CN114204560A - 一种中压配电网线路参数识别方法 - Google Patents

Abstract

本发明涉及一种中压配电网线路参数识别方法，包括：获取设定时间段内待识别地区配电网线路首端和下属所有配变的量测数据；对量测数据进行预处理；结合多元线性回归模型，以得到各时间点预处理后量测数据对应的拓扑数据；构建基于改进牛顿拉夫逊法的线路参数识别模型；将拓扑数据、预处理后量测数据输入线路参数识别模型，输出得到线路参数识别结果。与现有技术相比，本发明能够同时兼顾时效性和准确性，实现简单可靠进行配电网线路参数识别的目的。

Description

一种中压配电网线路参数识别方法

技术领域

本发明涉及配电网拓扑及参数辨识技术领域，尤其是涉及一种中压配电网线路参数识别方法。

背景技术

准确的电网拓扑以及模型参数是电网安全分析及控制有效性的基础，可应用于状态估计、故障定位、电压无功功率控制、需求响应等方面，随着配电网结构的不断扩大，实时准确地获取配电网拓扑变得越来越重要。

目前，输电网参数的获取大多通过实测方式实现，利用辨识手段予以校核，能够有力地支撑电网运行的安全性及供电的可靠性。然而，配电网拓扑结构变化快、设备数量庞杂、各种原因导致的线路检修及改造非常频繁，再加上配电网实时监测设备相对于输电网而言少得多，实际上很难实现对中压配电网拓扑和线路参数的精准辨识。传统拓扑识别主要依靠以前的GIS系统和SCADA量测，有时还要依靠现场检查，效率低下。为了更好地协助配电网的维护、最优潮流计算和停电计划，电网实际运行过程中，调控中心的系统管理处、保护处和自动化处使用的线路参数不同，而准确的线路参数对于潮流计算、状态估计、无功优化和继电保护整定计算应用非常重要，因此，如何实现配电网支路参数的有效辨识将具有理论和现实意义。

近些年，随着智能电网建设的不断推进，高级量测体系(advanced meterinfrastructure，AMI)在中国的配电网已得到广泛应用，相应为配电网参数辨识提供了一些可用信息。有关学者提出了基于AMI量测信息的配网参数辨识方法，但都存在着局限性。任鹏哲等人通过贝叶斯网络拟合配电网拓扑、光伏、负荷及μPMU中数据测量电压的非线性关系，达到了与实时估计匹配法相同的识别精度和更高的时效性；Wang等人提出了一种基于测量和模型的混合方法，利用从PMU测量中提取的统计特性来近似实时的估计动态雅可比矩阵和动态系统状态矩阵，用于检测和识别网络拓扑变化。Saeed Afsharnia研究了线路参数估计，将PMU在线路一段进行相量量测，在另一端进行常规幅值测量。该方法基于PMU和监控与数据采集(SCADA)联合测量。采用非线性加权最小二乘(NWLSE)算法进行参数的极大似然估计。该方法最初是针对具有两个终端的传输线路设计的，通过软件和硬件模拟，验证其在两个和三个终端线路均有效。然而上述方案无法兼顾时效性和准确性，且存在识别过程复杂的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种中压配电网线路参数识别方法，以实现一种简单可靠、能够同时兼顾时效性和准确性的线路参数识别方法。

本发明的目的可以通过以下技术方案来实现：一种中压配电网线路参数识别方法，包括以下步骤：

S1、获取设定时间段内待识别地区配电网线路首端和下属所有配变的量测数据；

S2、对量测数据进行预处理；

S3、结合多元线性回归模型，以得到各时间点预处理后量测数据对应的拓扑数据；

S4、构建基于改进牛顿拉夫逊法的线路参数识别模型；

S5、将拓扑数据、预处理后量测数据输入线路参数识别模型，输出得到线路参数识别结果。

进一步地，所述步骤S1中获取的量测数据包括配电网各节点电压数据和节点注入功率，所述节点注入功率包括有功注入功率和无功注入功率。

进一步地，所述步骤S2中预处理过程包括数据清洗、异常值处理和缺失值处理。

进一步地，所述步骤S2具体包括以下步骤：

S21、去除节点电压量测数据中超过设定电压稳定范围的数据；

S22、对数据缺失值进行处理：对于同一节点中缺失的电压数据，用插值法进行补全；

对于不同节点中缺失的电压数据，则利用相关节点的电压数据进行替代。

进一步地，所述步骤S22中在对缺失的电压数据进行补全或替代时，对于离散缺失值，采用缺失值前后两个时间点数据的算数平均值进行补漏；对于连续缺失值，则采用缺失值前一周和后一周同一天每个点的平均值进行补漏。

进一步地，所述步骤S3中多元线性回归模型具体是通过求解最小二乘解问题，并结合阈值处理，以逐步迭代还原节点与节点之间的导纳和连通关系。

进一步地，所述步骤S3的具体过程为：

S31、使用忽略电压角对电导/电纳矩阵的影响的线性回归，以得到伪导纳的近似初值；

S32、对导纳矩阵中非对角线元素进行线性拟合，在两次迭代的步骤间更新对角线元素，为了符合导纳矩阵的对称性，将最终识别出的伪导纳矩阵对称化；

S33、将伪导纳矩阵进行阈值处理，以得到拓扑和真实导纳矩阵的近似估计。

进一步地，所述伪导纳的近似初值具体为：

其中，

为伪导纳的初值，G_ij、B_ij为真实导纳，θ_ij为节点i与节点j之间相角。

进一步地，所述线路参数识别模型具体是根据配网节点连通性和真实导纳的近似估计，采用牛顿拉夫逊法对线路参数进行迭代，在迭代的过程中修正错误识别的连通性矩阵，以得到精确的拓扑和线路参数。

进一步地，所述迭代的过程具体是基于以下修正方程对连通性矩阵进行修正：

其中，Δp和Δq分别为节点有功和无功不平衡量，Δg、Δb和Δθ分别为线路电导、电纳和电压相角的修正量，H、I、E和F为雅可比矩阵中的元素矩阵。

与现有技术相比，本发明根据量测数据，利用多元线性回归模型对初步导纳进行迭代，以得到配网节点连通性矩阵，再采用牛拉法(即牛顿拉夫逊法)对线路参数进行迭代，以修正错误识别的连通性矩阵，由此得到精确的拓扑和线路参数，从而将初步连通性识别转化为对线路参数进行粗识别间接完成连通性识别的过程，不仅适用于辐射网，同样也适用于部分环网场景，能够充分利用配电网中量测数据的大量冗余特征，有效提高线路参数识别的准确性。

本发明构建基于改进牛顿拉夫逊法的线路参数识别模型，能够迅速进行修正迭代，进而大大缩短配电网线路参数的识别时间，此外，本发明仅依靠节点量测电压数据和功率数据，即可还原网络拓扑和线路参数的辨识，整个方法过程简洁可靠。

附图说明

图1为本发明的方法流程示意图；

图2为本发明中参数识别模型的工作过程示意图；

图3a为实施例中IEEE-33节点网络的第一种情形图；

图3b为实施例中IEEE-33节点网络的第二种情形图；

图3c为实施例中IEEE-33节点网络的第三种情形图；

图4a为实施例中IEEE-33节点网络的第一种情形的初步连通性识别结果图；

图4b为实施例中IEEE-33节点网络的第二种情形的初步连通性识别结果图；

图4c为实施例中IEEE-33节点网络的第三种情形的初步连通性识别结果图；

图5a为实施例中IEEE-33节点网络的第一种情形下导纳的MAPE随迭代次数的变化情况图

图5b为实施例中IEEE-33节点网络的第二种情形下导纳的MAPE随迭代次数的变化情况图；

图6为实施例中不同数据集数量下g/b识别误差图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种中压配电网线路参数识别方法，包括以下步骤：

S1、获取设定时间段内待识别地区配电网线路首端和下属所有配变的量测数据，其中，获取的量测数据包括配电网各节点电压数据和节点注入功率，节点注入功率包括有功注入功率和无功注入功率；

S2、对量测数据进行预处理，其中，预处理过程包括数据清洗、异常值处理和缺失值处理：

首先去除节点电压量测数据中超过设定电压稳定范围的数据；

之后对数据缺失值进行处理：对于同一节点中缺失的电压数据，用插值法进行补全；

对于不同节点中缺失的电压数据，则利用相关节点的电压数据进行替代；

具体的，在对缺失的电压数据进行补全或替代时，对于离散缺失值，采用缺失值前后两个时间点数据的算数平均值进行补漏；对于连续缺失值，则采用缺失值前一周和后一周同一天每个点的平均值进行补漏；

S3、结合多元线性回归模型，以得到各时间点预处理后量测数据对应的拓扑数据，其中，多元线性回归模型是通过求解最小二乘解问题，并结合阈值处理，以逐步迭代还原节点与节点之间的导纳和连通关系，具体的：

S31、使用忽略电压角对电导/电纳矩阵的影响的线性回归，以得到伪导纳的近似初值：

式中，

为伪导纳的初值，G_ij、B_ij为真实导纳，θ_ij为节点i与节点j之间相角；

S32、对导纳矩阵中非对角线元素进行线性拟合，在两次迭代的步骤间更新对角线元素，为了符合导纳矩阵的对称性，将最终识别出的伪导纳矩阵对称化；

S33、将伪导纳矩阵进行阈值处理，以得到拓扑和真实导纳矩阵的近似估计；

S4、构建基于改进牛顿拉夫逊法的线路参数识别模型；

S5、将拓扑数据、预处理后量测数据输入线路参数识别模型，输出得到线路参数识别结果。

其中，线路参数识别模型具体是根据配网节点连通性和真实导纳的近似估计，采用牛顿拉夫逊法对线路参数进行迭代，在迭代的过程中基于以下修正方程，以修正错误识别的连通性矩阵，从而得到精确的拓扑和线路参数：

式中，Δp和Δq分别为节点有功和无功不平衡量，Δg、Δb和Δθ分别为线路电导、电纳和电压相角的修正量，H、I、E和F为雅可比矩阵中的元素矩阵。

在实现连通性识别的过程中，首先给定各个节点的量测数据，p＝[p₁,p₂,…,p_n]为n个节点的注入有功功率向量；q＝[q₁,q₂,…,q_n]为n个节点的注入无功功率向量；v＝[v₁,v₂,…,v_n]为n个节点的电压幅值向量；

再将每个时间点量测数据中的p，q，v数据代入到连通性识别模型(即多元线性回归模型)中，对初步导纳值进行迭代，同时根据阈值法得到配网节点连通性矩阵；

之后根据配网节点连通性和得到的导纳粗略估计值，利用精确识别模型(即参数识别模型)对线路参数进行迭代，在迭代的过程中修正错误识别的连通性矩阵得到精确的拓扑和线路参数。

本实施应用上述技术方案，以实现利用节点量测中常见的数据(节点电压、注入功率)完成网络连通性和线路参数识别两个目的。本实施例的具体应用过程包括：

1)本发明配电网拓扑辨识框架采用IEEE33节点配电网结构，通过插值和行求和法生成33个节点的实时负荷数据(时间尺度24小时，采样间隔为15分钟)。将生成的负荷数据输入到IEEE-33配电网络中，应用MATPOWER潮流解算包，获取每个时间断面下各节点量测电压值数据，并在每个量测中加入正态分布噪声，模拟量测误差。

其中，负荷量测数据来源于以某地区979个住户一天的负荷采样原数据(时间尺度24小时，采样间隔为1小时)为基础，仿真配电系统的运行情况。

2)接着以IEEE-33节点网络为基础，设定如图3a～3b所示的3种拓扑情形，进行拓扑和线路参数识别；对采集得到的用户能耗负荷数据集进行包括清洗、填补缺失值和去除异常值等预处理，具体为：

首先对数据进行最大电压幅值估计，将超过一定范围的值作为异常值进行删除；然后对量测数据中电压数据删除值以及缺失值进行补漏，具体为，对于离散缺失值，采用缺失值前后两个时间点数据的算数平均值进行补漏；对于连续缺失值，采用缺失值前一周和后一周同一天每个点的平均值进行补漏。

3)在没有关于拓扑或行参数的先验信息的情况下，使用纯数据驱动的方法来缩小可能的解数。使用忽略电压角对电导/电纳矩阵的影响的线性回归，首先根据以下公式，得到伪导纳的近似初值：

其中，

为伪导纳的初值，G_ij、B_ij为真实导纳，θ_ij为节点i与节点j之间相角。

4)根据导纳矩阵的物理特性，由于节点自导纳等于该节点与其他节点互导纳之和的相反数，故导纳矩阵中对角线元素等于元素所在行/列其他元素和的相反数，相当于除对角线其他元素的线性组合。所以可以对导纳矩阵中非对角线元素进行线性拟合，在两次迭代的步骤间更新对角线元素。最后为了符合导纳矩阵的对称性，将最终识别出的伪导纳矩阵对称化。

5)将伪导纳矩阵进行阈值处理：根据图论，在n个节点辐射网中，支路为n-1条，由于连通支路对应节点之间的互导纳显著高于未连通节点。因此，本文采用排名法，将导纳矩阵上三角/下三角中非对角线元素按照绝对值由大到小进行排名，将排名前n-1个定义为连通节点，由此，得到拓扑和真实导纳矩阵(即线路参数)的近似估计，可以作为下一步中进一步计算的初始值。

6)为了得到更精确的拓扑与线路参数辨识结果，以p、q和v为已知量，g、b和θ为待求量，建立非线性方程组，将节点导纳矩阵的回归问题转化为非线性最小二乘问题。以第一步的初始辨识结果作为迭代初值，实现对初始辨识结果的修正，其中，θ的初值由g、b初值经潮流计算获得。修正方程为：

其中，Δp和Δq分别为节点有功和无功不平衡量；Δg、Δb和Δθ分别为线路电导、电纳和电压相角的修正量；H、I、E和F为雅可比矩阵中的元素矩阵。

7)以多时间点节点功率数据集为输入，通过改造后的牛顿-拉夫逊法进行伪潮流计算，获取精确的支路导纳g、b。在更新导纳矩阵的同时，考虑到第一步识别结果的准确性，继续通过排名法更新拓扑状态。

8)如图2所示，首先输入M组量测数据p、q和v，以初始辨识的拓扑和线路参数进行潮流计算，得到节点电压相角初值θ(0)。代入初始辨识的电导g(0)、电纳b(0)，求出功率不平衡量Δp和Δq。求解雅可比矩阵元素，并对雅可比矩阵进行QR分解。由修正方程式求出修正量Δg、Δb，并得到新值g、b。计算功率不平衡量，若小于拓扑和线路参数修正阈值γ，则去除电导g小于阈值λ的线路；若大于阈值γ，则向下进行。若节点功率不平衡量小于收敛阈值ε，则输出辨识结果，否则将新值g、b和θ作为初始值返回上一步骤，进行下一步迭代。

9)由于量测数据中存在误差，三种情形下的识别结果中都存在着错误的连通关系，即未连通的支路被识别为连通支路。三种情形下识别出的错误连通关系如表1所示。

表1错误的连通关系

情形	错误连通关系
		1	4-7/6-8/7-26
2	4-7/6-8/1-19/7-26/7-28
		3	5-7/6-8/7-26/12-22/25-30

10)基于多时间点数据集和功率平衡方程，构建高维非线性方程组。以多时间点节点功率数据集为输入，通过改造后的牛顿-拉夫逊法进行伪潮流计算，获取精确的支路导纳g，b。在迭代的同时，继续进行连通性识别。最终，三种情形下的拓扑连通情况都在第二步中得到了更正，并且完成了线路参数的识别，对连通性的识别结果如表2和图4a～图4b所示。

表2第二步连通性识别结果

由表2可见，在量测误差较小的情况下，三种情形均完成了拓扑连通性识别，且用时较短。

11)本实施例对线路参数辨识结果进行分析，采用MAPE(平均百分比误差)指标表示识别误差：MAPE为0％表示完美模型，MAPE大于100％则表示该预测模型为劣质模型。MAPE的值越小，说明预测模型拥有更好的精确度。

式中：

为估计值，y_i为真实值，n为样本数量。

12)以情形1和情形2为例，如图5a和5b所示，在迭代次数达8次之后，g的识别误差稳定在5％以内。

13)以情形2为例，在第一部数据集生成和第二步识别过程之前，各自设定了不同的数据集大小，以对比分析量测数据采样参数识别结果如表3所示：

表3情形2第二步参数识别结果

14)如图6所示，每个小时采集数据集数对导纳识别的影响并不明显；然而在第二步精确识别时采用的数据集数量对最终识别误差影响较大。

Claims (10)

1.一种中压配电网线路参数识别方法，其特征在于，包括以下步骤：

S1、获取设定时间段内待识别地区配电网线路首端和下属所有配变的量测数据；

S2、对量测数据进行预处理；

S3、结合多元线性回归模型，以得到各时间点预处理后量测数据对应的拓扑数据；

S4、构建基于改进牛顿拉夫逊法的线路参数识别模型；

S5、将拓扑数据、预处理后量测数据输入线路参数识别模型，输出得到线路参数识别结果。

2.根据权利要求1所述的一种中压配电网线路参数识别方法，其特征在于，所述步骤S1中获取的量测数据包括配电网各节点电压数据和节点注入功率，所述节点注入功率包括有功注入功率和无功注入功率。

3.根据权利要求2所述的一种中压配电网线路参数识别方法，其特征在于，所述步骤S2中预处理过程包括数据清洗、异常值处理和缺失值处理。

4.根据权利要求3所述的一种中压配电网线路参数识别方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、去除节点电压量测数据中超过设定电压稳定范围的数据；

S22、对数据缺失值进行处理：对于同一节点中缺失的电压数据，用插值法进行补全；

对于不同节点中缺失的电压数据，则利用相关节点的电压数据进行替代。

5.根据权利要求4所述的一种中压配电网线路参数识别方法，其特征在于，所述步骤S22中在对缺失的电压数据进行补全或替代时，对于离散缺失值，采用缺失值前后两个时间点数据的算数平均值进行补漏；对于连续缺失值，则采用缺失值前一周和后一周同一天每个点的平均值进行补漏。

6.根据权利要求2所述的一种中压配电网线路参数识别方法，其特征在于，所述步骤S3中多元线性回归模型具体是通过求解最小二乘解问题，并结合阈值处理，以逐步迭代还原节点与节点之间的导纳和连通关系。

7.根据权利要求6所述的一种中压配电网线路参数识别方法，其特征在于，所述步骤S3的具体过程为：

S31、使用忽略电压角对电导/电纳矩阵的影响的线性回归，以得到伪导纳的近似初值；

S32、对导纳矩阵中非对角线元素进行线性拟合，在两次迭代的步骤间更新对角线元素，为了符合导纳矩阵的对称性，将最终识别出的伪导纳矩阵对称化；

S33、将伪导纳矩阵进行阈值处理，以得到拓扑和真实导纳矩阵的近似估计。

8.根据权利要求7所述的一种中压配电网线路参数识别方法，其特征在于，所述伪导纳的近似初值具体为：

其中，

为伪导纳的初值，G_ij、B_ij为真实导纳，θ_ij为节点i与节点j之间相角。

9.根据权利要求7所述的一种中压配电网线路参数识别方法，其特征在于，所述线路参数识别模型具体是根据配网节点连通性和真实导纳的近似估计，采用牛顿拉夫逊法对线路参数进行迭代，在迭代的过程中修正错误识别的连通性矩阵，以得到精确的拓扑和线路参数。

10.根据权利要求9所述的一种中压配电网线路参数识别方法，其特征在于，所述迭代的过程具体是基于以下修正方程对连通性矩阵进行修正：

其中，Δp和Δq分别为节点有功和无功不平衡量，Δg、Δb和Δθ分别为线路电导、电纳和电压相角的修正量，H、I、E和F为雅可比矩阵中的元素矩阵。

Images