城市配电网数据驱动的多能流拓扑辨识与抗差状态估计系统设计.docxVIP

PAGE2

城市配电网数据驱动的多能流拓扑辨识与抗差状态估计系统设计

摘要

随着城市能源互联网与“双碳”目标的推进，配电网正从单一电能网络向电、热、气等多能流耦合系统演变。拓扑结构动态多变与量测数据存在不良数据，是制约系统感知精度的两大核心痛点。传统方法依赖先验拓扑且抗差能力不足，难以满足高精度状态感知需求。

本设计旨在构建一个数据驱动的城市配电网多能流拓扑辨识与抗差状态估计系统。首先，通过需求分析明确系统需具备拓扑自动辨识、抗差状态估计及可视化展示等核心功能。总体设计采用分层架构，划分为数据接入、拓扑辨识、状态估计及可视化四大模块。详细设计聚焦于基于图神经网络的多能流拓扑辨识算法与基于拉普拉斯分布的抗差状态估计模型。系统实现采用Python与PyTorch框架，并通过模拟与实测数据验证了其有效性。

核心创新在于：其一，设计了基于GNN的拓扑辨识算法，利用节点电压/功率时序数据，通过消息传递机制学习节点间关联，实现拓扑的端到端辨识，摆脱了对物理模型的依赖。其二，构建了基于拉普拉斯分布的抗差状态估计模型，通过引入拉普拉斯分布作为量测误差模型，增强了对不良数据的鲁棒性，提升了状态估计精度。测试结果表明，系统拓扑辨识准确率可达95%以上，在10%不良数据注入下，状态估计误差较传统加权最小二乘法降低约40%。

全文共八章，遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路