CN104022501B - 基于模糊理论的配电网状态估计方法 - Google Patents

Abstract

本发明涉及一种基于模糊理论的配电网状态估计方法，属于电力系统调度自动化领域。该方法将较高精度量测类型这一集合作为模糊集A，根据模糊集A确定柯西隶属函数中的参数值β，再将不同支路或不同节点具有相同量测装置测量的同一类型的量测值和潮流值带入柯西分布函数计算函数值，经过分析比较除去超过正常误差极限的错误函数值，对符合要求的函数值求均值即得这一类型量测的权重值。本发明可以对同一量测设备量测的不同量测量设置不同的权重值，考虑了不同类型量测对状态估计精度的影响，算法实现方便，估计精度高，而且在增加或去掉某些测量或者是应用于不同节点数的系统中时，不需要改变程序，实用性强。

Description

基于模糊理论的配电网状态估计方法

技术领域

本发明属于电力系统调度自动化领域，涉及一种基于模糊理论的配电网状态估计方法。

背景技术

在配电网中，由于不同量测类型的量测精度是不一样的，不同类型的量测值以同样的权重参加目标函数是不尽合理的。应该使量测精度高的量测类型权重取值大一些，使估计值靠近精度高的量测值，也就是让精度高的量测值在估计状态中起较大的作用，提高了估计的精度，反之，精度低的量测量权重取值小一些。量测权重的合理设置对状态估计计算精度有很大的影响,但是，传统的量测权重设置方法一般是选择量测误差的方差倒数为权重值,没有考虑不同类型量测对状态估计精度的影响。

目前，国内外在配电网状态估计的研究主要集中于估计模型和算法上，且已取得一些进展，主要方法大多是在加权最小二乘法估计准则的基础上，结合配电网的实际，以数值稳定性和计算效率为目标进行改进和优化。

Baran等人提出一种基于支路电流的配网三相估计方法(BaranM.E.,KelleyA.W.ABranch-Current-BasedStateEstimationMethosforDistributionSystems[J].IEEETransactionsonPowerSystems,1995,10(1):483-491)。该方法具有较好的数值稳定性。但该方法要求有功功率和无功功率量测量成对出现，且要求有功和无功功率量测权系数相同，并不符合实际电网中无功量测精度远低于有功量测精度的情况。

DengY.M.等则提出了在辐射状网络中结合前推/回代潮流算法的状态估计方法(DengY.M.,ZhangB.M.ABranchEstimationBasedStateEstimationMethodforRadialDistributionSystems[J].IEEETransactionsonPowerDelivery,2002,17(4):1057-1062)。该方法将用于网络整体求解的最小二乘估计分解为各单支路的最小二乘估计，充分利用配电网络的结构特点，经验证，计算量相对较少，具备一定速度优势，但是由于无法有效利用具有较高精度的根节点电压量测信息，其估计值的精度受到一定影响。

程浩忠等描述了基于等效电流量测变换状态估计方法(程浩忠,袁青山,汪一华,等.基于等效电流量测变换的配电网状态估计算法[J].电力系统自动化,2007:25-29)，能够利用功率量测、电流幅值量测和电压幅值量测，在假设有功和无功功率量测具有相同权重时，可以实现PQ解耦快速计算。但该方法无法处理单个有功和无功量测，而且不满足实际电网的有功量测精度比无功量测精度高的条件。

发明内容

为了解决上述问题，除了不断改善量测与传输系统外，还可以采用数学处理的方法来提高数据的可靠性。本发明的目的是提供基于模糊理论的配电网实时状态估计方法。该方法根据配电网各类型量测量精度的不同，通过模糊理论中的柯西隶属函数来确定状态估计中的权重值。再利用状态估计模型和网络方程计算网络各节点的状态量。本发明可以对同一量测设备量测的不同量测量设置不同的权重值，考虑了不同类型量测对状态估计精度的影响，算法实现方便，估计精度高，而且在增加或去掉某些测量或者是应用于不同节点数的系统中时，不需要改变程序，实用性强。

为了实现上述目的，本发明采用的技术方案是：运用模糊理论对状态估计模型中的权重值进行处理。

更进一步是运用模糊理论中模糊集A的隶属函数确定状态估计模型中的权重值。

所述模糊集A是指较高精度的量测类型的集合，所运用的隶属函数选择函数值为0～1的柯西分布函数：

A(x)＝[1+α(x-α)^β]^-1(1)

其中α>0，是量测量的潮流值(标幺值)；β为一个参数，为正偶数，根据需要选择其值；x为量测值(标幺值)；A(x)为函数值。

由上可知，A(x)越接近于0，表示元素x隶属于A的程度越小，即量测数据精度较低；A(x)越接近于1，表示元素x隶属于A的程度越大，即量测数据精度较高；

本发明运用柯西分布函数确定权重值的步骤包括：

1)根据量测装置的配置情况确定量测类型和采集各个量测值，一般量测类型包括：节点电压幅值Vm，支路首、末端有功功率PF、PT，支路首、末端无功功率QF、QT，节点注入有功、无功功率PG、QG和支路电流I等；

2)对要进行状态估计的网络进行潮流计算，求取配置量测装置的节点和支路的潮流值；

潮流计算求取配置量测装置的节点和支路的潮流值的方法，采用常规方法。

3)根据不同量测装置、量测类型和模糊集A确定柯西分布函数中的β值；

①在1)中的量测类型中，PF、PT的量测精度相同，β相同；QF、QT量测精度相同，β相同，Vm、I的精度相同，β相同；

②在1)中的量测类型中，根据精度高低顺序：Vm、I、PG>PF、PT>QG>QF、QT，β的值顺序选取为：2、4、6、8；

4)对于相同量测装置测量的同一类型量测，将不同支路或不同节点的量测值和潮流值带入柯西分布函数，按式(2)计算函数值，

$\left\{\begin{array}{c}{A}_i(\mathrm{Vm},I,\mathrm{PG})={[1+{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})}{(x_{i(\mathrm{Vm},I,\mathrm{PG})}-{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})})}^2]}^{-1}\\ A_i(\mathrm{PF},\mathrm{PT})={[1+{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})}{(x_{i(\mathrm{PF},\mathrm{PT})}-{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})})}^4]}^{-1}\\ A_i\left(\mathrm{QG}\right)={[1+{\mathrm{\α}}_{i\left(\mathrm{QG}\right)}{(x_{i\left(\mathrm{QG}\right)}-{\mathrm{\α}}_{i\left(\mathrm{QG}\right)})}^6]}^{-1}\\ A_i(\mathrm{QF},\mathrm{QT})={[1+{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})}{(x_{i(\mathrm{QF},\mathrm{QT})}-{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})})}^8]}^{-1}\end{array}\right.---\left(2\right)$

其中，A_i(Vm,I,PG)，A_i(PF,PT)，A_i(QG)，A_i(QF,QT)是具有量测装置节点或支路的函数值，α_i(Vm,I,PG)，α_i(PF,PT)，α_i(QG)，α_i(QF,QT)是具有量测装置节点或支路的潮流值，x_i(Vm,I,PG)，x_i(PF,PT)，x_i(QG)，x_i(QF,QT)是具有量测装置节点或支路的量测值；

5)对4)中同一量测类型不同节点或支路的函数值进行分析比较，除去超过正常误差极限的错误数据；这里提及的分析比较方法和正常误差极限均有常规的规定，本发明直接运用即可。

6)对经过5)处理的4)中的函数值按式(3)求均值，即得这一量测类型在状态估计模型中的权重值，

$\left\{\begin{array}{c}\mathrm{\ω}(\mathrm{Vm},I,\mathrm{PG})=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})}{(x_{i(\mathrm{Vm},I,\mathrm{PG})}-{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})})}^2]}^{-1}\\ \mathrm{\ω}(\mathrm{PF},\mathrm{PT})=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})}{(x_{i(\mathrm{PF},\mathrm{PT})}-{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})})}^4]}^{-1}\\ \mathrm{\ω}\left(\mathrm{QG}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i\left(\mathrm{QG}\right)}{(x_{i\left(\mathrm{QG}\right)}-{\mathrm{\α}}_{i\left(\mathrm{QG}\right)})}^6]}^{-1}\\ \mathrm{\ω}(\mathrm{QF},\mathrm{QT})=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})}{(x_{i(\mathrm{QF},\mathrm{QT})}-{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})})}^8]}^{-1}\end{array}\right.----\left(3\right)$

其中，ω(Vm,I,PG)，ω(PF,PT)，ω(QG)，ω(QF,QT)是各对应量测类型的权重值，α_i(Vm,I,PG)，α_i(PF,PT)，α_i(QG)，α_i(QF,QT)，x_i(Vm,I,PG)，x_i(PF,PT)，x_i(QG)，x_i(QF,QT)的含义同上，n,m,N,M是对应量测类型的量测次数；

7)对所有类型的量测重复进行步骤4)，5)和6)便得到状态估计模型中的权重矩阵。

最后再利用包含上述权重矩阵的状态估计模型和网络方程计算网络各节点的状态量。

本发明的有益效果：考虑了不同类型量测对状态估计精度的影响，将不同类型的量测值以不同的权重参加目标函数，更加符合实际情况，状态估计更加真实可靠，估计精度高，而且算法简单，在增加或去掉某些测量或者是应用于不同节点数的系统中时，不需要改变状态估计程序，实用性强。

附图说明

图1是柯西隶属函数确定权重值的流程框图。

具体实施方式

见图1。

本发明的基于模糊理论确定权重的配电网状态估计方法，首先根据量测装置的配置情况确定量测类型，将较高精度的量测类型集合到模糊集A，选择函数值为0～1的柯西分布函数为隶属函数如式(1)：

A(x)＝[1+α(x-α)^β]^-1(1)

其中α>0，是量测量的潮流值(标幺值)；β是一个参数，为正偶数；x为量测值(标幺值)；A(x)为函数值。

当A(x)越接近于0，表示元素x隶属于A的程度越小，即量测数据精度较低；A(x)越接近于1，表示元素x隶属于A的程度越大，即量测数据精度较高；

然后运用柯西分布函数确定权重值，具体的步骤包括：

1)根据量测装置的配置情况确定量测类型和量测值，一般量测类型包括：节点电压幅值Vm，支路首、末端有功功率PF、PT，支路首、末端无功功率QF、QT，节点注入有功、无功功率PG、QG和支路电流I；

2)对要进行状态估计的网络进行潮流计算，求取配置量测装置的节点和支路的潮流值；

3)根据不同量测装置、量测类型和模糊集A确定柯西分布函数中的β值；

①在1)中的量测类型中，PF、PT的量测精度相同，β相同；QF、QT量测精度相同，β相同，Vm、I的精度相同，β相同；

②在1)中的量测类型中，根据模糊集A的定义可知：精度高低顺序为：Vm、I、PG>PF、PT>QG>QF、QT；根据精度高低顺序，β的值顺序选取为：2、4、6、8；

4)对于相同量测装置测量的同一类型量测，将不同支路或不同节点的量测值和潮流值带入柯西分布函数，按式(2)计算函数值，

$\left\{\begin{array}{c}{A}_i(\mathrm{Vm},I,\mathrm{PG})={[1+{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})}{(x_{i(\mathrm{Vm},I,\mathrm{PG})}-{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})})}^2]}^{-1}\\ A_i(\mathrm{PF},\mathrm{PT})={[1+{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})}{(x_{i(\mathrm{PF},\mathrm{PT})}-{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})})}^4]}^{-1}\\ A_i\left(\mathrm{QG}\right)={[1+{\mathrm{\α}}_{i\left(\mathrm{QG}\right)}{(x_{i\left(\mathrm{QG}\right)}-{\mathrm{\α}}_{i\left(\mathrm{QG}\right)})}^6]}^{-1}\\ A_i(\mathrm{QF},\mathrm{QT})={[1+{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})}{(x_{i(\mathrm{QF},\mathrm{QT})}-{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})})}^8]}^{-1}\end{array}\right.---\left(2\right)$

其中，A_i(Vm,I,PG)，A_i(PF,PT)，A_i(QG)，A_i(QF,QT)是具有量测装置节点或支路的函数值，α_i(Vm,I,PG)，α_i(PF,PT)，α_i(QG)，α_i(QF,QT)是具有量测装置节点或支路的潮流值，x_i(Vm,I,PG)，x_i(PF,PT)，x_i(QG)，x_i(QF,QT)是具有量测装置节点或支路的量测值；

5)对4)中同一量测类型不同节点或支路的函数值进行分析比较，除去超过正常误差极限的错误数据；

6)对经过5)处理的4)中的函数值求均值即是这一量测类型在状态估计模型中的权重值，公式如下：

$\left\{\begin{array}{c}\mathrm{\ω}(\mathrm{Vm},I,\mathrm{PG})=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})}{(x_{i(\mathrm{Vm},I,\mathrm{PG})}-{\mathrm{\α}}_{i(\mathrm{Vm},I,\mathrm{PG})})}^2]}^{-1}\\ \mathrm{\ω}(\mathrm{PF},\mathrm{PT})=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})}{(x_{i(\mathrm{PF},\mathrm{PT})}-{\mathrm{\α}}_{i(\mathrm{PF},\mathrm{PT})})}^4]}^{-1}\\ \mathrm{\ω}\left(\mathrm{QG}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i\left(\mathrm{QG}\right)}{(x_{i\left(\mathrm{QG}\right)}-{\mathrm{\α}}_{i\left(\mathrm{QG}\right)})}^6]}^{-1}\\ \mathrm{\ω}(\mathrm{QF},\mathrm{QT})=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{[1+{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})}{(x_{i(\mathrm{QF},\mathrm{QT})}-{\mathrm{\α}}_{i(\mathrm{QF},\mathrm{QT})})}^8]}^{-1}\end{array}\right.----\left(3\right)$

其中，ω(Vm,I,PG)，ω(PF,PT)，ω(QG)，ω(QF,QT)是各对应量测类型的权重值，α_i(Vm,I,PG)，α_i(PF,PT)，α_i(QG)，α_i(QF,QT)，x_i(Vm,I,PG)，x_i(PF,PT)，x_i(QG)，x_i(QF,QT)的含义同上，n,m,N,M是对应量测类型的量测次数；

7)对所有类型的量测重复进行步骤4)，5)和6)便得到状态估计模型中的权重矩阵。

最后再利用包含上述权重矩阵的状态估计模型和网络方程计算网络各节点的状态量，完成配电网状态估计。

以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此等同变化,仍属本发明所涵盖的范围。

Claims (2)

1.基于模糊理论的配电网状态估计方法，包括利用状态估计模型和网络方程计算网络各节点的状态量，其特征在于：运用模糊理论中模糊集A的隶属函数确定状态估计模型中的权重值；所述模糊集A是指较高精度的量测类型的集合；运用的隶属函数为柯西分布函数；

运用柯西分布函数确定权重值的步骤包括：

1)根据量测装置的配置情况确定量测类型和量测值，量测类型包括：节点电压幅值Vm，支路首、末端有功功率PF、PT，支路首、末端无功功率QF、QT，节点注入有功、无功功率PG、QG和支路电流I；

2)对要进行状态估计的网络进行潮流计算，求取配置量测装置的节点和支路的潮流值；

3)根据不同量测装置、量测类型和模糊集A确定柯西分布函数中的β值；

①在1)中的量测类型中，PF、PT的量测精度相同，β相同；QF、QT量测精度相同，β相同；Vm、I的精度相同，β相同；

②在1)中的量测类型中，根据精度高低顺序：Vm、I、PG>PF、PT>QG>QF、QT，β的值顺序选取为：2、4、6、8；

4)对于相同量测装置测量的同一量测类型，将不同支路或不同节点的量测值和潮流值带入柯西分布函数，按式(2)计算函数值，

$\left\{\begin{array}{c}{A}_i(Vm,I,PG)={\[1+{\mathrm{\α}}_{i(Vm,I,PG)}{(x_{i(Vm,I,PG)}-{\mathrm{\α}}_{i(Vm,I,PG)})}^2\]}^{-1}\\ A_i(PF,PT)={\[1+{\mathrm{\α}}_{i(PF,PT)}{(x_{i(PF,PT)}-{\mathrm{\α}}_{i(PF,PT)})}^4\]}^{-1}\\ A_i\left(QG\right)={\[1+{\mathrm{\α}}_{i\left(QG\right)}{(x_{i\left(QG\right)}-{\mathrm{\α}}_{i\left(QG\right)})}^6\]}^{-1}\\ A_i(QF,QT)={\[1+{\mathrm{\α}}_{i(QF,QT)}{(x_{i(QF,QT)}-{\mathrm{\α}}_{i(QF,QT)})}^8\]}^{-1}\end{array}\right.---\left(2\right)$

其中，A_i(Vm,I,PG)，A_i(PF,PT)，A_i(QG)，A_i(QF,QT)是具有量测装置节点或支路的函数值，α_i(Vm,I,PG)，α_i(PF,PT)，α_i(QG)，α_i(QF,QT)是具有量测装置节点或支路的潮流值，x_i(Vm,I,PG)，x_i(PF,PT)，x_i(QG)，x_i(QF,QT)是具有量测装置节点或支路的量测值；

5)对4)中同一量测类型不同节点或支路的函数值进行分析比较，除去超过正常误差极限的错误数据；

6)对经过5)处理的4)中的函数值按式(3)求均值，即得这一量测类型在状态估计模型中的权重值，

$\left\{\begin{array}{c}\mathrm{\ω}(Vm,I,PG)=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\[1+{\mathrm{\α}}_{i(Vm,I,PG)}{(x_{i(Vm,I,PG)}-{\mathrm{\α}}_{i(Vm,I,PG)})}^{2{\]}^{-1}}\\ \mathrm{\ω}(PF,PT)=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{\[1+{\mathrm{\α}}_{i(PF,PT)}{(x_{i(PF,PT)}-{\mathrm{\α}}_{i(PF,PT)})}^4\]}^{-1}\\ \mathrm{\ω}\left(QG\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\[1+{\mathrm{\α}}_{i\left(QG\right)}{(x_{i\left(QG\right)}-{\mathrm{\α}}_{i\left(QG\right)})}^6\]}^{-1}\\ \mathrm{\ω}(QF,QT)=\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{\[1+{\mathrm{\α}}_{i(QF,QT)}{(x_{i(QF,QT)}-{\mathrm{\α}}_{i(QF,QT)})}^8\]}^{-1}\end{array}\right.---\left(3\right)$

其中，ω(Vm,I,PG)，ω(PF,PT)，ω(QG)，ω(QF,QT)是各对应量测类型的权重值，α_i(Vm,I,PG)，α_i(PF,PT)，α_i(QG)，α_i(QF,QT)，x_i(Vm,I,PG)，x_i(PF,PT)，x_i(QG)，x_i(QF,QT)的含义同上，n,m,N,M是对应量测类型的量测次数；

7)对所有类型的量测重复进行步骤4)，5)和6)便得到状态估计模型中的权重矩阵。

2.根据权利要求1所述的方法，其特征在于：所述柯西分布函数是函数值为0～1的柯西分布函数：

A(x)＝[1+α(x-α)^β]^-1(1)

其中α>0，是量测量的潮流值；β是一个参数，为正偶数；x为量测值；A(x)为函数值。