《Energies》：Data-Driven Identification of Active Distribution Network-to-Customer Transformer Relationships: A Power Active Admittance Regression Method
编辑推荐：
摘要：准确识别配电子区域中的用户变压器关系是低电压配电网精细化管理以及分布式电源并网的基本前提。针对当前存在的记录缺失、接线不规范以及多子区域边界不清等问题，研究人员提出了一种基于有功导纳回归算法（PARA）的识别方法。该方法基于电路基本定律，构建了变压器端总
摘要：准确识别配电子区域中的用户变压器关系是低电压配电网精细化管理以及分布式电源并网的基本前提。针对当前存在的记录缺失、接线不规范以及多子区域边界不清等问题，研究人员提出了一种基于有功导纳回归算法（PARA）的识别方法。该方法基于电路基本定律，构建了变压器端总导纳与各用户端导纳之间线性关系的可回归模型。通过利用智能电表和配电变压器终端同步采集的电气数据，将用户变压器关系的识别问题表述为最小化回归残差的问题。针对三种典型运行工况——纯居民负荷、居民与商业混合负荷以及馈线末端光伏并网——分别建立了约束最小二乘回归模型和引入光伏变量的二元回归模型；引入岭回归正则化以抑制多重共线性并增强模型鲁棒性。使用包含150个连续时间断面和70个测试节点（其中60个为本台区用户，10个为其他台区干扰节点）的数据集进行仿真测试。结果表明，在上述三种工况下，考虑三相不平衡、线路参数随机扰动和测量噪声的工程仿真中，通过100次蒙特卡洛模拟确定的该方法平均准确率分别为86.2%、92.8%和93.1%，标准差范围为1.6%至1.9%，从而验证了该方法在复杂负荷结构和可再生能源并网场景下的有效性和优越性。由于本研究基于仿真数据，未来需利用用电数据采集系统的实际馈线数据进行在线验证。
论文解读文章
**研究背景与问题**
在“双碳”目标与新电力系统发展的驱动下，配电网正从“被动配电网”向“主动、智能、灵活”系统转型。低电压配电台区的精细化管理成为提升供电可靠性、降低线损和支持高比例分布式能源接入的关键。用户变压器关系（即用户与变压器的归属关系）是台区线损精确计算、故障快速定位和负荷均衡的基础。然而，由于历史原因，大量台区存在记录缺失、接线不规范、多子区域边界不清等问题，导致“拓扑失真”，使线损计算出现显著偏差，甚至引发光伏用户归属错误带来的反向潮流误判、过电压保护误动等安全风险。现有识别方法主要分为两类：一是基于专用辅助设备的物理检测法，需额外部署硬件、操作复杂且抗谐波干扰能力弱；二是基于用电数据的挖掘方法，如支持向量机（SVM）、卷积神经网络-长短期记忆（CNN-LSTM）、Transformer、K-means聚类等，这些方法多为“黑箱”模型，物理可解释性差，在不同工况和拓扑结构下的泛化能力难以保证，且多数未考虑分布式光伏广泛并网后的双向潮流场景。因此，亟需开发一种高精度、低成本、可扩展且具有物理可解释性的自动识别技术。
**研究内容与结论**
为解决上述问题，本文提出了一种基于有功导纳回归算法（PARA）的户变关系识别方法。该方法将识别问题从纯统计分类重新定义为受物理约束的线性回归问题，利用电路基本定律在导纳域建立物理可解释的线性模型，并通过岭回归机制实现统计层面的稳健求解。研究人员在MATLAB R2024b中构建了低电压台区仿真模型，模拟了三种典型运行工况（纯居民负荷、居民与商业混合负荷、光伏并网），并进行了系统仿真与对比分析。结果表明，在考虑三相不平衡、线路参数随机扰动和测量噪声的工程仿真中，PARA方法在100次蒙特卡洛模拟下的平均准确率分别为86.2%、92.8%和93.1%，标准差仅1.6%–1.9%，显著优于传统有功电流方法。该方法在复杂负荷结构和可再生能源并网场景下表现出良好的识别准确性与鲁棒性，为智能配电网的精细运维提供了技术基础。论文发表在《Energies》。
**关键技术与方法**
本文采用的主要关键技术方法包括：①基于有功导纳的线性回归建模，利用电路功率守恒定律推导变压器端总导纳与用户端导纳的线性叠加关系；②引入岭回归正则化，抑制特征矩阵多重共线性导致的系数振荡，并通过先验锚定（prior anchoring）机制施加物理约束；③针对光伏并网场景，建立包含光伏注入变量的二元回归模型，并利用决定系数R2进行残差分析；④采用蒙特卡洛模拟（100次）评估算法在参数扰动、测量噪声和数据缺失下的稳定性。样本来源为仿真数据集，包含150个连续时间断面和70个测试节点（其中60个为本台区用户，10个为其他台区干扰节点）。
**研究结果**
**4.1 参数灵敏度分析与拓扑判定阈值设定**
通过对正则化参数λ进行灵敏度扫描（λ ∈ [10?3, 101]），并分析F1分数与准确率随β阈值的变化，确定了三种工况下的最优λ值（0.2059、0.1366、0.0690）以及统一判定阈值β=0.85。虽然纯居民和混合场景下最优β分别为0.83和0.826，但采用0.85作为统一阈值在工程上是一种合理且保守的选择，可确保100%准确率。
**4.2 理想参数下的仿真分析**
在纯居民场景下，有功电流方法准确率为94.3%，有功导纳方法为98.6%，提升约4个百分点；混合居民与商业场景下，由于大负荷启停引起电压剧烈波动，有功电流方法准确率降至71.4%，而有功导纳方法仍达92.9%；光伏并网场景下，有功电流方法准确率为82.6%，有功导纳方法为95.7%，提升13.1个百分点。通过分析有功功率聚合曲线和线损残差，验证了PARA方法在抑制电压波动和应对双向潮流方面的有效性。
**4.3 考虑三相不平衡与随机参数扰动的工程仿真验证**
在引入三相不平衡（±3%）、线路电阻均匀分布U(0.8,1.2) Ω、支路电阻均匀分布U(0.01,0.05) Ω及±20%随机扰动、测量噪声±2%和数据缺失2%的条件下，100次蒙特卡洛模拟结果显示：PARA方法在三种工况下的平均准确率分别为86.2%、92.8%和93.1%，标准差1.6%–1.9%；而传统电流方法分别为80.1%、82.6%和83.4%，标准差2.3%–3.1%。PARA方法的准确率提升了6.1–10.2个百分点，且95%置信区间更窄、分布更高。该方法在计算复杂度上与传统电流方法同阶（O(n3)），单次识别耗时0.12–0.45秒，完全满足工程时效要求。
**4.4 对比实验**
与电压皮尔逊相关系数法和K-means聚类法进行对比：在纯居民场景下，三种方法准确率相近（84%左右）；在混合场景下，PARA方法准确率92%、精确率94%、F1分数93%，优于皮尔逊法（86%、85%、85%）和K-means法（87%、87%、87%）；在光伏并网场景下，K-means法因双源结构聚类特征明显而达97%准确率，但PARA方法精确率98%、F1分数94%，且误判率极低，更具普适性。
**结论**
本文针对低电压配电台区户变关系识别问题，提出了基于有功导纳回归算法（PARA）的识别方法。主要结论如下：（1）与有功电流方法相比，有功导纳方法能有效抑制电压波动对识别结果的干扰，在居民与商业混合负荷及光伏并网等复杂场景中表现出良好的识别准确性与鲁棒性。（2）引入岭回归正则化后，模型在特征矩阵存在多重共线性时仍能稳定求解，增强了回归系数的物理可解释性和工程适用性。（3）针对光伏并网场景，建立了包含光伏注入功率的二元回归模型，结合决定系数与残差分析，实现了双源供电模式下户变关系的准确识别，验证了该方法对分布式能源接入的适应性。（4）通过考虑三相不平衡、线路参数随机变化、测量噪声和数据缺失的蒙特卡洛模拟，该方法在三种工况下100次重复实验的平均准确率分别为86.2%、92.8%和93.1%，标准差为1.6%–1.9%，证明了其在非理想工程条件下的稳定性与鲁棒性。综上所述，该方法无需依赖专用硬件或额外运维成本即可实现户变关系识别，为智能配电网的精细运维提供了技术基础。未来可针对实际台区测量数据中的异常噪声引入迭代识别与数据清洗机制，并进一步探索多源数据融合与在线自适应建模，以全面提升模型在恶劣数据环境下的容错能力。此外，可进一步研究变压器A、B、C三相参数与各馈线支路节点的映射关系，实现从“户-变”关联到“户-相”连接的精准拓扑识别。同时，由于本文未使用真实馈线数据，利用实际馈线用电数据采集系统进行在线验证是下一步的必要工作。
