网拓扑结构符合实际，说明本文方法较为可靠，可有效应用于实际，有助于提升低压配电网的自动化、智能化建设水平。利用本文方法采集该低压配电区域的相关信息，以某日为例，由曲线的形式描绘本文方法信息采 集 的 结 果，某 日 的 负 荷 曲 线 采 集 结 果 如 图 4所示。根据图 4 可知，本文方法可有效采集低压配电网区域的相关信息，符合日常用电的变化趋势，采集结果与实际结果差距较小，说明本文方法可有效采集低压配电网区域的相关信息。以拓扑改变发展率为指标，分别在 3 种场景下验证本文方法的应用情况，由于因变量Wd的变化对于拓扑结构变化无影响，遂对于不同自变量Wi下不同场景的拓扑改变发展率展开计算，结果如图5 所示。其中，场景 1、2、3 分别表示智能电表的换线、增加、减少。图 2低压配电网拓扑结构图 3馈线 2上的负荷耦合节点电压变化 67Aug.2023Vol.4 No.4 Fluid Measurement&Control通过图 5可以看出，在不同场景下，拓扑改变发现率的提升与自变量的选择有关，且在其选择为负的情况下，拓扑改变发现率较高。场景 1 内的自变量取值较小时，会使差异时刻的回归模型存在较大不同，极易在低压配电网拓扑结构识别过程中出现信息缺损引起的偏差问题，所以因变量的取值需控制在合理范围内。分析时间断面数存在差异时的用户侧电表、相线的电流允许误差率，结果如图 6所示。通过图 6可以看出，用户侧电表、相线的电流允许误差率均跟随时间断面数的增多有所提升，但是提升的速度不断下降，在时间断面数继续增多的情况下，用户侧电表、相线的电流允许误差率会不断接近平稳。为测试本文方法应用后的负荷不平衡改善情况，统计分析本文方法应用后的低压侧 A、B、C 各相、本文方法应用前后重载相的电流负荷变化，结果如图 7所示。由图 7可知：应用本文方法后，负荷的不平衡情况得到改善，低压侧 A、B、C各相电流波动稳定且趋于平稳；重载相的负荷电压有所提升，表明本文方法应用后，可极大程度地减少电能损耗，提升供电质量，具有良好的稳定性。图 4某日的负荷曲线图 5不同自变量在不同场景下的拓扑改变发现率图 6允许误差率图 7负荷不平衡改善结果 682023年 8月流体测量与控制第 4卷第 4期（总第 17期）4结语低压配电网是用户可直接体验到电力系统服务的大平台，其自动化、信息化的水平与用户体验直接挂钩。当前我国在低压配电网建设方面还不够完善，巨大的低压配电网结构中常存在台区拓扑与实际不符的情况，对电力公司的设备管理、运维等均产生了不利影响。通过维护低压配电网络的拓扑结构，可有效提升电力系统的可靠性，增强其运行效率，避免资源浪费。本文结合智能电表测量的数据，可令低压配电网拓扑识别结果更加符合实际，应用效果较好。参考文献：1 邹时容，陆慧，洪梓铭，等.基于三维时空特性的低压配电网拓扑识别方法 J.电网与清洁能源，2019，35（9）：34-42，56.2 杨志淳，沈煜，杨帆，等.基于数据关联分析的低压配电网拓扑识别方法 J.电测与仪表，2020，57（18）：5-11，35.3 谢超，李晨曦，张代润，等.基于智能电表量测数据的配网线变关系反向识别 J.电力建设，2020，41（11）：94-100.4 谢宏伟，张力军，王强，等.谐波环境下实现智能电能表计量误 差 影 响 量 分 析J.电 子 设 计 工 程，2021，29（8）：124-129，134.5 王盈，李友荣.物联网环境下多并发任务分簇调度方法仿真J.计算机仿真，2020，37（3）：475-479.6 陈光辉.一般压力表的示值误差不确定度的简单评定 J.流体测量与控制，2022，3（1）：19-21.（上接第 63页）与 WPT 法、HT 法相比，新方法能有效地减少漏诊率，并利用最优的分级次 p值，得到不同类型的最优特征数据，从而有效地减少了误诊率。该算法可以有效地改善故障诊断的效果，见表 5。5结语为了解决仿真线路的早期故障诊断中存在的问题，本文提出了一种新的基于分数阶希尔伯特变换的二次故障抽取算法，以及一种基于分层的故障特征抽取方法，每次均可获得最佳故障特性。因此，故障识别的准确率得到了改善，同时，对正常的样本进行了检测，从而有效地降低了误诊率，提高了线路的早期故障定位精度。参考文献：1 高天宇，杨京礼，姜守达.一种基于 FRFT 和 LLE特征提取的模拟电路故障诊断方法：CN111239587A P.2020-01-20.2 米鑫，戴国强，王黎，等.基于高阶累积量故障特征提取的化工设备电子电路故障诊断 J.粘接，2022（8）：50.3 邵琪，包永强，张旭旭.基于分数阶 Hilbert倒谱特征提取的非侵入式负荷监测研究方法 J.电子器件，2020（6）：43.4 廖剑，黄诘，戴邵武，等.FRFT域能量谱模拟电路故障特征提取方法 J.海军航空大学学报，2022，37（4）：10.5 张秀.基于多特征参数融合的模拟电路故障诊断方法 J.电工技术，2020（4）：3.6 王月海，王瀚晨.一种使用深度学习网络进行模拟电路故障特征自动提取的方案 J.北方工业大学学报，2020（5）：32.7 王月海，王瀚晨.一种使用深度学习网络进行模拟电路故障特征自动提取的方案 J.北方工业大学学报，2020，32（5）：5.8 赵勇，徐华东，包伟华.基于多层感知机的过程变量趋势诊断方法研究及应用 J.流体测量与控制，2021，2（5）：1-4.表 5新方法的诊断结果方法WPTHTFHT漏诊率0.0300.0830虚警率0.1540.3000.300误诊率0.0800.0600.027 69