CN111507591B - 电力系统状态确定方法、装置、计算机介质及存储介质 - Google Patents

电力系统状态确定方法、装置、计算机介质及存储介质 Download PDF

Info

Publication number
CN111507591B
CN111507591B CN202010262593.4A CN202010262593A CN111507591B CN 111507591 B CN111507591 B CN 111507591B CN 202010262593 A CN202010262593 A CN 202010262593A CN 111507591 B CN111507591 B CN 111507591B
Authority
CN
China
Prior art keywords
ellipsoid
measurement
equation
state
matrix
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
Application number
CN202010262593.4A
Other languages
English (en)
Other versions
CN111507591A (zh
Inventor
白星振
黄从洋
吉兴全
张金昌
秦飞宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010262593.4A priority Critical patent/CN111507591B/zh
Publication of CN111507591A publication Critical patent/CN111507591A/zh
Application granted granted Critical
Publication of CN111507591B publication Critical patent/CN111507591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明适用于计算机技术领域，具体为一种电力系统状态确定方法、装置、计算机介质及存储介质，所述电力系统状态确定方法包括：获取系统量测数据、系统拓补网络信息以及节点导纳矩阵并建立电力系统状态估计模型；根据集员滤波算法对系统状态量方程进行处理，建立时间更新椭球；根据自适应算法对系统量测量方程进行处理；确定量测更新椭球。本发明实施例提供的电力系统状态确定方法通过集员滤波算法对系统状态量方程进行状态估计，并与自适应算法程序相结合，能够更好地适应非高斯噪声分布，同时利用自适应算法对系统量测量方程进行处理，能够调整系统量测量方程中数据处理顺序，充分利用量测数据冗余度，进一步提高了数值精度。

Description

电力系统状态确定方法、装置、计算机介质及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种电力系统状态确定方法、装置、计算机介质及存储介质。
背景技术
随着电力系统的快速发展，电网结构日趋复杂，系统的安全稳定运行面临巨大挑战，需要获取实时准确以及全面的系统运行状态，确保运行人员可以根据这些状态信息做出合理的决策。目前，对所有的电力系统状态变量进行直接量测难以实现，直接量测也不可避免的存在着误差。因此，通过处理冗余量测，来提供系统状态最佳估计值的状态估计成为电力系统监测与控制的重要组成部分。
现有的系统状态估计算法一般可以分为静态估计和动态估计两种。但目前大多数的系统状态估计算法都或多或少存在着估计精度不高、对非高斯噪音适应性差的缺点，从而不适合在线应用。
可见，现有的系统状态估计算法还难以用于在线确定系统状态最佳估计值。
发明内容
本发明实施例的目的在于提供一种电力系统状态确定方法，旨在解决现有的系统状态估计算法还存在的难以用于在线确定系统状态最佳估计值的技术问题。
本发明实施例是这样实现的，一种电力系统状态确定方法，包括：
获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵；
根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型；所述电力系统状态估计模型包含系统状态量方程和系统量测量方程；
根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球；
根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差；
根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球，所述量测更新椭球的中心点即为电力系统状态估计量。
本发明实施例的另一目的在于提供一种电力系统状态确定装置，包括：
系统数据获取模块，用于获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵；
电力系统状态估计模型构建模块，用于根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型；所述电力系统状态估计模型包含系统状态量方程和系统量测量方程；
时间更新椭球建立模块，用于根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球；
自适应处理模块，用于根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差；
量测更新椭球确定模块，用于根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球，所述量测更新椭球的中心点即为电力系统状态估计量。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的电力系统状态确定方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述的电力系统状态确定方法的步骤。
本发明实施例提供的一种电力系统状态确定方法，通过集员滤波算法对系统状态量方程进行状态估计，并与自适应算法程序相结合，能够更好地适应非高斯噪声分布，同时利用自适应算法对系统量测量方程进行处理，能够调整系统量测量方程中数据处理顺序，充分利用量测数据冗余度，进一步提高了数值精度，本发明所提供的电力系统状态确定方法能够更好的适用于在线应用。
附图说明
图1为本发明实施例提供的一种电力系统状态确定方法的步骤流程图；
图2为本发明实施例提供的处理系统状态量方程的步骤流程图；
图3为本发明实施例提供的对系统量测量方程进行处理的步骤流程图；
图4为本发明实施例提供的调整雅克比矩阵与线性化误差的步骤流程图；
图5为本发明实施例提供的判断雅克比矩阵是否存在含有x的分量的步骤流程图；
图6为本发明实施例提供的确定量测更新椭球的步骤流程图；
图7为本发明实施例提供的一种电力系统状态确定装置的结构示意图；
图8为本发明实施例提供的一种用于执行电力系统状态确定方法的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明实施例提供的一种电力系统状态确定方法的步骤流程图，具体包括以下步骤：
步骤S102，获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵。
在本发明实施例中，系统量测数据、系统拓扑 信息和节点导纳矩阵可以直接通过数据采集和监视控制(Supervisory Control And Data Acquisition， SCADA)系统及能量管理系统(Energy Management system，EMS)获得。
步骤S104，根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型。
在本发明实施例中，所述电力系统状态估计模型包含系统状态量方程和系统量测量方程，系统状态量通常表示为电压幅值和相角或电压实部和虚部，系统量测数据通常为电压幅值，线路有功功率，线路无功功率，节点注入有功功率，节点注入无功功率等等，其中具体的：
系统状态量方程为：xk＝Akxk-1+ωk-1
系统量测量方程为：yk＝h(xk)+νk
系统状态量xk∈Rn是n维矢量，系统量测量yk∈Rm是m维矢量，h(xk)是已知的非线性二阶可导的量测函数，wk为状态噪音，vk是量测噪声，wk和vk均为未知但有界的非高斯分布噪音，具体有
Figure BDA0002439985530000051
步骤S106，根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球。
在本发明实施例中，其中根据集员滤波算法对系统状态量方程进行处理，并建立时间更新椭球的具体步骤请参阅图2及其解释说明。
步骤S108，根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差。
在本发明实施例中，其中根据自适应算法对系统量测量方程进行处理的具体步骤请参阅图3及其解释说明。
步骤S110，根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球。
在本发明实施例中，所述量测更新椭球的中心点即为电力系统状态估计量。
在本发明实施例中，所述根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理的具体步骤请参阅图6及其解释说明的内容。
本发明实施例提供的一种电力系统状态确定方法，通过集员滤波算法对系统状态量方程进行状态估计，并与自适应算法程序相结合，能够更好地适应非高斯噪声分布，同时利用自适应算法对系统量测量方程进行处理，能够调整系统量测量方程中数据处理顺序，充分利用量测数据冗余度，进一步提高了数值精度，本发明所提供的电力系统状态确定方法能够更好的适用于在线应用。
如图2所示，为本发明实施例提供的处理系统状态量方程的步骤流程图，具体包括以下步骤：
步骤S202，确定时间更新椭球的初始中心点以及时间更新椭球的初始正定矩阵。
在本发明实施例中，对时间更新椭球初始化，即选择状态估计的初始椭球
Figure BDA0002439985530000061
其中
Figure BDA0002439985530000062
是椭球的中心点即时间更新椭球的初始中心点，
Figure BDA0002439985530000063
是正定矩阵，即时间更新椭球的初始正定矩阵，用于表示椭球形状。
Figure BDA0002439985530000064
步骤S204，根据所述状态噪音数据建立状态噪音椭球。
在本发明实施例中，将状态噪声由区间形式[ωmin,ωmax]转化为椭球表示 E(aω,Pω)，即建立由状态噪音椭球的中心点以及状态噪音椭球的正定矩阵组成的状态噪音椭球。其中，状态噪音椭球的中心点aω＝(ωmin+ωmax)/2，区间半径 rω＝(ωmax-ωmin)/2，椭球形状
Figure BDA0002439985530000068
步骤S206，根据所述时间更新椭球的初始中心点、所述时间更新椭球的初始正定矩阵以及所述状态噪音椭球，并基于最小迹准则建立时间更新椭球。
在本发明实施例中，根据最小迹准则可以最小化椭球体积，此时选择的滤波器参数
Figure BDA0002439985530000065
进一步所求解的时间更新椭球
Figure BDA0002439985530000066
满足：
Figure BDA0002439985530000067
如图3所示，为本发明实施例提供的对系统量测量方程进行处理的步骤流程图，具体包括：
步骤S302，根据所述量测噪音数据对所述量测函数进行排序。
在本发明实施例中，所述系统量测量方程包括量测噪音数据以及量测函数即yk＝h(xk)+νk，h(xk)是已知的非线性二阶可导的量测函数，将其按照展开可得：
Figure BDA0002439985530000071
对于ν1,k,ν2,k,ν3,k,…νm,k，令V1,k＝|ν1,k|,V2,k＝|ν2,k|,V3,k＝|ν3,k|,…,Vm,k＝|νm,k|
根据Vj,k的大小重新进行排序，使得Vj,k≤Vj+1,k，最后根据调整后的噪声大小顺序调整相应的量测方程。例如，当噪音大小排序的结果为V3,k≤V1,k≤V2,k≤…≤Vm,k时，则此时量测方程的排序结果为h(xk)＝[h3(xk),h1(xk),h2(xk),…,hm(xk)]T。
步骤S304，根据所述时间更新椭球对所述量测函数进行线性化处理，确定系统量测量方程的雅克比矩阵以及线性化误差。
在本发明实施例中，对量测函数进行线性化处理的结果为：
Figure BDA0002439985530000072
其中，
Figure BDA0002439985530000073
是量测方程的雅可比矩阵，εk为线性化误差，定义等式右边前两项为hL，可以看出，在此过程中用到了时间更新椭球
Figure BDA0002439985530000074
步骤S306，基于自适应算法对所述雅克比矩阵以及线性化误差进行调整。
在本发明实施例中，考虑到量测更新椭球的求解涉及到迭代过程，而迭代的初值对迭代收敛速度和迭代结果的精确度有重要影响。而利用自适应算法处理可以选择优良的迭代初值可以有效提高量测更新椭球的估计精度。
在本发明实施例中，基于自适应算法对所述雅克比矩阵以及线性化误差进行调整的具体步骤请参阅图4及其解释说明的步骤。
如图4所示，为本发明实施例提供的调整雅克比矩阵与线性化误差的步骤流程图，具体包括以下步骤：
步骤S402，判断所述雅克比矩阵第一行是否存在含有x的分量。当判断所述雅克比矩阵第一行存在含有x的分量时，执行步骤S404；当判断所述雅克比矩阵第一行不存在含有x的分量时，执行其他步骤。
步骤S404，将第一行存在的含有x的分量赋值给上一行，同时调整雅克比矩阵以及线性化误差，直至第一行不存在含有x的分量。
在本发明实施例中，需要对雅克比矩阵中各行依次进行检验，直至雅克比矩阵各行均不存在x的分量，本实施例仅仅描述第一行的检测过程以作为示例，对于其他各行的检测同理可得。
在本发明实施例中，检验Hk,1i是否含有x的分量，如果含有，则将其赋值给 Hk,mi，将Hk,m-1i赋值给Hk,m-2i，依次类推，直至将Hk,2i赋值给Hk,1i。同时h(xk)，yk，εk及νk等也需作相应改变，直至Hk,1i中不在含有x的分量，其中Hk,ji表示k时刻雅可比矩阵中的第j行第i个分量，j＝1,2,…,m，i＝1,2,…,n。
在本发明实施例中，其中具体检验雅克比矩阵中各行是否存在x的分量的具体步骤，请参阅图5及其解释说明。
如图5所示，为本发明实施例提供的判断雅克比矩阵是否存在含有x的分量的步骤流程图，具体包括以下步骤：
步骤S502，判断量测方程的二阶导矩阵中的对应元素是否为0。当判断量测方程的二阶导矩阵中的对应元素为0时，执行步骤S504；当判断量测方程的二阶导矩阵中的对应元素为0时，执行步骤S506。
步骤S504，确定所述雅克比矩阵第一行存在含有x的分量。
步骤S506，确定所述雅克比矩阵第一行不存在含有x的分量。
在本发明实施例中，利用量测方程的二阶导矩阵即可直接确定雅克比矩阵各行是否存在x的分量。若量测方程的二阶导矩阵中的存在元素0，则表示相对应的雅可比矩阵中的元素含有x的分量。
如图6所示，为本发明实施例提供的确定量测更新椭球的步骤流程图，具体包括以下步骤：
步骤S602，基于凸优化思想并根据所述雅克比矩阵、所述线性化误差以及所述时间更新椭球确定线性误差区间。
在本发明实施例中，对量测函数hjj＝1,2,…,m，定义函数G(x)和F(x)满足 G(x)＝αxTx，F(x)＝G(x)+h(x)，其中
Figure BDA0002439985530000091
α≥0，I为单位矩阵。则线性化误差可表示为
Figure BDA0002439985530000092
那么仅需求取F(xk)-G(xk)的取值区间即可求得线性化误差集：
Figure BDA0002439985530000093
其中，u表示函数F(x)的次梯度，类似地可以得到G(x)的最小值。则线性化误差区间：
Figure BDA0002439985530000094
其中，Bs表示盒集
Figure BDA0002439985530000095
的所有顶点。
步骤S604，根据所述线性误差区间对所述系统量测量方程进行迭代计算，获取量测更新椭球。
在本发明实施例中，对序列化处理的量测函数h＝[h1,h2…hm]T，应根据线性误差区间逐一求其每个分量线性化误差，然后重新写成矢量形式。
在本发明实施例中，定义观测集：
Figure BDA0002439985530000096
其中
Figure BDA0002439985530000097
rk＝rε,k+rν,k，Hk,j表示Hk的行向量；
则k时刻的系统状态集也就是量测更新椭球为时间更新椭球
Figure BDA0002439985530000098
和观测集Sk的交集：
Figure BDA0002439985530000099
其中，考虑到观测集Sk与时间更新椭球
Figure BDA0002439985530000101
的交集难以直接确定，可采用迭代计算的方式确定量测更新椭球，具体的迭代过程如下：
初始化量测更新椭球：
Figure BDA0002439985530000102
对于j＝1,2…m有
Figure BDA0002439985530000103
如果
Figure BDA0002439985530000104
并且
Figure BDA0002439985530000105
表示当前中间椭球与观测集交集不为空，此时可以进行超平面收缩处理以保证观测集与中间椭球相交，从而减小所得交集椭球的体积：
Figure BDA0002439985530000106
进一步的
Figure BDA0002439985530000107
则此时：
Figure BDA0002439985530000108
否则有：
Figure BDA0002439985530000109
Figure BDA00024399855300001010
其中
Figure BDA00024399855300001011
Figure BDA00024399855300001016
Figure BDA00024399855300001012
而如果
Figure BDA00024399855300001013
或者
Figure BDA00024399855300001014
表示当前中间椭球与观测集并没有交集，迭代结束，此时有：
Figure BDA00024399855300001015
如图7所示，为本发明实施例提供的一种电力系统状态确定装置的结构示意图，详述如下。
在本发明实施例中，所述电力系统状态确定装置具体包括：
系统数据获取模块710，用于获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵。
在本发明实施例中，系统量测数据、系统拓扑 信息和节点导纳矩阵可以直接通过数据采集和监视控制(Supervisory Control And Data Acquisition， SCADA)系统及能量管理系统(Energy Management system，EMS)获得。
电力系统状态估计模型构建模块720，用于根据所述系统量测数据、系统拓补网络信息以及节点导纳矩阵建立电力系统状态估计模型。
在本发明实施例中，所述电力系统状态估计模型包含系统状态量方程和系统量测量方程，系统状态量通常表示为电压幅值和相角或电压实部和虚部，系统量测数据通常为电压幅值，线路有功功率，线路无功功率，节点注入有功功率，节点注入无功功率等等，其中具体的：
系统状态量方程为：xk＝Akxk-1+ωk-1
系统量测量方程为：yk＝h(xk)+νk
系统状态量xk∈Rn是n维矢量，系统量测量yk∈Rm是m维矢量，h(xk)是已知的非线性二阶可导的量测函数，wk为状态噪音，vk是量测噪声，wk和vk均为未知但有界的非高斯分布噪音，具体有
Figure BDA0002439985530000111
时间更新椭球建立模块730，用于根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球。
在本发明实施例中，对时间更新椭球初始化，即选择状态估计的初始椭球
Figure BDA0002439985530000121
其中
Figure BDA0002439985530000122
是椭球的中心点即时间更新椭球的初始中心点，
Figure BDA0002439985530000123
是正定矩阵，即时间更新椭球的初始正定矩阵，用于表示椭球形状。
Figure BDA0002439985530000124
在本发明实施例中，将状态噪声由区间形式[ωmin,ωmax]转化为椭球表示 E(aω,Pω)，即建立由状态噪音椭球的中心点以及状态噪音椭球的正定矩阵组成的状态噪音椭球。其中，状态噪音椭球的中心点aω＝(ωmin+ωmax)/2，区间半径 rω＝(ωmax-ωmin)/2，椭球形状
Figure BDA0002439985530000125
在本发明实施例中，根据最小迹准则可以最小化椭球体积，此时选择的滤波器参数
Figure BDA0002439985530000126
进一步所求解的时间更新椭球
Figure BDA0002439985530000127
满足：
Figure BDA0002439985530000128
自适应处理模块740，用于根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差。
在本发明实施例中，所述系统量测量方程包括量测噪音数据以及量测函数即yk＝h(xk)+νk，h(xk)是已知的非线性二阶可导的量测函数，将其按照展开可得：
Figure BDA0002439985530000129
对于ν1,k,ν2,k,ν3,k,…νm,k，令V1,k＝|ν1,k|,V2,k＝|ν2,k|,V3,k＝|ν3,k|,…,Vm,k＝|νm,k|
根据Vj,k的大小重新进行排序，使得Vj,k≤Vj+1,k，最后根据调整后的噪声大小顺序调整相应的量测方程。例如，当噪音大小排序的结果为V3,k≤V1,k≤V2,k≤…≤Vm,k时，则此时量测方程的排序结果为h(xk)＝[h3(xk),h1(xk),h2(xk),…,hm(xk)]T。
在本发明实施例中，对量测函数进行线性化处理的结果为：
Figure BDA0002439985530000131
其中，
Figure BDA0002439985530000132
是量测方程的雅可比矩阵，εk为线性化误差，定义等式右边前两项为hL，可以看出，在此过程中用到了时间更新椭球
Figure BDA0002439985530000133
在本发明实施例中，考虑到量测更新椭球的求解涉及到迭代过程，而迭代的初值对迭代收敛速度和迭代结果的精确度有重要影响。而利用自适应算法处理可以选择优良的迭代初值可以有效提高量测更新椭球的估计精度。
量测更新椭球确定模块750，用于根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球。
在本发明实施例中，所述量测更新椭球的中心点即为电力系统状态估计量。
在本发明实施例中，对量测函数hjj＝1,2,…,m，定义函数G(x)和F(x)满足 G(x)＝αxTx，F(x)＝G(x)+h(x)，其中
Figure BDA0002439985530000134
α≥0，I为单位矩阵。则线性化误差可表示为
Figure BDA0002439985530000135
那么仅需求取F(xk)-G(xk)的取值区间即可求得线性化误差集：
Figure BDA0002439985530000136
其中，u表示函数F(x)的次梯度，类似地可以得到G(x)的最小值。则线性化误差区间：
Figure BDA0002439985530000137
其中，Bs表示盒集
Figure BDA0002439985530000138
的所有顶点。
在本发明实施例中，对序列化处理的量测函数h＝[h1,h2…hm]T，应根据线性误差区间逐一求其每个分量线性化误差，然后重新写成矢量形式。
在本发明实施例中，定义观测集：
Figure BDA0002439985530000141
其中
Figure BDA0002439985530000142
rk＝rε,k+rν,k，Hk,j表示Hk的行向量；
则k时刻的系统状态集也就是量测更新椭球为时间更新椭球
Figure BDA0002439985530000143
和观测集Sk的交集：
Figure BDA0002439985530000144
其中，考虑到观测集Sk与时间更新椭球
Figure BDA0002439985530000145
的交集难以直接确定，可采用迭代计算的方式确定量测更新椭球，具体的迭代过程如下：
初始化量测更新椭球：
Figure BDA0002439985530000146
对于j＝1,2…m有
Figure BDA0002439985530000147
如果
Figure BDA0002439985530000148
并且
Figure BDA0002439985530000149
表示当前中间椭球与观测集交集不为空，此时可以进行超平面收缩处理以保证观测集与中间椭球相交，从而减小所得交集椭球的体积：
Figure BDA00024399855300001410
进一步的
Figure BDA00024399855300001411
则此时：
Figure BDA00024399855300001412
否则有：
Figure BDA00024399855300001413
Figure BDA00024399855300001414
其中
Figure BDA0002439985530000151
Figure BDA0002439985530000152
Figure BDA0002439985530000153
而如果
Figure BDA0002439985530000154
或者
Figure BDA0002439985530000155
表示当前中间椭球与观测集并没有交集，迭代结束，此时有：
Figure BDA0002439985530000156
本发明实施例提供的一种电力系统状态确定装置，通过集员滤波算法对系统状态量方程进行状态估计，并与自适应算法程序相结合，能够更好地适应非高斯噪声分布，同时利用自适应算法对系统量测量方程进行处理，能够调整系统量测量方程中数据处理顺序，充分利用量测数据冗余度，进一步提高了数值精度，本发明所提供的电力系统状态确定方法能够更好的适用于在线应用。
图8示出了一个实施例中计算机设备的内部结构图。如图8所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现电力系统状态确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行电力系统状态确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的电力系统状态确定装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该电力系统状态确定装置的各个程序模块，比如，图7 中所示的系统数据获取模块710、电力系统状态估计模型构建模块720、时间更新椭球建立模块730等等。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的电力系统状态确定方法中的步骤。
例如，图8所示的计算机设备可以通过如图7所示的电力系统状态确定装置中的系统数据获取模块710执行步骤S102；计算机设备可通过电力系统状态估计模型构建模块720执行步骤S104；计算机设备时间更新椭球建立模块730 执行步骤S106等等。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵；
根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型；所述电力系统状态估计模型包含系统状态量方程和系统量测量方程；
根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球；
根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差；
根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球，所述量测更新椭球的中心点即为电力系统状态估计量。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵；
根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型；所述电力系统状态估计模型包含系统状态量方程和系统量测量方程；
根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球；
根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差；
根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球，所述量测更新椭球的中心点即为电力系统状态估计量。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM (DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电力系统状态确定方法，其特征在于，包括：
获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵；
根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型；所述电力系统状态估计模型包含系统状态量方程和系统量测量方程；
根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球；
根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差；
根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球，所述量测更新椭球的中心点即为电力系统状态估计量；
所述根据所述雅克比矩阵、所述线性化误差以及时间更新椭球对所述系统量测量方程进行处理，确定量测更新椭球的步骤具体包括：
基于凸优化思想并根据所述雅克比矩阵、所述线性化误差以及所述时间更新椭球确定线性误差区间；
根据所述线性误差区间对所述系统量测量方程进行迭代计算，获取量测更新椭球。
2.根据权利要求1所述的电力系统状态确定方法，其特征在于，所述系统状态量方程包括状态噪音数据；所述根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球的步骤具体包括：
确定时间更新椭球的初始中心点以及时间更新椭球的初始正定矩阵；
根据所述状态噪音数据建立状态噪音椭球；所述状态噪音椭球由状态噪音椭球的中心点以及状态噪音椭球的正定矩阵组成；
根据所述时间更新椭球的初始中心点、所述时间更新椭球的初始正定矩阵以及所述状态噪音椭球，并基于最小迹准则建立时间更新椭球。
3.根据权利要求1所述的电力系统状态确定方法，其特征在于，所述系统量测量方程包括量测噪音数据以及量测函数，所述根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差的步骤具体包括：
根据所述量测噪音数据对所述量测函数进行排序；
根据所述时间更新椭球对所述量测函数进行线性化处理，确定系统量测量方程的雅克比矩阵以及线性化误差；
基于自适应算法对所述雅克比矩阵以及线性化误差进行调整。
4.根据权利要求3所述的电力系统状态确定方法，其特征在于，所述基于自适应算法对所述雅克比矩阵以及线性化误差进行调整的步骤具体包括：
判断所述雅克比矩阵第一行是否存在含有x的分量；
当判断所述雅克比矩阵第一行存在含有x的分量，将第一行存在的含有x的分量赋值给上一行，同时调整雅克比矩阵以及线性化误差，直至第一行不存在含有x的分量；
重复上述步骤，直至所述雅克比矩阵各行均不存在x的分量。
5.根据权利要求4所述的电力系统状态确定方法，其特征在于，所述判断所述雅克比矩阵第一行是否存在含有x的分量的步骤，具体包括：
判断量测方程的二阶导矩阵中的对应元素是否为0；
当判断所述量测方程的二阶导矩阵中的对应元素为0时，则确定所述雅克比矩阵第一行存在含有x的分量；
当判断所述量测方程的二阶导矩阵中的对应元素不为0时，则确定所述雅克比矩阵第一行不存在含有x的分量。
6.一种电力系统状态确定装置，其特征在于，包括：
系统数据获取模块，用于获取系统量测数据、系统拓扑 网络信息以及节点导纳矩阵；
电力系统状态估计模型构建模块，用于根据所述系统量测数据、系统拓扑 网络信息以及节点导纳矩阵建立电力系统状态估计模型；所述电力系统状态估计模型包含系统状态量方程和系统量测量方程；
时间更新椭球建立模块，用于根据集员滤波算法以及预设的系统状态量初始值对所述系统状态量方程进行处理，建立时间更新椭球；
自适应处理模块，用于根据自适应算法以及时间更新椭球对所述系统量测量方程进行处理，生成所述系统量测量方程的雅克比矩阵以及线性化误差；
量测更新椭球确定模块，用于基于凸优化思想并根据所述雅克比矩阵、所述线性化误差以及所述时间更新椭球确定线性误差区间；根据所述线性误差区间对所述系统量测量方程进行迭代计算，获取量测更新椭球，所述量测更新椭球的中心点即为电力系统状态估计量。
7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述权利要求1-5任一权利要求所述的电力系统状态确定方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述权利要求1-5任一权利要求所述的电力系统状态确定方法的步骤。
CN202010262593.4A 2020-04-07 2020-04-07 电力系统状态确定方法、装置、计算机介质及存储介质 Active CN111507591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010262593.4A CN111507591B (zh) 2020-04-07 2020-04-07 电力系统状态确定方法、装置、计算机介质及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010262593.4A CN111507591B (zh) 2020-04-07 2020-04-07 电力系统状态确定方法、装置、计算机介质及存储介质

Publications (2)

Publication Number Publication Date
CN111507591A CN111507591A (zh) 2020-08-07
CN111507591B true CN111507591B (zh) 2021-03-19

Family

ID=71875951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010262593.4A Active CN111507591B (zh) 2020-04-07 2020-04-07 电力系统状态确定方法、装置、计算机介质及存储介质

Country Status (1)

Country Link
CN (1) CN111507591B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116138A (zh) * 2020-09-09 2020-12-22 山东科技大学 基于数据驱动的电力系统预测状态估计方法及系统
CN113111809B (zh) * 2021-04-20 2022-06-24 福州大学 一种电力系统动态同步相量测量信号的处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102623993A (zh) * 2012-04-12 2012-08-01 河海大学 一种分布式电力系统状态估计方法
CN102915514A (zh) * 2012-10-31 2013-02-06 清华大学 基于半不变量法的电力系统状态估计可信度评估方法
CN102982379A (zh) * 2012-11-16 2013-03-20 清华大学 基于集合论估计模型的电力系统状态估计方法及系统
CN104795819A (zh) * 2015-05-11 2015-07-22 重庆大学 一种基于强跟踪集员估计的电力系统状态估计方法
CN105303471A (zh) * 2015-11-27 2016-02-03 华北电力大学 电力系统状态的双曲余弦型最大指数平方抗差估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120243129A1 (en) * 2011-03-24 2012-09-27 General Electric Company Shorting protection for systems having electric machines
CN102831315B (zh) * 2012-08-23 2015-08-12 清华大学 一种电力系统状态估计量测方程的精确线性化方法
CN103593565B (zh) * 2013-11-14 2017-02-22 华北电力大学 结构风险最小化的加权最小二乘电力系统状态估计方法
CN104239716B (zh) * 2014-09-16 2017-02-22 国家电网公司 一种基于参数偏差灵敏度的电网设备参数识别与估计方法
CN107611964A (zh) * 2017-09-12 2018-01-19 重庆大学 一种基于扩展集员滤波的电力系统状态估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102623993A (zh) * 2012-04-12 2012-08-01 河海大学 一种分布式电力系统状态估计方法
CN102915514A (zh) * 2012-10-31 2013-02-06 清华大学 基于半不变量法的电力系统状态估计可信度评估方法
CN102982379A (zh) * 2012-11-16 2013-03-20 清华大学 基于集合论估计模型的电力系统状态估计方法及系统
CN104795819A (zh) * 2015-05-11 2015-07-22 重庆大学 一种基于强跟踪集员估计的电力系统状态估计方法
CN105303471A (zh) * 2015-11-27 2016-02-03 华北电力大学 电力系统状态的双曲余弦型最大指数平方抗差估计方法

Also Published As

Publication number Publication date
CN111507591A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111507591B (zh) 电力系统状态确定方法、装置、计算机介质及存储介质
CN109638883B (zh) 电网电压控制方法、装置、计算机设备和存储介质
Nenashev et al. Advanced percolation solution for hopping conductivity
CN112330488B (zh) 基于迁移学习的电网频率态势预测方法
CN110795887A (zh) 多应力加速寿命试验分析方法和装置
CN115221801B (zh) 基于动态近似建模的飞行器不确定性传播分析方法和装置
CN111600309B (zh) 电压控制方法、装置、设备、计算机设备和存储介质
CN112365044A (zh) 一种基于k近邻算法和支持向量机的隧道掌子面失效概率预测方法
CN113722860B (zh) 基于降阶模型的瞬态热力状态在线评估方法、设备及介质
CN113328467B (zh) 一种概率电压稳定性评估方法、系统、终端设备及介质
CN116757062A (zh) 电力负荷频率特性分析方法、装置、设备和存储介质
CN115101140B (zh) 确定分子的基态特征的方法、设备及存储介质
CN114155354B (zh) 基于图卷积网络的电容层析成像重建方法与装置
CN112488224B (zh) 模型训练方法、装置、计算机设备及存储介质
CN114462264A (zh) 一种基于多物理场耦合的电缆接头状态评估方法及装置
CN112632894B (zh) 约瑟夫森结阵电压输出方法、装置、设备和存储介质
CN112182739A (zh) 一种飞行器结构非概率可信可靠性拓扑优化设计方法
CN112699594A (zh) 多智能体系统的二分共识控制律确定方法、装置、设备及存储介质
CN110866638A (zh) 交通量预测模型构建方法、装置、计算机设备和存储介质
CN111784535A (zh) 一种基于反馈神经网络的风能直接区间预测方法和装置
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
CN116191424A (zh) 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法
Rao et al. Parallel solution of DDDAS variational inference problems
CN112600200B (zh) 电网节点的谐波潮流计算方法、装置、设备及存储介质
CN115146366A (zh) 基于Direct算法和少量样本更新的结构混合可靠性分析方法

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