论文标题：Data-driven consumer-phase identification in low-voltage distribution networks considering prosumers

期刊：Frontiers in Energy

作者：Geofrey Mugerwa, Tamer F. Megahed, Maha Elsabrouty, Sobhy M. Abdelkader

发表时间：01 Apr 2024

DOI：10.1007/s11708-024-0946-4

微信链接：点击此处阅读微信文章

文章简介

1. 提出了基于相位馈线和用户的先进测量数据的数据驱动的相位辨识方法；

2. 建立了基于奇异值分解（SVD）的矩阵近似模型来剔除智能电表电压数据中的噪声；

3. 开发了基于离散卷积的线性证书规划算法，以平衡相位馈线和消费侧的电流

研究背景及意义

掌握用户相位连接信息对配电系统运营商执行维护和维修服务、优化电力负载、平衡系统负载、控制总线电压、检测停电、电力恢复以及变压器等设备容量规划方面具有显著优势。此外，这些信息对于增加配电网中表后电源的托管能力也至关重要。然而，由于涉及安装昂贵的高精度设备或采用基于现场的方法，管理低压配电网的用户相位连接往往成本高昂，且容易出现人为错误。此外，电力需求和用户侧电源的激增也增加了利用相位连接信息的复杂性。为了克服上述挑战，本文开发了一个使用先进的电压和电流测量设备来辨识终端用户的相位连接的数据驱动模型。首先，采用线性插值和奇异值分解的预处理方法来提高智能电表数据的质量。然后，使用Kirchoff电流定律和相关分析，建立了一个离散卷积优化模型，以唯一地辨识每个终端用户所连接的相位。

主要研究内容

1） 低压配电网用户相位辨识

本研究中使用的数据集是通过使用OpenDSS软件进行潮流计算而获得的合成智能电表电压和电流测量值。每相馈线和终端用户的每日测量由96个数据点组成。相位和用户的测量数据被假定为是时间同步的，即在测量瞬间之间没有时间差异。测试系统为修改的IEEE-906低压配电网，如图1所示。所提出的用户相位辨识模型如图2所示。

图1 修改的IEEE-906低压配电网

图2 所提相位辨识模型流程图

2数据预处理

在实际的配电网中，从先进测量设备收集的数据集往往包含缺失的数据点和噪声，可能会导致对用户的相位连接性的错误辨识。因此，为了增强相位辨识过程，需要进行3个方面的数据预处理。①恢复丢失的终端用户的智能电表电压数据；②用户的智能电表数据中的噪音；③利用奇异值分解方法对终端用户的智能电表电压进行去噪。

3相位辨识模型的性能评价

3.1结果评价指标

低压配电网中消费阶段连接性的辨识被归类为一个二元分类问题，基于单一度量指标所提出的辨识方法的性能并不能保证结果的有效性。因此，使用F1分数的性能指标来评价所提出的CPI模型的有效性。F1分数是在统计学和机器学习中广泛使用的度量标准，以衡量二元分类问题的性能。

3.2辨识结果及比较

将所提出的相位辨识模型的结果与参考文献的电压相关分析发和数据聚类方法（方法1和方法2）来解决用户相位识别问题。

如图3所示，直接应用电压相关性分析方法的相位辨识算法，在低压配电网数据存在质量问题的情况下，可能无法准确辨识终端用户的相位连接。这在图3(b)中得到了证明，当附加高斯噪声为0.5%时，可以看出相关性的失效。在图3(c)中，通过应用所提出的奇异值分解滤波器，近似地恢复了相关结果（图3(a)）的原始结构。图3(d)中的热力图是基于所提出的辨识方法的消费阶段连通性的表示。可以看出，所提出的模型唯一地辨识了每个终端用户所连接的相位，如深色区域所示。与现有的基于相关性的方法相比具有显著优势。

图3 相关性热力图

(a) 使用无噪声电压数据的皮尔逊相关；(b) 使用有噪声电压数据的皮尔逊相关（噪声百分比= 0.5%，Frobenius误差= 59.27）；(c) 使用奇异值分解滤波数据的皮尔逊相关（Frobenius误差= 29.90）；(d) 所提的相位识别方法。

该算法的辨识精度如表4所示。结果表明，在忽略电压数据中的噪声的情况下，方法1的性能略优于所提出的方法。然而，在将噪声注入智能电表数据的情况下，所提出的CPI方法优于方法1和方法2。该方法的鲁棒性归功于奇异值分解去噪技术。

图4显示了每个阶段的算法的辨识结果。在连接的55个最终用户中，有51个被正确辨识，方法1只辨识19个，方法2只辨识18个，因此所提出的方法能够在每个阶段辨识所连接的最终用户数据中存在的噪声。

图4 基于精确度为0.5s的测量装置所获数据的辨识结果

3.3 灵敏度分析

分析数据量、缺失数据、测量误差对相位辨识结果的影响。为了检验数据大小对辨识结果有效性的影响，利用从第1天到第7天的不同时间范围的数据集来测试所提出的相位辨识方法。图5显示了增加窗口大小对所提算法性能的影响。结果表明，数据集的大小F1与辨识模型的精度强相关。该算法的最大值约为0.985，数据集跨越4天及以上。因此，对于提出的CPI方法，采用大小为4天的数据集测试。

图5 数据量F1分数灵敏度

为了检验缺失数据对所提出的方法的有效性的影响，将0%到50%的缺失数据随机引入到终端用户的智能电表数据中。图6显示了不同的缺失数据百分比对所提出的辨识算法性能的影响。辨识模型的性能指标如表5所示。可以看出，所提出的技术仍然能够辨识在缺失数据影响下终端用户的相位连通性。但是为了获得更准确的结果，缺失数据的百分比应保持在20%以下。

图6 丢失数据F1分数灵敏度

评估这些误差对所提算法辨识精度的影响是非常必要的。本文将国际电工委员会定义的精度等级为0.2s、0.5s、0.0、1.0、2.0的智能电表的测量误差添加到数据中。图7显示了F1分数与不同的智能仪表精度类别对应的分数。可以看出，增加测量误差会对-分数产生负面影响，导致错误的相位辨识结果。为了增强相位辨识过程，采用提出的奇异值分解去噪技术从电压数据中去除噪声。这成功减少了噪声对辨识精度的影响，如图7和表6所示。

图7 测量误差F1分数灵敏度

假设所安装的表后电源的发电能力仅足以满足终端用户在测量瞬间通电时的能源需求。例如，终端用户5的当前轮廓由图8(a)所示，每当表后电源发电时，从电网流出的电流减少到零，此时负载电流由可微型能源提供。图8(b)显示了辨识模型在表后电源的不同渗透水平（0%-100%）下的表现。可以看出，所提出的模型能够辨识终端用户的阶段连通性，最大值为0.985，与没有表后电源的情况相同。然而，当渗透率超过60%时，所提出的CPI方法的精度降低，导致错误的相位辨识结果。

图8 不同渗透水平对表后电源的影响

(a)终端用户5的电流概况；(b)对降低负载电流的F1分数灵敏度。

主要结论

针对数据集大小、智能电表数据丢失、测量误差和生产用户的影响，测试了模型的鲁棒性。结果表明，所提用户相位辨识方法正确辨识了终端用户的相位连接，其准确率约为98%。

欢迎了解期刊更多信息

主编团队

期刊特点

1. 国际化投审稿平台ScholarOne方便快捷。

2. 严格的同行评议(Peer Review)。

3. 免费语言润色，有力保障出版质量。

4. 不收取作者任何费用。

5. 不限文章长度。

6. 审稿周期：第一轮平均30天，投稿到录用平均60天

7. 在线优先出版(Online First)。

8. 通过Springer Link平台面向全球推广。

在线浏览

http://journal.hep.com.cn/fie（国内免费开放）

https://link.springer.com/journal/11708

在线投稿

https://mc.manuscriptcentral.com/fie

Twitter

搜索“@FIE_Journal”

链接https://twitter.com/FIE_Journal

联系我们

FIE@sjtu.edu.cn, (86) 21-62932006

qiaoxy@hep.com.cn, (86) 10-58556482

小提示：Frontiers in Energy为国产英文刊，不属于瑞士Frontiers系列。瑞士Frontiers系列相关期刊为Frontiers in Energy Research。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn