[论文解读] Low-Voltage Distribution Network Impedances Identification Based on Smart Meter Data

Sergey A. Iakovlev, Robin J. Evans+1 more|arXiv (Cornell University)|Sep 18, 2018

Electricity Theft Detection Techniques被引用 7

一句话总结

本文提出了一种去中心化、递归的智能电表数据驱动方法，利用新型BCI（基于批量相关性的识别）算法实现对低压配电网阻抗的实时识别。该方法通过迭代求解非凸优化问题，实现无需同步相量测量装置（PMU）的精确、可扩展的线路参数估计，在测量精度高、功率因数变化大及长线路场景下表现出显著的性能提升，估计误差低于1%。

ABSTRACT

Under conditions of high penetration of renewables, the low-voltage (LV) distribution network needs to be carefully managed. In such a scenario, an accurate real-time low-voltage power network model is an important prerequisite, which opens up the possibility for application of many advanced network control and optimisation methods thus providing improved power flow balancing, reduced maintenance costs, and enhanced reliability and security of a grid. Smart meters serve as a source of information in LV networks and allow for accurate measurements at almost every node, which makes it advantageous to use data driven methods. In this paper, we formulate a non-linear and non-convex problem, solve it efficiently, and propose a number of fully smart meter data driven methods for line parameters estimation. Our algorithms are fast, recursive in data, scale linearly with the number of nodes, and can be executed in a decentralised manner by running small algorithms inside each smart meter. The performance of these algorithms is demonstrated for different measurement accuracy scenarios through simulations.

研究动机与目标

• 解决在高比例可再生能源场景下对精确、实时低压（LV）配电网模型的迫切需求。
• 克服传统方法依赖PMU或假设已知网络拓扑与阻抗的局限性。
• 开发一种完全基于数据、去中心化且可扩展的阻抗识别方法，仅依赖智能电表测量数据。
• 实现在无同步相量测量条件下，支持故障检测、窃电定位和电网状态估计等实际应用。
• 为低压配电网建模中出现的一类非凸优化问题提供理论基础解决方案。

提出的方法

• 采用节点电压与电流的相量表示，构建递归的单相链式馈线模型。
• 开发基于批量相关性的识别（BCI）算法，通过智能电表数据迭代估计线路阻抗。
• 提出一种正则化变体（LBCI），以在条件数低和测量噪声高的情况下提升性能。
• 采用去中心化实现方式，每个节点仅处理本地测量数据，并交换必要信息。
• 通过迭代最小二乘估计求解非凸优化问题，证明在特定条件下可收敛至全局解。
• 引入X/R比值知识作为先验信息，以提升估计精度并支持实时分布式计算。

实验结果

研究问题

• RQ1 是否可以仅使用智能电表数据，在无需PMU同步的情况下准确识别低压配电网中的线路阻抗？
• RQ2 在测量噪声和功率因数变化不同的条件下，所提出的BCI算法与传统方法（如LBCI-old）相比性能如何？
• RQ3 X/R比值知识和雅可比矩阵的条件数对估计精度有何影响？
• RQ4 该算法能否以去中心化、可扩展且递归的方式实现，适用于智能电表上的实时部署？
• RQ5 在长线路或高功率因数变化等挑战性场景下，该算法表现如何？

主要发现

• 当测量精度为满量程的0.1%且已知X/R比值时，BCI算法的相对阻抗估计误差低于1%（‖z−ẑ‖₂/‖z‖₂ < 1%）。
• 在0.1%测量误差且X/R比值未知时，BCI的估计误差比LBCI低4倍，且在高功率因数变化下性能显著提升。
• 对于500米长线路，在1%测量误差下，BCI相比LBCI-old将估计误差降低50%；在0.1%误差下，降低幅度达10倍。
• 雅可比矩阵的条件数（κ(Jn)）显著影响BCI性能：条件数越低，精度显著提升，尤其在已知X/R比值时更为明显。
• 引入正则化项后，BCI在低变化场景下可达到或略优于LBCI的精度，显著增强鲁棒性。
• 所提方法完全去中心化，与节点数量呈线性可扩展性，计算高效，适用于实时、大规模低压配电网监测。