基于AMI全量测点分区的配电网动态状态估计方法

针对传统配电网三相不平衡动态状态估计存在计算速度较慢且估计精度较低的问题,提出了一种基于高级量测体系(AMI)全量测点分区的配电网的动态状态估计方法。以AMI全量测点作为配电网分区节点,提出综合3个指标的分区目标函数对配电网进行分区,可对子区域进行完全解耦,缩小系统规模;并通过所提数据融合框架进行多尺度量测数据的融合,以远程终端单元量测周期为基准,融合量测周期较长的AMI量测数据,对非AMI量测时刻的系统状态进行跟随。提出一种基于子区域数据融合方法的高精度集合卡尔曼滤波算法,采用协方差膨胀法改进滤波发散的问题。算例仿真结果表明所提方法有效地提高了配电网动态状态估计的计算速度和估计精度。     

基于拉格朗日松弛技术的复杂有源配电网分布式状态估计

为了提高复杂有源配电网状态估计问题的计算速度,提出了一种基于拉格朗日松弛技术的复杂有源配电网分布式状态估计方法。建立了复杂有源配电网分区模型,该模型从复杂有源配电网的量测配置情况和分布式并行计算效率角度出发,综合考虑了分区后各子区域的计算速度与精度,利用拉格朗日松弛技术将分区问题中的约束条件吸收到目标函数中,降低了分区模型的求解难度。通过网络解耦技术使各子区域相对独立,可在分布式并行环境下求解该网络的状态估计问题。各子区域选取指数型目标函数状态估计模型,该模型能够自动排除不良数据影响,在保证结果精度的同时有效减小了所求问题的系统规模和雅可比矩阵阶数,提高了状态估计算法效率。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。     

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。     

基于多时间尺度状态估计的配电网实时态势预测

为有效提升泛在电力物联网建设过程中的配电网运行安全感知能力,提出了一种基于多时间尺度状态估计的配电网实时态势预测方法,该方法可实现对配电网安全态势的快速、准确预测。首先,基于多元混合量测提出了多时间尺度递归动态状态估计方法,通过状态预测与伪量测递归变换改进了已有的量测线性等效变换方法,缩短了状态更新周期,在递归变换算法中添加了校正算法以消除伪量测波动误差,提高了状态估计算法的计算速度。然后基于状态估计得到历史估计状态,采用分区多元时间序列分析方法建立了实时状态预测模型,实现了配电网的实时安全性态势预测。最后在Matlab仿真平台中基于实际算例对所提方法进行了分析,结果验证了所提配电网实时态势预测方法的准确性和有效性。     

考虑多类型分布式电源和负荷不确定性的主动配电网区间状态估计

分布式电源的间歇性发电并网、电动汽车的随机充电以及智能量测装置的量测误差等使得主动配电网状态估计结果需要考虑更多的不确定因素。在利用区间数对系统量测不确定性予以合理分析与定量描述的基础上,建立主动配电网三相区间状态估计模型。为能够精确求出系统状态估计结果,提出基于迭代运算的线性规划算法对所建立的主动配电网三相区间状态估计模型进行求解,并结合稀疏矩阵技术进一步提高算法的求解速度。对修改的IEEE 123节点算例进行测试分析,与现有非线性区间优化求解方法和蒙特卡洛抽样方法进行比较,结果表明所提方法在估计精度以及计算效率方面均具有一定的优势。以区间数形式对网络中不确定物理量进行刻画与建模后,采用状态估计程序得到的计算结果也会呈现出区间形式,由此可为调度人员提供更加直观的系统状态量上下界信息。     

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。     

基于图卷积网络的配电网无功优化

高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能。为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法。通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节点负荷之间的相关性,并利用深层图卷积架构映射电力设备状态与负荷数据之间复杂的非线性关系。仿真结果表明,GCN的无功优化精度和鲁棒性皆优于卷积神经网络、多层感知机和案例推理等现有的数据驱动方法,且求解时间远低于传统的启发式算法,可以满足配电网无功优化实时性的需求。     

区域配电网实时状态估计器及其性能分析

设计了一种基于贝叶斯理论的区域配电网状态估计器,以解决随机性分布式电源接入区域配电网和测量装置数量有限给配电网状态估计带来的困难。首先依据前推回代潮流计算方法建立了配电网电压估计模型,应用贝叶斯理论设计了状态估计器,理论分析了改变监测装置位置和利用不同监测装置信息估计节点电压的影响。通过在IEEE 33节点配电系统仿真验证了文中所提出方法的正确性和有效性。进一步仿真分析了节点注入功率波动方差和测量装置位置对估计精度的影响,给出了监测装置的位置优化结果。文中为高渗透率分布式电源接入的区域配电网状态估计提供了理论和实用方法。     

基于集成深度神经网络的配电网分布式状态估计方法

随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network, TCN)-双向长短期记忆网络(bidirectional long short term memory, BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network, DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy, MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁...     

面向配电网故障快速处理的边缘计算单元优化配置方法

随着配电网自动化水平不断提高,感知终端数目和接入数据量激增,数据传输慢、信息漏报误报等问题严重影响了故障处理速度和准确性.边缘计算可就地高效地快速处理数据并决策.为此,提出一种面向配电网故障快速处理的边缘计算单元优化配置方法,包括体系架构、边缘生成、划分方法等内容.首先以经济性、通信实时性指标构造目标函数,可靠性及系统...     

基于自适应容积卡尔曼滤波的主动配电网状态估计

有效的状态估计算法是确保电力系统安全、稳定、经济运行的前提条件。针对传统无迹卡尔滤波(unscented Kalman filter,UKF)参数选取难、灵活性差、高阶系统滤波精度低等缺陷,将数值稳定性较好的容积卡尔曼滤波(cubature Kalman filter,CKF)算法引入到配电网进行动态状态估计,并与改进后的自适应无迹卡尔滤波(Adaptive unscented Kalman filter,AUKF)算法进行对比,仿真分析表明CKF算法较AUKF算法具有较高的滤波精度以及较好的数值稳定性。该算法在系统负荷发生突变时滤波精度有所下降,为此进一步提出了自适应容积卡尔曼滤波(Adaptive cubature Kalman filter, ACKF)算法以改善状态估计性能。对三相不平衡电网进行算例仿真表明：ACKF算法相比较于CKF算法而言,滤波精度更高、鲁棒性更强。     

基于谱图论和图卷积神经网络的直流电网节点电压估计研究

深度学习在电力系统领域应用已非常广泛,潮流计算是电力系统重要的基础性任务之一,传统算法依赖于迭代求解,不适用于快速估计场合。直流电网的潮流求解实质上是节点电压求解问题,为此,提出了一种基于谱图论和图卷积神经网络(graph convolution neural network,GCN)的直流电网电压估计模型。通过网络拓扑拉普拉斯矩阵的特征向量实现时域直流电网到谱域直流电网的空间正交变换,从而完成时域电气量信息与网络结构信息之间的数据融合,并配合图卷积网络实现对数据特征的有效提取,进而完成从初始谱域电气量到稳态时域电气量之间的映射。仿真结果表明,所提模型能够较好地实现从初始电气量到稳态节点电压的映射,具有较高的电压估计准确度。     

主动配电网状态估计技术评述

间隙性分布式电源高渗透率并网,电动汽车、储能系统等可控负荷及高级量测装置的规模化接入使得主动配电网状态估计在结果精度要求、计算效率等方面面临诸多全新挑战。首先,简要阐述了国内外有关传统配电网状态估计技术前期的研究成果;然后,较为全面地梳理了主动配电网状态估计技术的国内外研究现状,包括新型伪量测的合理建模、状态估计算法的高效改进及量测装置的优化配置等研究方面;最后,对该领域未来进一步发展所面临的关键问题进行了探讨和分析。     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。     

PMU准实时数据对主动配电网抗差估计的影响

由于相量测量单元(PMU)因成本问题无法在配电网中大规模配置,且不同设备向主站传输数据时存在客观的通信延迟、带宽限制等因素,因此状态估计器输入端存在不良数据。提出一种基于同步相量量测的主动配电网抗差估计方法,并提出以虚拟PMU量测模型补充大量的高精度冗余数据。将数据采集与监视控制(SCADA)量测系统、PMU量测和虚拟PMU量测构成的混合量测系统作为状态估计的输入端。考虑网络和量测数据不确定度对抗差M估计算法进行改进,避免了传统加权最小二乘估计中删除坏数据的残差判断和迭代过程,降低了估计耗时,提高了状态估计的可靠性和抗差性能。改进IEEE 14和IEEE 33节点配电网算例的仿真分析,验证了所提方法的有效性和普适性。     

A fast heuristic optimization algorithm for measurement placement in distribution system state estimation

An accurate, real‐time estimation of the states of a power distribution system is highly desirable but hard to achieve because of the complexity of the network and the relative inefficiency of the measuring system. To increase the efficiency, this paper analyzes the mathematical relationship between the measurement errors and estimation errors of the state vector using the classic weighted least square method. Then a heuristic algorithm is proposed to improve the accuracy by optimizing the deployment of the real‐time measuring points, which is based on the deterministic factors of the measuring points/branches over the system state. The basic implementation starts with an initial measurement set and replaces the least important branches in the set with the most important branches outside the set using iterative optimization. The algorithm was tested in the IEEE 14‐bus and 33‐bus distribution systems and achieved 50% increase in accuracy at much lower computational cost compared with exhaustive search. Moreover, the proposed algorithm has also been compared with representative and widely used evolution algorithms such as particle swarm optimization and quantum‐behaved particle swarm optimization. This comparison shows that our method can achieve stable and comparable accuracy with a speed at least 10 times higher. The performance of our method can be even better with increasing network size. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.