Topology identification (TI) is a key task for state estimation (SE) in distribution grids, especially the one with high-penetration renewables. The uncertainties, initiated by the time-series behavior of renewables, will almost certainly lead to bad TI results without a proper treatment. These uncertainties are analytically intractable under conventional framework--they are usually jointly spatial-temporal dependent, and hence cannot be simply treated as white noise. For this purpose, a hybrid framework is suggested in this paper to handle these uncertainties in a systematic and theoretical way; in particular, big data analytics are studied to harness the jointly spatial-temporal statistical properties of those uncertainties. With some prior knowledge, a model bank is built first to store the countable typical models of network configurations; therefore, the difference between the SE outputs of each bank model and our observation is capable of being defined as a matrix variate--the so-called random matrix. In order to gain insight into the random matrix, a well-designed metric space is needed. Auto-regression (AR) model, factor analysis (FA), and random matrix theory (RMT) are tied together for the metric space design, followed by jointly temporal-spatial analysis of those matrices which is conducted in a high-dimensional (vector) space. Under the proposed framework, some big data analytics and theoretical results are obtained to improve the TI performance. Our framework is validated using IEEE standard distribution network with some field data in practice.

中文翻译：

---

具有可再生能源集成的配电网拓扑识别混合框架

拓扑识别 (TI) 是配电网中状态估计 (SE) 的一项关键任务，尤其是具有高渗透率的可再生能源。由可再生能源的时间序列行为引发的不确定性，如果没有适当的处理，几乎肯定会导致糟糕的 TI 结果。在传统框架下，这些不确定性在分析上是难以处理的——它们通常是联合时空相关的，因此不能简单地视为白噪声。为此，本文提出了一个混合框架，以系统和理论的方式处理这些不确定性；特别是，研究了大数据分析以利用这些不确定性的联合时空统计特性。有了一些先验知识，首先建立一个模型库来存储可数的网络配置典型模型；因此，每个银行模型的 SE 输出与我们的观察之间的差异可以定义为矩阵变量——所谓的随机矩阵。为了深入了解随机矩阵，需要一个设计良好的度量空间。自回归 (AR) 模型、因子分析 (FA) 和随机矩阵理论 (RMT) 结合在一起进行度量空间设计，然后对这些矩阵进行联合时空分析，这些矩阵在高维（向量） 空间。在提出的框架下，获得了一些大数据分析和理论结果，以提高 TI 性能。我们的框架在实践中使用 IEEE 标准分配网络和一些现场数据进行了验证。每个银行模型的 SE 输出与我们的观察之间的差异能够被定义为矩阵变量——所谓的随机矩阵。为了深入了解随机矩阵，需要一个设计良好的度量空间。自回归 (AR) 模型、因子分析 (FA) 和随机矩阵理论 (RMT) 结合在一起进行度量空间设计，然后对这些矩阵进行联合时空分析，这些矩阵在高维（向量） 空间。在提出的框架下，获得了一些大数据分析和理论结果，以提高 TI 性能。我们的框架在实践中使用 IEEE 标准分配网络和一些现场数据进行了验证。每个银行模型的 SE 输出与我们的观察之间的差异能够被定义为矩阵变量——所谓的随机矩阵。为了深入了解随机矩阵，需要一个设计良好的度量空间。自回归 (AR) 模型、因子分析 (FA) 和随机矩阵理论 (RMT) 结合在一起进行度量空间设计，然后对这些矩阵进行联合时空分析，这些矩阵在高维（向量） 空间。在提出的框架下，获得了一些大数据分析和理论结果，以提高 TI 性能。我们的框架在实践中使用 IEEE 标准配电网络和一些现场数据进行了验证。自回归 (AR) 模型、因子分析 (FA) 和随机矩阵理论 (RMT) 结合在一起进行度量空间设计，然后对这些矩阵进行联合时空分析，这些矩阵在高维（向量） 空间。在提出的框架下，获得了一些大数据分析和理论结果，以提高 TI 性能。我们的框架在实践中使用 IEEE 标准配电网络和一些现场数据进行了验证。自回归 (AR) 模型、因子分析 (FA) 和随机矩阵理论 (RMT) 结合在一起进行度量空间设计，然后对这些矩阵进行联合时空分析，这些矩阵在高维（向量） 空间。在提出的框架下，获得了一些大数据分析和理论结果，以提高 TI 性能。我们的框架在实践中使用 IEEE 标准分配网络和一些现场数据进行了验证。