基于运行扰动数据分析的低压台区拓扑辨识方法研究

张磐,黄旭,高强伟,朱聪,黄福泉,孙伟卿

(1.国网天津市电力公司电力科学研究院,天津 300384; 2.国网天津市电力公司城东供电分公司,天津 300250;3.上海理工大学 机械工程学院,上海 200093)

0 引 言

电能在能源格局中始终占据举足轻重的地位,而电网系统的智能化和信息化对于进一步发挥电能作用以及电能的有效利用至关重要[1]。然而,在推进电网智能化、信息化的过程中,仍存在较多难题亟需解决。其中,低压台区拓扑结构不完整和连接混乱一直是制约电网进一步智能化的难题。近年来,城市不断发展,低压台区用户为了用电快捷方便,存在走线随意、未按相关部门规定进行走线等现象,甚至部分用户出现两条不同台区的入户线,造成了实际用电量与分支总表的数据存在较大出入[2]。其次,各种混乱的线路同时也给电力维修人员的人身安全带来了极大的隐患。因此,为了提高对低压台区的管理水平,需要对台区内整个拓扑结构有一个准确、动态的了解,以实现台区精细化准确化综合管理[3],进而帮助相关用电管理部门实现降耗减损。

目前,传统台区拓扑辨识方法分为两种:(1)人工现场识别,由工作人员逐一对台区用户电能表进行现场测试和整理分类,但是人工效率极低、成本高,不适用于实际工程问题;(2)采用台区识别设备[4-6],一般采用载波通信或是脉冲电流,一定程度上提高了工作效率,但脉冲电流在操作上存在安全隐患且可控性差,而载波通信存在“串台区”的问题,因此精度受到影响,目前仍未得到较好的改善方案[7]。随着智能电能表接入用户数量规模的扩大,电网公司通过智能电能表的反馈掌握海量、高密度的数据[8]。激增的数据规模孕育了利用数据分析方法进行台区拓扑识别的研究土壤[9-10]。文献[11]通过分析电压数据的时空相关性以确定台区拓扑;文献[12]利用知识图谱算法进行拓扑结构辨识;文献[13]根据改进皮尔逊相关系数校验台区拓扑结构。

综上所述,基于数据驱动的研究方法具有成本低、实时性高的特点,这也是目前拓扑辨识研究的热点。但是,上述方法数据量要求大,采集样本时间长,效率较低。因此,本文提出一种基于运行扰动数据分析的台区拓扑辨识方法。首先,利用改进的灰色关联分析法对测量终端采集的低压出线柜、分支箱、光力柜、表箱的电流扰动数据进行分析,计算低压台区不同部分数据的相关性,实现台区供电隶属关系识别。进而,通过电流确定台区中各部分的进出线连接关系,实现对台区拓扑的识别。相比上述文献所提方法,本文方法考虑了现实台区中的实际情况,其采样时间短、所需样本少,更具备实用性。

1 基于运行扰动数据分析的拓扑辨识方法

1.1 低压台区拓扑介绍

配电网低压台区始于配电变压器的低压侧出线端,终于各个用户接入点,其拓扑结构如图1所示。一般最多分为四级:低压出线柜(JP柜)-分支箱-光力柜-用户电能表箱。配电变压器(配变)的出线端和数个JP柜的进线端相连,JP柜的出线端和数个分支箱的进线端相连,分支箱的出线端和数个光柜/力柜的进线端相连,最后光柜/力柜的出线端和数个电能表箱的进线端相连。由于城市建设不断发展,居民用电日益增长,受制于供电能力或者因为便捷等原因,经常需要打破原来的连接关系,如将原来由图1中JP柜供电的分支箱切换到其他的JP柜,经过长时间的积累,供电隶属关系逐渐模糊,所谓拓扑辨识就是指如何辨识JP柜到表箱的供电关系。

图1 低压台区拓扑结构

1.2 理论依据

低压台区变压器与其下属的JP柜、分支箱、光力柜、用户电能表之间具有明确的电气连接关系,在台区变压器的供电半径内,同一支路的电流曲线在相同时间段内的变化规律具有高度的相似性[10]。也就是说,通过采集未确定台区用户电能表处的电流扰动数据或是用适当的方法制造电流扰动后,经通信技术采集台区变压器低压侧至光力柜各个部分测量终端的量测数据,对各部分测量终端测得的电流数据与未确定电能表测得的电流数据进行关联分析,最后比较两者之间的相似度,识别用户所属台区[14]。

1.3 灰色关联分析

灰色关联度是以因素为样本,以参量的数据序列为依据的多因素统计分析方法。通过运用该方法,可获取因素间关系的强弱、大小和次序信息[15]。由于传统的灰色关联分析中的关联度权值相同,不符合实际工程情况。故文中对关联度重新赋权,采用改进灰色关联分析法对测量终端采集的电流扰动数据进行分析,步骤如下:

1)进行数据分析前,需要明确比较数列和参考数列。比较数列即为评价对象,参考数列即为评价标准。假设m个评价对象有n个评价指标,参考数列为x0={x0(k)|k=1,2,…n},比较数列为xi={xi(k)|i=1,2,…m,k=1,2,…n}。本文中将用户电能表的电流扰动数据以及发生扰动前的电流数据作为参考数列。台区分支箱与JP柜对应时刻的电流数据作为比较数列。

2)为保证后续过程中参考数列和比较数列易于处理,分别对两者进行去量纲处理,如式(1)与式(2)所示。

(1)

(2)

3)灰色关联系数ξi(k)为:

ξi(k)=

(3)

式中ξi(k)所表示的含义为比较数列xi对参考数列x0在第k个指标下的关联系数;ρ∈[0,1]表示分辨系数,文献[16]经过研究后得出当ρ取0.5时,在关联度相接近的情况下能有效提升分辨率,得出的结果更准确,因此此处取ρ=0.5。

4)灰色加权关联度γi:

(4)

根据用户电能表数据与台区光力柜、分支箱、JP柜各环节数据间的相似度,实现台区拓扑辨识。针对某一未确定拓扑的电能表,通常可识别出其与不同光力柜、分支箱、JP柜中的最大相似度,认为该用户电能表与上述三者相对应。

灰色关联度作为灰色关联分析法中的重点,需保证一定实用性。而式(4)采用平权处理计算关联度时,所有样本的权重值相同,因此结果不贴近实际情况,难以应用于实际工程。所以,对式(4)改进如下:

(5)

式中Wk为样本的权重。

针对上述问题,在式(5)中增加了样本权重Wk。此处,考虑样本的实际情况和重要程度后采用距离分析法,通过计算得出相对合理的权重,从而提高结果的客观性。

1.4 距离分析法

距离分析法以最佳样本(即理想样本)和最差样本(即负理想样本)同时作为参考样本,计算各样本与两个参考样本间的距离。对于总体较好的样本,其评判标准为该样本与最佳样本点近的同时,与最差样本远。故本文对样本点到最佳样本点的相对接近度赋权,处理步骤如下:

1)原始数据矩阵A表示为:

(6)

式中,以台区分支箱与JP柜的电流数据作为原始数据,即aki=xi(k),i=1,2,…m,k=1,2,…n。

2)指标同向化。

在多指标综合评价中,指标值越大、评价越好的指标,称为正向指标;指标值越小、评价越好的指标,称为逆向指标。在综合评价时,首先必须将指标同趋势化。本文的指标同向化是将逆向指标转化为正向指标,所以也称为指标的正向化,一般利用倒数法和差值法将逆指标转化为正指标。其中绝对数指标转化时多采用倒数法(即1/aki);相对数指标转化时多采用差值法(1-aki)。由于本文将研究样本点到最佳样本点的相对距离,因此选用差值法,转化后的矩阵仍记作A。

3)对数据矩阵A去量纲化后,记为矩阵B。

(7)

其中:

(8)

4)确定样本理想值B+和负理想值B-。

(9)

(10)

其中:

(11)

(12)

5)各样本点与参考样本点间的欧氏距离Dk为:

(13)

(14)

6)样本点与最优样本点之间相对接近度Ck为:

(15)

相对接近度Ck越大,则相对距离越近。

7)对Ck做归一化处理,求得权重向量,即:

(16)

8)将关联度按照大小进行排序,以表征因素的重要性程度。将式(16)带入式(5)重新计算关联度得到改进后的结果。

2 拓扑识别步骤

分别在低压出线柜(JP柜)、分支箱、光力柜、表箱安装低压智能测量终端,实时监测当地线路的电气数据,主要包括A、B、C三相的电流量,监测并采集电流扰动曲线。测量终端实时采集电流曲线,采集频率为128点/周波,并在内存中保留最近1分钟数据。电流扰动曲线的判定依据为如果一个周波20 ms时间有效值(128个点的平方和开根号)是前一个周波毫秒有效值5倍以上,那么该线路可以被定义为发生扰动[17-18]。通过低压智能终端完成电流扰动的确定,同时终端监测并记录下电流扰动的数据与发生时间。

这些测量终端通过无线通信的方式与计算机A通信。计算机A将这些测量终端的时钟进行同步后,根据需要给特定的测量终端发送命令,测量终端将根据命令发送电流扰动发生的时间与相应时刻的电流曲线数据给计算机A。以待测用户电能表的扰动数据为基准,用此数据对应的时间来获取其他智能终端的数据。计算机A上安装有拓扑识别软件,可以对装有终端的元件进行拓扑识别[19-20]。拓扑识别软件计算步骤依次是:确定JP柜、分支箱、光力柜、电能表箱之间的供电隶属关系与进出线关系。

2.1 供电隶属关系识别步骤

JP柜、分支箱、光力柜、电能表箱之间的供电隶属关系的确定逻辑如下:

1)通过计算机上安装的识别软件对台区进行拓扑识别,筛选出未确定拓扑的电能表箱。

2)计算机A定时给未确定拓扑电能表箱终端发送取电流扰动曲线命令,获得电流扰动曲线Y,以及发生扰动前10 s的时刻T。

3)计算机A向光力柜、分支箱、JP柜发送招收T时刻扰动曲线命令,获得这些曲线。

4)以未确定拓扑电能表箱终端电流扰动曲线为参考数列,其他各部分电流曲线为比较数列,通过灰色关联分析计算这些曲线与曲线Y的关联度,数值越大,相似度越高。

5)取得所有光力柜的所有出线扰动曲线,通过灰色关联分析计算这些曲线与Y的相似度,相似度最高的一组则可认为该光力柜与电能表箱由同一个JP柜供电。

6)同理,可以获得与该电能表箱由同一个JP柜供电对应的分支箱以及JP柜本身。

2.2 进出线关系识别步骤

通过上述方法,可以确定台区中在同一个供电路径下的JP柜、分支箱、光力柜、电能表箱,以此确定每一个电能表箱的上级光力柜,每个光力柜的上级分支箱,每个分支箱的上级JP柜。但无法确定他们的进出线连接关系,因此仍需进一步的判断。

以JP柜和分支箱之间的进出线关系为例,计算机A给JP柜终端及分支箱终端发送冻结特定时刻电流值命令,并读取这些终端特定时刻的实时电流值,从而获得JP柜出线电流值Iy,以及分支箱各条线路的电流值Ix(x=1,2,3,…,n);考虑到测试时采用浮点数模拟量,Ix与Iy可能不会完全相等,因此,当Ix与Iy近似相等,即Iy-Ix小于某个值(如0.5 A,实际应用时可根据需要改变),则认为Ix对应的分支箱线路是分支箱的进线,而且与Iy对应的JP柜出线连接,其他分支箱线路是分支箱的出线,从而完成了JP柜出线与分支箱的进出线连接关系确定[21-22]。

3 算例分析

为了测试本文提出的供电隶属关系识别方法的准确度,选取单台区和多台区两个应用场景为例进行拓扑分析,场景涉及配电变压器、JP柜、分支箱和用户智能电能表。

3.1 单台区拓扑结构分析

单台区应用场景的结构简图如图2所示,Y1、Y2对应未确定拓扑的2个智能电能表,将其采集的电流扰动数据以及发生扰动前的电流数据作为参考数列。2个分支箱对应时刻的电流数据与2个JP对应时刻的电流数据作为比较数列。F1～F4表示分支箱1～4,JP1～3表示JP柜1～3。在正常时间段0.1 s—0.4 s内每隔0.05 s选取一个时刻的电流值,在电流扰动期间0.4 s—0.5 s内每隔0.01 s选取一个电流值,共计选取17个时刻的电流数据,而后对选取的电流数据进行灰色关联分析,计算台区各部分电流与智能电能表电流数据的灰色关联度。

图2 实际应用台区结构简图

基于距离分析法计算后得到的权重W=(0.009 1, 0.014 2, 0.019 2, 0.020 5, 0.030 4, 0.057 5, 0.065 2,0.130 8, 0.119 4, 0.101 5, 0.090 9, 0.077 2, 0.066 3, 0.059 7, 0.051 7, 0.046 5, 0.039 9),以刚发生扰动的0.4 s为中心,呈现出近大远小的特点。分别表示选取的17个时刻所占的比重。将权重结果带入式(5)进行赋权并获得表1所示的改进后结果。

表1 判别结果

表1具体反映了台区各相部分电流与未知用户电能表电流数据的相似度结果。电能表Y1与分支箱1和JP柜1对应;电能表Y2与分支箱2和JP柜2对应。

从未改进前结果来看,与用户电能表对应的JP柜和分支箱之间的电流相似度最高,在0.9以上;与电表不对应但属于同一个JP柜的分支箱之间的相似度在0.8左右;不对应的相似度在0.5—0.6之间。

经过改进后可以发现,因为重新确定了权重,重点考虑了刚发生扰动这个时间段的影响,与用户电能表不对应的JP柜和分支箱之间的电流相似度明显下降,而与用户电能表对应的JP柜和分支箱之间的电流相似度以及与电能表不对应,但是属于同一个JP柜的分支箱之间的相似度变化很小。可以发现改进后的方法提高了判别的精确度,更加便于结果之间的区分。

通过表1中的结果对低压台区拓扑结构进行辨识,可以得到与图2完全一致的结果,证明了本文所提方法的实际可行性。

3.2 多台区拓扑结构分析

多台区应用场景的结构简图如图3所示。在图2的基础上参考数列增加用户电能表Y3 、Y4的电流扰动数据以及发生扰动前的电流数据。比较数列增加分支箱3、分支箱4与JP3对应时刻的电流数据。比较数列的电流曲线如图4所示。对选取的电流数据进行灰色关联分析,计算台区各部分电流与智能电能表电流数据的灰色关联度。

图3 实际应用台区结构简图

图4 电流曲线

表2具体反映了新增Y3、Y4电流数据与A、B台区各部分电流相似度结果。从结果可以看出电能表Y3与分支箱3和JP柜3对应;电能表Y4与分支箱4和JP柜3对应。

表2 判别结果

通过表2中的结果对低压台区拓扑结构进行辨识,可以得到与图3完全一致的结果。新增Y3、Y4电流数据与台区A各部分电流的相似度不大,而与台区B的数据具有很高的相似度,结果证明了本文所提方法的实际可行性。改进后与用户电能表不对应的JP柜和分支箱之间的电流相似度明显下降,而与用户电能表对应的JP柜和分支箱之间的电流相似度以及与电能表不对应但是属于同一个JP柜的分支箱之间的相似度变化很小,与3.1节得出的结论一致,证明了本文提出的方法也适用于多台区的拓扑识别。

针对实际中更为复杂的台区拓扑结构时,可以根据自然停上电发生(计划停电,故障停电等)时,智能电能表与集中器记录的上电事件发生时间,以及当台区上电时,同台区集中器与电能表记录的上电时间,按时间归类获得准确的变-表隶属关系,并以此筛选出其中需要分析的混淆台区。对这些混淆台区再采用改进的灰色关联分析法进行比较分析,可以得出准确的拓扑结果,并大大减少计算量。

4 结束语

本文提出了一种基于运行扰动数据分析的低压台区拓扑辨识方法,运用灰色关联分析来对采集到的台区电流扰动数据进行相关性计算,以此确定台区各部分之间供电隶属关系,并且提出改进的方法提高了判别的精确度,更加便于结果之间的区分。通过比较各线路特定时刻实时电流值来判定进出线关系。从而从整体上,实现了对低压台区拓扑的识别。

此方法相比于其他方法,更多地考虑了生活中实际情况,在应对实际中低压台区复杂的户变关系时,能更快速、有效地梳理台区各部分间正确的对应关系。未来,可以考虑将本文所提出的台区拓扑识别算法应用于实际工程中。