复杂动态环境下的新型配电系统连接性验证与重构策略

司方远副教授北京交通大学电气工程学院2025/9/25合肥 团队简介 北京交通大学智慧能源电力系统团队 司方远北京交通大学副教授 团队带头人和敬涵教授，IEEEFellow团队现有教授5名，副教授8名，高级工程师1名，在读博土/硕士研究生140余名长期研究智能电网与能源互联网运行、保护、控制和恢复科研项目80余项，发表学术论文500余篇，专利70余项 分别于2015年，大学控制科学与工程学科取得学士、硕士2017年和2021年在东北和博士学位。2021年至2023年任清学博士后/助理研究员，期间担任清华大丘成榈数学科学中心助教。，2023年9月学电气工程学流高教接近年主持国家自然科学基金2项、智能电网国家科技重大专项1项、中国博士后科学基金1项。研究工作获河北省优秀博士学位论文奖，清华大学惠妍人才基金资助，人选清华大学电机系批“正严青年学古”划进北京交海大学而年英才计划目前的研究方向主要聚焦于低碳综合能源系统优化规划、运行与控制，，并在该领域发表SCI/EI检索论文40余篇 王小君 #，IEEEFellow 目录 新型配电系统概述 基于AP·LOF算法的配电网连接验证方法 基于云-边协同的配电网拓扑重构方法 总结与展望 新型配电系统概述 配电网的有源化属性、网格化结构、交交直流泥联、智能化运维代表末来配电网的发展方向，能够实现电力用户的灵活互动、配电网双向潮流的主动控制、支撑输电网协同调控 配电网从被动配送网络向主动平衡区域电力供需、支撑能源综合利用的资源配置平台转变：向上作为参与主网调控和交易的支撑主体，向下作为虑拟电厂、分布式电源和综合能源系统、用电负荷和储能等市场参与主体的交易和调控平台，实现自治、平衡与安全。 >新型配电系统，新在何处？ 有源化属性（大规模分布式光伏、风电接入，主动配电网）配网主网化（SOP、调相机等电力电子设备接入，环网运行）新型负荷（大规模电动汽车、新型储能接入）利益主体多元化（虚拟电厂、负荷聚合商、产消者等涌现）新兴ICT(大、物、云、移、智、5G等) >新问题、新需求？一配电系统高度透明化 拓扑连按方式复杂多变（人工校核、电网GIS） 主网问题逐渐向配网渗透（功角、频率、电压、电能质量）运行和管理复杂度显著提高（双向潮流、P2P市场等） 目录 新型配电系统概述 基于AP·LOF算法的配电网连接验证方法 基于云·边协同的配电网拓扑重构方法 总结与展望 基于AP-LOF算法的配电网连接验证方法 传统数据驱动检测依赖于参数整定，离群用户识别精度低； 存在离群用户组，其内在相关性特征将影响离群用户识别结果；多台区高群用户识别增加计算负担，连接验证与重构效率低 离群用户： 由于搬家、台区（变压器）覆盖范围内线路改造等原因，导致实际台区归属或连接关系与电网GIS记录的拓扑结构不一致的一类用户。 离群用户组： 台区（变压器）内某条支路上的用户整体改接至其他台区的一组用户。 基于AP-LOF算法的配电网连接验证方法 传统拓扑辨识方法依靠“电气距离较近的用户，时序电压曲线波动相关度较高：反之相关度较低”的先验知识对时序电压数据进行相关性分析。 难以针对复杂低压配电网进行快速、批量、！自动化和高精度的拓扑结构校验工作 基于AP-LOF算法的配电网连接验证方法 配电系统中，同一台区的多样化用户负荷行为易导致用户电压数据的相关性较弱，因而引入局部离群因子（Localoutlierfactor.LOF）算法量化用户的离群程度 >距离De(p)：用户集D中与用户对象p相关系数最小的第个用户α与p的距商： >距离邻N(p)：用户集D中与用户对象p的距离不小于距离的用户构成的集合： >可达距离nachdis(p,o")：对任意用户对象o，若o*D(p)，则o与p之间的可达距离为β的&距离，否则，可达距离为二者之间的相关系数绝对值： >局部可达密度Ird,(p)：用户对象βp到其领城内所有用户的平均可达距离的倒数： 局部离群固子LOF（p)：用户对象P的同部阿达密度相对邻域内所有用户同部阿达密度的平均值的倒数，用于表征用户对象P的离群程度： 基于AP-LOF算法的配电网连接验证方法 实际配电网中，正常用户和离群用户各自呈现相关度较高的局部簇拥，此时采用传统的LOF离群用户检测方案易出现漏检与误检现象。 >当距离设定较小时，由于A组内用户电气距离呈局部簇拥，局部密度与其邻域平均密度无明显差异，因此无法正确识别离群用户，漏检。 》进一步增加人距离，可以有效增加密度差异，但正常用户B的局部密度与其邻域平均密度差异随之增大，有可能被识别为离群用户，误检， 基于AP-LOF算法的配电网连接验证方法 引入近邻传播（AffinityPropagation，AP）聚类算法，将待校验台区用户按电压曲线相似性程度划分，通过对各簇心进行基于LOF算法的离群点检测，有效降低误判漏判比例。 确定聚类中心：如果用户对象要作为用户对象P的紧类中心，那么用户对象9需要满足： >相似度矩阵S(p，Q)：利用各数据点之间的皮尔逆相关系数表示相似度： 送代计算：利用AP聚类算法，选代计算最佳的聚类中心，最小化用户对象偏离族中心误差，确保将相关性高的用户聚类为一族，族心计算如下： 吸引度矩距阵R(p，9)：表示用户对象q作为用户对象p聚类中心的适合程度： R(p, q) = S(p.q) max(.4(p.q) + S(p,q")) 平均累积方差指标ep)：表示算法过程中用户对象p的平均累计方差，用于表示用户对象P的总体离群程度： 归属度矩阵.4(p，Q)：表示用户对象β选择用户对象β作为聚类中心的适合程度： 终止选代：当达到规定的最大选送代次数或经过多次选代聚类中心未发生变化时，终止选代，算法结束， 基于AP-LOF算法的配电网连接验证方法 LOF算法性能易受國值影响，而AP-LOF算法可根据最大聚类用户数自适应设定阐值可有效克服漏判、误判等缺点，提供高精度、标准化的配电网拓扑连接验证方法， 基于AP-LOF算法的配电网连接验证方法 基于某地区实际配电网实际用户智能表采集电压数据进行仿真实验，所提方案可有效克服传统LOF算法识别过程中的漏判和误判等缺点。 目录 新型配电系统概述 基于AP·LOF算法的配电网连接验证方法 基于云-边协同的配电网拓扑重构方法 总结与展望 基于云-边协同的配电网拓扑重构方法 电力公司真正关心的是离群用户的正确归属及准确的拓扑连接结构，以便相关的能源管理措施能够得到有效实施。为此，提出云-边协同框架用于对识别出的离群用户重新定位。 >Step1：边缘台区收集月度用户电压数据，数据预处理后获得用户时序电压数据，即D，和D，>SIep2：各台区基于AP-LOF连接验证识别台区内离群用户（组）和费型正常用户数据集，并将数据上传至云中心：>Stcp3：云中心利用各台区离群用户和典型正常用户数据集，根据相关性最大原则，匹配离群用户和目标台区，否则向其他配电网清求进一步匹配；>Slep4：各台区下载与本台区匹配的离群用户数据基于AP-LOF连接验证，向云中心反馈结果，实现拓扑重构。 基于云-边协同的配电网拓扑重构方法 基于某地区实际配电网（包含17个台区，共2822个用户）算例对所提方案进行验证，结果进一步表明所提云-边协同架构能够准确定位识别出离群用户（组）的正确归属， 基于云-边协同的配电网拓扑重构方法 与电压数据相关性分析和传统I.0F算法相比，所提方案避免了判定闯值对检测效果的影响，可准确有效地对台区内离群用户（组）进行校验，进一步提升了识别精度。 目录 新型配电系统概述 基于AP·LOF算法的配电网连接验证方法 基于云-边协同的配电网拓扑重构方法 总结与展望 总结与展望 ●针对能源互联网中复杂动态环境下配电网的拓扑连接验证问题，提出了一种电压数据驱动的配电网连接验证方法，并利用云-边协同架构来识别离群用户并更新电网记录的拓扑结构。 ·对于每一个边缘台区，提出的AP-LOF算法保留了离群用户组的内在相关性特征，并根据AP聚类结果设定LOF算法的距离，从而有效地识别出离群用户组。 ·通过协调本地台区与云中心间的信息交互，对已识别的离群用户重新定位，代替传统集中式密集型计算，并通过边-云-边的信息交互模式，实现了云中心的计算任务与边缘台区的共享，进一步验证了所提方案在验证效率和拓扑重构方面的有效性和实用性。 总结与展望 随若大量分布式电源、新型储能及电动汽车充电桩等接入用户侧，配电网电压信号质量显著下降，剧烈波动、短时脉冲尖峰等严重数据失克现象频繁发生，破坏了量测信号中的趋势一致性与统计规律性，进一步削弱了现有拓扑辨识方法的有效性与稳定性 采用先进信号处理技术与特征提取方法，提升原始信号质量的同时增强特征提取能力 通过自适应滤波与小波变换等技术，对失真信号进行动态处理，有效滤除噪声与瞬时脉冲干扰，确保信号的真实性与可靠性。 ·引入形态子特征变换与STFT变换等时频分析方法，从瞬态失真信号提取时变特征，提高对短时扰动、剧烈波动及尖峰脉冲的敏感性。 总结与展望 随若配电网末端电压治理技术的逐步推广应用，台区配变低压侧母线的三相电压曲线更为接近，以至于用户的电压曲线分布差异化更小，在极端情况下甚至趋近于所属配变的母线电压波形形态，导致用户所属配变及相位难以区分，将对现有拓扑辨识方案提出更高的要求。 拓展特征表达维度与相似性度量方式，提升拓扑辨识模型的判别能力与适应性 *融合多源量测信息构建复合特征体系，依托电压-电流-相角-功率等多维信息量联合建模，增强节点间物理连接关系的表达能力， ·构建兼顾整体分布与局部趋势变化的相似性度量模型，提升对量测信号动态差异及扰动响应的识别能力，增强拓扑辨识方案的曹棒性。 总结与展望 随差户用光伏系统的大规模接入，配网使用的双向电能表不仅需计量用户从电网获取的电能，还需要同时记录用户向电网反馈的多余电能。此种转变导致电能表无法有效区分电网供电部分和光伏发电供电部分，从而无法准确反映用户负荷的真实状态。 引入非侵入式负荷监测(NILM)技术，在不额外安装设备的情况下准确区分光伏发电与负荷用电： *依托高精度智能电表，提升电表对用电细节的记录能力，结合NILM技术提取用户负载的电压/电流时变特征。 ●利用深度学习算法对电网信号进行建模与训练通过智能模型识别信号中的动态变化，将光伏发电与负载用电准确分离，提供精准的电能监测数据。 请各位专家批评指正，谢谢！ 司方远副教授北京交通大学电气工程学院2025/9/25合肥