CN105956760B - 一种基于多元时空信息建模的智能配电网态势感知方法 - Google Patents
一种基于多元时空信息建模的智能配电网态势感知方法 Download PDFInfo
- Publication number
- CN105956760B CN105956760B CN201610269490.4A CN201610269490A CN105956760B CN 105956760 B CN105956760 B CN 105956760B CN 201610269490 A CN201610269490 A CN 201610269490A CN 105956760 B CN105956760 B CN 105956760B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- information
- power
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008447 perception Effects 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000011161 development Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000006854 communication Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 101150036841 minJ gene Proteins 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于多元时空信息建模的智能配电网态势感知方法,首次将多元时空信息模型用于智能配电网态势感知中,是对考虑电网潜在联系和固有特性的发展,深入挖掘和有效利用电网的状态信息和量测信息;同时将建模得到的精度较高的节点电压幅值与节点电压相角作为虚拟的量测信息,增加配电网量测冗余度,提高配电网状态估计的收敛速度和收敛精度,缩短状态估计时间,为智能配电网在线估计提供了可能性;最后针对配电网实时态和未来态进行了安全稳定分析,对配电网在未来时刻的潜在风险进行了预判,为系统调度、系统决策提供了参考。
Description
技术领域
本发明涉及一种基于多元时空信息建模的智能配电网态势感知方法,属于电力系统监测、分析和控制技术领域。
背景技术
随着电网的发展和相关技术的进步,新能源发电规模日趋扩大,结构也日益复杂,这给智能配电网的安全稳定运行带来了一系列挑战。为了更好地建设智能配电网,在已有的调度体系基础上,一些专家和学者提出了基于态势感知(situation awareness,SA)的智能调度体系架构,以期实现对智能配电网运行状态和发展趋势的准确掌握。态势感知的概念最早起源于军事领域,后来由Endsley给出了完整的定义,指在特定的时空条件下,认知、理解环境因素,并对未来的发展趋势进行预测。电网态势感知主要通过采集到的广域时空量测信息进行理解和预测,力求有效地掌握电网的安全态势。
电网态势感知主要分为三个阶段:态势要素采集、实时态势理解、未来态势预测。学者提出在时空大数据的环境下,充分利用广域量测信息的时空特性,实现大电网的稳定态势评估及防御体系的构建。同时针对电网的暂态过程,提出了基于响应的电网暂态稳定态势评估,提高电网的暂态稳定监控和预警能力。态势感知的最终目的是为了充分调动决策者的认知能力,通过可视化界面有利于决策者对电网态势的全面理解。由此可见,当前国内外研究主要集中在输电网态势感知的架构体系、评估方法以及可视化等方面。然而,随着新能源并网规模的不断扩大,增加了配电网运行的不确定性,对配电网调度提出了更高的要求。考虑到配电网中量测冗余度较低的现状,以及分布式电源并网对系统安全运行带来的显著影响,传统的状态估计目前面临估计精度低和收敛性差等问题。当状态估计方法获得的信息不够全面和准确时,将造成电网调度中心响应延迟、甚至错误,最终危害电力系统的运行稳定性。因此,设计高效、可靠地智能配电网态势感知方法对配电网的安全、经济运行具有重要意义。
发明内容
发明目的:为克服现有技术不足,本发明旨在提供一种基于多元时空信息建模的智能配电网态势感知方法。
技术方案:为解决上述技术问题,本发明采用如下技术方案:
一种基于多元时空信息建模的智能配电网态势感知方法,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以及负荷和分布式电源有功功率出力信息;
2)程序初始化;
3)将一年的负荷数据以及风电厂、光伏的有功功率出力通过潮流计算得到配电网状态信息、支路功率和支路电流,并在潮流值的基础上添加高斯白噪声作为实时量测信息;伪量测为节点注入功率,其标准差为0.2;虚拟量测还包括为零节点注入功率;
4)将步骤3中计算得到的配电网状态信息以及生成的实时量测数据选取400个数据样本,建立多元时空信息模型;
5)确定估计时刻k,将时刻k-1的配电网状态信息估计值输入多元时空信息模型,得到时刻k状态信息的建模值;
6)针对步骤5得到的估计时刻k的状态信息建模值进行筛选,选取节点电压幅值与节点电压相角作为虚拟量测信息;
7)将伪量测、实时量测和步骤6生成的虚拟量测输入配电网状态估计器中进行状态估计,得到时刻k的配电网状态信息估计值;
8)将步骤7中得到的时刻k的状态信息估计值输入多元时空信息模型,得到时刻k+1状态信息的建模值,并进行未来态势预判。
工作原理:本发明基于多元时空信息建模的智能配电网态势感知方法,利用历史状态信息和实时量测对配电网运行状态进行多元时间序列建模,并将建模结果作为虚拟量测输入状态估计器中以期获得精度较高的配电网实时运行状态;本发明将智能配电网的实时态和未来态应用到配电网安全稳定分析中,得到当前和未来时刻的电压稳定指标和支路功率失稳临近度。
为了进一步提高精度,步骤1)中参数信息包括:配电网的拓扑信息、节点信息、支路信息以及源荷的有功功率信息。
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。
优选,所述步骤3)中,负荷数据采样间隔为15min。
所述步骤3)中,支路电流标准差为0.005,支路功率标准差为0.03;在实际量测装置中,电流幅值的量测精度的确比功率的量测精度高,如此设置参数能更加符合实际电力系统实际工况。
根据历史数据训练模型统计所得,所述步骤6)中,节点电压幅值为模型均方差小于0.01pu,节点电压相角为模型均方差小于1°。
1、多元时空信息建模
智能配电网中的状态信息和量测信息之间存在固有的时空相关性,深度挖掘电网已有信息之间的关联特性,对电网运行状态进行建模,可为态势感知、在线评估、实时调度提供参考依据。假设xt为智能配电网的t时刻的状态信息(节点电压幅值和相角),通过配电网中历史负荷功率和发电功率信息,经过潮流计算可得:
...,xt-2,xt-1,xt,xt+1,xt+2,...
式中xt不仅与其自身的历史信息相关(时间信息),还与其相邻节点的状态信息密切联系(空间信息)。
假设多元时间序列模型中因变量y与自变量x之间存在如下关系:
y=α0+α1x1+α2x2+...+αmxm+ε
式中α0,α1,...αm为模型的未知参数,x1,x2,...xm为自变量,ε为对应的模型误差,是均值为0,方差σ2>0的随机变量。
本发明选取智能配电网中k时刻的节点电压幅值和相角作为时间序列模型的因变量,模型的自变量采用最大相关性方法(Maximum Relevance,MR)对历史时刻的状态信息以及k-1时刻的实时量测分析获得。智能配电网的时间序列模型为:
式中y1,y2,...,yn为智能配电网中某个节点的电压幅值或电压相角;x11,x12,...,xn,m-1为MR提取的历史状态信息和前一时刻的量测信息;令则上式可表示为:
Y=XA+ε
时间序列模型的参数一般采用最小二乘估计法获得,即以误差项的平方和最小为目标函数。然而,本发明模型的自变量中包含智能配电网的实时量测信息,针对可能出现的不良数据,本文将采用具有鲁棒性的Huber函数作为模型参数估计的目标函数:
式中δ为Huber函数的参数。Huber函数相对于二次函数来说,对异常值并不敏感,它是一种使用鲁棒性回归的目标函数。当多元时空信息模型建立之后,需要对上述假设进行显著性检验,本文采用经典的F检验法。
2配电网三相状态估计
本发明选取节点电压幅值和相角作为状态变量x,则量测量z可表示为:
z=h(x)+v
式中h(x)为量测函数,v为量测误差,通常假设为正态分布;配电网三相状态估计目前普遍采用最小二乘法,其模型为:
minJ(x)=[z-h(x)]TW[z-h(x)]
s.t.g(x)=0
c(x)≤0
式中W为权重矩阵,g(x)为配电网中的潮流约束,c(x)为分布式电源注入功率的不等式约束。为了防止量测装置或通信过程引起的不良数据导致配电网三相状态估计精度降低,本文针对实时量测进行了量测辨识环节,剔除不良数据。
3态势预判
本发明通过多元时空信息建模和配电网三相状态估计获得了智能配电网的态势信息,并利用配电网电压稳定指标与支路功率失稳临近度进行分析和预判,以便调度人员更好地了解配电网的运行状态与趋势。
针对配电网中的电压稳定问题,本文采用第一类电压稳定指标和电压稳定裕度来反映配电网的运行状态。设支路bfj的第一类电压稳定指标Lfj:
且Lfj≤1
式中f和j分别为支路bfj的首节点和末节点,Rfj和Xfj为支路bfj的电阻和电抗值,Uf为支路bfj中首节点f的电压幅值,Pj和Qj为流过末节点j的有功功率和无功功率。
整个配电网的第一类电压稳定指标L:
L=max{Lb}
式中Lb为配电网全部支路的第一类电压稳定指标Lft的集合。L越小,整个配电网的电压越稳定。
整个配电网的第一类电压稳定裕度B:
B=1-L
第一类电压稳定裕度B越大,配电网电压越稳定。
针对配电网中的支路功率越限问题,采用支路功率失稳临近度Pc,考核配电网运行潜在的风险。
式中Pb为整个配电网所有支路的有功功率;为支路有功功率上限、下限,分别取2和-2。当支路功率失稳临近度Pc≥2时,支路功率越限,线路失稳。根据配电网的实时态和未来态计算上述配电网的电压稳定指标和支路功率失稳临近度,从而对配电网的态势信息和运行状态进行预判
本发明未提及的技术均为现有技术。
有益效果:本发明基于多元时空信息建模的智能配电网态势感知方法不仅为基于态势感知的智能调度体系提供了全面、准确地实时数据库和态势信息,更对智能配电网稳定运行状态进行了预判,为调度人员决策提供了参考依据。
附图说明
图1:本发明方法流程图;
图2:配电网IEEE123节点系统中18号节点A相态势图;
图3:配电网IEEE123节点系统中79号节点A相态势图;
图4:配电网IEEE123节点系统在未来48小时内的稳定指标趋势图。
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。
如图1所示,本发明基于多元时空信息建模的智能配电网态势感知方法,利用历史状态信息和实时量测对配电网运行状态进行多元时间序列建模,并将建模结果作为虚拟量测输入状态估计器中以期获得精度较高的配电网实时运行状态。最后,本发明将智能配电网的实时态和未来态应用到配电网安全稳定分析中,得到当前和未来时刻的电压稳定指标和支路功率失稳临近度。该方法不仅为基于态势感知的智能调度体系提供了全面、准确地实时数据库和态势信息,更对智能配电网稳定运行状态进行了预判,为调度人员决策提供了参考依据。
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;
2)程序初始化;
3)将一年的负荷数据以及风电厂、光伏的有功功率出力(数据采样间隔为15min)通过潮流计算得到配电网状态信息、支路功率和支路电流,并在潮流值的基础上添加高斯白噪声(支路电流标准差为0.005,支路功率标准差为0.03)作为实时量测信息;伪量测为节点注入功率,其标准差为0.2;虚拟量测还包括为零节点注入功率;
4)将步骤3中计算得到的配电网状态信息以及生成的实时量测数据选取400个数据样本,建立多元时空信息模型;
5)确定估计时刻k,将时刻k-1的配电网状态信息估计值输入多元时空信息模型,得到时刻k状态信息的建模值;
6)针对步骤5得到的估计时刻k的状态信息建模值进行删选,选取精度较高的节点电压幅值(模型均方差小于0.01pu)与节点电压相角(模型均方差小于1°)作为虚拟量测信息;
7)将伪量测、实时量测和步骤6生成的虚拟量测输入配电网状态估计器中进行状态估计,得到时刻k的配电网状态信息估计值;
8)将步骤7中得到的时刻k的状态信息估计值输入多元时空信息模型,得到时刻k+1状态信息的建模值,并进行未来态势预判。
1、多元时空信息建模
智能配电网中的状态信息和量测信息之间存在固有的时空相关性,深度挖掘电网已有信息之间的关联特性,对电网运行状态进行建模,可为态势感知、在线评估、实时调度提供参考依据。假设xt为智能配电网的某一时刻的状态信息(节点电压幅值和相角),通过配电网中历史负荷功率和发电功率信息,经过潮流计算可得:
...,xt-2,xt-1,xt,xt+1,xt+2,...
式中xt不仅与其自身的历史信息相关(时间信息),还与其相邻节点的状态信息密切联系(空间信息)。
假设多元时间序列模型中因变量y与自变量x之间存在如下关系:
y=α0+α1x1+α2x2+...+αmxm+ε
式中α0,α1,...αm为模型的未知参数,x1,x2,...xm为自变量,ε为对应的模型误差,是均值为0,方差为σ2>0的随机变量。
本发明选取智能配电网中k时刻的节点电压幅值和相角作为时间序列模型的因变量,模型的自变量采用最大相关性方法(Maximum Relevance,MR)对历史时刻的状态信息以及k-1时刻的实时量测分析获得。智能配电网的时间序列模型为:
式中y1,y2,...,yn为智能配电网中某个节点的电压幅值或电压相角;x11,x12,...,xn,m-1为MR提取的历史状态信息和前一时刻的量测信息。令则上式可表示为:
Y=XA+ε
时间序列模型的参数一般采用最小二乘估计法获得,即以误差项的平方和最小为目标函数。然而,本发明模型的自变量中包含智能配电网的实时量测信息,针对可能出现的不良数据,本文将采用具有鲁棒性的Huber函数作为模型参数估计的目标函数:
式中δ为Huber函数的参数。Huber函数相对于二次函数来说,对异常值并不敏感,它是一种使用鲁棒性回归的目标函数。当多元时空信息模型建立之后,需要对上述假设进行显著性检验,本文采用经典的F检验法。
2、配电网三相状态估计
本文选取节点电压幅值和相角作为状态变量x,则量测量z可表示为:
z=h(x)+v
式中h(x)为量测函数,v为量测误差,通常假设为正态分布。配电网三相状态估计目前普遍采用最小二乘法,其模型为:
minJ(x)=[z-h(x)]TW[z-h(x)]
s.t.g(x)=0
c(x)≤0
式中W为权重矩阵,g(x)为配电网中的潮流约束,c(x)为分布式电源注入功率的不等式约束。为了防止量测装置或通信过程引起的不良数据导致配电网三相状态估计精度降低,本发明针对实时量测进行了量测辨识环节,剔除不良数据。
3、态势预判
本发明通过多元时空信息建模和配电网三相状态估计获得了智能配电网的态势信息,并利用配电网电压稳定指标与支路功率失稳临近度进行分析和预判,以便调度人员更好地了解配电网的运行状态与趋势。
针对配电网中的电压稳定问题,本文采用第一类电压稳定指标和电压稳定裕度来反映配电网的运行状态。设支路bfj的第一类电压稳定指标Lfj:
且Lfj≤1
式中f和j分别为支路bfj的首节点和末节点,Rfj和Xfj为支路bfj的电阻和电抗值,Uf为支路bfj中首节点f的电压幅值,Pj和Qj为流过末节点j的有功功率和无功功率。
整个配电网的第一类电压稳定指标L:
L=max{Lb}
式中Lb为配电网全部支路的第一类电压稳定指标Lft的集合。L越小,整个配电网的电压越稳定。
整个配电网的第一类电压稳定裕度B:
B=1-L
第一类电压稳定裕度B越大,配电网电压越稳定。
针对配电网中的支路功率越限问题,采用支路功率失稳临近度Pc,考核配电网运行潜在的风险。
式中Pb为整个配电网所有支路的有功功率;为支路有功功率上限、下限,分别取2和-2。当支路功率失稳临近度Pc≥2时,支路功率越限,线路失稳。根据配电网的实时态和未来态计算上述配电网的电压稳定指标和支路功率失稳临近度,从而对配电网的态势信息和运行状态进行预判。
下面介绍本发明的算例:
本发明测试的算例为本文测试系统采用配电网IEEE13节点系统,如图2所示,并在节点4和节点13分别接入光伏和风机。节点4接入的三相光伏额定功率为600KW,节点13接入的三相风机额定功率为750KW。其中风电数据来自华东某地区风电场的有功功率数据,光伏数据采用某光伏电站有功功率数据,负荷为该地区母线负荷数据,数据采样间隔为15min。为了进行多元时空信息建模,首先通过潮流计算得到支路功率和支路电流,并在潮流值的基础上添加高斯白噪声(支路电流标准差为0.005,支路功率标准差为0.03)作为实时量测数据,其配置如图5所示;伪量测为节点注入功率,其标准差为0.2;虚拟量测为零节点注入功率和多元时空信息建模结果(其标准差为建模过程的均方差)。所有程序均采在主频为2.2GHz,RAM为8GB的电脑上,通过MATLAB R2014a软件实现。
本发明选取400个数据样本(包括配电网状态信息、量测信息)建立多元时空信息模型,并得到配电网的实时态;将建模得到的实时态作为状态估计初值,同时将建模得到的部分精度较高的节点电压幅值和相角作为虚拟量测信息,最终获得精度较高的配电网实时运行状态。现采用最大绝对估计误差em和平均绝对估计误差er作为衡量状态估计精度的指标:
式中xi为第i个状态估计值,xtrue为xi对应的真实值(即潮流计算值),N为状态量的总数。同时,通过100次配电网状态估计的统计量,从以下四个方面将本文方法与传统配电网三相状态估计进行比较,如表1所示。
根据表1所示,本文方法虽然在最大绝对误差上较传统方法没有明显提高,但均保持在合理范围内。而在平均绝对误差、平均迭代次数、平均计算时间三个方面本文方法较传统方法均有明显改善,说明本文方法具有较快的收敛速度和较高的收敛精度;同时,计算时间的减小给配电网在线评估、实时调度提供了可靠地保证。
本发明在IEEE123节点系统的节点33和节点96分别接入光伏和风机,其三相总额定功率为650KW、700KW。采用多元时间序列对智能配电网的未来态进行建模,其中输入量为历史状态信息和量测信息,如图2-图3所示为节点18和节点79在未来24小时内的变化趋势与真实值得对比图。
由图2-图3可知,多元时空信息模型能够大致跟踪配电网未来24小时内的态势信息,有利于调度人员了解配电网的变化趋势,为系统调度提供参考依据。为了更好地了解配电网在未来时刻的运行状态,对配电网未来24小时内的第一类电压稳定指标L和支路功率失稳临近度Pc的最大值进行计算,如图4所示。
由图4可知,在未来24小时,配电网IEEE123节点系统稳定。该系统的第一类电压稳定指标保持在0.15以内且具有一定裕度;而支路功率失稳临近度在第25-50采样时刻超过1.0,但是配电网支路仍存在较大功率裕度。通过多元时间序列对配电网未来态进行建模,从而获得配电网运行趋势;并将其应用到配电网稳定分析中,深入了解配电网的运行状态和潜在风险,为未来的运行计划和决策提供参考信息。
本申请针对智能配电网中历史量测信息的时空关联特性缺乏深入挖掘和有效利用,提出基于多元时空信息建模的智能配电网态势感知方法。该方法首次将多元时空信息模型用于智能配电网态势感知中,是对考虑电网潜在联系和固有特性的发展,深入挖掘和有效利用电网的状态信息和量测信息。同时将建模得到的精度较高的节点电压幅值(绝对误差小于与节点电压相角作为虚拟的量测信息,增加配电网量测冗余度,提高配电网状态估计的收敛速度和收敛精度,缩短状态估计时间,为智能配电网在线估计提供了可能性。最后针对配电网实时态和未来态进行了安全稳定分析,对配电网在未来时刻的潜在风险进行了预判,为系统调度、系统决策提供了参考。
表1IEEE13节点系统中两种状态估计方法对比表
本发明基于多元时空信息建模的智能配电网态势感知方法,首次将多元时空信息模型用于智能配电网态势感知中,是对考虑电网潜在联系和固有特性的发展,深入挖掘和有效利用电网的状态信息和量测信息。同时将建模得到的精度较高的节点电压幅值与节点电压相角作为虚拟的量测信息,增加配电网量测冗余度,提高配电网状态估计的收敛速度和收敛精度,缩短状态估计时间,为智能配电网在线估计提供了可能性。最后针对配电网实时态和未来态进行了安全稳定分析,对配电网在未来时刻的潜在风险进行了预判,为系统调度、系统决策提供了参考。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对各设施位置进行调整,这些调整也应视为本发明的保护范围。
Claims (6)
1.一种基于多元时空信息建模的智能配电网态势感知方法,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以及负荷和分布式电源有功功率出力信息;
2)程序初始化;
3)将一年的负荷数据以及风电厂、光伏的有功功率出力通过潮流计算得到配电网状态信息、支路功率和支路电流,并在潮流值的基础上添加高斯白噪声作为实时量测信息;伪量测为节点注入功率,其标准差为0.2;虚拟量测还包括为零节点注入功率;
4)将步骤3中计算得到的配电网状态信息以及生成的实时量测数据选取400个数据样本,建立多元时空信息模型;
5)确定估计时刻k,将时刻k-1的配电网状态信息估计值输入多元时空信息模型,得到时刻k状态信息的建模值;
6)针对步骤5得到的估计时刻k的状态信息建模值进行筛选,选取节点电压幅值与节点电压相角作为虚拟量测信息;
7)将伪量测、实时量测和步骤6生成的虚拟量测输入配电网状态估计器中进行状态估计,得到时刻k的配电网状态信息估计值;
8)将步骤7中得到的时刻k的状态信息估计值输入多元时空信息模型,得到时刻k+1状态信息的建模值,并进行未来态势预判。
2.根据权利要求1所述的基于多元时空信息建模的智能配电网态势感知方法,其特征在于:步骤1)中参数信息包括:配电网的拓扑信息、节点信息、支路信息以及源荷的有功功率信息。
3.根据权利要求1所述的基于多元时空信息建模的智能配电网态势感知方法,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。
4.根据权利要求1-3任意一项所述的基于多元时空信息建模的智能配电网态势感知方法,其特征在于:所述步骤3)中,负荷数据采样间隔为15min。
5.根据权利要求4所述的基于多元时空信息建模的智能配电网态势感知方法,其特征在于:所述步骤3)中,支路电流标准差为0.005,支路功率标准差为0.03。
6.根据权利要求1-3任意一项所述的基于多元时空信息建模的智能配电网态势感知方法,其特征在于:所述步骤6)中,节点电压幅值为模型均方差小于0.01pu,节点电压相角为模型均方差小于1°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610269490.4A CN105956760B (zh) | 2016-04-27 | 2016-04-27 | 一种基于多元时空信息建模的智能配电网态势感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610269490.4A CN105956760B (zh) | 2016-04-27 | 2016-04-27 | 一种基于多元时空信息建模的智能配电网态势感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956760A CN105956760A (zh) | 2016-09-21 |
CN105956760B true CN105956760B (zh) | 2019-12-06 |
Family
ID=56916855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610269490.4A Active CN105956760B (zh) | 2016-04-27 | 2016-04-27 | 一种基于多元时空信息建模的智能配电网态势感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956760B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108418204B (zh) * | 2018-02-12 | 2020-10-02 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
CN109546647B (zh) * | 2018-11-20 | 2022-04-08 | 三峡大学 | 一种用于含风光水储的电力系统的安全稳定评估方法 |
CN111509857A (zh) * | 2020-04-30 | 2020-08-07 | 广东电网有限责任公司 | 一种低压配变免停电快捷监测系统及方法 |
CN112633316B (zh) * | 2020-10-22 | 2023-06-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632311A (zh) * | 2013-11-28 | 2014-03-12 | 国家电网公司 | 一种电网运行故障排查系统及方法 |
CN103729537A (zh) * | 2013-09-12 | 2014-04-16 | 广西电网公司电力科学研究院 | 一种感知配电网实时态势的扩展锥方法 |
CN105071385A (zh) * | 2015-08-10 | 2015-11-18 | 国家电网公司 | 一种电网运行数据实时分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7498821B2 (en) * | 2005-10-27 | 2009-03-03 | Osisoft, Inc. | Non-linear observers in electric power networks |
-
2016
- 2016-04-27 CN CN201610269490.4A patent/CN105956760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729537A (zh) * | 2013-09-12 | 2014-04-16 | 广西电网公司电力科学研究院 | 一种感知配电网实时态势的扩展锥方法 |
CN103632311A (zh) * | 2013-11-28 | 2014-03-12 | 国家电网公司 | 一种电网运行故障排查系统及方法 |
CN105071385A (zh) * | 2015-08-10 | 2015-11-18 | 国家电网公司 | 一种电网运行数据实时分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105956760A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A hybrid forecasting method for wind power ramp based on orthogonal test and support vector machine (OT-SVM) | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
Shi et al. | Forecasting power output of photovoltaic systems based on weather classification and support vector machines | |
CN103279639B (zh) | 基于响应的受端电网电压稳定全过程态势评估及防控方法 | |
CN105956760B (zh) | 一种基于多元时空信息建模的智能配电网态势感知方法 | |
CN102594215B (zh) | 一种光伏电站模型参数辨识方法 | |
CN103198235B (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN103973203A (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
Jiang et al. | Short-term distribution system state forecast based on optimal synchrophasor sensor placement and extreme learning machine | |
Zhang et al. | Application of ARMA model in ultra-short term prediction of wind power | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN110363334A (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
Ma et al. | Economic operation evaluation of active distribution network based on fuzzy Borda method | |
Liu et al. | Power system state estimation based on fusion of WAMS/SCADA measurements: A survey | |
Wang et al. | A review of power system transient stability analysis and assessment | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
CN111861256B (zh) | 一种主动配电网重构决策方法及系统 | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN116484554A (zh) | 一种配电网的拓扑辨识方法、装置、设备及介质 | |
Ansari et al. | Wind power forecasting using artificial neural network | |
Tan et al. | An improved modeling method for uncertainty of renewable energy power generation considering random variables correlation | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191024 Address after: 211100 Nanjing City, Jiangning Province, West Road, Buddha District, No. 8 Applicant after: HOHAI University Applicant after: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute Address before: 211100 Nanjing City, Jiangning Province, West Road, Buddha District, No. 8 Applicant before: HOHAI University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |