CN110504676A - 一种基于apso-bp的配电网状态估计方法 - Google Patents

Abstract

本发明一种基于APSO‑BP的配电网状态估计方法，包括下列步骤：S1：配电网状态数据的调用；S2：建立时序关联数据模型；S3：构建APSO‑BP网络模型；S4：输出配电网状态估计结果。所述配电网状态数据包括配电网历史数据以及配电网实时量测数据，分别从历史数据库中获取的配电网运行信息和线路潮流量测信息以及从实时量测数据库中获取的支路功率量测数据信息，建立伪量测模型；采用本技术方案能够有效地对配电台区的电压幅值和相角进行估计，可为配电台区的综合评估指标提供电压偏移数据支撑，为运行风险预判、功率共享调度及相关决策提供有效的参考电压边界。

Description

一种基于APSO-BP的配电网状态估计方法

技术领域

本发明属于配电网状态估计技术领域，尤其涉及一种基于APSO-BP的配电网状态估计方法。

背景技术

随着分布式电源技术的快速发展，大量分布式电源在配电台区中得到应用。由于分布式电源接入配电台区会引起配电台区的网架结构和潮流方向等发生重大变化。因此，需要对配电台区的运行状态、网架结构、负荷特性、设备状态等进行综合评估，为分布式电源接入配电台区提供改造建设及在配电台区合理选点、定容提供参考依据，为优化配电台区能源结构、提高能源利用效率、促进节能减排、制定用电措施等提供理论支撑，推动分布式电源在配电台区的合理利用。

配电网状态估计技术的研究大多数集中于算法层面，其中尤以加权最小二乘(WLS)估计算法、抗差估计算法以及在两种基本算法基础之上衍生出的各类改进算法居多，但是配电网中存在量测冗余度较低和线路参数误差较大等问题，这些问题会影响上述状态估计算法的准确性。

发明内容

本发明的目的是解决现有算法在配电网状态估计上的应用效果不佳以及状态估计结果的精度较差的问题，提出了一种基于APSO-BP的配电网状态估计方法，采用该技术方案能够有效地对配电台区的电压幅值和相角进行估计，可为配电台区的综合评估指标提供电压偏移数据支撑，为运行风险预判、功率共享调度及相关决策提供有效的参考电压边界。

为实现上述技术目的，本发明提供的一种技术方案是，一种基于APSO-BP的配电网状态估计方法，包括下列步骤：

S1：配电网状态数据的调用；

S2：建立时序关联数据模型；

S3：构建APSO-BP网络模型；

S4：输出配电网状态估计结果。

本方案中，通过调用配电网系统数据库中的历史数据和实时量测数据，采用多元线性回归模型建立历史数据与实时量测的时序关联数据模型，同时采用RLS实时修正历史数据和实时量测之间的关联系数，获得准确度较高的电网实时运行状态伪量测作为APSO-BP算法的输入，建立了不需要基于线路元件参数的实时状态估计算法，在线路参数存在误差的情况下，状态估计的精度仍能保证较高的水平。

所述的步骤S1中，配电网状态数据包括配电网历史数据以及配电网实时量测数据，分别从历史数据库中获取的配电网运行信息和线路潮流量测信息以及从实时量测数据库中获取的支路功率量测数据信息，建立伪量测模型，所述的伪量测模型由下式表示：

y＝w₀+w₁x₁+w₂x₂+...+w_px_p+ε

式中y为因变量；w₀,w₁,...,w_p为模型的未知线性回归系数；x₁,x₂,...,x_n为自变量；ε为对应的模型误差。

本方案中，配电系统的历史数据主要包括运行信息(即节点电压幅值和相角)以及线路潮流量测信息，根据配电网历史数据的时空关联特性进行了初步分析，验证了配电网历史数据间存在线性相关关系，并利用这些数据建立了伪量测模型以增加配电网量测信息的冗余度。

所述步骤S2中，采用多元线性回归模型建立历史数据与实时量测数据的时序关联数据模型；将历史状态信息和实时量测信息作为历史数据模型的自变量，任一节点i的电压幅值或者相角作为因变量，通过最大相关度分析方法提取了T个历史运行信息，节点i连接了M个功率量测信息，时序关联数据模型，所述时序关联数据模型采用下列公式：

其中，分别为k时刻节点i的电压幅值和相角伪量测；Z^(k) _iM为k时刻与该节点相关联的M个功率量测信息,a_i＝[a_i0,a_i1,...,a_i,T+M]为节点i电压幅值的历史数据模型参数；β_i＝[β_i0,β_i1,...,β_i,T+M]为节点i的电压相角历史数据模型参数。

所述时序关联数据模型还包括有采用递归最小二乘法对实时历史数据和实时量测数据之间的关联系数的修正，获得准确度较高的电网实时运行状态伪量测，递归最小二乘法是利用n-1时刻获得的滤波器参数，依据新到达的数据自动调节n时刻的参数，使得代价函数达到最小，从而实现参数的最优估计。

所述的代价函数用下式表示：

其中，λ^n-i为遗忘因子。

本方案中，λ取小于且接近1的常数，n-i越大，则λ^n-i越小，以保证删除过去数据，增强新数据的作用，使模型能在系统非平稳环境运行下跟踪观测数据的统计变化，使滤波器工作在非平稳环境时能跟踪观测数据的统计变化。

所述步骤S3包括如下步骤：

S31；构建BP神经网络模型，初始化BP神经网络模型基本参数，准备好历史数据和伪量测数据；

S32：设计粒子结构编码和维度，并初始化APSO算法参数；

S33：计算当前粒子的适应度值，并按照适应度大小排序，更新粒子自身的历史最优适应度和全局最优适应度；

S34：根据粒子自身最优适应度和全局最优适应度，更新粒子速度和位置；

S35：判断寻优过程是否结束，如果未结束，则返回步骤5继续执行，否则停止寻优，存储全局最优结果；

S36：将全局最优的权值和阈值代入BP模型中，输入历史数据进行状态估计，从而得到状态估计结果。

本方案中，利用APSO算法优化BP神经网络的权值和阈值时，定义粒子群搜索空间维数D＝l×n+l×m+l+m，每个粒子的位置向量X_i代表了BP神经网络的一组权值和阈值。

所述BP神经网络模型包含输入层、隐含层和输出层多层结构，设输入层有n个神经元，输出层有m个神经元，隐含层输出如下式所示：

式中，l为隐含层节点数，f为隐含层激励函数，w_ij为连接权值，a为隐含层阈值；由隐含层的输出H，连接权值w_jk和输出层阈值b，经上式计算算得输出层的输出如下式所示：

本方案中，将输入量输入BP神经网络，网络经学习之后输出预测值，将此误差反向传递到隐含层，再到输入层，从而对神经网络参数做出相应调整，直到网络误差满足精度要求。

将BP神经网络输出的均方误差作为当前粒子适应度值，计算公式如下：

式中，N为训练样本数量，m为输出神经元个数，O_ki，Y_ki分别为第i个样本的第k个网络期望输出和预测输出。

所述的APSO算法采用如下公式表示：

其中，w_max，w_min分别表示w的最大值和最小值，f表示微粒当前的目标函数值，f_avg和f_min分别表示当前所有微粒的平均目标值和最小目标值。

本方案中，通过对PSO算法中的速度计算式对位置计算式中的权重进行调整，建立自适应权重PSO算法，采用自适应权重粒子群算法(APSO)以自适应地平衡PSO算法的全局搜索能力和局部改良能力。

本发明的有益效果：本发明提出的基于APSO-BP的配电网状态估计方法，采用多元线性回归模型建立历史数据与实时量测的时序关联关系，同时采用RLS实时修正历史数据和实时量测之间的关联系数，获得准确度较高的电网实时运行状态伪量测作为APSO-BP算法的输入，建立了不需要基于线路元件参数的实时状态估计算法，在线路参数存在误差的情况下，状态估计的精度仍能保证较高的水平。

附图说明

图1为本发明的一种基于APSO-BP的配电网状态估计方法流程图。

图2是一种基于APSO-BP的配电网状态估计方法的具体实施流程图。

图3是基于传统方法和本发明所提方法的IEEE33节点电压幅值估计结果对比图。

图4是基于传统方法和本发明所提方法的IEEE33节点电压相角估计结果对比图。

具体实施方式

为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

如图1所示，是一种基于APSO-BP的配电网状态估计方法流程图，包括下列步骤：

S1：配电网状态数据的调用；

S2：建立时序关联数据模型；

S3:构建APSO-BP网络模型；

S4：输出配电网状态估计结果。

本实施例中，通过调用配电网系统数据库中的历史数据和实时量测数据，采用多元线性回归模型建立历史数据与实时量测的时序关联数据模型，同时采用RLS实时修正历史数据和实时量测之间的关联系数，获得准确度较高的电网实时运行状态伪量测作为APSO-BP算法的输入，建立了不需要基于线路元件参数的实时状态估计算法，在线路参数存在误差的情况下，状态估计的精度仍能保证较高的水平。

如图2所示，是本实施例一种基于APSO-BP的配电网状态估计方法的具体实施流程图，

步骤如下：

步骤1：采用多元线性回归模型建立历史数据与实时量测的时序关联关系；

配电系统的历史数据主要包括运行信息(即节点电压幅值和相角)以及线路潮流量测信息，根据配电网历史数据的时空关联特性进行了初步分析，验证了配电网历史数据间存在线性相关关系，并利用这些数据建立了伪量测模型以增加配电网量测信息的冗余度；伪量测模型如下式表示：

y＝w₀+w₁x₁+w₂x₂+...+w_px_p+ε

式中y为因变量；w₀,w₁,...,w_p为模型的未知线性回归系数；x₁,x₂,...,x_n为自变量；ε为对应的模型误差，是均值为0，方差为σ²的随机变量。

根据所述多元线性相关模型，建立配电网的历史数据模型。当前配电网的实时量测信息主要为支路功率量测，将历史状态信息和实时量测信息作为历史数据模型的自变量，任一节点i的电压幅值或者相角作为因变量，设通过最大相关度分析方法提取了T个历史运行信息，该节点连接了M个功率量测信息，节点i建立历史数据模型；

其中，分别为k时刻节点i的电压幅值和相角伪量测；Z^(k) _iM为k时刻与节点i相关联的M个功率量测信息,a_i＝[a_i0,a_i1,...,a_i,T+M]为节点i电压幅值的历史数据模型参数；β_i＝[β_i0,β_i1,...,β_i,T+M]为节点i的电压相角历史数据模型参数。a_i与β_i通过RLS方法求得。

步骤2：采用递归最小二乘法(RLS)实时修正历史数据和实时量测之间的关联系数，获得准确度较高的电网实时运行状态伪量测；采用RLS求解回归系数，增大邻近时刻数据的作用，减小较远时刻的影响，实现系数对系统参数变化的自适应，保证系数的准确性，实现最优滤波。RLS是利用n-1时刻获得的滤波器参数，依据新到达的数据自动调节n时刻的参数，使得代价函数达到最小，从而实现参数的最优估计。

设具有M个权系数，N个输入的横向滤波器，定义滤波器i时刻权向量w(i)，误差向量e，期望响应向量b输入数据向量分别为：

输入数据矩阵为

其中

引入遗忘因子λ^n-i，λ取小于且接近1的常数，n-i越大，则λ^n-i越小，以保证删除过去数据，增强新数据的作用，使模型能在系统非平稳环境运行下跟踪观测数据的统计变化，使滤波器工作在非平稳环境时能跟踪观测数据的统计变化。滤波器的参数选择原则为寻找权向量w使得误差向量e的模的平方和最小。

定义代价函数：

当n＝1,2,...,N时，更新权向量的递归方程为：

式中，k(n)为时变的增益向量，ξ(n)为先验误差估计，“*”表示复数共轭；其中k(n)，ξ(n)由下式迭代求得：

P(n)＝λ^-1P(n-1)-λ^-1k(n)X(n)^TP(n-1)

其中，P(n)称为逆相关向量。

步骤3：构建BP神经网络模型，初始化基本参数，并准备好历史数据和伪量测数据。

步骤4：设计粒子结构编码和维度，并初始化APSO参数，包括粒子规模、自身学习因子、社会学习因子等参数；

粒子群算法(PSO)是一种基于群体的随机优化技术，粒子的位置及速度按下式操作：

v_is(t+1)＝wv_is(t)+c₁r_1s[p_is-x_is(t)]+c₂r_2s(t)[p_gs-x_is(t)]

x_is(t+1)＝x_is(t)+v_is(t+1)

其中，i＝[1,m]，s＝[1,S]；学习因子c₁和c₂是非负常数，r₁和r₂为相互独立的伪随机数，服从[0,1]上的均匀分布。v_is∈[-v_max,v_max]，v_max为常数，根据具体问题设定。

由PSO算法的函数表达式可知，标准粒子群算法中粒子的飞行会受到自身飞行速度的影响，从而到最后粒子的飞行具有随机性特征，这种特征影响群体粒子收敛到全局最优解的速度和精度。本实施例采用自适应权重粒子群算法(APSO)以自适应地平衡PSO算法的全局搜索能力和局部改良能力，通过速度计算式对位置计算式中的权重进行调整，建立自适应权重PSO算法(APSO)，APSO算法的表达式如下：

其中，w_max，w_min分别表示w的最大值和最小值，f表示微粒当前的目标函数值，f_avg和f_min分别表示当前所有微粒的平均目标值和最小目标值。因惯性权重随微粒的目标函数值而自动改变，故称自适应权重。

步骤5：计算当前粒子的适应度值，并按照适应度大小排序，更新粒子自身的历史最优适应度和全局最优适应度；

本实施例将训练样本的BP神经网络的输出的均方误差作为适应度值，见下式：

式中，N为训练样本数量，m为输出神经元个数，O_ki，Y_ki分别为第i个样本的第k个网络期望输出和预测输出。

步骤6：根据粒子自身最优适应度和全局最优适应度，更新粒子速度和位置。

步骤7：判断寻优过程是否结束，如果未结束，则返回步骤4继续执行，否则停止寻优，存储全局最优结果。

步骤8：将全局最优的权值和阈值代入BP模型中，输入历史数据进行状态估计，从而得到状态估计结果。

BP神经网络是一种需要学习训练的监督学习算法，将输入量输入BP神经网络，网络经学习之后输出预测值，将此误差反向传递到隐含层，再到输入层，从而对神经网络参数做出相应调整，直到网络误差满足精度要求。其拓扑结构包含输入层、隐含层和输出层多层结构。针对隐含层只有一层的三层神经网络，设输入层有n个神经元，输出层有m个神经元，隐含层输出为：

式中，l为隐含层节点数，f为隐含层激励函数，w_ij为连接权值，a为隐含层阈值；由隐含层的输出H，连接权值w_jk和输出层阈值b，经上式计算算得输出层的输出：

利用APSO算法优化BP神经网络的权值和阈值时，定义粒子群搜索空间维数D＝l×n+l×m+l+，m每个粒子的位置向量X_i代表了BP神经网络的一组权值和阈值。

图3和图4为基于传统方法和本发明所提方法的配电网状态估计结果对比图。可以看出，本发明提出的方法能较为准确的估计配电网当前的运行状态，估计结果与传统方法相比更准确；当参数存在错误时，采用传统状态估计方法时，部分节点的估计结果与实际运行状态偏离程度较大，误差较大，所以当参数存在错误时，传统方法不再适用，而本发明提出的方法不依赖于线路参数，在未掌握准确线路参数的情况下，仍可得出比较准确的状态估计结果。

以上所述之具体实施方式为本发明一种基于APSO-BP的配电网状态估计方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (9)

1.一种基于APSO-BP的配电网状态估计方法，其特征在于，包括下列步骤：

S1：配电网状态数据的调用；

S2：建立时序关联数据模型；

S3：构建APSO-BP网络模型；

S4：输出配电网状态估计结果。

2.根据权利要求1所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的步骤S1中，配电网状态数据包括配电网历史数据以及配电网实时量测数据，分别从历史数据库中获取的配电网运行信息和线路潮流量测信息以及从实时量测数据库中获取的支路功率量测数据信息，建立伪量测模型，所述的伪量测模型由下式表示：

y＝w₀+w₁x₁+w₂x₂+...+w_px_p+ε

式中y为因变量；w₀,w₁,...,w_p为模型的未知线性回归系数；x₁,x₂,...,x_n为自变量；ε为对应的模型误差。

3.根据权利要求1所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述步骤S2中，采用多元线性回归模型建立历史数据与实时量测数据的时序关联数据模型；将历史状态信息和实时量测信息作为历史数据模型的自变量，任一节点i的电压幅值或者相角作为因变量，通过最大相关度分析方法提取了T个历史运行信息，节点i连接了M个功率量测信息，时序关联数据模型，所述时序关联数据模型采用下列公式：

其中，U_ik,分别为k时刻节点i的电压幅值和相角伪量测；Z^(k) _iM为k时刻与该节点相关联的M个功率量测信息,a_i＝[a_i0,a_i1,...,a_i,T+M]为节点i电压幅值的历史数据模型参数；β_i＝[β_i0,β_i1,...,β_i,T+M]为节点i的电压相角历史数据模型参数。

4.根据权利要求1或3所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述时序关联数据模型还包括有采用递归最小二乘法对实时历史数据和实时量测数据之间的关联系数的修正，获得准确度较高的电网实时运行状态伪量测，递归最小二乘法是利用n-1时刻获得的滤波器参数，依据新到达的数据自动调节n时刻的参数，使得代价函数达到最小，从而实现参数的最优估计。

5.根据权利要求4所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的代价函数用下式表示：

其中，λ^n-i为遗忘因子。

6.根据权利要求1所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述步骤S3包括如下步骤：

S31；构建BP神经网络模型，初始化BP神经网络模型基本参数，准备好历史数据和伪量测数据；

S32：设计粒子结构编码和维度，并初始化APSO算法参数；

S33：计算当前粒子的适应度值，并按照适应度大小排序，更新粒子自身的历史最优适应度和全局最优适应度；

S34：根据粒子自身最优适应度和全局最优适应度，更新粒子速度和位置；

S35：判断寻优过程是否结束，如果未结束，则返回步骤5继续执行，否则停止寻优，存储全局最优结果；

S36：将全局最优的权值和阈值代入BP模型中，输入历史数据进行状态估计，从而得到状态估计结果。

7.根据权利要求6所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的BP神经网络模型包含输入层、隐含层和输出层多层结构，设输入层有n个神经元，输出层有m个神经元，隐含层输出如下式所示：

式中，l为隐含层节点数，f为隐含层激励函数，w_ij为连接权值，a为隐含层阈值；由隐含层的输出H，连接权值w_jk和输出层阈值b，经上式计算算得输出层的输出如下式所示：

8.根据权利要求7所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，将BP神经网络输出的均方误差作为当前粒子适应度值，计算公式如下：

式中，N为训练样本数量，m为输出神经元个数，O_ki，Y_ki分别为第i个样本的第k个网络期望输出和预测输出。

9.根据权利要求6所述的一种基于APSO-BP的配电网状态估计方法，其特征在于，所述的APSO算法采用如下公式表示：

其中，w_max，w_min分别表示w的最大值和最小值，f表示微粒当前的目标函数值，f_avg和f_min分别表示当前所有微粒的平均目标值和最小目标值。