[论文解读] Distribution Network Topology Detection with Time Series Measurement Data Analysis

Guido Cavraro, Reza Arghandeh+1 more|arXiv (Cornell University)|Apr 22, 2015

Power System Optimization and Stability参考文献 9被引用 3

一句话总结

本文提出了一种基于同步相量测量（µPMU）数据时间序列分析的配电网拓扑实时检测方法。通过将开关操作期间观测到的电压轨迹模式与预先计算的拓扑转换特征库进行比对，该算法即使在PMU布设稀疏且数据存在噪声的情况下，也能准确识别开关动作和最终网络拓扑，仅使用7个PMU即实现低于6.2%的错误率。

ABSTRACT

This paper proposes a novel approach for detecting the topology of distribution networks based on the analysis of time series measurements. The time-based analysis approach draws on data from high-precision phasor measurement units (PMUs or synchrophasors) for distribution systems. A key fact is that time-series data taken from a dynamic system show specific patterns regarding state transitions such as opening or closing switches, as a kind of signature from each topology change. The proposed algorithm here is based on the comparison of the actual signature of a recent state transition against a library of signatures derived from topology simulations. The IEEE 33-bus model is used for initial algorithm validation.

研究动机与目标

• 解决因开关状态报告不可靠和测量覆盖稀疏导致的配电网拓扑可观测性挑战。
• 利用高精度时间序列相量测量实现实时检测开关动作与更新后的网络拓扑。
• 通过利用拓扑转换产生的动态系统特征，减少对状态估计器的依赖并提升准确性。
• 使用真实的居民负荷数据，在包含负荷波动和测量噪声的现实条件下验证方法的鲁棒性。
• 通过贪心算法优化PMU布设，实现在最小传感器数量下保持高检测精度。

提出的方法

• 该方法利用µPMU的时间序列测量数据，提取反映系统状态转换期间电压动态的趋势向量。
• 将观测到的趋势向量与基于IEEE 33节点模型中模拟的拓扑变化生成的预先计算的特征向量库进行比对。
• 算法采用基于相关性的匹配度量 $ \mathcal{C} $，识别最接近的特征，从而确定新的拓扑结构和开关时间。
• 采用基于真实美国居民负荷数据的统计负荷模型，以模拟真实的负荷动态并验证鲁棒性。
• 通过设置阈值（min_norm, min_proj）过滤弱信号或虚假信号，以应对测量噪声和负荷波动。
• 采用贪心算法优化PMU布设，以在最小传感器数量下最大化检测精度。

实验结果

研究问题

• RQ1 能否利用时间序列相量测量实现对开关动作的检测并实时推断新拓扑？
• RQ2 在包含负荷波动和测量噪声等现实条件下，该拓扑检测算法的鲁棒性如何？
• RQ3 在配电网中实现可靠拓扑检测所需的最少PMU数量是多少？
• RQ4 当仅通过稀疏PMU布设实现部分网络可观测性时，该算法性能如何？
• RQ5 该方法是否能在不依赖状态估计或开关状态先验知识的情况下检测拓扑变化？

主要发现

• 在无噪声且负荷恒定的理想情况下，该算法在10,000次蒙特卡洛仿真中均实现零检测与决策错误。
• 在33个PMU条件下，噪声环境下（标准差 = 0.68 kV）错误率为1.31%，高负荷波动下（标准差 = 2.22 kV）错误率为5.27%。
• 仅使用7个PMU时，错误率上升至6.19%，但在高噪声与高负荷波动下仍低于6.2%，表明其在稀疏感知条件下具有强鲁棒性。
• 该算法在每母线一个PMU与每四个节点一个PMU两种配置下的性能几乎完全相同，表明其具备良好的可扩展性与低传感器依赖性。
• 误报数量始终较低，且大多数错误源于未能准确捕捉开关事件发生时间，而非错误识别拓扑结构。
• 即使在测量覆盖有限的情况下，该方法仍能成功识别正确拓扑与开关时间，验证了其在实际部署中的可行性。