第 39 卷 第 24 期 中 国 电 机 工 程 学 报 Vol.39 No.24 Dec.

20, 2019
2019 年 12 月 20 日 Proceedings of the CSEE ©2019 Chin.Soc.for Elec.Eng. 7107
DOI：10.13334/j.0258-8013.pcsee.182454 文章编号：0258-8013 (2019) 24-7107-11 中图分类号：TM 711

基于状态量测的电网拓扑结构反向识别方法研究
刘道伟 1，章锐 2，李柏青 1，贠 志皓 3，杨红英 1，李宗翰 1
(1．中国电力科学研究院有限公司，北京市 海淀区 100192；
2．信息网络安全国网重点实验室(全球能源互联网研究院有限公司)，江苏省 南京市 210003；
3．电网智能化调度与控制教育部重点实验室(山东大学)，山东省 济南市 250061)

Research on Reverse Recognition Method of Power System Topological Structure Based on

State Measurement
LIU Daowei1, ZHANG Rui2, LI Baiqing1, YUN Zhihao3, YANG Hongying1, LI Zonghan1
(1. China Electric Power Research Institute, Haidian District, Beijing 100192, China; 2. State Grid Key Laboratory of Information &
Network Security (Global Energy Interconnection Research Institute), Nanjing 210003, Jiangsu Province, China;
3. Key Laboratory of Power System Intelligent Dispatch and Control (Shandong University), Ministry of Education,
Jinan 250061, Shandong Province, China)

ABSTRACT: The inversion of power system topological system verify the effectiveness of the proposed method.
structure is important to achieve data-driven power grid
KEY WORDS: power system; topology structure; reverse
running situational awareness and intelligent control in power
recognition; genetic algorithm; data-driven
system spatiotemporal trajectory. According to the power flow
information of the node branch of grid directly, this paper 摘要：针对大电网状态变化轨迹，反向识别电网拓扑结构，
proposed a reverse identification method of power system 对实现数据驱动的大电网运行态势感知与智能控制具有重要
topological structure based on state measurement. Firstly, the 意义。该文直接根据电网节点支路潮流信息，提出一种基于
reverse of grid topology was attributed to the optimal 状态量测的电网拓扑结构反向识别方法。首先从状态量到节
combination of incoming and outgoing lines, from the new 点关联的全新角度，将电网拓扑结构反向识别归结为节点进
angle of state to node correlation. Secondly, the mathematical 线与出线间全局最优组合问题。然后根据全网支路功率、电
model of topology structure inversion was established 流流通特性，建立电网拓扑结构反向识别数学模型；根据电
according to the power and current flow characteristics of the 网潮流特性，生成接近电网真实拓扑的初始解，为加快求解
whole network. According to the power flow characteristics of 速度对解空间进行了优化。其次基于电网量测单时间断面数
the power grid, the initial solution close to the real topology of 据，采用遗传智能算法对该模型进行求解，引入支路电流、
the power grid was generated, and the solution space was
电压差值率克服电网拓扑结构反向识别不唯一问题。理论上，
optimized for accelerating the solving speed. Thirdly, based on
当全网有功损耗等于量测损耗、有功电流差值等于量测差值，
the measurement of the single time section data of the power
且电压差值率为零时，即得到电网唯一拓扑。最后利用 IEEE
grid, the genetic intelligent algorithm was used to solve the
39、IEEE 118 节点系统进行测试，验证了所提方法的有效性。
model, and the branch current and voltage difference rate were
introduced to overcome the problem that the reverse 关键词：电力系统；拓扑结构；反向识别；遗传算法；数据
identification solution of the topology structure of the power 驱动
grid was not unique. In theory, when the active power loss
0 引言
equals the measurement loss, the active current difference
equals the measurement difference, and the voltage difference 随着新能源占比和电网互联规模不断扩大，电
rate is zero, the unique topology of the power grid is obtained. 网运行环境的不确定性和复杂性递增[1-2]。近年来，
Finally, the test and results of IEEE 39-bus and IEEE 118-bus 国内外发生的多起大停电事故造成了巨大经济损
基金项目：国家重点研发计划(2018YFB0904500)。
失和不良社会影响[3]，现有以建模仿真和预想故障
Project Supported by National Key R&D Program of China 为核心的电网在线安全防御系统受到严峻挑战[4]。
(2018YFB0904500）. 随着广域量测技术的发展[5-7]，以测量信息为基础的
7108 中 国 电 机 工 程 学 报 第 39 卷

大电网数据驱动在线安全分析与控制成为一种全 示，即节点关联矩阵，若两个节点间有连接关系，
[8-9]
新的主动安全防控模式 。 则关联矩阵中对应位置元素取 1，否则取 0。如果
基于量测信息及时把握电网拓扑结构和参数 说由电网拓扑结构(节点关联矩阵)通过潮流计算或
变化规律，是实现数据驱动的电网态势评估与控制 量测得到电网各节点状态量信息属于因果关系，则
[10-12]
的基础 。目前，关于电网拓扑结构分析方法主 根据各节点状态量间内在的关联、规律反推电网拓
[13-15] [16-18]
要有基于关联矩阵 或邻接矩阵 的方法、基 扑结构(节点关联矩阵)属于关联关系，如图 1 所示。
[19-22]
于网络拓扑追踪的方法 、基于面向对象技术的 区别于传统依靠开关信息辨识电网拓扑结构的方
[23-24] [25-26]
方法 ，以及基于图论的方法 、基于面向间 法，仅基于广域量测的电网信息，如何快速识别电
[27]
隔的拓扑分析法 、和基于免疫算法的拓扑结构识 网拓扑结构即为本文讨论的电网拓扑结构反向识
[28-30]
别 。上述方法在拓扑结构辨识过程中均需电网 别问题。
电网节点关联矩阵 电网状态量信息
元件连接关系和开关状态信息，而电网实际运行过
0 1 0 0 0 0 0 0 0 0
程中，状态频繁变化的开关占少数，且开关存在拒 0
 0 0 1 0 0 0 0 0  0  节点支路进线有功 PIi
因果关系
0 0 1 0 0 0 0 0 0 0 节点支路出线有功 POi
动、误动的情况。此外，开关信息在检测过程中不 
0 0 0 0 0 0 1 0 0

0 节点支路进线无功 QIi
0 0 0 0 0 1 0 0 0 0
可避免地会出现错误，为校验开关量还需补充加入   节点支路出线无功 QOi
0 0 0 0 1 0 0 0 0 0
量测的状态量进行校验，由于开关量和状态量量测   关联关系 节点支路进线电流 I Ii
1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 ？ 节点支路出线电流 I Oi
的时间不同步，拓扑识别所需时间比较长。现有识  
          节点电压 Ui
0 0 0 0 0 0 0 0 01   N M 
别方法的另一局限在于，如果系统网架新增线路， 

需要人工维护节点和支路拓扑参数信息，对于我国 图1 某电网拓扑结构反向识别问题
电网建设发展较快的情况，不仅维护工作量大，且 Fig. 1 Inversion problem of
a power system topological structures
容易因人为错误造成系统拓扑识别和后续分析的
1.2 电网拓扑反向识别问题的组合优化思想
失误。如果能完全基于状态量测进行反演拓扑，不
反向识别电网拓扑结构问题即为寻找电网节
仅能从根本上解决传统拓扑识别的限制因素，还能
点或支路间关联关系问题。对于含有 m 个节点，n
为数据驱动全新分析模式奠定理论和工程基础。因
条支路的电网，通过量测可以获取各节点的进、出
此，完全基于电网运行状态信息及其蕴含的网络约
线路流动有功功率 PIi、POi，无功功率 QIi、QOi，有
束规律[31-32]，从新的角度来探索电网拓扑结构反向
功电流 IIi、IOi，电压实部 U IiS 、U Oi
S
，电压虚部 U IiX 、
识别具有较高的理论价值和学术意义。
X
本文在前人工作基础上，针对电网支路潮流、 U Oi 等潮流信息。对其进行处理得到全网节点的进

母线电压信息，依据母线流入、出功率平衡原理， 线矩阵 ZI、出线矩阵 ZO，分别如图 2、3 所示。

将电网拓扑结构反向识别转化为节点进线、出线间 各进线对应节点编号 各进线流通无功 各进线电压实部

全局最优组合问题。为加快求解速度，通过网络物  AI1 PI1 QI1 I I1 U I1S U I1X  第1条进线潮流信息

 
 AI2 PI2 QI2 I I2 U I2S U I2X  第2条进线潮流信息
理约束对解空间进行优化处理，然后采用全局寻优  X 
Z I   AI3 PI3 QI3 I I3 U I3S U I3  第3条进线潮流信息
效果较好的遗传算法获得最优解作为拓扑识别结        
…

 
 AIn PIn QIn I In U ISn U I1X  第n条进线潮流信息
果，避免了遥测遥信量的不同步配合，并为摆脱因   n6

人工维护带来的不便提供了新的方法。基于 IEEE 各进线流通有功 各进线流通电流实部 各进线电压虚部

39 节点、IEEE 118 节点系统仿真测试，结果表明所 图2 电网进线矩阵信息

提方法可以根据状态量测，快速准确识别电网拓 Fig. 2 Input matrix information of power grid

扑，为大电网的数据驱动分析方法奠定基础。 各出线对应节点编号 各出线流通无功 各出线电压实部

 AO1 PO1 S X
 第1条出线潮流信息
1 电网拓扑结构反向识别数学模型 
QO1 I O1 U O1 U O1

第2条出线潮流信息
 AO2 PO2 
S X
QO2 I O2 U O2 U O2
 X 
ZO   AO3 PO3 QO3 S
I O3 U O3 U O3  第3条出线潮流信息
1.1 电网拓扑反向识别问题数学描述        
…

 
本文所提方法解决的是母线节点间的连接关  AOn POn

QOn I On U OSn U OXn 
 n6
第n条出线潮流信息

系，即传统拓扑分析中的站间拓扑，而不是变电站 各出线流通有功 各出线流通电流实部 各出线电压虚部

内部拓扑连接。电网中母线节点和节点间连接支路 图3 电网出线矩阵信息
的拓扑结构可以用母线节点间的连接关系矩阵表 Fig. 3 Output matrix information of power grid
第 24 期 刘道伟等：基于状态量测的电网拓扑结构反向识别方法研究
图中 AIi 为第 i 条进线对应的节点编号，AOj 为
第 j 条出线对应的节点编号。本文将根据电网进、
出线矩阵反演电网拓扑结构。根据进、出线矩阵信
息，将电网拓扑结构反演问题归结为进线矩阵中每
行进线 i 与出线矩阵中每行出线 j 间的组合优化问
题。根据进、出线间的组合关系，可以得到电网支
路关联矩阵 C(cij)，若进线的第 i 行与出线的第 ki
行构成一条支路，则关联矩阵 ciki1，否则 ciki0，
如下所示：
k3 k1 k2  kn
10 1 0  0
20 0 1  0
C 3 1 0 0  0
     
n 0 0 0  1 nn
最后，可根据支路关联矩阵得出电网拓扑结
构。因此，求解电网支路关联矩阵 C 的关键在于 ciki
的取值，即第 i 行的第 ki 列如何确定。这与旅行商
问题很相似，旅行商第 i 步选择哪个城市，第 i1
步选择哪个城市，求解怎么组合规划不重复走遍 Q
个城市，使得总路径长度最小。本文出线矩阵第 i
行节点选择进线支路矩阵的那行节点进行组合，出
线矩阵第 i+1 行节点选择进线支路矩阵的那行节点
进行组合，如何寻求进、出线间不重复的最优组合，
使得全网线路总损耗最小。借鉴旅行商问题的求解
思路，可将电网拓扑结构反向识别问题转化为量测
进线与出线组合优化问题。所得最优解反映的支路
关联矩阵即为全网拓扑结构。
1.3 电网拓扑反向识别问题的组合优化数学模型
根据上述思想，拓扑反向识别问题转化为量测
进线、出线组合优化问题，如何确定支路关联矩阵
C 是本文研究的重点，下文分别论述拓扑识别组合
优化模型的目标函数和约束条件。
1.3.1 目标函数
根据进线矩阵 ZI、出线矩阵 ZO 可以得到电网
支路损耗矩阵 D(dij)，dijPIiPOj。当进线出线组合
形成正确的支路关联矩阵 C，即形成正确的电网拓
扑结构时，全网损耗应该达最小值。本文取电网所
有支路损耗总和最小为目标函数，如下所示：
n n
F (C )  min  cij d ij
i 1 j 1
式中：F 为电网所有支路上损耗总和；cij、dij 分别
为支路关联矩阵 C、损耗矩阵 D 第 i 行 j 列对应的
7109
关联值及组合损耗值。
1.3.2 约束条件
约束条件包括等式约束条件、不等式约束条
件。约束条件如下：
n
 cij  1 , i  (1, n) (3)
j 1
ki  {1, 2,3,, n} , i  (1, n) (4)
ki  k j , i  j; i, j  (1, n) (5)
式中：ki、kj 为出线矩阵 ZO 被选中的行数，分别与
进线矩阵 ZI 的第 i、j 行配对。式(3)表示一条进线
只能与一条出线组合，式(4)、(5)表示 ki 为(1, n)的
(1) 不重复整数。
大电网节点支路众多，组合空间巨大，寻优速
度会影响方法的在线应用。为此，结合功率量测的
方向性以及支路损耗值的范围，对初始解进行优化
处理，加快寻优速度，使其可以在线应用。
1）初始解优化。
当全网损耗最小时，各支路上损耗也应接近最
小值，故在形成初始关联矩阵 C 时，应选取与进线
i 损耗最小的出线 ki 进行组合，最终形成接近真实
解的初始关联矩阵解，降低寻优空间，加快寻优速
度。初始解优化处理方法如下所示：
ki  find( D(i,:)  min( D (i,:)))
 (6)
 D(:, ki )  
式中：D(i,:)为损耗矩阵的第 i 行所有值；min()为
取某行矩阵的最小值；find()为寻找某行矩阵中特
定值所在的列数。以进线矩阵第 i 行进线为基准，
依照当前时刻支路损耗最小寻找进线组合 ki，为了
避免后续组合可能再次选取出线矩阵的 ki 行出线，
将支路损耗矩阵的第 ki 列值设值为。
2）解空间优化。
为了加快计算速度，需要对解空间进行优化，
对损耗矩阵 D 作如下约束：
①同一个节点的进线、出线不能进行组合。即
当进线矩阵第 i 行对应的节点 AIi 与出线矩阵第 j 行
对应的节点 AOj 为同一个节点时，将矩阵 D 中对应
组合损耗 dij 值设为，在关联矩阵求解过程中跳
过该元素，降低解空间，如下所示：
dij   , AIi  AOj (7)
(2)
②对于某条支路而言，支路首端流通有功一般
大于末端流通有功，支路上的有功损耗一般为正
值。根据此条件，将矩阵 D 小于 0 的组合损耗 dij
7110 中 国 电 机 工 程 学 报 第 39 卷

设为，在关联矩阵求解过程中跳过该元素，降低 约束条件：
解空间，如下所示： eij   , AIi  AOj (11)
dij   , d ij  0 (8) eij   , eij  0 (12)

③一般情况下，支路上损耗值具有一定范围。 I Ii  I Oj
eij   ,  % (13)
根据此条件，将损耗矩阵中损耗大于进线有功% I Ii
的元素剔除，将其值设为，如下所示： 其意义也分别与式(7)、(8)、(9)类似。
PIi  POj ①针对情况 1）dfhegrdfregh，再次比较支路
dij   , % (9)
PIi 总损耗最小时(dfhefhdgregr)与(dfrefrdghegh)的大

1.3.3 模型的局限性及改进 小，若前者小于后者，则关联矩阵取 cfhcgr1；若

为了在线对电网结构进行反向识别，本文基于 前者大于后者，则关联矩阵取 cfrcgh1。

单时间断面数据求解电网支路关联矩阵。因此，电 ②针对情况 2）dfhdfr，比较支路总损耗最小时

网支路损耗矩阵也是基于单时间断面数据生成的。 (dfhefh)与(dfrefr)的大小，若前者小于后者，则关联

基于单时间断面数据求解电网支路关联矩阵，在各 矩阵取 cfh1；

若前者大于后者，则关联矩阵取 cfr1。

支路损耗达到最小且和全网损耗相等时，形成的支 ③若对目标函数改进后，得到的解仍然不唯

路关联矩阵有较小概率可能会出现不唯一。假设 f、 一，即(dfhefhdgregr)(dfrefrdghegh)或(dfhefh)

g 分别为进线矩阵的两个进线，h、r 分别为出线矩 (dfrefr)。则分别计算各解中所有线路出线端实测电

阵的两个出线。可能会出现图 4 所示的多解情况。 压 U Oi  U OS i  jU OXi 与 计 算 电 压 U Ci  U CSi  jU CXi 间

的差值率，并求和。理论上，若电网拓扑正确，该
h > > f h f
差值率应该为零。
> >
以图 4(a)中 h 点为例，电压差值率求解思路如
> >
r > > g r g 图 5 所示。总体分为两大步；第一步由进线电压和
线路损耗求出出线计算电压；第二步由出线计算电
(a) 拓扑解1 (b) 拓扑解2

图4 电网拓扑结构多解情况 压和出线量测电压计算出线电压差值率。
Fig. 4 Multiple solutions of power network topology UOSh UCSh UOXh UCXh
出线电压差值率 Uh  (  )100%
S
UOXh
1）dfhegrdfregh，即支路关联矩阵存在 cfh 2 U Oh

UCh UCSh  jUCXh 1

cgr1 或 cfrcgh1 两种或多种取值情况。 出线计算电压
 S  P  Q
> > f
线路量测损耗
2）dfhdfr，及 cfh1 或 cfr1 两种或多种取值 h
UOh UOSh  jUOXh UIf UISf  jUIXf
出线量测电压 进线量测
情况。
U r
为了解决电网支路总损耗最小时支路关联矩 2
1
阵不唯一问题，本文提出了如下解决方法： UCr UCSr  jUCXr
> > g
r
在支路关联矩阵求解过程中，考虑进出线上流 UOr UOSr  jUOXr  S  P  Q UIg UISg  jUIXg
通有功功率同时，考虑进、出线上流通有功电流 IIi、
图5 出线电压差值率求解过程
IOj，类比损耗矩阵 D(dij)，eijIIiIOj 形成电流差值 Fig. 5 Solution process of
矩阵 E(eij)，在目标函数中加入支路有功电流差值 outgoing line voltage difference rate
eij，克服支路矩阵不唯一的不足。如下所示： 若此时解判断 h 点与 f 点相连，则根据两点量
n n 测线路流通功率 SOh  POh  jQOh 、 S If  PIf  jQIf 和
F (C )  min  cij (dij  eij ) (10)
i 1 j 1 节点电压 U Oh  U OS h  jU OXh 、U If  U ISf  jU IXf 可求出
若此时算法仍给出多解情况，则根据支路进线 该线路阻抗 Z fh  R fh  jX fh 。如下所示：
电压、支路功率损耗反推支路出线电压值，计算出
 U I2f
线电压差值率。理论上，当电压差值率为零时，即  R fh  2 ( POh  PIf )
 PIf  QI2f
得到电网正确唯一拓扑。  (14)
在目标函数中加入支路有功电流差值 eij 后，相  U I2f
 fh P 2  Q 2 (QOh  QIf )
X 
应加入类似式(7)、(8)、(9)的约束条件，加入以下  If If
第 24 期 刘道伟等：基于状态量测的电网拓扑结构反向识别方法研究 7111

进而可求出 h 点计算电压 U Ch  U CSh  jU CXh ，如 2 电网拓扑结构反向识别问题求解的遗传

下所示： 算法
 S PIf R fh  QIf X fh
U Ch   U ISf 2.1 遗传算法概述
 U If
电网规模大，实时性要求高，在支路关联矩阵
 (15)
U X  PIf X fh  QIf R fh  U X 求解过程中，不能穷举所有可能的解。只能在约束
 Ch U If
If
 条件下对初始解进行不断进化操作，并进行全局优
则可求得 h 点电压差值率Uh，如下： 化搜索，逐步快速找到最优解，满足在线辨识要求。
因此，电网拓扑结构反向识别求解对算法的进化能
U OS h  U CSh U OXh  U CXh
U h  (  )  100% (16) 力和全局优化搜索能力要求较高。
U OS h U OXh
目前，常用的优化搜索算法主要有 PSO 粒子群
该解中电网总差值率如下： 算法、免疫算法以及遗传算法等。由于 PSO 粒子群
n U U
S S
U U
X X
算法容易早熟、陷入局部最优，且鲁棒性不够好，
U   (
Oi Ci Oi Ci
 )  100% (17)
i 1 U S
Oi U X
Oi 故本文不采用 PSO 粒子群算法。免疫算法与遗传算
综上，求取电网拓扑结构唯一解的思路如下： 法均具有较好的全局寻优能力，只是遗传算法具有
1）由于电网总量测有功损耗一定，正确解的 更高的效率，更有益于解决问题。此外，遗传算法
总有功损耗等于电网总量测有功损耗。故本文第一 的搜索目标具有单一性、排它性，结合总量测有功
步利用式 (2) 将所有总有功损耗等于总量测有功损 损耗、总量测有功电流差值、总电压差值率等约束
耗的解找出来。这样，找出的多组中包含正确解。 条件，可以实现对电网拓扑结构的唯一性识别，故
2）本文第二步利用式(10)开始对多解进一步剔 本文选取遗传算法来解决电网拓扑反向识别最优
除，进一步缩小解的范围。经过大量的仿真实验， 组合问题。
一般经过第一、第二步即可克服解不唯一问题。但 遗传算法(genetic algorithm，GA)是模拟生物在
不排除还有解不唯一的现象。 遗传和进化过程中形成的并行、高效、全局搜索方
3）电网是一个物理网络，各量测量之间有很 法。遗传可以使种群的优良性状不断传给下一代，
强的关联性。如果拓扑解不正确，用一些量测量推 保持种群的特性。变异可以使种群的性状发生改
导另一些量测量时会出现较大的偏差。本文利用量 变，使种群向着适应新环境的方向不断发展。在一
测线路功率损耗、进线端电压、进线端功率对线路 定约束条件下，通过对当前种群进行选择、交叉、
出线端电压进行计算求解。通过计算出线端量测电 变异等一系列遗传操作产生新一代种群，并进行适
压与计算电压的差值，来判断电网拓扑结构的正确 应度计算，通过适应度来判断种群与环境的适应情
性。理论上，若电网拓扑结构正确，该差值为零。 况。在搜索过程中可以自动的获取搜索空间相关知
最终形成从有功损耗、电流损耗、电压差值率 3 个 识，并自适应控制搜索过程，以得到最优解。该算
维度约束的电网拓扑结构反向识别方法，得到唯一 法对问题的求解过程与电网拓扑结构反向识别问
拓扑解，如图 6 所示。 题的求解要求较为吻合，选择 GA 可以较好地实现
对电网拓扑结构反向识别问题的求解。
电压差值约束 2.2 初始种群产生
传统算法在求解问题时初始解一般随机给出。
但由于电网规模巨大，为了加快寻优速度，本文在
初始解生成阶段，根据全网损耗最小情况下，各支
功率损耗约束 路上损耗也相对较小的思路，给出与真实解相接近
的初始解种群，减少遗传进化代数，提高拓扑结构
电流差值约束
生成效率。
图6 多维电网拓扑结构反向识别
电网拓扑结构反向识别初始解即为支路关联
Fig. 6 Reverse identification of 矩阵 C(cij)，当进线 i 与出线 j 组合时 cij1，否则
multi-dimensional power network topology cij0 。 根 据 式 (1) ， 可 形 成 一 个 初 始 解 关 联 矩 阵
7112 中 国 电 机 工 程 学 报 第 39 卷

C{ciki1, cij0,jki}，i{1,2,3,,n}。 支路关联矩阵个体适应度越大，被选择的机会

但依照上述思想形成的初始支路关联矩阵解 也越大，为了选择后续交叉个体，需要进行多轮选
不一定是电网真实拓扑关联矩阵。即进线 i 与出线 择。每一轮产生一个[0, 1]内的均匀随机数，将该随
ki 组合对应的损耗 diki 不一定是真实电网进线 i 对应 机数作为指针来确定被选择个体。
的线路损耗。某一时刻，diki 可能比电网进线 i 对应 2）交叉。对种群 R(t)中选中的支路关联矩阵进
真实线路损耗还要小。即第 i 行进线与第 ki 行出线 行交叉操作，各关联矩阵间随机搭配。对每一对支
的组合不是真实电网支路，进而在进线矩阵第 i+1 路关联矩阵，以交叉概率 Px 交换他们之间的部分染
行及以后的损耗求取中，可能引发连锁组合错误。 色体。提升算法的搜索能力。
即不能保证能得到全局最优解。 3）变异。对种群 R(t)中选中的支路关联矩阵，
由上述分析可以看出，当进线 i 取值的次序不 按照变异概率 Pb 判断是否进行变异，然后对需要变
同时，可形成不同的支路关联矩阵。即 i{1,2,3,,n} 异的支路关联矩阵随机选择变异位进行变异。
与 i{3,1,4,,n}可形成不同的初始解。本文引入随 2.5 算法流程
机数i 表示进线 i 的取值次序 i  {1 ,  2 , 3 ,,  n } ， 基于遗传算法的电网支路关联矩阵求解流程
i  (1, n) ，ij，即i 为 1 到 n 的不重复随机整数。 如图 7 所示。
结合式(6)，可形成进线 i 不同取值次序下的支路关 开始

联矩阵解 C  {ci k  1, ci j  0, j  ki } ，其中 r 为初

r r r
按支路损耗最小原则生成
i
初始支路关联矩阵种群
始种群 R 中的某个解，初始种群 R  {C , C ,, 1 2

C r ,, C N P } ， N P 为种群初始规模。
计算种群中各支路关联矩
变异操作
2.3 适应度计算 阵对应的全网损耗F(C)

生成初始支路关联矩阵种群后，计算种群中每
计算种群中各支路关联
交叉操作
个支路关联矩阵 Cr 的适应度 fCr，以此评价该关联 矩阵对应的目标函数F'(C)

矩阵与真实电网拓扑结构之间的适应程度，选取种
计算种群中各支路
群 R 中适应度最高的关联矩阵作为当前时刻最优 选择操作
关联矩阵的适应度fCr

解。为了便于比较，对种群中关联矩阵适应度进行
归一化处理，如下所示： 达到最大迭代次数？
是

F (C )  Fmin
r
 ( R)
fC r  1  (18) 否
 ( R)  Fmin
Fmax  ( R)
否
式中： F (C r ) 为支路关联矩阵 C r 的目标函数值；
FC=FS？
是
 ( R) 为 种 群 中 支 路 关 联 矩 阵 最 小 适 应 度 ；
Fmin
 ( R) 为种群中支路关联矩阵最大适应度。
Fmax 计算电压差值率U

2.4 遗传操作 否
U =0 ？
遗传操作是电网支路关联矩阵遗传和进化的
必备过程，是能否找到正确支路关联矩阵的关键。 是
输出最优支路关联矩阵
遗传操作分为选择、交叉、变异三个过程。
1）选择。本文采用“轮盘赌”选择法，从第 t 结束

代种群 R(t)中选择一些优良的支路关联矩阵个体遗
图7 遗传算法流程图
传到下一代种群 R(t1)中。
“轮盘赌”选择法利用各 Fig. 7 Flowchart of genetic algorithm
支路关联矩阵适应度所占比例来决定被保留的可 具体实现步骤如下：
能性，若某个支路关联矩阵 Cr 适应度为 fCr，种群 1）根据 2.2 节思路，按支路损耗最小原则生成
规模为 N P ，则该支路关联矩阵被选取的概率为 PCr， 规模为 N P 的初始支路关联矩阵种群 R；
如下所示： 2）按照式(10)计算种群 R 中各支路关联矩阵
r
NP
C 对应的全网损耗 F(C)，改进后目标函数 F(C)，
PC r  f C r /( f C r ), r  1, 2,, N P (19)
r 1 适应度 fCr；
第 24 期 刘道伟等：基于状态量测的电网拓扑结构反向识别方法研究 7113

3）如果初始种群中关联矩阵目标函数 F(C)等 据支路关联矩阵，可以得到电网拓扑结构。为了直

于全网损耗 FS，且解唯一，则输出最优关联矩阵； 观展示、验证反向识别的正确性，用电网原始正确
4）判断是否达到最大迭代次数，如果是，则 的支路关联矩阵形成原始结构拓扑图，如图 9 所示，
按照式(17)计算电压差值率U，如果U0 则输出 圆圈表示节点，直线表示连接关系。将算法生成的
最优关联矩阵，否则转入步骤 5）； 关联拓扑结构与原始拓扑结构进行比较，即可验证
5）判断支路关联矩阵对应的损耗 F(C)是否等 算法生成支路关联矩阵的正确性。
于电网量测计算损耗 FS，若不相等，则进行选择、 450
节点
39 30 37
9 1
交叉、免疫等操作，转入步骤 2）。若相等转入步 连接关系 8 2
38
350 25 29
骤 6）； 26

拓扑图纵坐标
7 3
6）按照式(17)计算出电压差值率U，如果U0 250
5 4 18 27
28
6 33
则表示得到了正确的电网拓扑解，否则转入步骤 5） 31
17
14 19
11
直至解唯一； 150 12
13
15
16
节点编号 20
7）输出该关联矩阵，并结束。 10 24 21

50 23 22 34
32
3 算例分析 36 35
0 200 400 600

以 IEEE 39 节点系统为例对本文所提电网拓扑 拓扑图横坐标

结构反向识别问题进行仿真实验分析。IEEE 39 节 图9 IEEE 39 节点系统原始拓扑结构

Fig. 9 Original topology structure of
点系统如图 8 所示。
IEEE 39 node power system
30 37
1）仅利用有功功率，采用目标函数 F(C)时的
2 25 26
27
28 29
电网识别结果。
3 18 38
1 当仅利用节点进出线有功功率，并且将全网损
17 21
39 耗作为目标函数时，有较小概率会出现多解情况，
15 16
4
如图 10 所示。由图 10 可知，节点 3、4、26、28
14 24 36
出现了多解。即{c3,261, c4,281}和{c3,41, c26,281}
5 23
13 两种情况，而后者连接情况才是正确的。
6 12
19 450 39
9 30 37
节点 1
9 38
11 10 22 连接关系 8 2 25
7 20 350 29
原拓朴连接 错误连接
26
拓扑图纵坐标

31 32 34 33 35 7 3
5 4 28
250 18 27
8 6 33
17
31 14
图8 IEEE 39 节点系统拓扑结构 11 12
15 19
150 13 16
Fig. 8 Topology structure of IEEE 39 node power system 节点编号 20
10 24 21
利用 Matlab 仿真得到某时刻电网各节点对应 50 23 34
32 22
进线、出线上流通有功功率、流通有功电流、对应 36 35
0 200 400 600
节点电压单时间断面数据。为了便于计算，出线上
拓扑图横坐标
有功功率、电流前取正号，进线上有功功率、电流
图 10 IEEE 39 节点系统多解情况
取负号。 Fig. 10 Multi solution situation of
基于遗传算法，节点 m39，支路数 n46，种 IEEE 39 node power system
群进化代数 T100，种群规模 N P =200 ，交叉概率 2）目标函数为 F(C)时的电网识别结果
为 Px0.5，变异概率 Pb0.05，电网量测损耗 FS 为了解决该多解问题，根据 1.3.3 节思路，在
4.362，有功损耗率%10%，有功电流差值率% 目标函数中引入支路有功电流差值 eij，并相应设置
10%。用 Matlab 对电网反向识别问题进行求解。 约束条件，如式(10)—(13)所示。
根据遗传算法对 IEEE 39 节点系统拓扑结构进 通过查询可以得到节点 3、4、26、28 的进出
行反向识别，得到 39 节点系统支路关联矩阵。根 线有功功率、有功电流，如表 1 所示。根据表中数
7114 中 国 电 机 工 程 学 报 第 39 卷

据计算，可以得到支路损耗矩阵 D和支路有功电流 450 节点 39 30 37

9 1 38
连接关系
差值矩阵 E，如下所示： 8 正确连接 2 25
350 29
4 26 26

拓扑图纵坐标
7 3
5 28
4
3 0.048 0.051 (20) 250 18 27
D  6
17 33
28 0.039 0.042 31 14
15
11 12 19
150 13 16
4 26 节点编号 20
10 24 21
3 0.299  1.525 (21)
E  50 23 34
32 22
36 35
28 2.344 0.56
0 200 400 600
表1 IEEE 39 节点系统仿真数据 拓扑图横坐标
Tab. 1 Simulation data of IEEE 39 node power system 图 11 改进后的 IEE39 节点系统拓扑识别结果
节点 有功功率 有功电流 Fig. 11 Topology recognition results of
3 9.572 7.565 improved IEEE 39 node power system
4 -9.524 7.266 表2 各节点量测数据
26 -9.521 9.09 Tab. 2 Measurement data of each node
28 9.563 9.61
节点 h f r g
由于 e3,26<0，于是根据式(12)所示的约束条件， 功率 15.164j13.36 15j11.25 15.129+j15.206 14.8j13
对其进行处理，e3,26，如下： 电流 0.147j0.11 0.146j0.109 0.146j0.128 0.144j0.126
电压 110.515j8.722 102.85 111.9+j7.528 103
4 26
3 0.299  (22) UCh、UCr。计算结果分别如图 12、图 13 所示。
E UOh110.515j8.722 Zhf4.93j63.5
28 2.344 0.56 h f
UCh110.515j8.722
对节点支路损耗进行计算分析，由于 d 3 , 4 
d28,26d3,26d28,40.09，所以会出现多解情况。引入
支路有功电流差值 eij 后，再次计算两种情况下支路
有功损耗与有功电流差值之和，并进行比较。如下 UOr111.9j7.528 Zrg9j60.3
r g
所示：
UCr111.9j7.528
 d3,4  d 28,26  e3,4  e28,26  0.859 图 12 拓扑解 1 计算结果
 (23)
 d3,26  d 28,4  e3,26  e28,4   Fig. 12 Calculation results of
power network topology solution 1
进而可知，(d3,4d28,26e3,4e28,26)<(d3,26d28,4 h UOh110.515j8.722 f
e3,26e28,4) ， 因 此 根 据 1.3.3 节 思 路 ， 取 {c3,41,
UCh105.69j0.158
c26,281}，而排除{c3,261, c4,281}{c3,261, c4,281}情
况。最终得到唯一的支路关联矩阵，进而形成图 11 Zrf3.881j119.032

所示的电网拓扑结构。
Zhg9.952j9.84
3）根据量测量间关联性，引入电压差值率，
寻找唯一拓扑结构。 UOr111.9j7.528
以图 4 为例，根据电压差值率确定电网拓扑唯 r g
UCr116.436j16.936
一解。假设测得 h、f、r、g 各点的流通功率、线路
图 13 拓扑解 2 结算结果
电流以及节点电压值如表 2 所示。根据计算可知 Fig. 13 Calculation results of
(dfhefhdgregr)与(dfrefrdghegh)值相等均为 0.496， power network topology solution 2
仅利用目标函数 F(C)，无法从图 4(a)、(b)中判别 由图 12 可知，拓扑解 1 中 h、r 点计算电压与
出正确解。 出线量测电压相等，即 UChUOh、UCrUOr。进而根
为解决上述问题，本文根据式(14)分别计算得 据式(17)计算出拓扑解 1 中电压差值率U10。
到两种解的线路阻抗 Zhf、Zrg 与 Zhg、Zrf。进而根据 由图 13 可知，拓扑解 2 中 h、r 点计算电压与
式(15)分别计算得到两种解中 h、r 点的计算电压 出线量测电压不相等，且差别较大，即 UChUOh、
第 24 期 刘道伟等：基于状态量测的电网拓扑结构反向识别方法研究 7115

UCrUOr。根据式(17)计算出拓扑解 2 中电压差值率 Zhu Fang，Zhao Hongguang，Liu Zenghuang，et al．The

U2223.474%。 influence of large power grid interconnected on power
system dynamic stability[J]．Proceedings of the CSEE，
由计算结果可知，拓扑解 1 的电压差值率小于
2007，27(1)：1-7(in Chinese)．
拓扑解 2，即U1<U2。U10、U20，显然拓扑
[2] 陈树勇，常晓鹏，孙华东，等．风电场接入对电力系统
解 1 的电压差值率更符合实际，拓扑解 1 为正确唯
阻尼特性的影响[J]．电网技术，2013，37(6)：1570-1577．
一解。 Chen Shuyong，Chang Xiaopeng，Sun Huadong，et al．
4）智能算法全局寻优效率对比。 Impact of grid-connected wind farm on damping
为了验证本文算法在全局寻优上的优越性，选 performance of power system[J] ． Power System
取了常用的寻优算法—免疫算法，利用文本所提组 Technology，2013，37(6)：1570-1577 (in Chinese)．

合优化数学模型，对 IEEE 39 节点系统和 IEEE 118 [3] 印永华，郭剑波，赵建军，等．美加“814”大停电事故

初步分析以及应吸取的教训[J]．电网技术，2003，
节点系统的拓扑结构进行反演识别，记录最终取的
27(10)：8-11．
反演拓扑结构所需要时间，如表 3 所示。
Yin Yonghua，Guo Jianbo，Zhao Jianjun，et al．Preliminary
表3 各算法寻优效率对比 analysis of large scale blackout in interconnected North
Tab. 3 Comparisons of search efficiency of each algorithm America power grid on august 14 and lessons to be
时间/s drawn[J]．Power System Technology，2003，27(10)：
系统类别
免疫算法 遗传算法 8-11(in Chinese)．
IEEE 39 20 0.30 [4] 薛禹胜．时空协调的大停电防御框架(二)广域信息、在
IEEE 118 35 0.33 线量化分析和自适应优化控制[J]．电力系统自动化，
由表 3 可知，本文所用遗传算法在 IEEE39 节 2006，30(2)：1-10．

点系统、IEEE118 节点系统上的全局寻优时间分别 Xue Yusheng ． Space-time cooperative framework for

defending blackouts part ii reliable information ，
为 0.3，0.33s，远低于免疫算法所需要的寻优时间。
quantitative analyses and adaptive controls[J]．Automation
验证了遗传算法在解决本文全局寻优组合问题上
of Electric Power Systems，2006，30(2)：1-10(in Chinese)．
的优越性。本文方法可以实现电网拓扑结构的在线 [5] 辛耀中，石俊杰，周京阳，等．智能电网调度控制系统
识别，具有广泛的工程应用价值。 现状与技术展望[J]．电力系统自动化，2015，39(1)：
2-8．
4 结论
Xin Yaozhong ， Shi Junjie ， Zhou Jingyang ， et al ．
本文基于广域时空量测信息并有效利用网络 Technology development trends of smart grid dispatching
潮流约束规律，将电网拓扑结构反向识别问题转化 and control systems[J]．Automation of Electric Power
为节点进线与出线间最优组合问题。 Systems，2015，39(1)：2-8(in Chinese)．
[6] Yang W，Li W，Lu J．Reliability analysis of wide-area
利用遗传算法对这一全局寻优问题进行求解。
measurement system[J]． IEEE Transactions on Power
根据电网潮流特性，生成与真实拓扑结构相接近的初
Delivery，2010，25(3)：1483-1491．
始解，并对解空间进行优化，减少大量不必要的搜索 [7] Lin Z，Wen F，Ding Y，et al．Wide-area coherency
空间，能够快速得到全局最优可行解。同时，算法引 identification of generators in interconnected power
入支路电流差值、线路出线电压差值率等约束条件， systems with renewables[J] ． IET Generation ，
克服了电网拓扑结构反向识别解不唯一现象。 Transmission & Distribution，2017，11(18)：4444-4455．
本文研究思路和方法，基于单时间断面数据， [8] 杨胜春，汤必强，姚建国，等．基于态势感知的电网自
动智能调度架构及关键技术[J]．电网技术，2014，38(1)：
可在线对电网拓扑结构进行反向识别。将为基于广
33-39．
域时空信息的大电网时空动力学特性精准把握和
Yang Shengchun，Tang Biqiang，Yao Jianguo，et al．
广域协调优化控制提供新视角，具有较大的学术研 Architecture and key technologies for situational
究借鉴意义和工程使用价值。 awareness based automatic intelligent dispatching of
power grid[J]．Power System Technology，2014，38(1)：
参考文献
33-39(in Chinese)．
[1] 朱方，赵红光，刘增煌，等．大区电网互联对电力系统 [9] 刘道伟，张东霞，孙华东，等．时空大数据环境下的大
动态稳定性的影响[J]．中国电机工程学报，2007，27(1)： 电网稳定态势量化评估与自适应防控体系构建[J]．中国
1-7． 电机工程学报，2015，35(2)：268-276．
7116 中 国 电 机
Liu Daowei，Zhang Dongxia，Sun Huadong，et al．
Construction of stability situation quantitative assessment
and adaptive control system for large-scale power grid in
the spatiotemporal big data environment[J]．Proceedings
of the CSEE，2015，35(2)：268-276(in Chinese)．
[10] 竺炜，周孝信，唐如．电网的弹性力学网络拓扑映射[J]．
中国电机工程学报，2011，31(31)：109-117．
Zhu Wei，Zhou Xiaoxin，Tang Ru．Elasticity network
topology mapping for power grid[J]．Proceedings of the
CSEE，2011，31(31)：109-117(in Chinese)．
[11] 曲广龙，杨洪耕，吴晓清，等．考虑电网拓扑结构的行
波故障定位方法[J]．电力系统及其自动化学报，2013，
25(6)：117-122．
Qu Guanglong，Yang Honggeng，Wu Xiaoqing，et al．
Fault location with traveling wave considering network
topological structure[J]．Automation of Electric Power
Systems，2013，25(6)：117-122(in Chinese)．
[12] 刘艳，顾雪平，基于节点重要度评价的骨架网络重构[J]．
中国电机工程学报，2007，27(10)：20-27．
Liu Yan，Gu Xueping．Node importance assessment based
skeleton-network reconfiguration[J]．Proceedings of the
CSEE，2007，27(10)：20-27(in Chinese)．
[13] 王湘中，黎晓兰．基于关联矩阵的电网拓扑辨识[J]．电
网技术，2001，25(2)：10-16．
Wang Xiangzhong，Li Xiaolan．Topology identification of
power network based on incidence matrix[J] ． Power
System Technology，2001，25(2)：10-16(in Chinese)．
[14] 马静，张俣妤，马伟，等．基于关联矩阵标记法与回路
矩阵的电网拓扑分析[J]．电力系统自动化，2014，
38(12)：74-80．
Ma Jing，Zhang Yuyu，Ma Wei，et al．Power network
topological analysis based on incidence matrix notation
method and loop matrix[J]．Automation of Electric Power
Systems，2014，38(12)：74-80(in Chinese)．
[15] 华健，韩学山，王锦旗，等．改进高斯消元算法在电力
系统拓扑结构分析中的应用[J]．电网技术，2007，
31(23)：57-61．
Hua Jian，Han Xueshan，Wang Jinqi，et al．Application
of improved gaussian elimination algorithm in power
system topology analysis[J]．Power System Technology，
2007，31(23)：57-61(in Chinese)．
[16] Zhu Y L，Sidhu T S，Yang M Y，et al．An AI-based
automatic network topology processor[J]．Electric Power
Systems Research，2002，61(1)：57-65．
[17] Butler P K L，Sarma N D R．Self-healing reconfiguration
for restoration of naval shipboard power systems[J]．IEEE
Transactions on Power Systems，2004，19(2)：754-762．
[18] Goderya F，Metwally A A，Mansour O．Fast detection and
identification of islands in power networks[J] ． IEEE
Transactions on Power Apparatus and Systems，1980，
工 程 学 报 第 39 卷
99(1)：217-221．
[19] 徐岩，宋艳争，张亚刚，等．基于广域测量系统的改进
电网拓扑结构识别[J]．电网技术，2010，34(9)：88-93．
Xu Yan，Song Yanzheng，Zhang Yagang，et al．An
improved method for power network topology
identification based on wide area measurement system
[J]．Power System Technology，2010，34(9)：88-93(in
Chinese)．
[20] Phongsak D Y，Dabbaghchi I．A topology-based algorithm
for tracking network connectivity[J]．IEEE Transactions
on Power Systems，1995，10(2)：339-345．
[21] 宋少群，朱永利，于红．基于图论与人工智能搜索技术
的电网拓扑跟踪方法[J]．电网技术，2005，29(19)：45-49．
Song Shaoqun，Zhu Yongli，Yu Hong．A power network
topology tracking method based on graph theory and
artificial intelligence search technique[J]．Power System
Technology，2005，29(19)：45-49(in Chinese)．
[22] 屈志坚，刘明光，李娜，等．环形拓扑快速追踪优化算
法[J]．电力系统自动化，2009，33(21)：43-47．
Qu Zhijian，Liu Mingguang，Li Na，et al．Modeling of
wind speed uncertainty and interval power flow analysis
for wind farms[J] ． Automation of Electric Power
Systems，2009，33(21)：43-47(in Chinese)．
[23] 廖卫列，刘军，于海玉．基于地理信息系统的配电网络
拓扑分析及其应用[J]．电网技术，2006，30(1)：85-88．
Liao Weilie，Liu Jun，Yu Haiyu．Distribution network
topological analysis and apply based on GIS platform[J]．
Power System Technology ， 2006 ， 30(1) ： 85-88(in
Chinese)．
[24] 龙启峰，陈岗，丁晓群，等．基于面向对象技术的电力
网络拓扑分析新方法[J]．电力系统及其自动化学报，
2005，17(1)：73-77．
Long Qifeng，Chen Gang，Din Xiaoqun．New method of
power network topology analysis based on object-oriented
technology[J]．Proceedings of the CSU-EPSA，2005，
17(1)：73-77(in Chinese)．
[25] 吴文传，张伯明．基于图形数据库的网络拓扑及其应用
[J]．电网技术，2002，26(2)：14-18．
Wu Wenchuan，Zhang Boming．A graphic database based
network topology and its application[J]．Power System
Technology，2002，26(2)：14-18(in Chinese)．
[26] 梅念，石东源，段献忠．基于图论的电网拓扑快速形成
与局部修正新方法[J]．电网技术，2008，32(13)：35-39．
Mei Nian，Shi Dongyuan，Duan Xianzhong．A novel
method for fast power network topology formation and
partial revision based on graph theory[J]．Power System
Technology，2008，32(13)：35-39(in Chinese)．
[27] 韩国政，邱洪泽．面向间隔的电力网络拓扑分析方法[J]．
电力系统自动化，2006，30(13)：59-63．
Han Guozheng，Qiu Hongze．Bay-oriented power system
第 24 期 刘道伟等：基于状态量测的电网拓扑结构反向识别方法研究 7117

network topology analysis[J] ． Automation of Electric [32] Chen L，Lu J A，Tse C K．Synchronization：an obstacle
Power Systems，2006，30(13)：59-63(in Chinese)． to identification of network topology[J] ． IEEE
[28] 李樊，刘天琪，江东林．采用改进免疫算法的多目标配 Transactions on Circuits and Systems-II ： EXPRESS
电网重构[J]．电网技术，2011，35(7)：134-138． BRIEFSI，2009，56(4)：310-314．
Li Fan，Liu Tianqi，Jiang Donglin．Distribution network
reconfiguration with multi-objective based on improved 收稿日期：2018-12-06。
immune algorithm[J]．Power System Technology，2011， 作者简介：
35(7)：134-138(in Chinese)． 刘道伟(1977)，男，博士，高级工程师，
[29] 蒙文川，邱家驹．基于免疫算法的配电网重构[J]．中国 主要研究方向为响应式大电网稳定态势量
电机工程学报，2006，26(17)：25-29． 化 评 估 与 自 适 应 控 制 ， liudaowei@epri.
Meng Wenchuan ， Qiu Jiaju ． An artificial immune sgcc.com.cn；
algorithm to distribution network reconfiguration[J] ． 刘道伟 章锐(1991)，男，博士研究生，研究方
Proceedings of the CSEE ， 2002 ， 26(17) ： 25-29(in 向为响应式大电网稳定态势评估方法研
Chinese)． 究，anhuizhangrui2015@126.com；
[30] 杨秀霞，张晓锋，张毅蒙．免疫遗传算法在舰船电力系 李柏青(1963)，男，教授级高级工程师，
统供电恢复中的应用研究[J]．中国电机工程学报，2004， 主要从事电力系统分析与控制研究工作；
24(09)：80-85． 贠志皓(1973)，男，博士，副教授，主
Yang Xiuxia，Zhang Xiaofeng，Zhang Yimeng．Study on 要研究方向为电力系统运行与控制，
immune genetic algorithm for shipboard power system zhihaoyun@sdu.edu.cn；
service restoration[J]．Proceedings of the CSEE，2004， 杨红英(1980)，女，博士，高级工程师，
24(9)：80-85(in Chinese)． 主要研究方向为数据驱动的电网安全稳定
[31] 陆君安，吕金虎，刘慧，等．复杂动力网络结构识别的 评估；
某些新进展[J]．复杂系统与复杂性科学，2010，7(2)： 李宗翰(1993)，男，博士研究生，研究
63-69． 方向为数据驱动的电网安全稳定评估。
Lu Junan，Lü Jinhu，Liu Hui，et al．New progress on
(责任编辑 乔宝榆)
structure identification of complex dynamical networks
[J]．Complex Systems and Complexity Science，2010，
7(2)：63-69(in Chinese)．
Extended Summary DOI：10.13334/j.0258-8013.pcsee.182454

Research on Reverse Recognition method of Power System Topological

Structure Based on State Measurement
LIU Daowei1, ZHANG Rui2, LI Baiqing1, YUN Zhihao3, YANG Hongying1, LI Zonghan1
(1. China Electric Power Research Institute; 2. Global Energy Interconnection Research Institute; 3. Shandong University)

KEY WORDS: power system; topology structure; reverse recognition; genetic algorithm; data-driven

The existing on-line security defense system based
on modeling, simulation and anticipated faults is facing
severe challenges. With the development of wide area
measurement system, it is the basis of realizing
data-driven power grid situation assessment and control
to grasp the changing rules of power grid topology and
parameters in time based on measurement information.
In this paper, the inverse identification of power
topology structure is reduced to the global optimal
the unique topology of the power grid is obtained, as
shown in Fig. 1.
An example is given to illustrate how to determine
the unique solution of the power grid according to the
voltage difference rate. The power flow of each node is
shown in Tab. 1. According to the calculation, (dfhefh
dgregr)(dfrefrdghegh), and the unique solution can not
be identified, as shown in Fig. 2.
Voltage difference constraint

combination problem between the incoming and

outgoing lines of nodes. According to the power and
current flow characteristics of the branch of the power
grid, a mathematical model for reverse identification of Power loss
constraint
power topology structure is established from a new
perspective of state variables to node association. Current constraint
 n n

 F (C )  min  cij (dij  eij )

Fig. 1 Reverse identification of multi-dimensional power topology
 i 1 j 1 Tab. 1 Measurement data of each node
  n
  cij  1 , i  (1, n)
Bus Power Current Voltage

  j 1 h 15.164+j13.36 0.147-j0.11 110.515+j8.722

 k  {1, 2,3,, n} , i  (1, n) f 15+j11.25 0.146-j0.109 102.85
  i r 15.129+j15.206 0.146-j0.128 111.9+j7.528
 ki  k j , i  j; i, j  (1, n) g 14.8+j13 0.144-j0.126 103
 
  PIi  POj (1) In order to get the unique solution, the voltage
s.t.  d ij   , AIi  AOj , d ij  0, %
difference rates of the two solutions are calculated, and
 
PIi
  I  I Oj
U10 ， U10 is obtained. It shows that topology
 eij   , AIi  AOj , eij  0, Ii % solution 1 is the correct topology solution of power grid.
  I Ii h UOh110.515j8.722

f


 ki  find ( D(i,:)  min( D(i,:)))
UCh105.69j0.158
UOh110.515j8.722

  D(:, k )  
Zhf4.93j63.5
h f Zrf3.881j119.032
UCh110.515j8.722

  i
 Zhg9.952j9.84

  U  0
UOr111.9j7.528 UOr111.9j7.528
Zrg9j60.3
r g
Based on the single time section data of power grid UCr111.9j7.528
r
UCr116.436j16.936
g

measurement, the model is solved by genetic intelligence
algorithm. The branch current and voltage difference
ratio is introduced to overcome the non-unique problem
of reverse identification of power topology structure. In
theory, when the active power loss and active current
loss of the whole network are equal to the measured and
calculated loss, and the voltage difference rate is zero,
S2
(a) Topological solution 1 (b) Topological solution 2
Fig. 2 Calculation results of power topology solution
This method can identify the topology of power grid
on-line. It provides a new perspective for the accurate
grasp of large power grid dynamic characteristics and
wide-area coordinated optimal control based on wide-area
space-time information, and has great academic
significance and engineering application value.