CN111695082A - 智能配电网抗差动态状态估计方法 - Google Patents

Abstract

一种智能配电网抗差动态状态估计方法，根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型并通过静态抗差状态估计获得初始值，然后在一个SDADA量测周期内，获取μM‑PMU的量测，并根据获取时间生成对应的量测模型并经动态滤波后进行状态预测，得到抗差动态状态估计结果。本发明将静态抗差状态估计引入两周期动态状态估计中，并且建立了两周期数据融合方法，能够有效利用SCADA数据进行抗差估计，并利用估计结果关联前后两周期的数据。

Description

智能配电网抗差动态状态估计方法

技术领域

本发明涉及的是一种智能电网控制领域的技术，具体是一种两周期数据关联的智能配电网抗差动态状态估计方法。

背景技术

配电网作为电力系统“发输配用”中直接面向电力用户的环节，其运行的安全性、经济性非常重要。配电网的安全经济运行依赖实时、可靠、完整的配电网运行状态数据。由于量测装置误差或故障、通信系统误码、潜在的数据攻击等原因，配电网控制中心得到的数据往往存在误差或坏数据，因此需要配电网状态估计对数据进行预处理，从而提高数据的精度和数量。其中动态状态估计依靠前后两个时间断面的量测数据进行迭代式估计，能够同时提供系统状态的估计值和预报值。

随着微型PMU(μM-PMU)在配电网中逐渐配置，μM-PMU和SCADA构成了长短两周期的采样模式，综合利用μM-PMU和SCADA的数据对电力系统进行动态状态估计是目前业界的需求和热点。现有的两周期或多周期状态估计方法无法利用SCADA提供的冗余信息提高抗差性能，并且在前后两个长周期内没有进行数据关联，数据利用效率不足。

发明内容

本发明针对现有技术存在的上述不足，提出一种智能配电网抗差动态状态估计方法，将静态抗差状态估计引入两周期动态状态估计中，并且建立了两周期数据融合方法，能够有效利用SCADA数据进行抗差估计，并利用估计结果关联前后两周期的数据。

本发明是通过以下技术方案实现的：

本发明涉及一种智能配电网抗差动态状态估计方法，根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型并通过静态抗差状态估计获得初始值，然后在一个SDADA量测周期内，获取μM-PMU的量测，并根据获取时间生成对应的量测模型并经动态滤波后进行状态预测，得到抗差动态状态估计结果。

所述的根据获取时间生成对应的量测模型是指：当获得的量测时间为SCADA采样时刻时，利用μM-PMU和SCADA量测量共同形成全量测模型，并依次进行进行静态抗差状态估计、动态滤波内部量更新和关联两周期数据；当获得的量测时间为μM-PMU的量测时刻时，根据μM-PMU量测量形成线性量测模型。

所述的根据获取时间生成对应的量测模型，当获得量测时间为一个周期内的SCADA采样时刻时，通过SCADA、μM-PMU采样数据共同进行状态估计，并进行动态滤波内部量更新；当获得量测时间为第一个μM-PMU采样时刻时，进行动态滤波。

所述的根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型，具体包括：①构建静态方程和动态方程：

其中：x为系统动态过程的状态变量，包括动态负荷模型中的有功、无功状态量或VSM模型中的虚拟角速度，即x＝[P_0,i,Q_0,i,ω_i]；y为系统的代数变量，包括系统节点的电压幅值或者电流幅值，即y＝[V_m,i,V_a,i,I_m,i,I_a,i,P_i,Q_i]；u为系统中的扰动，包括新能源发电出力或负荷功率的随机波动，即ΔP_i,ΔQ_i，

为系统的静态方程，

为系统的动态方程；②构建状态转移方程为x_k+1＝f(x_k)+w_k，其中：w_k为扰动向量。

所述的静态抗差状态估计，通过建立静态抗差状态估计模型并利用内点法求解抗差估计问题得到最优解，该静态抗差状态估计模型为：

其中：J(x)为优化目标函数，x为系统状态量，r_i为残差向量中的第i个元素，w_i为对应的权重。对应的约束为直角坐标系变量

和极坐标系变量

之间的二次约束关系，与残差向量的定义约束，L_δ为预设抗差损失函数，所得的最优解

对应系统各状态量的最优估计值。

所述的抗差损失函数，采用绝对值损失函数、Huber损失函数或Pseudo-Huber损失函数，其中：绝对值损失函数为L_δ(e)＝|e|，Huber损失函数为

Pseudo-Huber损失函数为

其中：r为残差向量，δ为可调整的参数，通常可取1.5。

所述的利用μM-PMU和SCADA量测量共同形成全量测模型是指：

其中：μM-PMU和SCADA量测变量的集合

h(x)为所形成的全量测模型，具体为从系统的状态变量至量测变量的函数映射，v为量测误差，

为量测量中直角坐标系变量

和极坐标系变量

之间的二次约束关系。

所述的线性量测模型，其紧凑形式为：

其中：μM-PMU量测变量的集合

H为由μM-PMU量测变量和系统状态量根据物理量关系共同决定的实数矩阵，

为量测量中直角坐标系变量

和极坐标系变量

之间的二次约束关系。

所述的动态滤波，包括针对全量测模型的内部量更新和针对线性量测模型的滤波更新。

所述的针对全量测模型的内部量更新具体包括：

①动态滤波状态量更新：

其中：x_k|k为所在时刻动态滤波中状态变量的校正值，

为静态抗差状态估计获得的最优解。

②渐消记忆残差协方差阵更新：

其中：V_k为所在时刻动态滤波中的渐消记忆残差协方差阵，z_k为当前时刻的量测变量，h(·)为量测函数。

③预测协方差矩阵更新：

其中：

为所在时刻动态滤波中的预测协方差矩阵，x_k+1|k为系统状态量的预测值，χ_i,k+1|k为UT变换后的Sigma点集，

为UT变换得到的对应协方差权重。Q_k为噪声的协方差给矩阵。

所述的针对线性量测模型的滤波更新，具体包括：

a)计算自方差矩阵和互方差矩阵：根据x_k+1|k和P_k+1|k得到Sigma点集{ξ_i,k}，通过量测函数h(·)得到传递后的Sigma点{y_i,k+1}，计算自方差矩阵和互方差矩阵：

其中：

为量测量预测均值，S_k+1为自方差矩阵，C_k+1为互方差矩阵，R_k为量测误差的方差。

b)计算渐消记忆的残差协方差

其中：ρ为遗忘因子，ρ越大V_k对历史残差协方差的记忆越强，r为残差。

c)计算渐消因子λ_k，具体为：

其中：

λ_k＝max(1,τ_k)，其中：β为弱化因子，tr为矩阵的迹。

d)修正预测协方差矩阵：

根据x_k+1|k和

再次计算Sigma点集

其中：{χ_i}为所需的Sigma点集，采用对称采样策略生成，L为总采样点数，

为对应的各Sigma采样点均值权重，

为对应的各Sigma采样点方差权重。取得Sigma点集{χ_i}后，变换后的均值与方差为：

e)更新

根据x_k+1|k与P_k+1|k构造新的Sigma点集{ξ_i,k}得到：

所述的状态预测，具体包括：

一、预测步：构造预设Sigma点集{χ_i,k}，基于无迹卡尔曼滤波，对下一个时刻的状态变量进行预测：

其中：x_k+1|k为预测的下一个μM-PMU采样时刻的状态变量，P_k+1|k为预测的误差协方差矩阵，Q_k为模型误差协方差。

二、更新自方差矩阵和互方差矩阵预测值：根据x_k+1|k与P_k+1|k构造新的Sigma点集{ξ_i,k}得到：

其中：

为量测量预测均值，S_k+1为自方差矩阵，C_k+1为互方差矩阵，得到下一个采样时刻系统的状态变量、代数变量，即抗差动态状态估计结果。

技术效果

本发明整体解决了现有SCADA量测和新型μM-PMU量测二者采样间隔不同，常规多采样周期的状态估计技术对于前后两个周期的数据利用不足。

与现有技术相比，本发明针对全量测模型的内部量更新和针对线性量测模型的滤波更新，采用了抗差估计，综合利用了前后两个采样周期的数据，有效利用静态抗差状态估计的估计结果，受不良数据影响显著降低，动态估计效果更好。

附图说明

图1为本发明方法架构图；

图2为本发明方法流程图；

图3为实施例IEEE 33节点系统接线图；

图4为实施例无坏数据时估计结果示意图；

图5为实施例存在坏数据时的估计结果示意图。

具体实施方式

如图1和图2所示，为本实施例涉及一种两周期数据关联的智能配电网动态状态估计方法，包括如下步骤：

步骤1)获取系统各项参数和量测配置情况，构建系统静态模型和动态模型；进行一次静态抗差状态估计获得初始值；

步骤2)当量测时间同时包括μM-PMU又有SCADA的采样时，利用μM-PMU和SCADA量测量共同形成全量测模型，转步骤3)；否则根据μM-PMU量测量形成线性量测模型；若该步为一个周期内的第一个μM-PMU采样时刻，转步骤5)；

步骤3)进行静态抗差状态估计；转步骤4)；

步骤4)进行动态滤波内部量更新，关联两周期数据；转步骤5)；

步骤5)进行动态滤波，转步骤6)；

步骤6)根据动态模型进行状态预测。

本实施例以图3所示的IEEE 33节点系统为例，当量测正常、不存在坏数据时，使用本方法进行状态估计后得到状态预测值与常规加权最小二乘法实现的状态估计对比，如图4所示，其中WLS代表常规加权最小二乘法状态估计，Robust代表本方法。

随机选取2％的SCADA量测，将其设定为真值5倍以模拟存在坏数据场景，估计结果如图5所示，其中WLS代表常规加权最小二乘法状态估计，Robust代表本方法。如图可见，系统存在坏数据时，最小二乘法受到粗差影响显著，电压幅值与电压相角均出现了较大误差，粗差对本方法影响较小，有效抑制了坏数据对状态估计造成的不利影响。

经过具体实际实验，在IEEE33节点标准测试系统下，抗差估计中δ＝1.5，SCADA量测噪声标准差为0.01p.u.，μM-PMU量测噪声标准差为0.001p.u.设置下，能够得到的实验数据是：电压幅值误差最大值为9.70×10^-4p.u.。

与现有技术相比，本方法通过综合SCADA量测数据和μM-PMU量测数据，并综合前后两周期的数据，能够更好地对系统状态进行估计。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种智能配电网抗差动态状态估计方法，其特征在于，根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型并通过静态抗差状态估计获得初始值，然后在一个SDADA量测周期内，获取μM-PMU的量测，并根据获取时间生成对应的量测模型并经动态滤波后进行状态预测，得到抗差动态状态估计结果；

所述的根据获取时间生成对应的量测模型是指：当获得的量测时间为SCADA采样时刻时，利用μM-PMU和SCADA量测量共同形成全量测模型，并依次进行进行静态抗差状态估计、动态滤波内部量更新和关联两周期数据；当获得的量测时间为μM-PMU的量测时刻时，根据μM-PMU量测量形成线性量测模型；当获得量测时间为一个周期内的SCADA采样时刻时，通过SCADA、μM-PMU采样数据共同进行状态估计，并进行动态滤波内部量更新；当获得量测时间为第一个μM-PMU采样时刻时，进行动态滤波。

2.根据权利要求1所述的智能配电网抗差动态状态估计方法，其特征是，所述的根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型，具体包括：①构建静态方程和动态方程：

其中：x为系统动态过程的状态变量，包括动态负荷模型中的有功、无功状态量或VSM模型中的虚拟角速度，即x＝[P_0，i，Q_0，i，ω_i]；y为系统的代数变量，包括系统节点的电压幅值或者电流幅值，即y＝[V_m，i，V_a，i，I_m，i，I_a，i，P_i，Q_i]；u为系统中的扰动，包括新能源发电出力或负荷功率的随机波动，即ΔP_i，ΔQ_i，

为系统的静态方程，

为系统的动态方程；②构建状态转移方程为x_k+1＝f(x_k)+w_k，其中：w_k为扰动向量。

3.根据权利要求1所述的智能配电网抗差动态状态估计方法，其特征是，所述的静态抗差状态估计，通过建立静态抗差状态估计模型并利用内点法求解抗差估计问题得到最优解，该静态抗差状态估计模型为：

其中：J(x)为优化目标函数，x为系统状态量，r_i为残差向量中的第i个元素，w_i为对应的权重，对应的约束为直角坐标系变量

和极坐标系变量

之间的二次约束关系，与残差向量的定义约束，L_δ为预设抗差损失函数，所得的最优解

对应系统各状态量的最优估计值。

4.根据权利要求3所述的智能配电网抗差动态状态估计方法，其特征是，所述的抗差损失函数，采用绝对值损失函数、Huber损失函数或Pseudo-Huber损失函数，其中：绝对值损失函数为L_δ(e)＝|e|，Huber损失函数为

Pseudo-Huber损失函数为

其中：r为残差向量，δ为可调整的参数。

5.根据权利要求1所述的智能配电网抗差动态状态估计方法，其特征是，所述的利用μM-PMU和SCADA量测量共同形成全量测模型是指：

其中：μM-PMU和SCADA量测变量的集合

h(x)为所形成的全量测模型，具体为从系统的状态变量至量测变量的函数映射，v为量测误差，

为量测量中直角坐标系变量

和极坐标系变量

之间的二次约束关系。

6.根据权利要求1所述的智能配电网抗差动态状态估计方法，其特征是，所述的线性量测模型，其紧凑形式为：

其中：μM-PMU量测变量的集合

H为由μM-PMU量测变量和系统状态量根据物理量关系共同决定的实数矩阵，

为量测量中直角坐标系变量

和极坐标系变量

之间的二次约束关系。

7.根据权利要求1或6所述的智能配电网抗差动态状态估计方法，其特征是，所述的动态滤波，包括针对全量测模型的内部量更新和针对线性量测模型的滤波更新；

所述的针对全量测模型的内部量更新具体包括：

①动态滤波状态量更新：

其中：x_k|k为所在时刻动态滤波中状态变量的校正值，

为静态抗差状态估计获得的最优解；

②渐消记忆残差协方差阵更新：

其中：V_k为所在时刻动态滤波中的渐消记忆残差协方差阵，z_k为当前时刻的量测变量，h(·)为量测函数；

③预测协方差矩阵更新：

其中：

为所在时刻动态滤波中的预测协方差矩阵，x_k+1|k为系统状态量的预测值，χ_i，k+1|k为UT变换后的Sigma点集，

为UT变换得到的对应协方差权重；Q_k为噪声的协方差给矩阵；

所述的针对线性量测模型的滤波更新，具体包括：

a)计算自方差矩阵和互方差矩阵：根据x_k+1|k和P_k+1|k得到Sigma点集{ξ_i，k}，通过量测函数h(·)得到传递后的Sigma点{y_i，k+1}，计算自方差矩阵和互方差矩阵：

其中：

为量测量预测均值，S_k+1为自方差矩阵，c_k+1为互方差矩阵，R_k为量测误差的方差；

b)计算渐消记忆的残差协方差

其中：ρ为遗忘因子，ρ越大诈对历史残差协方差的记忆越强，r为残差；

c)计算渐消因子λ_k，具体为：

其中：

λ_k＝max(1，τ_k)，其中：β为弱化因子，tr为矩阵的迹；

d)修正预测协方差矩阵：

根据x_k+1|k和

再次计算Sigma点集

其中：{x_i}为所需的Sigma点集，采用对称采样策略生成，L为总采样点数，

为对应的各Sigma采样点均值权重，

为对应的各Sigma采样点方差权重；取得Sigma点集{x_i}后，变换后的均值与方差为：

e)更新

根据x_k+1|k与P_k+1|k构造新的Sigma点集{ξ_i，k}得到：

8.根据权利要求1所述的智能配电网抗差动态状态估计方法，其特征是，所述的状态预测，具体包括：

一、预测步：构造预设Sigma点集{x_i，k}，基于无迹卡尔曼滤波，对下一个时刻的状态变量进行预测：

其中：x_k+1|k为预测的下一个μM-PMU采样时刻的状态变量，P_k+1|k为预测的误差协方差矩阵，Q_k为模型误差协方差；

二、更新自方差矩阵和互方差矩阵预测值：根据x_k+1|k与P_k+1|k构造新的Sigma点集{ξ_i，k}得到：

其中：

为量测量预测均值，S_k+1为自方差矩阵，c_k+1为互方差矩阵，得到下一个采样时刻系统的状态变量、代数变量，即抗差动态状态估计结果。

Images