基于真实同步相量测量装置数据的主动配电网新型数据驱动多任务事件检测方法

《Renewable Energy Focus》：A new data-driven multi-task event detection approach based on real-world PMU data for active distribution networks

　　

摘要 研究人员针对主动配电网中分接开关操作(TC)、负荷投切(LS)及电弧事件的可靠检测需求，提出了一种基于真实同步相量测量装置(PMU)数据的新型数据驱动多任务事件检测方法。现有监督学习方法虽性能较优，但对大规模高质量标注数据集的依赖严重限制了其在现实系统中的适用性；无监督方法虽逐渐受到关注，但现有多任务无监督方法常因采用统一分析框架，未区分电压驱动与电流驱动扰动的物理特性，导致异质事件难以区分，且事件特征易被掩盖，多事件并存时出现主导事件偏差。为解决此局限，研究人员首先提出自适应多尺度方向性中值滤波器(AMDMF)以提升PMU测量质量；随后构建解耦检测框架：基于电压测量实现TC检测，基于电流测量结合自适应模型选择的无监督多模型聚类方法实现LS与电弧事件检测。与现有统一框架不同，该方法依据事件底层物理行为对电压驱动与电流驱动事件进行解耦分析，并集成自适应多模型无监督聚类策略。研究人员利用真实标注PMU数据验证该方法，并进一步应用于分析屋顶光伏并网对配电网的影响。

论文解读

研究背景与意义

随着分布式能源、电动汽车及动态负荷渗透率提升，主动配电网运行复杂度显著增加，可靠监测与控制成为保障系统稳定的关键。同步相量测量装置(PMU)作为电网态势感知的核心传感设备，其数据驱动的扰动事件检测对设备状态评估、电压调节及故障预警具有重要意义。当前主流事件检测方法分为监督与无监督两类：监督学习依赖大量标注数据，泛化性受特征选择与数据集代表性制约；无监督方法虽无需标注，但现有多任务框架常将电压驱动的TC与电流驱动的LS、电弧事件纳入同一特征空间分析，忽视物理机制差异，导致特征可分性下降，易出现误分类。为此，研究人员开展本研究，旨在突破统一框架的局限性，提升异质事件检测的可靠性，相关成果发表于《Renewable Energy Focus》。

主要技术方法

研究人员采用澳大利亚昆士兰州5条配电馈线的真实PMU数据（采样率50帧/秒，时长3个月）及Grid Event Signature Library(GESL)标注数据集（含100个LS与100个电弧事件，采样率30帧/秒）开展研究。核心技术包括：①自适应多尺度方向性中值滤波器(AMDMF)，通过局部方差归一化、方向加权与四次方核函数动态调整滤波参数，在抑制噪声的同时保留暂态特征；②解耦检测框架：TC检测基于滤波后电压的二阶差分、过零分析与阶跃幅值评估，LS与电弧检测基于电流微分阈值、迟滞门控及多维度特征提取（含持续时间、峰值、方向偏移、能量因子等）；③无监督多模型聚类，融合Dirichlet过程高斯混合模型(DP-GMM)、自编码器潜空间聚类(AE-LSC)与谱聚类，通过轮廓系数自适应选择最优模型，依据簇心物理特征完成事件标注。

研究结果

AMDMF性能验证：在不同输入信噪比(SNR)条件下，AMDMF的电压SNR(V-SNR)与电流SNR(I-SNR)均优于离散小波变换(DWT)、中值滤波及高斯滤波。输入SNR为65 dB时，AMDMF的V-SNR达70.84 dB，电压均方根误差(V-RMSE)仅0.0003，电流均方根误差(I-RMSE)为0.1700，证明其能有效平衡噪声抑制与信号保真。

事件检测性能：TC检测方面，该方法对单相与多相TC的检测准确率分别达91.2%与93.5%，高于人工神经网络(ANN)、高斯混合模型(GMM)及生成对抗网络(GAN)等对比方法，且避免了传统小波方法因阈值敏感性导致的误检。LS与电弧检测方面，在GESL数据集上准确率分别为97%与95%，在真实PMU数据上分别为95.94%与93.95%，显著优于对比算法。

实际配电网统计分析：基于5条馈线3个月的检测结果，研究人员发现高光伏渗透馈线的TC事件集中在白天（6 AM–6 PM），占总数91.2%（98次），夜间仅2次；而其他馈线昼夜TC分布较均衡。LS-ON事件峰值出现在早晨7–10 AM，持续时长多低于1秒，少数可达数秒；电弧事件持续时长稳定在0.10–0.18秒，无季节性漂移，表明其受放电物理机制而非环境因素主导。

讨论与结论

研究人员指出，分布式光伏并网并未单纯增加TC总次数，而是改变了电压调控动作的时间分布——白天光伏出力波动导致电压越限风险升高，触发更频繁的调压操作。LS与电弧事件的时域特征差异（前者长尾分布、后者窄带集中）可作为物理判别依据。该研究的创新在于首次将电压/电流驱动事件按物理机制解耦，结合自适应滤波与无监督聚类，解决了标注数据稀缺下的多任务检测难题。方法在真实场景中的高鲁棒性，为主动配电网的态势感知与运维决策提供了可靠技术支撑。未来研究将扩展至更多扰动类型，并探索多PMU事件的动态关联特征识别。