CN110676940B

CN110676940B - 一种提高参数辨识精度的配电网pmu配置方法及系统

Info

Publication number: CN110676940B
Application number: CN201911001037.5A
Authority: CN
Inventors: 刘舒; 房田郁; 方陈; 张恒旭; 鲍伟; 陆健; 石访
Original assignee: Shandong University; State Grid Shanghai Electric Power Co Ltd
Current assignee: Shandong University; State Grid Shanghai Electric Power Co Ltd
Priority date: 2019-10-21
Filing date: 2019-10-21
Publication date: 2021-02-02
Anticipated expiration: 2039-10-21
Also published as: CN110676940A

Abstract

本发明公开了一种提高参数辨识精度的配电网PMU配置方法及系统，包括：获取配电网网络拓扑结构、PMU布点数目及布点特征；读取需要进行辨识的线路两端的量测数据，建立多点参数辨识模型；依次对不同线路进行辨识，直到整个系统辨识完成，得到辨识结果；以能反映辨识结果误差的综离散度指标作为主导性指标；以支路参数辨识精度总体最优和PMU配置数目最少为目标，建立统一的加权多目标数学模型；采用遗传算法对加权多目标数学模型进行优化，得到PMU的最优配置结果。本发明能够综合考虑配电网络拓扑结构以及PMU配置数目及配置特征，实现配电系统整体的线路参数辨识。

Description

一种提高参数辨识精度的配电网PMU配置方法及系统

技术领域

本发明属于基于量测数据的线路参数辨识技术领域，尤其涉及一种提高参数辨识精度的配电网PMU配置方法及系统。

背景技术

状态监测和数据分析技术的进步支撑着电力系统自动化水平的提高，在电网安全经济运行中发挥着越来越重要的作用。精确的电网参数和网络拓扑是实现高级应用可靠运行的前提。SCADA的完善和同步测量终端在配电网的应用，使得基于量测数据的线路参数辨识方法成为可能，为提升线路参数管理水平提供了途径。特别是采用线路两端PMU同步相量的参数辨识方法，具有自适应能力强，辨识精度高，计算量小的优点。

实际配电系统SCADA技术成熟，微型PMU在配电网应用需要逐步推广，短时间内无法全网配置PMU。同时，虽然PMU全配置下线路参数辨识结果相比SCADA全配置总体更优，但对于部分支路而言，仅使用SCADA量测数据得到的辨识结果即可满足电网辨识精度要求，提高量测数据精度对降低参数辨识结果误差并不明显。因此如何在SCADA配置基础上，根据配电网拓扑特点，合理增加PMU以修正辨识误差是需要探究的主要内容。

在PMU优化配置领域，国内外大量研究主要是构造基于混合量测系统的状态估计模型，并形成了提高状态估计精度为目标的PMU配置方案；或者在混合量测系统基础上，定量分析量测噪声对PMU配置的影响，以提高状态估计精度为目标，采用遗传算法优化PMU安装位置及数量。也有方法利用PMU构建了线路双端变量的直接联系以减少配置数量，并以此为基础使用智能优化算法进行参数辨识，但要求支路至少一侧需配置PMU。

综上，现有的研究多将PMU优化配置与参数辨识分别处理，通过PMU配置提高状态估计精度，进而修正错误参数来提高参数辨识精度。而在实际应用中，状态估计、参数估计均与系统潮流的关系不全然相同，通过PMU提高状态估计精度的配置方案，未能将PMU配置目标直接与系统整体参数辨识精度相结合，导致无法根据系统整体的辨识精度要求来确定PMU优化布点。

基于提高辨识精度的PMU配置方法还需要确定一定的配置指标，从参数估计中的量测噪声对系统参数辨识的影响程度入手进行参数筛选，以此确定配置指标是解决当前问题的有效途径。其中，参数主导性评估是对参数的重要程度进行量化评价的方法，也是进行参数筛选的有效方式。在现有参数主导性研究中，主要基于量测残差的灵敏度估计提出主导与非主导参数的分类以及噪敏试验辨识方法，利用非主导参数辨识易受量测噪声影响的特点，有效减少了参数估计的工作量。有的研究通过强弱主导参数交替迭代的方法避免了主导性参数相互干扰的问题，提高了参数筛选的稳定性以及估计精度。以上方法基于状态估计最优目标将可疑支路集合中的非主导参数全部剔除，主要进行主导参数的辨识；而在基于参数辨识的主导性评估中，因为非主导参数辨识对量测精度要求更高，需要着重考虑。

发明内容

本发明的目的就是为了解决上述问题，提出了一种提高参数辨识精度的配电网PMU配置方法及系统，基于SCADA和PMU的多时段量测信息，以提高配电网整体线路参数精度为目标，综合考虑配电网拓扑结构以及PMU布点，根据不同支路的噪敏性特点，给出主导性参数的概念来反映参数辨识精度，并采用主导性指标作为主要配置指标；从参数估计的应用目标和支路参数对状态估计的影响入手，给出参数主导性评估方法；进而以支路参数辨识精度总体最优和配置数目最少为目标，提出基于智能优化算法的PMU配置方法。

为实现上述目的，本发明的具体方案如下：

一种提高参数辨识精度的配电网PMU配置方法，包括：

获取配电网网络拓扑结构、PMU布点数目及布点特征；

读取需要进行辨识的线路两端的量测数据，建立多点参数辨识模型；

依次对不同线路进行辨识，直到整个系统辨识完成，得到辨识结果；

以能反映辨识结果误差的综离散度指标作为主导性指标；

以支路参数辨识精度总体最优和PMU配置数目最少为目标，建立统一的加权多目标数学模型；

采用遗传算法对加权多目标数学模型进行优化，得到PMU的最优配置结果。

在另一些实施方式中，采用如下技术方案：

一种提高参数辨识精度的配电网PMU配置系统，包括：

用于获取配电网网络拓扑结构、PMU布点数目及布点特征的模块；

用于读取需要进行辨识的线路两端的量测数据，建立多点参数辨识模型的模块；

用于依次对不同线路进行辨识，直到整个系统辨识完成，得到辨识结果的模块；

用于以能反映辨识结果误差的综离散度指标作为主导性指标的模块；

用于以支路参数辨识精度总体最优和PMU配置数目最少为目标，建立统一的加权多目标数学模型的模块；

用于采用遗传算法对加权多目标数学模型进行优化，得到PMU的最优配置结果的模块。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的提高参数辨识精度的配电网PMU配置方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的提高参数辨识精度的配电网PMU配置方法。

本发明的有益效果：

(1)本发明所介绍的基于混合量测配置的配电网参数辨识，能够综合考虑配电网络拓扑结构以及PMU配置数目及配置特征，实现配电系统整体的线路参数辨识。

(2)本发明所介绍的提高参数辨识精度的PMU配置算法，以提高配电网整体线路参数精度为目标，综合考虑配电网拓扑结构以及PMU布点，根据不同支路的噪敏性特点，给出主导性参数的概念来反映参数辨识精度，并采用主导性指标作为主要配置指标；从参数估计的应用目标和支路参数对状态估计的影响入手，给出参数主导性评估方法；进而以支路参数辨识精度总体最优和配置数目最少为目标，提出了基于改进遗传算法的PMU配置方法。

(3)本发明所介绍的提高参数辨识精度的PMU配置算法得到了基于PSCAD的IEEE33节点有源配电网模型验证，并通过和PMU随机配置方案对比，说明该算法具有降低辨识误差的优点。算例基准功率为10MVA，基准电压为12.66kV，选取母线1为基准母线，各节点的潮流数据由PSCAD仿真及潮流程序产生。基于仿真数据基础上，SCADA量测数据噪声标准差不超过3％，PMU电压幅值量测数据噪声标准差不超过0.2％，功率量测噪声标准差不超过0.3％，相角量测噪声标准差不超过0.1745％。

附图说明

图1为本发明实施例一中提高参数辨识精度的配电网PMU配置方法流程图；

图2为本发明实施例一中π型集中参数线路模型示意图；

图3(a)-(b)分别为本发明实施例一中部分支路离散度指标及辨识误差；

图4(a)-(b)分别为适应度指标随迭代次数变化情况以及不同节点的PMU配置方案随迭代次数变化情况；

图5为采用遗传算法得到PMU最有配置结果的过程。

具体实施方式：

下面结合附图对本发明进行详细说明：

实施例一

本发明实施例公开了一种提高参数辨识精度的配电网PMU配置方法，主要解决的技术问题包括以下几点：

(1)基于最小二乘法的多时段混合量测参数辨识方法。配电网相比于输电网，电压等级更多，网络结构更复杂。输电网常用的测量模型已不再适用于配电网，需要结合网络拓扑结构、PMU布点数目及布点特征，提出适于在线应用的配电网线路参数辨识模型。本实施例方法在实际应用中通过多点辨识来保证辨识精度，在得到基于最小二乘法的基本辨识模型后，对配电网拓扑结构以及观测性进行了分析，得到基于T型节点、普通节点等不同类型节点的多时间断面测量的全系统辨识方程。

(2)提高辨识精度的PMU配置算法设计。PMU的配置方案对于多时段混合量测配置辨识影响很大，因此要达到辨识精度最高，需要在仅SCADA辨识的基础上进行参数筛选，以此确定配置指标，指导获得最优辨识结果下的SCADA/PMU混合配置方案。本实施例主要采用主导性指标作为配置依据，通过改进遗传算法实现配置方案。

本实施方式整体配置方案主要包括：混合量测辨识、主导性参数分析以及遗传算法配置；其中，混合量测辨识根据系统拓扑结构及PMU配置数据得到参数辨识结果；然后由辨识结果提取配置目标；最后形成配置方案，并检验该方案在迭代次数内是否满足配置要求，满足则输出结果，不满足则再次辨识。

具体地，本实施例公开的一种提高参数辨识精度的配电网PMU配置方法，参照图1，包括以下步骤：

(1)基于混合量测配置的配电网参数辨识

配电网相比于输电网，电压等级更多，网络结构更复杂。输电网常用的测量模型已不再适用于配电网，需要结合网络拓扑结构、PMU布点数目及布点特征，提出适于在线应用的配电网线路参数辨识模型。

选取对称的π型集中参数线路模型。电路模型如图2所示。其中，

为待辨识线路两端电压相量，

为两端流入电流相量，P_1,2为两端流入有功功率，Q_1，2为两端流入无功功率。R、X、B分别表示线路相电阻、电抗、对地电纳。

以线路末端电压的相角为参考相角，即

则可求得一条线路各个电气量的最小状态量集合为：

υ＝{R,X,B,U₂,I₂,θ₂} (1)

以式(1)为基础建立的参数辨识数学模型为：

由上述公式得出状态量计算值，测量值与计算值之间存在误差为ε_U1，ε_I1，ε_P1，ε_Q1，ε_U2，ε_I2，ε_P2，ε_Q2，该误差随{R,X,B,U₂,I₂,θ₂}变化。但是总有一组线路参数值R、X、B和一端状态值U、I、θ的组合所推得的所有线路计算值与实际量测值之间的误差最小。参数辨识的目标就是求得使计算值最为接近量测值的线路参数R,X,B。根据非线性最小二乘法，得目标函数为：

式中：P为配置标志，其值由该点是否配置PMU决定。

线路的非线性状态量方程可以通过牛顿法线性扩展并表达为：

S(υ)≈S(υ^k)+S'(υ^k)(υ-υ^k)＝z (4)

修正方程为：

Δυ^k＝S'(υ^k)(z-S(υ)) (5)

式中：υ为一组状态量；z为一组PMU量测量值；S(υ)为式(2)所示的状态量方程组；S'(υ^k)为S(υ)在υ^k处的雅可比矩阵。

在本实施例参数辨识模型中，收敛判据为前后两次目标函数值之差小于阈值，或满足式max(|Δυ^k|)<e^-10或k>200。通过以上数学算法，便可求得υ_r,υ_x和υ_b即线路的R、X、B值。

以本实施例研究的参数辨识方法为基础，基于混合量测配置的配电网参数辨识主要包含以下步骤：

步骤1)：读取需要进行辨识的线路两端的量测数据，所述量测数据包括：输电线路的有功功率、无功功率、电压幅值和电流幅值及电压相位；电流和功率的参考方向均以流入线路的方向为正方向；

步骤2)：量测数据的一致性分析，对线路两端两个不同站点的量测数据分别进行一致性偏差分析，剔除不良的量测数据。对于一个包含N个数据点的数据段，可以求得该段数据一致性偏差的平均值及标准差，根据此统计特性可得量测数据的置信区间，对于分布于置信区间之外的数据可以进行剔除。

步骤3)：设定本文所研究参数辨识方法的配置参数初值。根据量测数据采样间隔等信息，选定量测数据的配置方案、时间跨度、时间窗口初值、滚动步长、数据点个数初值、采样时间频率。

步骤4)：通过单点量测数据即可得到一组线路参数，但是为避免分散性过大，在实际应用中需要通过多点辨识来保证辨识精度。从时间段[t,t+T]内选取N个数据点，则该多点参数辨识模型的目标函数Res可以表示为：

式中：t为时间窗口的起始时间，T为时间窗口的长度，k为数据点的索引。

分别为量测量，

分别为对应量测的残差量；P_s、P_r为PMU配置标志量。

当目标函数Res最小时，状态量的辨识值最优。同理，在得到基本辨识模型之后，对配电网拓扑结构以及观测性进行了分析，得到基于T型节点、普通节点等不同类型节点的多时间断面测量的全系统辨识方程。

步骤5)：根据步骤4)中的内容依次对不同线路进行辨识，并记录在每组数据点选择方法下量测数据的一致性偏差、参数辨识结果、辨识结果的相对标准差、相应数据点选择方案。本线路辨识完成后，重复步骤4)继续进行，直至整个系统完成辨识。

(2)提高参数辨识精度的PMU配置算法

PMU的配置方案对于多时段混合量测配置辨识影响很大，因此要达到辨识精度最高，需要在仅SCADA辨识的基础上进行参数筛选，以此确定配置指标，指导获得最优辨识结果下的SCADA/PMU混合配置方案。本文主要采用主导性指标作为配置依据，通过改进遗传算法实现配置方案。

通过全SCADA量测时的雅克比矩阵，可知进行多点估计时，量测量对于参数的导数分量比状态量的导数分量小很多，可能会导致病态情况。因此，和状态估计不同，在有限观测条件下，参数辨识极有可能因量测噪声过大而出现错误。如果某些支路参数发生变化时，进而会引起整个电网显著潮流变化，同时其辨识结果对量测噪声并不敏感，这样的支路参数被称为“主导参数”；反之，对量测噪声较敏感的参数则称为“非主导参数”。当前针对主导参数的研究基本为量测配置一定的基础上，针对主导参数优先进行辨识。而在本文中，根据其对于量测噪声的敏感度不同，优先选择辨识误差较大的非主导参数进行配置，同时保证主导参数的辨识精度。

目前电网支路参数主导性评估主要采用增广状态估计，该方法主要考虑量测噪声对于不同参数辨识结果的影响。本实施例中将沿用这一方法，在给出定义前，首先明确参数的主导性和其目标函数的直接相关。同时在系统不同的运行状态与配置状态下，其主导性评估结果可能会不一致。

应用基于多数据点最小二乘法作为辨识算法。辨识的最终的迭代求解式子为：

H^TWHΔυ＝H^TW(z-h(υ)) (7)

式中：△υ为修正量；H为增广雅可比矩阵；z、W、h(υ)分别为量测量，权重矩阵，以及状态量矩阵。

每次基于当前配置方案加入量测噪声，辨识完成后记录支路电阻、电抗、电纳辨识值为Ri、Xi、Bi。最后根据参数辨识值判断参数估计结果的离散程度。据此，以电抗Bi为例，定义N次参数辨识的期望值

和标准方差

如下，

然而电网中支路参数数值不同，为了使评价指标具有统一性，定义评价电抗参数的离散度指标如式(10)：

同理，可得电阻以及电纳的离散度指标dR、dB，在实际应用中希望同一支路的估计值尽量集中，因此离散度指标不仅能反映辨识结果误差，也能在一定程度上反应参数的主导性。本文中的主导性指标采用综离散度指标d，即三者平均值。

图3(a)-(b)以IEEE 33节点系统为例，系统量测量为在潮流程序产生的真实数据基础上添加方差为0-15％共50个等级的高斯量测噪声。图3(a)为7条支路在不同噪声的辨识误差，图3(b)为相应支路的离散度指标。在同一量测配置及误差下，同一系统中不同支路对于量测噪声的敏感程度不同。伴随着量测噪声的增加，其辨识误差及离散度指标总体上呈上升趋势，其中，支路3-4,7-8,8-9参数辨识结果依然集中于真值附近，抗差能力强，可判定为主导性支路；而支路14-15,17-18,22-23,32-33辨识误差迅速上升且波动性强，总体上升幅度也远超于主导支路，可判定为非主导支路。

同时，从上图也可看出离散度指标可以同时反映该运行状态下的辨识误差及主导性。后续针对提高辨识精度的PMU配置方案可以以主导性指标作为参考标准。

配电网整体参数辨识结果质量是PMU配置数目以及配置地点的函数。为了体现量测配置对辨识结果精度的影响规律，配置算法应当综合考虑PMU的安装数量、位置以及参数辨识的误差，建立统一的加权多目标数学模型：

式中：变量Pi表示第i个节点的量测装置安装情况；

和r_i、x_i、b_i分别表示仿真条件下参数辨识值以及真实值；变量c1和c2为权值因子，表示配置模型综合考虑PMU的安装位置数目以及辨识结果误差。

式(11)表明，本实施例中的配置问题在数学上属于高维非线性组合优化问题，具有大量的局部极值点，采用常规优化方法求解有一定困难。新兴的遗传算法(GA)具有全局寻优能力，适用于解决组合优化问题。因此，本实施例采用遗传算法解决PMU的最优配置问题。

在改进遗传算法配置中，设置最大迭代数为30，种群数为26；选择概率为0.8；交叉类型为缩小代理的洗牌交叉，概率为0.8；变异概率为0.9/33。得到最终配置结果如图4(a)-(b)所示。图4(a)为适应度指标随迭代次数变化情况，图4(b)为不同节点的PMU配置方案随迭代次数变化情况，横轴为相应母线接点，纵轴为迭代次数，其中深色表示本母线该次迭代中配置PMU，白色表示未配置。

图5为采用遗传算法得到PMU最有配置结果的过程，其中，Gen和MaxGen分别为迭代次数和最大迭代次数。M为种群数，Ps、Pc及Pm分别为选择，交叉，变异算子的执行概率。SelectedPopulation、CrossedPopulation、MutatedPopulation和ReplacedPopulation分别为进行相应遗传算子操作后的到的新种群类。

实施例二

在一个或多个是实施方式中，公开了一种提高参数辨识精度的配电网PMU配置系统，包括：混合量测辨识、主导性参数分析以及遗传算法配置三个模块。其中，混合量测辨识模块根据系统拓扑结构及PMU配置数据得到参数辨识结果；然后在主导性分析模块中由辨识结果提取配置目标；最后由PMU配置模块形成配置方案，并检验该方案在迭代次数内是否满足配置要求，满足则输出结果，不满足则再次辨识。

或者，在另一些实施方式中，公开了一种提高参数辨识精度的配电网PMU配置系统，包括：

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的提高参数辨识精度的配电网PMU配置方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的提高参数辨识精度的配电网PMU配置方法，可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种提高参数辨识精度的配电网PMU配置方法，其特征在于，包括：

获取配电网网络拓扑结构、PMU布点数目及布点特征；

以能反映辨识结果误差的综离散度指标作为主导性指标；

采用遗传算法对加权多目标数学模型进行优化，得到PMU的最优配置结果；

以能反映辨识结果误差的综离散度指标作为主导性指标，具体为：

辨识完成后记录支路电阻、电抗、电纳辨识值，根据参数辨识值分别判断每一个参数估计结果的离散程度，求取三个参数离散程度的平均值，得到综离散度指标；所述综离散度指标反映辨识结果误差以及反映参数的主导性。

2.如权利要求1所述的一种提高参数辨识精度的配电网PMU配置方法，其特征在于，读取需要进行辨识的线路两端的量测数据，所述的量测数据包括：输电线路的有功功率、无功功率、电压幅值和电流幅值及电压相位。

3.如权利要求1所述的一种提高参数辨识精度的配电网PMU配置方法，其特征在于，建立多点参数辨识模型的具体方法为：

对线路两端两个不同站点的量测数据分别进行一致性偏差分析，剔除不良的量测数据；

设定参数辨识方法的配置参数初值，从设定时间段内选取N个数据点，建立多点参数辨识模型。

4.如权利要求3所述的一种提高参数辨识精度的配电网PMU配置方法，其特征在于，多点参数辨识模型的目标函数为：

上述公式中，t为时间窗口的起始时间，T为时间窗口的长度，k为数据点的索引，

分别为量测量，

分别为对应量测的残差量；P_s、P_r为PMU配置标志量；

当目标函数Res最小时，状态量的辨识值最优。

5.如权利要求1所述的一种提高参数辨识精度的配电网PMU配置方法，其特征在于，基于多数据点最小二乘法作为辨识算法，辨识的最终的迭代求解式子为：

H^TWHΔυ＝H^TW(z-h(υ))

6.如权利要求1所述的一种提高参数辨识精度的配电网PMU配置方法，其特征在于，以支路参数辨识精度总体最优和PMU配置数目最少为目标，建立统一的加权多目标数学模型，具体为：

上述公式中，变量Pi表示第i个节点的量测装置安装情况；

和r_i、x_i、b_i分别表示仿真条件下参数辨识值以及真实值；变量c1和c2为权值因子，表示配置模型综合考虑PMU的安装位置数目以及辨识结果误差，ε为量测残差；

z为一组PMU量测量值，t为时间窗口的起始时间，r、x、b分别表示线路相电阻、电抗、对地电纳，s表示雅可比矩阵。

7.一种提高参数辨识精度的配电网PMU配置系统，其特征在于，包括：

用于采用遗传算法对加权多目标数学模型进行优化，得到PMU的最优配置结果的模块；

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的提高参数辨识精度的配电网PMU配置方法。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的提高参数辨识精度的配电网PMU配置方法。