CN105633956A - 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法 - Google Patents

Abstract

本发明公开了一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法，该方法首先将实时和部分历史支路功率量测输入Spiking神经网络进行伪量测建模，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。本发明不仅能够在正常通信时有效提高配电网状态估计精度，而且在通信故障时也能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。

Description

一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法

技术领域

发明涉及一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法，属于电力系统监测、分析和控制技术领域。

背景技术

随着新能源发电的逐步接入，配电网管理系统需要更加全面、准确的数据进行实时控制。配电网状态估计能够提供系统实时运行状态信息，是进行配电网控制的前提条件。而当前配电网状态估计面临的一个突出问题是实时量测数目不足。为了保证系统的可观测性和提高量测冗余度，一般将超短期负荷预测软件提供的负荷节点注入功率作为伪量测。但是，由于伪量测的量测误差远远大于实时量测误差，使状态估计精度下降，难以为配电网运行提供精确、可靠的参考。因此，如何提高伪量测模型精度是值得深入研究的问题。

目前，国内外专家学者主要从配电网量测和状态估计算法两个方面来提高配电网状态估计精度。通过优化配电网量测装置的安装地点，量测量变换，基于大规模电流量测的抗差估计算法来提高状态估计精度。当实时量测类型和数量确定时，如何改进状态估计算法也是国内外学者致力研究的问题。通过量测变换，采用基于负荷电流的抗差估计算法修正伪量测数据，给予伪量测和虚拟量测不同的权重以提高状态估计精度。然而伪量测数据本身的误差仍然是影响状态估计精度的关键。在配电网量测数据不充分的情况下，保证配电网中伪量测信息的准确性对提高配电网三相状态估计精度具有重要意义。

发明内容

针对现有技术存在的不足，本发明提供一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法，包括顺序相接的如下步骤：

1)首先获得配电网的网络参数信息；

2)程序初始化；

3)将一年的节点负荷数据进行潮流计算，保存每一采样时刻的支路功率值；通过一年的支路功率值训练Spiking神经网络，得到相应的训练误差，即每一采样时刻负荷节点的注入功率与实际节点负荷的差值；

4)将步骤3中Spiking神经网络训练得到的误差输入高斯混合模型中，该模型根据输出误差分布进行拟合，通过边缘密度函数分析得到相应时刻的伪量测误差；

5)确定估计时刻k，将时刻k的实时支路功率量测值与部分历史支路功率量测值输入Spiking神经网络，得到时刻k的节点注入功率即为该时刻的伪量测值；

6)通过估计时刻k对应一年中的某一时刻，根据高斯混合模型拟合的伪量测误差分布确定该时刻k的伪量测误差；

7)将伪量测、实时量测和虚拟量测输入配电网状态估计器中进行状态估计，得到该时刻k的配电网状态变量估计值。

为了进一步提高精度，上述步骤1)中参数信息包括：配电网的拓扑信息、各节点对地电容、各支路阻抗和对地电容。

为了更进一步提高精度，步骤2)中程序初始化包括：设定状态变量初始值、状态估计收敛精度和最大迭代次数。

本发明未提及的技术均参照现有技术。

本发明针对配电网中量测数据不充分情况，采用基于Spiking神经网络的伪量测模型进行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Spiking神经网络进行节点注入功率建模，然后通过高斯混合模型生成相应量测误差，最后将伪量测、实时量测和虚拟量测输入状态估计器进行配电网三相状态估计。本发明建立的模型不仅能够提高伪量测精度，减小状态估计误差，而且在配电网通信故障时能够保持状态估计正常运行并将误差控制在合理范围内，具有工程实用价值。

附图说明

图1：本发明Spiking神经网络训练流程图；

图2：本发明方法流程图；

图3：配电网IEEE13为标准测试系统图；

图4：IEEE13节点系统中节点2-B相Spiking神经网络输出对比图；

图5：IEEE13节点系统中节点2-B相Spiking神经网络输出放大图；

图6：不同情景下节点3-A相状态估计对比图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。

1配电网状态估计

本文采用节点电压复向量为状态变量，并假设状态变量x＝[x₁,x₂,...,x_n]^T，共n个。配电网中量测信息也包含多种类型，一般有支路功率量测、节点注入功率量测、支路电流幅值量测以及节点电压幅值量测。其中支路功率量测、支路电流幅值量测以及节点电压幅值量测为实时量测，零注入节点功率量测为虚拟量测，负荷节点注入功率量测为伪量测。假设系统中量测量为z＝[z₁,z₂,...,z_m]^T，共m个。其中状态变量x与量测量z之间满足如下关系：

z＝h(x)+v

式中h(x)为x的非线性函数；v为均值为零的高斯白噪声且v～N(0，R)，其中 为第i个量测对应的量测噪声方差。

状态估计实际上是根据量测量z确定状态变量x的过程。加权最小二乘法(WLS)是目前配电网状态估计中普遍采用的方法，即求解如下最优化问题：

minJ＝[z-h(x)]^TW[z-h(x)]

式中W为权重矩阵。当W＝R^-1时，上述优化问题的解为无偏估计。

由于h(x)为x的非线性函数，无法直接计算状态变量x，因此采用牛顿法迭代计算，公式如下：

${\hat{x}}^{l+1}={\hat{x}}^l+G{\left({\hat{x}}^l\right)}^{-1}{H}^T\left({\hat{x}}^l\right)R^{-1}\[z-h\left({\hat{x}}^l\right)\]$

式中为l次迭代时x的估计值，H为量测矩阵，G为雅克比矩阵且满足如下关系：

$H\left({\hat{x}}^l\right)={\[\frac{\∂h\left(x\right)}{\∂x}\]}_{x={\hat{x}}^l}$

$G\left({\hat{x}}^l\right)=H^T\left({\hat{x}}^l\right)R^{-1}H\left({\hat{x}}^l\right)$

2伪量测模型

本文建立的伪量测模型由伪量测值模型和伪量测误差模型组成，其中伪量测的真实值如下式所示：

$Z=\hat{Z}+e$

式中Z为伪量测真实值，伪量测值为通过Spiking神经网络建模得到负荷节点注入功率量测，相应的伪量测误差e由高斯混合模型计算生成。

采用Spiking神经网络对负荷节点注入功率的量测值进行建模，本质上就是对非线性高维函数的逼近。Spiking神经网络可以实现任意前向Sigmoid神经网络的功能，并且可以逼近任意连续函数。本发明采用3层前馈Spiking神经网络，由输入层I、隐含层H和输出层O组成。在结构上，Spiking神经网络以更接近生物神经元的Spike神经元为基础，每对神经元之间含有d个突触连接终端，每个突触连接可看做一个单独连接，且具有可调节的突触延时和连接权值。在编码方式上，Spiking神经网络采用将神经元的脉冲发射时间直接作为输入输出信号的时间编码方式，能够解决高维聚类和非线性分类等问题。

Spiking神经网络输出的配电网负荷节点注入功率值与节点的负荷真实值之间存在误差，该误差的概率密度函数无法用简单的正态分布函数进行描述。由于量测误差的方差直接决定了量测权重，从而影响状态估计结果的准确性。为了保证配电网状态估计精度，本文采用高斯混合模型来近似Spiking神经网络输出伪量测的误差概率分布。

3基于Spiking神经网络伪量测建模的配电网三相状态估计

基于Spiking神经网络进行伪量测建模的配电网三相状态估计一共分为三个阶段：SNN训练阶段、误差生成阶段、状态估计阶段。

本发明采用Spiking神经网络分别对负荷节点的有功功率和无功功率建模，因此需要2个Spiking神经网络进行训练。第一个Spiking神经网络的输入为支路有功功率量测，输出为负荷节点的注入有功功率；第二个Spiking神经网络的输入为支路无功功率量测，输出为负荷节点的注入无功功率。两个Spiking神经网络的输出均与实际负荷节点注入功率进行比较，其输出误差即为两者的差值。具体步骤如图1所示。

本发明首先进行了Spiking神经网络训练以及量测误差建模，在获得某一时刻的实时支路功率量测后，进行伪量测值与伪量测误差生成。然后将伪量测、实时量测和虚拟量测输入配电网状态估计器中进行状态估计，得到该时刻的配电网状态变量估计值，如图2所示。其中实时量测包括支路电流幅值量测、支路有功与无功功率量测；伪量测为负荷节点注入有功与无功功率；虚拟量测为零注入节点。所有量测均包含相应的量测标准差。

本发明的具体步骤如下：

1)首先获得配电网的网络参数信息，包括配电网的拓扑信息，各节点对地电容，各支路阻抗和对地电容；

2)程序初始化包括：设定状态变量初始值、设置状态估计收敛精度和最大迭代次数；

3)将一年的节点负荷数据进行潮流计算，保存每一采样时刻的支路功率值；通过一年的支路功率值训练Spiking神经网络，得到相应的训练误差即每一采样时刻负荷节点的注入功率与实际节点负荷的差值；

4)将Spiking神经网络训练得到一年的负荷节点注入功率误差值输入高斯混合模型中，该模型根据输出误差分布进行拟合，通过边缘密度函数分析得到相应时刻的伪量测误差；

5)确定估计时刻k，将时刻k的实时支路功率量测值与部分历史支路功率量测值输入Spiking神经网络，得到时刻k的节点注入功率即为该时刻的伪量测值；

6)通过估计时刻k，根据高斯混合模型拟合的伪量测误差分布确定该时刻k的伪量测误差；

7)将伪量测、实时量测和虚拟量测输入配电网状态估计器中进行状态估计，得到该时刻k的配电网状态变量估计值。

下面介绍本发明的算例：

本发明测试的算例为配电网IEEE13节点标准系统以及配电网IEEE123节点标准系统。本发明通过不同的SNN输入、输出验证伪量测模型的准确性，如下表1的两种情景。情景2中Spiking神经网络的实时输入比情景1中Spiking神经网络的实时输入有所增加，输出也相应增加。而两种情景下Spiking神经网络的历史时刻支路功率输入均采用主成分分析法进行特征提取得到4个主成分，即4个历史时刻的支路功率量测。

图4为配电网IEEE13节点系统中节点2-B相一天的负荷节点注入功率输出的与真实值对比图。图5为节点2-B相负荷的Spiking神经网络输出与真实值对比的局部放大图。由图可知，Spiking神经网络能够跟踪节点负荷的总体变化趋势，且情景2的负荷节点注入功率比情景1更接近真实值。但是在某些负荷突变时刻，Spiking神经网络输出的负荷节点注入功率出现较大偏差，从局部放大图中可见其输出的负荷节点注入功率与真实值相差最大不超过0.03(p.u.)。可知该伪量测模型能够适用于波动性和随机性较大的负荷变化。

在伪量测模型的基础上，随后进行了配电网三相状态估计。本申请状态估计测试的实时量测配置如图3所示，Spiking神经网络的输入、输出如表1所示。如图6为情景1、2下IEEE13节点系统中节点3(A相)状态估计与真值的对比图；其中黑色点横线表示状态量真值的±3σ置信区间。由图可知，基于Spiking神经网络的伪量测模型的配电网三相状态估计值均落在±3σ置信区间，精度较高。且情景2下的估计值比情景1下的估计曲线更加接近真值曲线，这是因为情景2下Spiking神经网络的实时支路量测功率输入比情景1下的Spiking神经网络输入增加，相应的负荷节点注入功率误差减小。由此可见，配电网中伪量测的精度直接影响配电网状态估计效果。

配电网中，量测信息通过通信网络传送至执行状态估计的调度中心，而通信网络的故障往往导致量测信息的延时甚至丢失，严重时会引起状态估计无法计算。因此在量测信息缺失的情况下如何利用历史量测信息以及当前时刻部分量测信息进行状态估计是亟需解决的问题。本发明在伪量测模型的建立过程中，通过Spiking神经网络对负荷节点注入功率量测进行建模，其中Spiking神经网络的输入除了实时的支路功率量测数据还有相关性较高的支路功率量测历史数据。

针对可能出现的通信故障问题，本发明采用部分未丢失的实时支路功率量测以及相关性较高的支路功率历史量测进行当前时刻负荷节点注入功率建模，从而避免状态估计误差过大甚至无法收敛的问题。以IEEE123节点系统为测试算例，该系统含有123个节点，122条支路。考虑到实际配电网量测装置配置现状，系统量测冗余度为1.32。由于量测冗余度的降低以及伪量测误差的增大导致系统的状态估计无法收敛。所以，通信故障的情况分以下4种：

1)Case1:全部量测，无量测信息丢失；

2)Case2:10％支路功率量测丢失；

3)Case3:20％支路功率量测丢失；

4)Case4:30％支路功率量测丢失。

本文建立了最大绝对值误差和平均相对误差作为衡量通信故障时状态估计精度指标：

${\mathrm{MAX}}_V=max{\left\{\right|{\hat{V}}^i-V_t^i\left|\right\}}_{i=1}^N$

${\mathrm{MAX}}_{\mathrm{\δ}}=max{\left\{\right|{\widehat{\mathrm{\δ}}}^i-{\mathrm{\δ}}_t^i\left|\right\}}_{i=1}^N$

${\mathrm{ARE}}_V=\frac{100}{N}\underset{i}{\Σ}\left|\frac{{\hat{V}}^i-V_t^i}{V_t^i}\right|$

${\mathrm{ARE}}_{\mathrm{\δ}}=\frac{100}{N}\underset{i}{\Σ}\left|\frac{{\widehat{\mathrm{\δ}}}^i-{\mathrm{\δ}}_t^i}{{\mathrm{\δ}}_t^i}\right|$

式中，N为系统的总节点数，为节点电压幅值的估计值，为节点电压幅值的真值(由潮流计算得到)；为节点电压相角的估计值，为节点电压相角的真值(由潮流计算得到)。

根据表2可知，当支路功率量测数据部分丢失时，Spiking神经网络的实时支路功率量测输入相应减少，模型精度有所降低，导致配电网状态估计结果的最大绝对误差和平均相对误差均变大，但是保持在合理范围内。说明本申请方法能够在一定程度上解决由于通信故障造成状态估计精度下降的问题，从而保证状态估计正常运行。

本申请针对配电网量测装置配置不足的现状，提出了基于Spiking神经网络进行伪量测建模的配电网三相状态估计。该伪量测模型充分利用实时支路功率量测，减小负荷节点注入功率建模误差。因此，当系统所含实时量测数目较少时，本申请所提的伪量测模型能够提供精确的伪量测信息，提高配电网状态估计精度。另一方面当系统发生通信故障时，该模型也能能够保持状态估计正常运行并将误差控制在合理范围。

表1不同情景下SNN输入输出表

表2通信故障下系统状态估计结果指标

Claims (3)

1.一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法，其特征在于：包括顺序相接的如下步骤：

1)首先获得配电网的网络参数信息；

2)程序初始化；

3)将一年的节点负荷数据进行潮流计算，保存每一采样时刻的支路功率值；通过一年的支路功率值训练Spiking神经网络，得到相应的训练误差，即每一采样时刻负荷节点的注入功率与实际节点负荷的差值；

4)将步骤3中Spiking神经网络训练得到的误差输入高斯混合模型中，该模型根据输出误差分布进行拟合，通过边缘密度函数分析得到相应时刻的伪量测误差；

5)确定估计时刻k，将时刻k的实时支路功率量测值与部分历史支路功率量测值输入Spiking神经网络，得到时刻k的节点注入功率即为该时刻的伪量测值；

6)通过估计时刻k对应一年中的某一时刻，根据高斯混合模型拟合的伪量测误差分布确定该时刻k的伪量测误差；

7)将伪量测、实时量测和虚拟量测输入配电网状态估计器中进行状态估计，得到该时刻k的配电网状态变量估计值。

2.如权利要求1所述的基于Spiking神经网络伪量测建模的配电网三相状态估计方法，其特征在于：步骤1)中参数信息包括：配电网的拓扑信息、各节点对地电容、各支路阻抗和对地电容。

3.如权利要求1或2所述的基于Spiking神经网络伪量测建模的配电网三相状态估计方法，其特征在于：步骤2)中程序初始化包括：设定状态变量初始值、状态估计收敛精度和最大迭代次数。