CN107887907B - 一种电力系统动态状态估计多时段滚动优化方法 - Google Patents
一种电力系统动态状态估计多时段滚动优化方法 Download PDFInfo
- Publication number
- CN107887907B CN107887907B CN201711148717.0A CN201711148717A CN107887907B CN 107887907 B CN107887907 B CN 107887907B CN 201711148717 A CN201711148717 A CN 201711148717A CN 107887907 B CN107887907 B CN 107887907B
- Authority
- CN
- China
- Prior art keywords
- time
- weight
- measurement
- period
- dynamic 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力系统动态状态估计多时段滚动优化方法,该方法基于多时段量测数据,建立动态状态估计滚动优化模型;模型包含系统k个时刻量测数据,当前时刻量测数据上传后,替代模型中最早时刻量测数据,然后计算出计算权重,再执行估计计算,得到估计结果,模型随采样时刻更新不断更新,实现电力系统动态状态估计的多时段滚动优化。该方法以残差一范数最小为目标函数,不需系统先验分布信息,且优化时段长度k可根据实际需要动态调整,其估计结果可为电力系统在线和离线稳定分析等应用提供数据支撑。
Description
技术领域
本发明实施例属于电网优化领域,具体而言,涉及一种电力系统动态状态估计多时段滚动优化方法。
背景技术
电力系统静态状态估计是EMS的核心功能之一,一直受学术界和电力工业界的普遍重视,然而,随着PMU的广泛应用,电力系统动态状态估计逐渐得到关注。目前,电力系统动态状态估计主要是基于扩展卡尔曼滤波原理的各类递推估计算法,其特点是:须假设误差满足高斯分布。但在电力生产实际中,量测误差分布往往不确定且不服从这一分布,因而导致基于扩展卡尔曼滤波原理的估计方法结果不准确,甚至发散。因此,摒弃量测误差分布假设条件,研究对量测误差具有强鲁棒性的电力系统动态状态估计方法是十分必要的。
发明内容
本发明针对现有技术中的不足,从多时段优化的角度,提出一种电力系统动态状态估计的滚动优化方法。
为实现上述发明目的,本发明采用了以下技术方案:
步骤1,初始化系统变量x,时刻权重wt,以及时段长度k,读取时段长度k中的量测数据,基于量测数据,建立动态状态估计滚动优化模型。本文中所述的量测数据均为PMU量测数据。
步骤2,分析当前网络拓扑结构,读取系统参数,确定各量测量对应的量测方程,删除最早时刻量测数据与变量,用当前时刻量测数据和变量代替,使步骤1建立的模型随系统动态变化而实时更新;
模型随系统动态变化而实时更新的更新特征如下:
对任意时刻t原模型为:
s.t zk-h(xk)=vk
g(xk,xk-1)=vck
z1-h(x1)=v1
g(x1,x0)=vc1
系统变量:
量测约束:
zk=[z1 z2 … zk]→zk+1=[z2 z3 … zk+1]
更新内容为,xk和zk中第一列为删除量,xk+1和zk+1中最后一列为添加量,n表示发电机台数,xk+1和zk+1分别表示t+1时刻的系统变量和量测量。
步骤3,将量测权重与时刻权重相乘得到计算权重,方法为:
量测矩阵:zt=[z1 z2 … zk];
量测权重:wz=[w1 w2 … wk];
时刻权重:wt=[0.1*1 0.1*2 … 0.1*k];
计算权重:wx=wz*diag(wt);
上式中,zk为当前时刻量测向量,wz为zt对应的量测权重矩阵,wt为按时刻排列的权重向量,称为时刻权重,0.1为权重系数参考值可按需调整,wx为计算权重矩阵,定义为时刻权重和量测权重乘积。
步骤4,执行动态估计计算,求出该时段系统状态最优解。
步骤5,判断是否有不良数据,若有,则删除不良数据,返回步骤4,否则,输出最终结果,并更新数据库。
步骤6,新的采样数据上传以后进入下一时刻,回到步骤2。
相比于现有技术,本发明的该方法依据k时段量测量建立优化模型求解;k控制模型规模和精度,k值越大模型规模越大且结果精度越高,但计算速度降低;反之k越小模型规模越小,结果精度越低,但计算速度提高;时段内各时刻设定时刻权重,距当前时刻越近的时刻权重值越大;新时刻数据自动替代最早时刻数据,使模型完成系统状态跟踪的同时k值不发生变化。
综上所述,本发明的方法具有以下几大优势:
1.从优化的角度建立电力系统动态状态估计滚动优化模型,估计结果为系统k时段的最优解。
2.用k控制模型中变量和约束规模,可根据实际工况对计算精度和速度的需要,动态调整k值。
3.本方法实施无需假设量测误差满足某种分布,更符合电力生产实际。
附图说明
图1为电力系统动态状态估计多时段滚动优化方法算法框架。
图2为k值对状态估计模、计算速度和精度的影响示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明技术方案作进一步非限制性的详细描述。
见图1,一种电力系统动态状态估计多时段滚动优化方法,其步骤如下所示:
步骤1,初始化系统变量x,时刻权重wt,以及时段长度k,向前读取k个时刻量测数据,基于该k个时段量测数据,建立动态状态估计滚动优化模型,由于本模型从多时段优化角度建模,无需误差分布信息。
见图2,时段长度k可动态调整,其大小用于协调计算速度与估计精度。本模型中,k值大小决定估计时刻长短,即决定模型规模。当k值增加时模型量测约束增加使得量测冗余度增加,因而精度也提高,但会降低计算速度。当k值减小时模型规模减小计算速度提升,但估计精度降低。因此,k的值可按实际需求动态调整。
步骤2,分析当前网络拓扑结构,读取系统参数,确定各量测量对应的量测方程,删除最早时刻量测数据与变量,用当前时刻量测数据和变量代替,使步骤1建立的模型随系统动态变化而实时更新。
模型随系统动态变化而实时更新的更新特征如下:
对任意时刻t原模型为:
s.t zk-h(xk)=vk
g(xk,xk-1)=vck
z1-h(x1)=v1
g(x1,x0)=vc1
系统变量:
量测约束:
zk=[z1 z2 … zk]→zk+1=[z2 z3 … zk+1]
更新内容为,xk和zk中第一列为删除量,xk+1和zk+1中最后一列为添加量,n表示发电机台数,xk+1和zk+1分别表示t+1时刻的系统变量和量测量。
步骤3,将量测权重与时刻权重相乘得到计算权重,方法为:
量测矩阵:zt=[z1 z2 … zk];
量测权重:wz=[w1 w2 … wk];
时刻权重:wt=[0.1*1 0.1*2 … 0.1*k];
计算权重:wx=wz*diag(wt);
上式中,zk为当前时刻量测向量,wz为zt对应的量测权重矩阵,wt为按时刻排列的权重向量,称为时刻权重,0.1为权重系数参考值可按需调整,wx为计算权重矩阵,定义为时刻权重和量测权重乘积。
步骤3的权重分配方式合理反映了不同时刻数据对估计结果的影响程度,肯定了当前时刻数据在估计过程中的重要性,也考虑了早期时刻系统状态对当前系统状态的影响。
步骤4,执行动态估计计算,求出该时段系统状态最优解。
估计计算用一范数内点法实现,过程如下:
对任意时刻原模型的等效模型为:
min wT(l+u)
s.t z-f(x)+l-u=0
l,u≥0
上式中,f(x)包含了量测方程和差分方程;
构造拉格朗日函数如下:
L=wT(l+u)-πT(z-f(x)+l-u)-αTl-βTu
求偏导得到扰动KKT条件如下:
Lπ=z-f(x)+l-u=0
Ll=w-π-α=0
Lu=w+π-β=0
上式中,μ为扰动因子,e为全1列向量;
得到修正方程如下:
dα=-dπ
dβ=dπ
上式中
s=A-1L+B-1U
以上为修正方程推导过程,执行迭代求解过程如下:
计算互补间隙Gap=αTl+βTu。如果Gap<ε,则停止计算,通过残差判断是否有不良数据,是则删除该数据并重新启动内点法计算过程,否则输出最终结果;如果Gap>ε,则计算扰动因子μ=σ*Gap/2n。求h(x),g(x)的雅可比矩阵和海森矩阵,得出修正方程,计算修正量[dx dπ dα dβ dl du]。计算原对偶步长θp和θd:
变量更新如下
然后再次执行此该求解过程。
步骤5,判断是否有不良数据,若有,则删除不良数据,返回步骤4,否则,输出最终结果,并更新数据库。
步骤6,新的采样数据上传以后进入下一时刻,回到步骤2。
需要指出的是,上述求解模型的方法仅为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种电力系统动态状态估计多时段滚动优化方法,其特征在于其包括以下步骤:
步骤1,初始化系统变量x,时刻权重wt,以及时段长度k,读取时段长度k中的量测数据,建立动态状态估计滚动优化模型;
步骤2,分析当前网络拓扑结构,读取系统参数,确定各量测量对应的量测方程,删除最早时刻量测数据与变量,用当前时刻量测数据和变量代替,使步骤1建立的模型随系统动态变化而实时更新;
步骤3,将量测权重与时刻权重相乘得到计算权重;
步骤4,执行动态估计计算,求出该时段系统状态最优解;
步骤5,判断是否有不良数据,若有,则删除不良数据,返回步骤4,否则,输出最终结果,并更新数据库;
步骤6,下一时刻,返回步骤2。
2.根据权利要求1所述的一种电力系统动态状态估计多时段滚动优化方法,其特征在于:所述步骤1中的时段长度k可动态调整,其大小用于协调计算速度与估计精度。
3.根据权利要求1所述的一种电力系统动态状态估计多时段滚动优化方法,其特征在于:所述步骤2中的模型随系统动态变化而实时更新的更新特征如下,
对任意时刻t原模型为:
上式中,下标k代表当前时刻数据,也代表了估计时段长度,z为量测向量,h(x)为与z对应的量测函数,g为差分方程,为i时刻量测误差权重,wci为i时刻差分误差权重,Vi为i时刻量测误差,Vci为i时刻差分误差,Vk为结束时刻测量误差,Vck为结束时刻差分误差,V1为起始时刻测量误差,Vc1为起始时刻差分误差,更新特征如下:
系统变量:
量测约束:
zk=[z1 z2 … zk]→zk+1=[z2 z3 … zk+1]
更新内容为,xk和zk中第一列为删除量,xk+1和zk+1中最后一列为添加量,n表示发电机台数,xk+1和zk+1分别表示t+1时刻的系统变量和量测量。
4.根据权利要求1所述的一种电力系统动态状态估计多时段滚动优化方法,其特征在于:所述步骤3的计算权重的计算方法如下:
量测矩阵:zt=[z1 z2 … zk];
量测权重:wz=[w1 w2 … wk];
时刻权重:wt=[0.1*1 0.1*2 … 0.1*k];
计算权重:wx=wz*diag(wt);
上式中,zk为当前时刻量测向量,wz为zt对应的量测权重矩阵,wt为按时刻排列的权重向量,称为时刻权重,0.1为权重系数参考值可按需调整,wx为计算权重矩阵,定义为时刻权重和量测权重乘积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711148717.0A CN107887907B (zh) | 2017-11-17 | 2017-11-17 | 一种电力系统动态状态估计多时段滚动优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711148717.0A CN107887907B (zh) | 2017-11-17 | 2017-11-17 | 一种电力系统动态状态估计多时段滚动优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107887907A CN107887907A (zh) | 2018-04-06 |
CN107887907B true CN107887907B (zh) | 2021-10-08 |
Family
ID=61777386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711148717.0A Active CN107887907B (zh) | 2017-11-17 | 2017-11-17 | 一种电力系统动态状态估计多时段滚动优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107887907B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103972884A (zh) * | 2014-04-24 | 2014-08-06 | 西南交通大学 | 一种电力系统状态估计方法 |
JP2015077034A (ja) * | 2013-10-11 | 2015-04-20 | 三菱電機株式会社 | 電力系統の状態推定装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9627886B2 (en) * | 2012-03-27 | 2017-04-18 | Mitsubishi Electric Research Laboratoriies, Inc. | State estimation for power system using hybrid measurements |
CN104102836B (zh) * | 2014-07-14 | 2018-07-17 | 国家电网公司 | 一种电力系统快速抗差状态估计方法 |
CN104934969B (zh) * | 2015-06-04 | 2018-03-06 | 中国南方电网有限责任公司 | 一种电力线路参数的计算方法 |
CN106921156B (zh) * | 2015-12-25 | 2019-11-01 | 中国电力科学研究院 | 一种基于多采样周期混合量测的主动配电网状态估计方法 |
CN105914738A (zh) * | 2016-05-26 | 2016-08-31 | 国网山东省电力公司潍坊供电公司 | 一种基于测量不确定度的配电网不良数据检测和辨识方法 |
CN106159941B (zh) * | 2016-07-08 | 2018-05-22 | 国网江苏省电力公司电力科学研究院 | 一种考虑实际量测误差传递特性的电力系统状态估计方法 |
-
2017
- 2017-11-17 CN CN201711148717.0A patent/CN107887907B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015077034A (ja) * | 2013-10-11 | 2015-04-20 | 三菱電機株式会社 | 電力系統の状態推定装置 |
CN103972884A (zh) * | 2014-04-24 | 2014-08-06 | 西南交通大学 | 一种电力系统状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107887907A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3405843B1 (en) | Model adaption and online learning for unstable environments | |
WO2022121923A1 (zh) | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 | |
JP5872732B2 (ja) | 電力系統制御システムおよびそれに用いる分散コントローラ | |
CN109993361B (zh) | 一种基于pmu的配电网运行趋势预测方法 | |
CN106154168B (zh) | 数据驱动的动力电池荷电状态估计方法 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
CN113608121A (zh) | 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法 | |
CN108448585A (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
CN112836176A (zh) | 一种曲线拟合的优化方法、存储介质、电子设备及系统 | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN109062040A (zh) | 基于系统嵌套优化的预测pid方法 | |
JP2021136745A (ja) | 状態推定装置、状態推定プログラム、状態推定方法 | |
CN115390459A (zh) | 模型预测控制方法及装置 | |
CN109341690B (zh) | 一种鲁棒高效的组合导航自适应数据融合方法 | |
CN107887907B (zh) | 一种电力系统动态状态估计多时段滚动优化方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
CN113625182A (zh) | 一种对电池状态进行在线估计的方法 | |
CN106599541B (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN109582915B (zh) | 应用于纯方位跟踪的改进非线性可观测度自适应滤波方法 | |
CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN115017466B (zh) | 碳载量确定方法、装置、电子设备及存储介质 | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 | |
CN113936823A (zh) | 获取堆外探测器刻度系数的方法、系统、装置及存储介质 | |
CN113589862A (zh) | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |