[论文解读] Identifying Topology of Power Distribution Networks Based on Smart Meter Data

Jayadev P Satya, Nirav Bhatt+2 more|arXiv (Cornell University)|Sep 9, 2016

Complex Network Analysis Techniques被引用 8

一句话总结

本文提出一种数据驱动方法，仅利用智能电表的电能测量数据，识别低压配电网络的拓扑结构与相位连接关系。通过利用主成分分析（PCA）及其图论解释，该方法能够高效且准确地推断网络结构，在仿真中实现接近完美的成功率，且时间复杂度为多项式时间，优于现有方法在速度与可靠性方面的表现。

ABSTRACT

In a power distribution network, the network topology information is essential for an efficient operation of the network. This information of network connectivity is not accurately available, at the low voltage level, due to uninformed changes that happen from time to time. In this paper, we propose a novel data--driven approach to identify the underlying network topology including the load phase connectivity from time series of energy measurements. The proposed method involves the application of Principal Component Analysis (PCA) and its graph-theoretic interpretation to infer the topology from smart meter energy measurements. The method is demonstrated through simulation on randomly generated networks and also on IEEE recognized Roy Billinton distribution test system.

研究动机与目标

• 为解决因网络重构、维护或负荷均衡导致的频繁变化，而造成的低压（LV）配电网络拓扑信息不准确、不及时的问题。
• 开发一种基于软件的、数据驱动的方法，仅利用现有数据推断网络拓扑与相位连接关系，无需额外硬件或GIS数据。
• 仅使用时间序列智能电表电能测量数据，实现实时、高效的拓扑识别。
• 克服现有方法的局限性，如高计算成本（例如基于MIP的方法）或对专用传感器或基础设施的依赖。
• 提供一种可扩展的、多项式时间复杂度的解决方案，适用于主动配电网络中的实际部署。

提出的方法

• 将主成分分析（PCA）应用于时间序列智能电表电能测量数据，以提取功率流动的主要模式。
• 利用PCA的图论解释，将网络建模为图结构，其中节点代表用户，边代表功率流动关系。
• 通过识别指示物理连接关系的负载模式相关性，利用主成分推断潜在的网络结构。
• 通过分析三相有功功率测量数据的相关性结构，并结合电能守恒原理，确定相位连接关系。
• 使用合成随机网络和IEEE Roy Billinton配电测试系统对方法进行验证，注入了真实的噪声与同步误差。
• 该算法计算效率高，可在多项式时间内求解问题，并且在相似计算条件下，明显快于基于MIP的替代方法。

实验结果

研究问题

• RQ1 PCA及其图论解释是否能够有效仅从智能电表数据中推断低压配电网络的物理拓扑结构？
• RQ2 仅使用有功功率测量数据，不依赖相位角或电压数据，能否准确识别相位连接关系？
• RQ3 与基于优化的方法（如MIP）相比，所提方法的计算效率如何？
• RQ4 在存在测量噪声、技术损耗和时间同步误差等现实条件下的表现如何？
• RQ5 该方法能否扩展用于检测拓扑变化，并支持损耗估算与窃电检测等应用？

主要发现

• 当使用2n个或更多样本（n为用户数量）时，所提出的基于PCA的方法在拓扑识别中实现了100%的成功率，使用2n个样本时的平均计算时间为7.47秒。
• 该方法优于先前工作的基于MIP的方法，在相似计算条件下，拓扑推断时间从数十秒缩短至毫秒级。
• 在2ni和3ni样本规模下，相位识别的成功率达到100%，在4ni样本下达到90%，表明在数据充足时具有强鲁棒性。
• 该算法随网络规模扩展效率高，仿真时间随节点数量线性增长，证实了其多项式时间复杂度。
• 即使在包含技术损耗、0.5级精度的电表误差以及每15分钟采样、±1秒同步抖动的现实条件下，该方法仍能准确重构网络拓扑。
• 该方法具有可扩展性和实用性，具备在主动配电网络中实现实时部署的潜力，适用于状态估计、故障管理与损耗检测等应用。