0 引言

低压配电系统处于整个电力系统的末端，其任务在于对用户供电。随着居民生活用电需求的急剧增加，用户违约用电、私自搭接线路等问题在低压配电系统中频繁发生，不仅增加了电能表客户归属的辨识难度，还严重影响了经济效益，经营与安全风险并存^[1-6]。

在日常的配电运维管理工作中，往往存在户变连接关系不清晰的问题^[7-12]。尤其是老旧台区，部分拓扑根本无法直接获取，需要进行人工摸查，工作量巨大，造成了人力、物力的浪费。而且人工摸查也存在获取台区拓扑不准确的风险，当台区拓扑发生变动时，往往不能及时发现问题，造成台区拓扑接线图、单线图质量下降，台区线损不正确，停电定位准确率降低等诸多问题。

为解决上述问题，研发了基于高速电力线载波通信（High Speed Power Line Communication，HPLC）组网的低压配电网拓扑自动识别系统，旨在建设基于电力物联网的物联智慧台区，实现台区侧、低压线路侧、用户侧等感知信息的自动采集，通过部署台区总监测终端、分支监测终端、分支监测单元等端设备实现台区状态的感知，由集中器、边缘代理等边设备实现信息边缘计算，采用无线专网/ 公网等通信方式将采集数据传送至物联管理平台或智慧台区应用系统，进行大数据分析和算法研究，自动识别台区拓扑结构，解决台区户变关系。

1 低压配电网拓扑识别系统技术架构

低压配电网拓扑识别系统平台重点建设物联管理平台和边缘网关，对下实现各业务采集终端、传感器、智能终端的数据统一采集，对上向第三方应用、业务系统提供标准化数据与服务^[13-18]。在台区应用系统中，对数据进行分析和建模，生成台区拓扑图，同时可在拓扑图上延伸数据分析，具有线损精准分析、故障精准定位和主动巡检等优点，其总体技术架构如图 1所示。

台区总监测终端、分支监测终端、分支监测单元等将数据通过HPLC传送至边缘网关。边缘网关不仅具备传统终端的接入、设备协议及模型转换、设备数据分析处理等功能，还可通过MQTT（Message Queuing Telemetry Transport，消息队列遥测传输）协议将数据上报至智慧台区应用系统。

2 低压配电网拓扑识别系统功能 2.1 终端智慧物联

智慧物联体系采用经济合理的方式实现终端深度感知、边缘智能分析和物联接入。边缘设备具备通用化、平台化及可扩展化特点，通过APP平滑升级实现软件功能扩展。物联管理平台支持智能终端直接接入、边缘设备汇聚接入、业务系统接入等多种接入模式，对多源多类型数据按照统一模型进行处理，统一在线管理多种接入方式和多类型终端，实现数据共享、业务贯通以及生态开放。

2.2 HPLC技术

窄带电力线载波通信与HPLC的通信性能及现场实际数据传输速率对比如表 1所示。对表 1进行分析可知，窄带电力线载波通信方式采集效率低，无法实时在线抄表，不支持并发抄读；数据通信量和通信速率低，只能抄收少量数据项，带宽资源有限，不能实现智能电能表事件主动上报。HPLC通信方式通信速率高，可在极短时间内完成数据传输，从而降低突发干扰的影响；HPLC通信可实现海量用电信息数据24 h实时传输、采集，以及台区识别和相位识别等功能。

2.3 边缘设备

边缘设备是一种可以提供决策和服务的智能代理，可实现终端侧硬件资源与软件应用的深度解耦，满足配电台区不断变化的应用需求，大幅拓展各类终端功能的应用范围。此外，边缘设备还具备本地处理感知数据的能力，使得边缘计算与大数据应用协同配合，保证配电网整体计算高效准确。

2.4 拓扑识别

低压配电网拓扑识别系统通过台区监测设备实现载波信号的发送和回传。系统终端存储和描述组网内部的拓扑数据，并自动上传最新的拓扑数据至系统主站；系统主站利用组网测量点属性配置表和组网路由关系表处理和存储终端上传的原始拓扑数据，并自动计算、统计电能表拓扑的变更情况，及时更新数据库中存储的原始拓扑数据。

3 低压配电网拓扑识别算法及识别 3.1 基于随机森林算法的单相电能表相别识别

随机森林（Random Forest，RF）算法是Breiman在2001年提出的一种分类和预测的机器学习算法。RF算法分为RF分类和RF回归两类，本文采用后者进行单相电能表相别识别。与其他机器学习算法相比，RF算法可以高效处理多变量和大数据量，具有模型参数少、运算效率高、数据挖掘能力强以及预测精度高等特点。具体过程如下：

（1）对于t=1，2，…，T，对训练集进行第t次随机采样，从训练集中随机抽取m个采样点，得到包含m个样本的子采样集D_t；

（2）一共进行了T次随机采样，即有T个子采样集，对每一个子采样集训练一个弱学习器（回归树），回归树的训练采用最小均方差原则。算法学习见图 2。

由于电流互感器采集电流为有效值，而电网中电流为矢量值，二者无法进行直接相加计算，因此在一进多出的分支箱中进线电流不等于出线电流有效值之和。若简单考虑家庭用户中家用电器功率因数（0.9~1.0），可将出线电流有效值相加作为进线电流有效值的近似参考值，但与真实值存在一定误差。为解决该不足，可结合电能表采集的单用户功率因数、电流值以及电表箱与电能表拓扑关系，计算出该时刻用户电流的矢量值，进而逐步推算分支箱出线电流矢量值，通过各出线电流矢量值获取更精确的分支箱进线电流有效值，利用该值与出线柜出线电流进行比较，对拓扑结果进行修正。

3.2 基于大数据算法的分段拓扑识别

分别在变压器出线、分支箱出线和电表箱进线位置进行电流监测，从而逐级算出父节点和子节点，其低压配电网拓扑识别图如图 3所示。

3.2.1 出线柜与分支箱拓扑识别

设台区下所有采集电流的合集为S={I₁, I₂, I₃, …, I_k}，对每个分支箱采集的电流进行求和，形成合集S′={I₁′, I₂′, I₃′, …, I_n′}，其中最小值记为I_min′。在合集S中删除分支箱分项采集电流值以及所有小于I_min′的电流值，形成新的合集S ″={I₁, I₂, I₃, …, I_m}。将S ″中每个值与I₁′进行求差，根据差值大小取出其中最小3个值记为ΔI₍₁₎¹, ΔI₍₂₎¹, ΔI₍₃₎¹。再将S ″中每个值与I₂′进行求差，根据差值大小取出其中最小的3个值记为ΔI₍₁₎², ΔI₍₂₎², ΔI₍₃₎²。依次反复，获取ΔS={ΔI₍₁₎¹, ΔI₍₂₎¹, ΔI₍₃₎¹, ΔI₍₁₎², ΔI₍₂₎², ΔI₍₃₎², …, ΔI₍₁₎ⁿ, ΔI₍₂₎ⁿ, ΔI₍₃₎ⁿ}。

按15 min采集频率，每天可采集96个点，求ΔI₍₁₎ⁿ, ΔI₍₂₎ⁿ, ΔI₍₃₎ⁿ的平均值，再求取均方差σ(ΔI₍₁₎ⁿ), σ(ΔI₍₂₎ⁿ), σ(ΔI₍₃₎ⁿ)，根据均方差中最小值确定该分支箱对应的上级出线柜（或分支箱）。

根据上下级关系，取某一时刻该分支箱进线电流值和对应上级电流值，若上级电流值为某分支箱分项电流值，则判定两个分支箱级联；若上级电流值不属于任一分支箱分项电流值，则判定上级为出线柜。

3.2.2 分支箱与电表箱拓扑识别

根据上述判断出的分支箱与出线柜上下级关系，在合集S中删除所有分支箱对应的上级出线柜（或分支箱）电流值，形成合集S₀={I₁, I₂, I₃, …, I_k}。取任意两个值的差值，形成合集S₁= {I₁₂, I₁₃, I₁₄, …, I_1k}，I_1k=I₁ - I_k, S₂={I₂₁, I₂₃, I₂₄, I₂₅, …, I_2k}, …，S_k={I_k1, I_k2, I_k3, …，I_{kk - 1}}。按15 min采集频率，每天可采集96个点，求S_n中每个值的均方差，根据均方差中最小值确定分支箱出线与电表箱的上下级关系。

3.2.3 拓扑呈现

通过台区的总监测终端、分支监测终端和分支监测单元，分别获取台区总表、分支箱和电表箱侧的电量、电流和电压。基于上述算法，根据子节点的电流、电压和父节点的电流、电压之间的关系，逐步判别出子节点和父节点，并通过一定量的数据积累验证，厘清台区到分支箱、分支箱到表箱之间的关系，分段拓扑图如图 4所示。

3.2.4 基于台区实时拓扑的数据应用 3.2.4.1 故障自动定位和辅助运维

低压配电台区区域往往缺乏有效的监控能力及快速定位故障的方法，大多依靠分析用户投诉信息来获取故障信息。低压配电网拓扑自动识别系统采用分级监控方式缩小停电区段判别范围，通过低压配电网拓扑关系快速定位发生故障的具体位置，有助于对用户停电报修的责任界定，可有效避免纠纷，为用户提供用电安全方面的诊断意见，提高用户满意度。

3.2.4.2 线损分析和异常研判

拓扑识别图形成后，低压配电网拓扑识别系统会自动描绘出分支线损曲线，不仅实现了分支线路级别的线损计算，还能通过线损异常情况进行线损分析和异常研判，并在拓扑识别图上进行异常可视化展示，从而提升电网治理线损异常水平的能力。

4 应用案例 4.1 试点概况及存在的问题

选取某220 kV变电站，812东园Ⅰ回主干下的新源小区2号公用箱式变压器（以下简称箱变）作为试点应用台区。新源小区共有3个箱变，其中3号公用箱变覆盖新源小区5号、6号、7号居民楼及相应的公共用电。该台区下有3个分支箱，但分支箱下覆盖的具体居民楼资料缺失，存在以下问题：

（1）小区内户变关系不清晰，台区到分支箱、分支箱到户表的图纸缺失，无法判断各分支对应的楼栋和户表；

（2）现有低压台区的采集数据无法实现拓扑自动发现，难以实现故障的精确定位，不利于故障的及时排查。

4.2 试点应用台区拓扑图

依托低压配电网拓扑识别系统，对低压台区出线侧、分支箱出线侧、表箱进线侧进行分别监控，分段监测示意图如图 5所示。

分别在出线柜出线、分支箱出线和电表箱进线位置安装电流传感器，以15 min频率采集相关数据，通过HPLC通信模块将相关信息上传至边缘代理装置。传感器分为一级、二级和三级，随着层级增加，传感器级别分类也随之增加，目的是为了辅助确认传感器的父节点。通过分段监测采集台区侧、分支箱侧、表箱侧数据，并通过大数据分析和拓扑算法模型处理台区各节点的关系，从而绘制出台区拓扑关系图，如图 6所示。

4.3 试点应用台区总体线损分布

通过布置在不同位置出线侧的电流互感器，获得每一个分支电量的线损值及相应的线损率，台区总体线损图如图 7所示。

4.4 试点应用台区故障监测

依托低压配电网拓扑识别系统，该试点小区可实现实时监测台区的故障情况和故障位置。图 8和图 9为台区电表箱7号楼1单元2户发生故障的情况。

5 现场应用效果

（1）低压配电网拓扑识别系统主体监测模块于2021-05-20正式投入试挂测试运行，其中两台出线柜、两台分支箱（共含5台断路器）、25台表箱、49台电能表的监测模块在5月21日第一次与主站系统完成数据通信，并完成96条数据入库；在算法模型剔除样本特征类似的7条无效数据后，初步绘制出台区拓扑关系图。

（2）该系统正式投入试挂测试运行至2021-06-30，经过41个自然日的运行，共处理3936笔包括拓扑自动识别、拓扑异常监控、分段线损分析、故障分析等数据监测业务，其中出现的拓扑异常现象是由软件原因造成，已验证恢复，台区无故障数据产生。由人工模拟1条数据用以演示故障分析模块业务功能，与现场实际情况一致。

（3）监测数据模块平均回传时间≤3 s。

（4）实现了对试挂台区设备6类数据的实时监测，即台区出线柜和分支箱监测数据，包括采集时间、设备名称、设备编号、三相电流、零序电流、三相不平衡度、三相电压、有功功率（kW）、无功功率（kvar）、视在功率（kVA）、功率因数、用电量（kWh）；电表箱监测数据，包括采集时间、台区名称、U相电流、三相不平衡度、U相电压、有功功率（kW）、用电量（kWh）；出线柜—分支箱和分支箱—电表箱监测线损数据，包括线段、线损电量，线损率等；故障情况监测数据，包括故障时间、影响范围、影响用户数（用户编号、电表编号、用户位置）、影响设备数（台区编号、设备类型、设备编号、设备位置）等。

通过大数据采集分析技术、HPLC通信技术、智能传感技术、网络全景监测与智能调配技术的实施和应用，实现了台区低压设备和电能表的本地组网，高频采集低压智能终端、电能表等数据，支撑台区拓扑识别、故障精确定位、线损分段计算等功能。

6 结束语

本文基于HPLC研发了低压配电网拓扑自动识别系统，不仅可以明确台区中的户变关系，实时监测台区不同线路的线损电量和线损率，还能精准监测故障情况和故障位置，促进和加强运用智慧大数据技术、全景监测及智能调配技术在电力通信系统运行管理方面的应用，实现主动预警、全程调配、闭环管理，在更广层面、更深层次上提升电力通信运维能力，为内蒙古电网低压配电网精细化管理提供技术支撑。