基于深度信念网络伪量测建模的配电网状态估计

针对配电网实时量测不足需要增加伪量测以提高量测冗余度的情况,提出基于深度信念网络(DBN)伪量测建模的配电网状态估计方法。利用多种类型负荷的历史数据及对应温度、日期类型对DBN进行训练,训练完成后输入测试数据得到精度较高的伪量测;基于改进的等效电流量测变换法进行配电网状态估计,以线性约束的形式处理虚拟量测。仿真结果验证了所提方法的有效性。     

基于改进自适应UKF算法的中压配电网鲁棒动态状态估计方法

针对中压配电网缺少实时量测、伪量测精度较低以及现有的动态状态估计（dynamic state estimation,DSE）方法均采用恒定系统处理状态过程噪声的问题，提出了一种基于改进自适应无迹卡尔曼滤波（unscented kalman filter,UKF）算法的中压配电网鲁棒DSE方法。首先，利用中压配电网变压器低压侧的智能电表量测和变压器模型，推导出等效中压量测以增强中压配网量测冗余度；然后，借鉴信号处理技术对系统状态过程噪声的协方差矩阵实时更新并融入UKF算法，以减轻状态预测和量测滤波的不确定性；最后，基于15节点中压配电网进行仿真。仿真结果表明：所提方法能够有效地进行中压配电网的动态状态估计，获取更为精确的态势感知信息。     

基于多准则分区和WLS-PDIPM算法的有源配电网状态估计

针对复杂有源配电网三相不平衡状态估计计算速度较慢与计算精度较低的问题,提出了一种基于多准则分区和基本加权最小二乘法—原对偶内点法(WLS-PDIPM)混合算法的状态估计方法。基于对有源配电网中实时量测、虚拟量测和伪量测的配置分析,建立了适用于复杂有源配电网状态估计的多准则分区优化模型,该模型综合考虑了分区后各子区域规模均衡、量测冗余度均衡及伪量测平均误差均衡。通过高级量测体系(AMI)全量测点实现各子区域完全解耦,有效减小了系统规模和雅可比矩阵阶数。所提方法将WLS与PDIPM的优点相结合,在提高算法精度的同时减少了计算时间。仿真算例结果表明所提方法可实现对复杂有源配电网的合理分区,有效提高了状态估计的计算速度与求解精度。     

基于脉冲神经网络伪量测建模的配电网三相状态估计

为了给配电网管理系统提供全面准确的实时数据,配电网三相状态估计显得尤为重要。针对当前配电网量测信息不足,提出了基于脉冲神经网络(SNN)伪量测建模的配电网三相状态估计。该方法首先将实时和部分历史支路功率量测输入SNN进行伪量测建模,然后由高斯混合模型生成相应的量测误差,最后进行基于加权最小二乘法的配电网三相状态估计。理论分析和算例验证表明,所提模型不仅能够在正常通信时有效提高配电网状态估计精度,而且能在通信故障时保证估计精度在合理范围内,进而为配电网的运行控制提供参考依据。     

深度学习辅助的区域交直流配电网区间状态估计

针对区域交直流混合配电网中实时量测覆盖率低、量测误差分布具有不确定性的问题,提出了基于深度神经网络(DNN)伪量测建模的交直流配电网区间状态估计方法。该方法首先对DNN进行离线训练,然后将实时量测数据和电压源换流器控制的变量值作为DNN的输入特征,建立伪量测模型;接着,在实时量测更新时,利用已训练好的DNN快速生成伪量测;最后,对伪量测和实时量测的不确定性采用区间形式建模并进行区间状态估计,进而准确监测交直流系统状态。算例仿真结果表明,所提方法能够避免对量测误差的概率分布进行假设,并且能够在低冗余量测配置或量测缺失时,准确获得交直流配电网状态变量的上下界信息。     

基于深度神经网络伪量测建模的交直流混合配电网交替迭代法状态估计

当前配电网状态估计面临的一个突出问题是实时量测数量不足,难以实现全网可观性。为了给配电管理系统提供准确的基础数据,提出一种基于深度神经网络伪量测建模的交直流混合配电网交替迭代状态估计方法。首先,建立电压源换流器的稳态模型和混合配电网的实时量测模型;然后,利用历史量测数据对深度神经网络进行离线训练,建立负荷节点注入功率的伪量测模型;最后,对交流区域和直流区域进行交替迭代状态估计,在交替过程中区域间交换VSC支路状态量的估计值,保证了边界状态量的一致性。算例测试结果表明,所提方法能在实时量测覆盖率低的情况下,准确估计混合配电网的状态值。     

多采样周期混合量测环境下的主动配电网状态估计方法

针对主动配电网中远程终端单元(RTU)、相量测量单元(PMU)与高级量测体系(AMI)多采样周期量测数据长期共存的实际情况,提出了一种基于RTU,PMU,AMI混合量测的主动配电网状态估计混合算法。该混合算法由非线性静态状态估计、线性静态状态估计与线性动态状态估计3种算法组成。线性动态状态估计与线性静态状态估计利用PMU量测与RTU量测,实时跟踪系统注入节点有功功率与无功功率的变化,在非AMI量测的采集时刻,为非线性静态状态估计提供高精度的虚拟量测。所提算法缩短了非线性静态状态估计的计算周期,提高了非线性静态状态估计的精度,提升了对主动配电网运行状态的预测能力。通过算例仿真,验证了所提算法的有效性。     

基于深度神经网络伪量测建模的交直流混合配电网交替迭代法状态估计

当前配电网状态估计面临的一个突出问题是实时量测数量不足,难以实现全网可观性。为了给配电管理系统提供准确的基础数据,提出一种基于深度神经网络伪量测建模的交直流混合配电网交替迭代状态估计方法。首先,建立电压源换流器的稳态模型和混合配电网的实时量测模型;然后,利用历史量测数据对深度神经网络进行离线训练,建立负荷节点注入功率的伪量测模型;最后,对交流区域和直流区域进行交替迭代状态估计,在交替过程中区域间交换VSC支路状态量的估计值,保证了边界状态量的一致性。算例测试结果表明,所提方法能在实时量测覆盖率低的情况下,准确估计混合配电网的状态值。     

基于预测残差的配电网三相状态估计

为了提高配电网状态估计的计算精度和计算速度,针对常规抗差状态估计算法迭代次数较多的特点,给出了一种以节点电压为状态量,基于预测残差的配电网三相抗差状态估计方法。利用了配电网中各种类型的量测,通过对节点电压和支路电流的相位变换,以及对电流幅值量测进行的等效量测变换,实现了整个雅可比矩阵的常数化,在迭代过程中保持不变,降低了计算量。基于预测残差的信息设置抗差状态估计中的等价权,避免了常规抗差状态估计算法对等价权修正中不必要的多次迭代,提高了收敛速度。算例分析表明,所提的算法抗差能力强、计算速度快、数值稳定性和鲁棒性较好。     

配电网状态估计的全局灵敏度分析及应用

在配电网状态估计中,量测装置配置不齐全,通常引入伪量测来满足系统的可观性要求。考虑到量测数据有一定的误差以及伪量测与真实值之间可能存在偏差,配电网状态估计的量测和伪量测存在不确定性,这会影响配电网状态估计的准确性。文中提出了配电网状态估计的全局灵敏度分析方法,辨识影响状态估计精度的关键(伪)量测不确定性因素及其位置;利用稀疏多项式混沌展开计算全局灵敏度指标,以提高全局灵敏度分析的计算效率;建立了基于不确定性因素重要性排序的量测装置布点方法。采用IEEE 33节点配电网进行仿真,通过与常用方法进行比较,验证了所提方法的有效性。该方法克服了传统状态估计灵敏度分析方法的不足,能有效评估(伪)量测不确定性因素的交互作用对状态估计的影响;此外,基于全局灵敏度分析的量测装置布点方法能显著提高配电网状态估计精度。     

基于超短期负荷预测的智能配电网状态估计

状态估计作为智能配电网自愈控制的数据出口和态势感知工具的核心板块,需要在1个数据采集周期内对全网进行1次状态估计计算,传统的配电网状态估计算法不能满足以上要求,需要研究高效的配电网状态估计算法。提出了一种基于超短期负荷预测的智能配电网的状态估计方法,为自愈控制状态评估模块和潮流计算模块提供所需数据。该算法将预测速度快、预测精度高的超短期负荷预测技术引入智能配电网状态估计,实时预测节点负荷,实现了配电系统节点负荷的实时跟踪;采用指数函数抑制不良数据的影响,提高了状态估计的精度;利用配电网潮流计算的前推回代算法计算状态变量的初始幅值和相角,提高了算法的收敛性;考虑了分布式电源接入,体现了智能电网透明开放的特点。基于IEEE36节点标准算例的计算分析,验证了算法的有效性。     

配电网状态估计中的量测变换技术

分析了不同情况下状态估计算法中量测变换技术的应用情况，导出了量测变换的具体数学表达式和量测变换后各数据量权重的确定。文章分别对基于牛顿法的状态估计算法，以节点电压电流方程式为基础的状态估计算法及基于支路电流的配电网状况估计算法进行了比较，从文中分析可以看出，量测变换技术的应用虽提高了算法的运算速度但牺牲了估计精度。因此在应用量测变换技术时，须因地制宜，在速度和精度之间寻求平衡。     

基于态势感知的智能配电网运行状态评估

围绕智能配电网的态势感知关键技术,综合考虑安全性、供电可靠性和经济性,提出了基于态势感知的智能配电网运行状态综合评估方法。研究基于量测系统的态势要素采集方案,对配电网运行状态进行实时评估和态势理解,进而基于负荷的超短期预测进行态势预测,并建立了配电网运行状态评估指标体系,从不同层次、不同角度反映系统当前与未来时刻的运行状态以及故障发生后系统所面临的风险,并通过IEEE 33节点配电系统对所提出的方法进行验证。结果表明,该方法可准确反映配网的运行状态,判断系统态势发展的趋势,为配电网安全运行提供一定参考。     

电力系统状态估计算法的综合分析

简要介绍了电力系统状态估计的基本概念及功能,描述了状态估计的数学模型。介绍了几种电力系统状态估计的基本算法,即加权最小二乘法、快速分解法、基于量测变换及逐次型的状态估计算法等,并对这些算法作了简明的对比,指出各个算法的优缺点。最后,为了满足电力系统状态估计的要求,又提出了几种新型的状态估计算法。并且指出了状态估计算法中值得研究的几个方面。     

基于Forney式因子图的主动配电网状态估计

实时准确的运行数据是实现主动配电网在线运行分析与智能化控制管理的基础。为了解决配电网实时量测不足带来的估计结果不理想的问题,依据通信领域的置信传播(BP)算法,提出一种基于Forney式因子图的主动配电网状态估计方法。考虑到具体用户量测的稀缺性及分布式电源运行时受气候影响的随机性,该方法首先通过历史负荷曲线获得先验分布,为配电网建立了统计学的计及光照辐射度及风速的Forney式因子图模型,然后利用BP算法全局推理变量节点及因子节点双向传递的本地置信度和状态信息,来获得各状态变量的边缘分布。通过对某地区11节点配电网系统和IEEE 33节点配电网系统进行仿真,表明了所述方法具有良好的实时性且在配电网实时量测不足的情况下也有较理想的估计结果。     

基于多分支电流混合量测的配电网三相状态估计

同步相量测量应用于配电网高级应用中是近年来的研究热点。针对配电网同步相量与智能电表的混合量测问题,提出一种以支路电流为状态变量的配电网状态估计方法。该方法在含分布式光伏接入的配电网中,将微型同步相量测量单元(Micro-Synchronous Phasor Measurement Unit,μPMU)和智能电表量测数据进行等效变换,实现异构数据支路电流幅值量测误差最小。首先,基于混合量测系统,推导三相量测方程模型。然后,运用加权最小二乘法实现了三相支路电流的状态估计。所提方法适用于三相不平衡、多分支电流量测的配电网。最后,通过对含分布式光伏的IEEE 37节点系统进行仿真,验证了方法的有效性。     

智能配电网状态估计研究现状和展望

状态估计是智能配电网态势感知的关键环节,随着大规模分布式电源接入配电网及新型量测技术规模化的运用,需要根据新类型电源与量测装置的特点对状态估计技术进行更为深入的研究。本文首先阐述了当前静态、动态状态估计的主流算法研究现状,并在此基础上对由通信不稳定引起的量测数据延时、数据丢包问题的现有解决方案进行了详细总结与剖析;其次,对传统量测装置与新型量测装置并存的情况下出现的混合状态估计算法进行了概述;再次,从攻击者的角度分析了现有的虚假数据构建方法,从防御者的角度归纳了当前研究的虚假数据辨识策略;最后,对新形态下配电网状态估计技术进一步发展应重点关注的研究方向进行了探讨和分析。     

基于免疫离散粒子群算法的主动配电网PMU测量位置优化

主动配电网的状态估计是配电管理系统必不可少的组成要素,其估计结果的准确性受量测位置的影响较大。为了提高系统状态估计的精度,优化实时数据库,本文结合一种基于并行置信传播算法的状态估计方法,建立了以主动配电网状态估计误差最小为目标的PMU量测位置优化模型,同时提出了利用优化粒子初始位置的改进免疫离散粒子群算法进行模型求解。最后通过算例仿真,得到了量测装置的优化配置方案,且在该方案下,状态估计的精度明显提高。     

基于相坐标系的配电网三相不对称解耦状态估计算法

提出了一种基于相坐标系的配电网三相不对称解耦的状态估计算法.在等效电流量测变换法的基础上,针对配电系统线路参数不对称的特点,引入三相不对称潮流计算中的解耦-补偿电流模型,在相坐标下将三相不对称状态估计方程完全解耦;同时引入旋转变换使每一相的雅可比矩阵和信息矩阵实虚部严格解耦,进一步降低了问题的求解规模.最后提供算例将所提出的方法与等效电流量测变换法进行了比较,结果表明所提出的方法精度较高,具有工程应用的前景和价值.     

Robust State Estimation for an Electricity-GasHeat Integrated Energy System Considering Dynamic Characteristics

The data for an energy management system (EMS) in an integrated energy system (IES) is obtained through state estimation. This is then the basis for optimal scheduling, protection and control. At present, the dynamic models of gas and heat networks are rarely considered in such state estimation, and the method lacks robustness. This paper develops dynamic state estimation models for gas and heat networks, and proposes a unified method for the electricity-gas-heat network, one which takes into account robustness while ensuring accuracy. First, the state transition equations in matrix form are formulated according to finite difference models considering the dynamic characteristics of the gas and heat networks. Then, combined with a quasi-steady state model of the electric power system, a unified state estimation method and multi-time-scale measurement strategy in the Kalman filter framework are proposed. In addition, the prediction accuracies of the electric power and gas systems are improved through adaptive adjustment. The kernel density estimation method is used to adjust the measurement weights and filter out bad data to ensure robust state estimation. Finally, simulation results show that the proposed method not only can improve the estimation accu-racy by improving prediction accuracy, but also is robust to various types of bad data.