基于運行擾動數據分析的低壓臺區(qū)拓撲辨識方法研究

張磐,黃旭,高強偉,朱聰,黃福泉,孫偉卿

(1.國網天津市電力公司電力科學研究院,天津 300384; 2.國網天津市電力公司城東供電分公司,天津 300250;3.上海理工大學 機械工程學院,上海 200093)

0 引 言

電能在能源格局中始終占據舉足輕重的地位,而電網系統的智能化和信息化對于進一步發(fā)揮電能作用以及電能的有效利用至關重要[1]。然而,在推進電網智能化、信息化的過程中,仍存在較多難題亟需解決。其中,低壓臺區(qū)拓撲結構不完整和連接混亂一直是制約電網進一步智能化的難題。近年來,城市不斷發(fā)展,低壓臺區(qū)用戶為了用電快捷方便,存在走線隨意、未按相關部門規(guī)定進行走線等現象,甚至部分用戶出現兩條不同臺區(qū)的入戶線,造成了實際用電量與分支總表的數據存在較大出入[2]。其次,各種混亂的線路同時也給電力維修人員的人身安全帶來了極大的隱患。因此,為了提高對低壓臺區(qū)的管理水平,需要對臺區(qū)內整個拓撲結構有一個準確、動態(tài)的了解,以實現臺區(qū)精細化準確化綜合管理[3],進而幫助相關用電管理部門實現降耗減損。

目前,傳統臺區(qū)拓撲辨識方法分為兩種:(1)人工現場識別,由工作人員逐一對臺區(qū)用戶電能表進行現場測試和整理分類,但是人工效率極低、成本高,不適用于實際工程問題;(2)采用臺區(qū)識別設備[4-6],一般采用載波通信或是脈沖電流,一定程度上提高了工作效率,但脈沖電流在操作上存在安全隱患且可控性差,而載波通信存在“串臺區(qū)”的問題,因此精度受到影響,目前仍未得到較好的改善方案[7]。隨著智能電能表接入用戶數量規(guī)模的擴大,電網公司通過智能電能表的反饋掌握海量、高密度的數據[8]。激增的數據規(guī)模孕育了利用數據分析方法進行臺區(qū)拓撲識別的研究土壤[9-10]。文獻[11]通過分析電壓數據的時空相關性以確定臺區(qū)拓撲;文獻[12]利用知識圖譜算法進行拓撲結構辨識;文獻[13]根據改進皮爾遜相關系數校驗臺區(qū)拓撲結構。

綜上所述,基于數據驅動的研究方法具有成本低、實時性高的特點,這也是目前拓撲辨識研究的熱點。但是,上述方法數據量要求大,采集樣本時間長,效率較低。因此,本文提出一種基于運行擾動數據分析的臺區(qū)拓撲辨識方法。首先,利用改進的灰色關聯分析法對測量終端采集的低壓出線柜、分支箱、光力柜、表箱的電流擾動數據進行分析,計算低壓臺區(qū)不同部分數據的相關性,實現臺區(qū)供電隸屬關系識別。進而,通過電流確定臺區(qū)中各部分的進出線連接關系,實現對臺區(qū)拓撲的識別。相比上述文獻所提方法,本文方法考慮了現實臺區(qū)中的實際情況,其采樣時間短、所需樣本少,更具備實用性。

1 基于運行擾動數據分析的拓撲辨識方法

1.1 低壓臺區(qū)拓撲介紹

配電網低壓臺區(qū)始于配電變壓器的低壓側出線端,終于各個用戶接入點,其拓撲結構如圖1所示。一般最多分為四級:低壓出線柜(JP柜)-分支箱-光力柜-用戶電能表箱。配電變壓器(配變)的出線端和數個JP柜的進線端相連,JP柜的出線端和數個分支箱的進線端相連,分支箱的出線端和數個光柜/力柜的進線端相連,最后光柜/力柜的出線端和數個電能表箱的進線端相連。由于城市建設不斷發(fā)展,居民用電日益增長,受制于供電能力或者因為便捷等原因,經常需要打破原來的連接關系,如將原來由圖1中JP柜供電的分支箱切換到其他的JP柜,經過長時間的積累,供電隸屬關系逐漸模糊,所謂拓撲辨識就是指如何辨識JP柜到表箱的供電關系。

圖1 低壓臺區(qū)拓撲結構

1.2 理論依據

低壓臺區(qū)變壓器與其下屬的JP柜、分支箱、光力柜、用戶電能表之間具有明確的電氣連接關系,在臺區(qū)變壓器的供電半徑內,同一支路的電流曲線在相同時間段內的變化規(guī)律具有高度的相似性[10]。也就是說,通過采集未確定臺區(qū)用戶電能表處的電流擾動數據或是用適當的方法制造電流擾動后,經通信技術采集臺區(qū)變壓器低壓側至光力柜各個部分測量終端的量測數據,對各部分測量終端測得的電流數據與未確定電能表測得的電流數據進行關聯分析,最后比較兩者之間的相似度,識別用戶所屬臺區(qū)[14]。

1.3 灰色關聯分析

灰色關聯度是以因素為樣本,以參量的數據序列為依據的多因素統計分析方法。通過運用該方法,可獲取因素間關系的強弱、大小和次序信息[15]。由于傳統的灰色關聯分析中的關聯度權值相同,不符合實際工程情況。故文中對關聯度重新賦權,采用改進灰色關聯分析法對測量終端采集的電流擾動數據進行分析,步驟如下:

1)進行數據分析前,需要明確比較數列和參考數列。比較數列即為評價對象,參考數列即為評價標準。假設m個評價對象有n個評價指標,參考數列為x0={x0(k)|k=1,2,…n},比較數列為xi={xi(k)|i=1,2,…m,k=1,2,…n}。本文中將用戶電能表的電流擾動數據以及發(fā)生擾動前的電流數據作為參考數列。臺區(qū)分支箱與JP柜對應時刻的電流數據作為比較數列。

2)為保證后續(xù)過程中參考數列和比較數列易于處理,分別對兩者進行去量綱處理,如式(1)與式(2)所示。

(1)

(2)

3)灰色關聯系數ξi(k)為:

ξi(k)=

(3)

式中ξi(k)所表示的含義為比較數列xi對參考數列x0在第k個指標下的關聯系數;ρ∈[0,1]表示分辨系數,文獻[16]經過研究后得出當ρ取0.5時,在關聯度相接近的情況下能有效提升分辨率,得出的結果更準確,因此此處取ρ=0.5。

4)灰色加權關聯度γi:

(4)

根據用戶電能表數據與臺區(qū)光力柜、分支箱、JP柜各環(huán)節(jié)數據間的相似度,實現臺區(qū)拓撲辨識。針對某一未確定拓撲的電能表,通常可識別出其與不同光力柜、分支箱、JP柜中的最大相似度,認為該用戶電能表與上述三者相對應。

灰色關聯度作為灰色關聯分析法中的重點,需保證一定實用性。而式(4)采用平權處理計算關聯度時,所有樣本的權重值相同,因此結果不貼近實際情況,難以應用于實際工程。所以,對式(4)改進如下:

(5)

式中Wk為樣本的權重。

針對上述問題,在式(5)中增加了樣本權重Wk。此處,考慮樣本的實際情況和重要程度后采用距離分析法,通過計算得出相對合理的權重,從而提高結果的客觀性。

1.4 距離分析法

距離分析法以最佳樣本(即理想樣本)和最差樣本(即負理想樣本)同時作為參考樣本,計算各樣本與兩個參考樣本間的距離。對于總體較好的樣本,其評判標準為該樣本與最佳樣本點近的同時,與最差樣本遠。故本文對樣本點到最佳樣本點的相對接近度賦權,處理步驟如下:

1)原始數據矩陣A表示為:

(6)

式中,以臺區(qū)分支箱與JP柜的電流數據作為原始數據,即aki=xi(k),i=1,2,…m,k=1,2,…n。

2)指標同向化。

在多指標綜合評價中,指標值越大、評價越好的指標,稱為正向指標;指標值越小、評價越好的指標,稱為逆向指標。在綜合評價時,首先必須將指標同趨勢化。本文的指標同向化是將逆向指標轉化為正向指標,所以也稱為指標的正向化,一般利用倒數法和差值法將逆指標轉化為正指標。其中絕對數指標轉化時多采用倒數法(即1/aki);相對數指標轉化時多采用差值法(1-aki)。由于本文將研究樣本點到最佳樣本點的相對距離,因此選用差值法,轉化后的矩陣仍記作A。

3)對數據矩陣A去量綱化后,記為矩陣B。

(7)

其中:

(8)

4)確定樣本理想值B+和負理想值B-。

(9)

(10)

其中:

(11)

(12)

5)各樣本點與參考樣本點間的歐氏距離Dk為:

(13)

(14)

6)樣本點與最優(yōu)樣本點之間相對接近度Ck為:

(15)

相對接近度Ck越大,則相對距離越近。

7)對Ck做歸一化處理,求得權重向量,即:

(16)

8)將關聯度按照大小進行排序,以表征因素的重要性程度。將式(16)帶入式(5)重新計算關聯度得到改進后的結果。

2 拓撲識別步驟

分別在低壓出線柜(JP柜)、分支箱、光力柜、表箱安裝低壓智能測量終端,實時監(jiān)測當地線路的電氣數據,主要包括A、B、C三相的電流量,監(jiān)測并采集電流擾動曲線。測量終端實時采集電流曲線,采集頻率為128點/周波,并在內存中保留最近1分鐘數據。電流擾動曲線的判定依據為如果一個周波20 ms時間有效值(128個點的平方和開根號)是前一個周波毫秒有效值5倍以上,那么該線路可以被定義為發(fā)生擾動[17-18]。通過低壓智能終端完成電流擾動的確定,同時終端監(jiān)測并記錄下電流擾動的數據與發(fā)生時間。

這些測量終端通過無線通信的方式與計算機A通信。計算機A將這些測量終端的時鐘進行同步后,根據需要給特定的測量終端發(fā)送命令,測量終端將根據命令發(fā)送電流擾動發(fā)生的時間與相應時刻的電流曲線數據給計算機A。以待測用戶電能表的擾動數據為基準,用此數據對應的時間來獲取其他智能終端的數據。計算機A上安裝有拓撲識別軟件,可以對裝有終端的元件進行拓撲識別[19-20]。拓撲識別軟件計算步驟依次是:確定JP柜、分支箱、光力柜、電能表箱之間的供電隸屬關系與進出線關系。

2.1 供電隸屬關系識別步驟

JP柜、分支箱、光力柜、電能表箱之間的供電隸屬關系的確定邏輯如下:

1)通過計算機上安裝的識別軟件對臺區(qū)進行拓撲識別,篩選出未確定拓撲的電能表箱。

2)計算機A定時給未確定拓撲電能表箱終端發(fā)送取電流擾動曲線命令,獲得電流擾動曲線Y,以及發(fā)生擾動前10 s的時刻T。

3)計算機A向光力柜、分支箱、JP柜發(fā)送招收T時刻擾動曲線命令,獲得這些曲線。

4)以未確定拓撲電能表箱終端電流擾動曲線為參考數列,其他各部分電流曲線為比較數列,通過灰色關聯分析計算這些曲線與曲線Y的關聯度,數值越大,相似度越高。

5)取得所有光力柜的所有出線擾動曲線,通過灰色關聯分析計算這些曲線與Y的相似度,相似度最高的一組則可認為該光力柜與電能表箱由同一個JP柜供電。

6)同理,可以獲得與該電能表箱由同一個JP柜供電對應的分支箱以及JP柜本身。

2.2 進出線關系識別步驟

通過上述方法,可以確定臺區(qū)中在同一個供電路徑下的JP柜、分支箱、光力柜、電能表箱,以此確定每一個電能表箱的上級光力柜,每個光力柜的上級分支箱,每個分支箱的上級JP柜。但無法確定他們的進出線連接關系,因此仍需進一步的判斷。

以JP柜和分支箱之間的進出線關系為例,計算機A給JP柜終端及分支箱終端發(fā)送凍結特定時刻電流值命令,并讀取這些終端特定時刻的實時電流值,從而獲得JP柜出線電流值Iy,以及分支箱各條線路的電流值Ix(x=1,2,3,…,n);考慮到測試時采用浮點數模擬量,Ix與Iy可能不會完全相等,因此,當Ix與Iy近似相等,即Iy-Ix小于某個值(如0.5 A,實際應用時可根據需要改變),則認為Ix對應的分支箱線路是分支箱的進線,而且與Iy對應的JP柜出線連接,其他分支箱線路是分支箱的出線,從而完成了JP柜出線與分支箱的進出線連接關系確定[21-22]。

3 算例分析

為了測試本文提出的供電隸屬關系識別方法的準確度,選取單臺區(qū)和多臺區(qū)兩個應用場景為例進行拓撲分析,場景涉及配電變壓器、JP柜、分支箱和用戶智能電能表。

3.1 單臺區(qū)拓撲結構分析

單臺區(qū)應用場景的結構簡圖如圖2所示,Y1、Y2對應未確定拓撲的2個智能電能表,將其采集的電流擾動數據以及發(fā)生擾動前的電流數據作為參考數列。2個分支箱對應時刻的電流數據與2個JP對應時刻的電流數據作為比較數列。F1～F4表示分支箱1～4,JP1～3表示JP柜1～3。在正常時間段0.1 s—0.4 s內每隔0.05 s選取一個時刻的電流值,在電流擾動期間0.4 s—0.5 s內每隔0.01 s選取一個電流值,共計選取17個時刻的電流數據,而后對選取的電流數據進行灰色關聯分析,計算臺區(qū)各部分電流與智能電能表電流數據的灰色關聯度。

圖2 實際應用臺區(qū)結構簡圖

基于距離分析法計算后得到的權重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),以剛發(fā)生擾動的0.4 s為中心,呈現出近大遠小的特點。分別表示選取的17個時刻所占的比重。將權重結果帶入式(5)進行賦權并獲得表1所示的改進后結果。

表1 判別結果

表1具體反映了臺區(qū)各相部分電流與未知用戶電能表電流數據的相似度結果。電能表Y1與分支箱1和JP柜1對應;電能表Y2與分支箱2和JP柜2對應。

從未改進前結果來看,與用戶電能表對應的JP柜和分支箱之間的電流相似度最高,在0.9以上;與電表不對應但屬于同一個JP柜的分支箱之間的相似度在0.8左右;不對應的相似度在0.5—0.6之間。

經過改進后可以發(fā)現,因為重新確定了權重,重點考慮了剛發(fā)生擾動這個時間段的影響,與用戶電能表不對應的JP柜和分支箱之間的電流相似度明顯下降,而與用戶電能表對應的JP柜和分支箱之間的電流相似度以及與電能表不對應,但是屬于同一個JP柜的分支箱之間的相似度變化很小?？梢园l(fā)現改進后的方法提高了判別的精確度,更加便于結果之間的區(qū)分。

通過表1中的結果對低壓臺區(qū)拓撲結構進行辨識,可以得到與圖2完全一致的結果,證明了本文所提方法的實際可行性。

3.2 多臺區(qū)拓撲結構分析

多臺區(qū)應用場景的結構簡圖如圖3所示。在圖2的基礎上參考數列增加用戶電能表Y3 、Y4的電流擾動數據以及發(fā)生擾動前的電流數據。比較數列增加分支箱3、分支箱4與JP3對應時刻的電流數據。比較數列的電流曲線如圖4所示。對選取的電流數據進行灰色關聯分析,計算臺區(qū)各部分電流與智能電能表電流數據的灰色關聯度。

圖3 實際應用臺區(qū)結構簡圖

圖4 電流曲線

表2具體反映了新增Y3、Y4電流數據與A、B臺區(qū)各部分電流相似度結果。從結果可以看出電能表Y3與分支箱3和JP柜3對應;電能表Y4與分支箱4和JP柜3對應。

表2 判別結果

通過表2中的結果對低壓臺區(qū)拓撲結構進行辨識,可以得到與圖3完全一致的結果。新增Y3、Y4電流數據與臺區(qū)A各部分電流的相似度不大,而與臺區(qū)B的數據具有很高的相似度,結果證明了本文所提方法的實際可行性。改進后與用戶電能表不對應的JP柜和分支箱之間的電流相似度明顯下降,而與用戶電能表對應的JP柜和分支箱之間的電流相似度以及與電能表不對應但是屬于同一個JP柜的分支箱之間的相似度變化很小,與3.1節(jié)得出的結論一致,證明了本文提出的方法也適用于多臺區(qū)的拓撲識別。

針對實際中更為復雜的臺區(qū)拓撲結構時,可以根據自然停上電發(fā)生(計劃停電,故障停電等)時,智能電能表與集中器記錄的上電事件發(fā)生時間,以及當臺區(qū)上電時,同臺區(qū)集中器與電能表記錄的上電時間,按時間歸類獲得準確的變-表隸屬關系,并以此篩選出其中需要分析的混淆臺區(qū)。對這些混淆臺區(qū)再采用改進的灰色關聯分析法進行比較分析,可以得出準確的拓撲結果,并大大減少計算量。

4 結束語

本文提出了一種基于運行擾動數據分析的低壓臺區(qū)拓撲辨識方法,運用灰色關聯分析來對采集到的臺區(qū)電流擾動數據進行相關性計算,以此確定臺區(qū)各部分之間供電隸屬關系,并且提出改進的方法提高了判別的精確度,更加便于結果之間的區(qū)分。通過比較各線路特定時刻實時電流值來判定進出線關系。從而從整體上,實現了對低壓臺區(qū)拓撲的識別。

此方法相比于其他方法,更多地考慮了生活中實際情況,在應對實際中低壓臺區(qū)復雜的戶變關系時,能更快速、有效地梳理臺區(qū)各部分間正確的對應關系。未來,可以考慮將本文所提出的臺區(qū)拓撲識別算法應用于實際工程中。