CN112803408B - 一种配电系统及负荷侧协同状态估计方法及系统 - Google Patents

一种配电系统及负荷侧协同状态估计方法及系统 Download PDF

Info

Publication number
CN112803408B
CN112803408B CN202110290797.3A CN202110290797A CN112803408B CN 112803408 B CN112803408 B CN 112803408B CN 202110290797 A CN202110290797 A CN 202110290797A CN 112803408 B CN112803408 B CN 112803408B
Authority
CN
China
Prior art keywords
power distribution
distribution system
state estimation
load
estimation
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
CN202110290797.3A
Other languages
English (en)
Other versions
CN112803408A (zh
Inventor
张文
张婷婷
赵琪
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
Original Assignee
Shandong University
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 filed Critical Shandong University
Priority to CN202110290797.3A priority Critical patent/CN112803408B/zh
Publication of CN112803408A publication Critical patent/CN112803408A/zh
Application granted granted Critical
Publication of CN112803408B publication Critical patent/CN112803408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]

Abstract

本发明提供了一种配电系统及负荷侧协同状态估计方法及系统。其中，该方法包括：对预先划分的各个配电系统子区域并行进行配电系统‑负荷运营商协同状态估计，直至当地协同状态估计收敛；若当地状态估计不收敛，则交互配网侧与负荷侧所求的负荷运营商的对外聚合功率作为新增伪量测，重复进行配电系统‑负荷运营商协同状态估计及收敛判断；交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断。

Description

一种配电系统及负荷侧协同状态估计方法及系统
技术领域
本发明属于电力系统领域，尤其涉及一种配电系统及负荷侧协同状态估计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
配电系统状态估计可以利用量测信息的冗余度来提高数据精度，自动排除随机干扰所引起的错误信息，估计或预报系统的运行状态，为其他高级应用提供数据基础，是配电管理系统的核心功能。精准高效的状态估计对实现配电系统运行状态的实时感知至关重要。
在实际配电系统中，考虑到量测装置的成本及系统规模，配电系统实时量测十分匮乏。为保证配电系统的可观性，配电管理系统将使用大量基于历史数据、电费账单以及负荷预测的伪量测。近年来，智能电网技术不断发展，为负荷侧资源参与电力系统调控供了条件。诸如以空调负荷为代表的恒温控制负荷由于具有一定的热储性能，短时间中断运行不会对用户体验造成明显的影响。而随着社会、经济的发展，空调负荷容量已经占到较大比重，尤其在夏季高峰负荷时，空调负荷比重高达30％～50％。通过合理的控制设计，空调负荷能够快速响应电网的控制信号。然而，空调负荷是对气象因素最为敏感的负荷类型，其消耗的有功、无功功率易受外界环境温度等影响。同时，由于空调负荷占比大，若无法准确把握其运行状态，则很难准确刻画其对外聚合功率，从而影响伪量测精度，进而影响配电系统状态估计的准确性。
随着配电系统的发展，配电系统的规模越来越庞大，导致状态估计维度不断上升。若仍采用集中式状态估计方法，则会因其维数大、计算复杂度高而需要付出更大的计算时间代价，计算效率难以满足配电系统状态估计的实时性要求。因此，需要考虑采用分布式计算的方法来解决计算量巨大的问题，从而提高配电系统状态估计的求解速度。
发明人发现，目前配电系统状态估计方法存在以下问题：1)以空调负荷为代表的恒温控制负荷对气象因素更为敏感，其消耗的有功、无功功率易受外界环境温度等影响，若无法准确把握其对外聚合功率，将严重影响伪量测精度，进而影响配电系统状态估计的准确性。2)由于配电系统的规模较大，集中式状态估计会因其维数大、计算复杂度高而需要付出更大的计算时间代价，计算效率难以满足配电系统状态估计的实时性要求。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种配电系统及负荷侧协同状态估计方法及系统，其基于分解-协调思想，将负荷侧估计纳入配电系统状态估计中，通过负荷侧估计获取较高精度伪量测信息，从而提高配电系统状态估计精度；同时基于分解-协调思想将大规模配电系统状态估计问题分解，能够降低状态估计规模，通过并行计算提高状态估计计算效率。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种配电系统及负荷侧协同状态估计方法。
一种配电系统及负荷侧协同状态估计方法，其包括：
对预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计，直至当地协同状态估计收敛；
交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断。
进一步地，并行进行配电系统-负荷运营商协同状态估计的过程为：
并行执行各个配电系统子区域的配网的辅助预测状态估计与空调负荷群的动态状态估计；
利用配电系统状态估计值与空调负荷群状态估计值求取同一负荷运营商的对外聚合功率估计值；
比较配网侧与负荷侧所求的负荷运营商的对外聚合功率估计值差值与设定阈值的大小，若前者小于后者，则协同状态估计结束；否则，将交互的对外聚合功率估计值作为新增伪量测，重复进行配电系统子区域的配电系统-负荷运营商协同状态估计。
进一步地，配电系统子区域内的配网估计器与区内各负荷运营商负责的空调负荷估计器分别并行执行配电系统的辅助预测状态估计与空调负荷群的动态状态估计，获取当前时刻配电系统运行状态及各空调负荷群运行状态。
进一步地，配电系统子区域中的各负荷运营商基于空调负荷群的双线性状态空间模型进行预测，并采用基于奇异值分解法与带约束的加权最小二乘法进行滤波，从而完成动态状态估计。
进一步地，各个配电系统子区域是基于给定的配电系统拓扑结构而划分的，且相邻配电系统子区域间存在一个重叠节点。
进一步地，全局估计收敛条件为相邻两配电系统子区域对同一重叠节点的状态估计值差值的绝对值小于给定的误差容许值。
进一步地，若预先划分的任一配电系统子区域的协同状态估计不满足收敛条件时，则在不满足收敛条件的节点处，将配网侧所得的对外聚合功率估计值作为该节点负荷运营商的新增伪量测，并联立估计其中各空调负荷聚合群运行状态。
本发明的第二个方面提供一种配电系统及负荷侧协同状态估计系统。
一种配电系统及负荷侧协同状态估计系统，包括：
并行协同状态估计模块，其用于对预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计，直至当地协同状态估计收敛；
全局收敛判断模块，其用于交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断。
进一步地，在所述并行协同状态估计模块中，若预先划分的任一配电系统子区域的协同状态估计不满足收敛条件时，则在不满足收敛条件的节点处，将配网侧所得的对外聚合功率估计值作为该节点负荷运营商的新增伪量测，并联立估计其中各空调负荷聚合群运行状态。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的配电系统及负荷侧协同状态估计方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，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如上述所述的配电系统及负荷侧协同状态估计方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)为了解决以空调负荷为代表的恒温控制负荷对气象因素更为敏感，其消耗的有功、无功功率易受外界环境温度等影响，若无法准确把握其对外聚合功率，将严重影响伪量测精度，进而影响配电系统状态估计的准确性的问题，本发明考虑了负荷侧状态估计与配电系统状态估计协同关系，通过负荷侧估计获取较高精度伪量测信息应用于配电系统状态估计中，从而实现配电系统高精度估计。
(2)为了解决由于配电系统的规模较大，集中式状态估计会因其维数大、计算复杂度高而需要付出更大的计算时间代价，计算效率难以满足配电系统状态估计的实时性要求的问题，本发明基于分解-协调思想将大规模配电系统状态估计问题分解为若干小问题，大大降低了配电系统状态估计的维度，从而有效地降低配电系统状态估计的计算量，通过并行计算提高了状态估计计算效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1本发明提供的配电系统及负荷侧协同状态估计方案流程图；
图2本发明提供的配电系统子区域的配电系统及负荷侧协同状态估计流程图；
图3本发明提供的配电系统区域划分示意图；
图4本发明提供的IEEE119节点配电系统系统接线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1，本实施例的一种配电系统及负荷侧协同状态估计方法，其包括：
步骤1：对预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计，直至当地协同状态估计收敛。
其中，各个配电系统子区域是基于给定的配电系统拓扑结构，而对配电系统区域划分的。
如图3所示，将配电系统划分为N个子区域，相邻配电系统子区域间存在一个重叠节点。各配电系统子区域内部按照所属权不同，将该配电系统子区域进一步划分为配电网子系统及负荷运营商子系统，两子系统间由一个公共节点连接。
如图2所示，在具体实施中，预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计的过程为：
步骤1.1：并行执行各个配电系统子区域的配电系统的辅助预测状态估计与空调负荷群的动态状态估计。
具体地，配电系统子区域内的配网估计器与区内各负荷运营商负责的空调负荷估计器分别并行执行配电系统的辅助预测状态估计与空调负荷群的动态状态估计，获取当前时刻配电系统运行状态xk及各空调负荷群运行状态Xk。
各配电系统子区域中的配网估计器基于粒子滤波算法实现子区域的辅助预测状态估计。该辅助预测状态估计模型可由配电系统的离散化状态空间模型表示，即
xk＝f(xk-1,uk)+ξk
zk＝h(xk,uk)+υk
其中，xk为k时刻系统状态变量矩阵，uk为系统输入变量矩阵，zk为系统量测量矩阵。f(·)与h(·)分别为非线性、非高斯的状态转移方程及量测方程；ξk与υk为系统过程噪声及量测噪声矩阵，其误差协方差矩阵分别为Pk与Rk，反映了系统模型的准确性。
基于贝叶斯重要性采样原理，可从一个已知且容易采样的参考分布q(x0:k|z1:k)中采样获取粒子，通过对这些粒子进行加权求和来近似后验分布p(x0:k|z1:k)，该后验分布及相应状态序列函数的期望E[Ψ(x0:k)]如下：
Figure BDA0002982540710000071
Figure BDA0002982540710000072
Figure BDA0002982540710000081
其中，M为采样粒子数；x0:k为0到k时刻的系统状态序列，
Figure BDA0002982540710000082
为从参考分布q(x0:k|z1:k)中采集的随机样本(粒子)集，；z1:k为从1到k时刻的量测序列；δ(·)为Dirac-Delta函数；
Figure BDA0002982540710000083
为w(x0:k)归一化重要性权值；p(x0:k)为状态序列概率密度分布。
考虑到贝叶斯估计为一个序列估计问题，相应的采样方法与数据处理方法也应有序列关系，以满足实时性与精度需求。序列重要性采样是一种较好的递推采样方法。假设系统状态迁移为一个Markov过程，且在给定系统状态下各观测独立。此时，在原粒子集的基础上，从参考分布q(xk|x0:k-1,z1:k-1)中获取样本点
Figure BDA0002982540710000084
生成新的粒子集
Figure BDA0002982540710000085
若q(xk|x0:k-1,z1:k)＝p(xk|xk-1,zk)参考分布只依赖于xk-1和zk，基于贝叶斯理论，各粒子的权重可递推为
Figure BDA0002982540710000086
若将参考分布选择为先验概率分布，即q(xk|x0:k-1,z1:k)＝p(xk|xk-1)则有
Figure BDA0002982540710000087
粒子退化是PF常面临的问题之一，会导致在对状态估计作用较小的低权重粒子上浪费计算资源。为解决这一问题，可通过重采样实现对权重高的粒子的复制并淘汰权值低的粒子，从而抑制退化。
配电系统子区域中的各负荷运营商基于空调负荷群的双线性状态空间模型进行预测，并采用基于奇异值分解法与带约束的加权最小二乘法进行滤波，从而完成动态状态估计。某一负荷运营商控制的Nagg个空调负荷群可以并行完成各自的动态状态估计。各空调负荷群的双线性状态空间模型均可如下表示
Figure BDA0002982540710000091
其中Xk与yk分别为k时刻的空调负荷群的状态变量与对外聚合功率估计值。h为离散化的时间步长。I为单位矩阵。A、B与C分别为状态转移矩阵、输入矩阵与输出矩阵。uTCL,k-1为在k-1时刻预测的k时刻外界环境温度。
用于各空调负荷聚合群动态状态估计滤波过程的量测方程如下所示
Figure BDA0002982540710000092
其中zTCL为该负荷聚合群的量测量矩阵。HTCL为量测方程的雅可比矩阵。NTCL为该负荷聚合群所包含的单体恒温控制负荷的数量。PTCL,meas与QTCL,meas分别为该负荷聚合群的对外聚合有功与无功功率。Pr与Qr为单体空调负荷的额定有功与无功功率对应的等效热功率，η为其热电转换效率。假定空调负荷以恒功率因数方式运行下，则满足Pr＝QrφTCL，φTCL为空调负荷聚合群运行时的功率因数。Nbin为状态变量Xk的元素数量。
各空调负荷群动态状态估计的滤波过程，通过求解如下二次规划问题求解λ最优值。
Figure BDA0002982540710000093
s.t.0≤X*+Xnullλ≤NTCL
其中，
Figure BDA0002982540710000094
为通过上述双线性状态空间模型求得的k时刻状态变量预测值为辅助量测量。X*为基于奇异值分解法求得的上述量测方程的特解。Xnull为HTCL零空间的一组基。RTCL为辅助量测量
Figure BDA0002982540710000095
的量测协方差矩阵。将求解所得λ最优值代入前述通解表达式中即可求得负荷聚合群状态估计值
Figure BDA0002982540710000096
步骤1.2：利用配电系统状态估计值与空调负荷群状态估计值求取同一负荷运营商的对外聚合功率估计值。
在具体实施中，负荷运营商基于空调负荷群双线性状态空间模型输出方程，利用状态值Xk求解各空调负荷群其对外聚合功率估计值，进而通过加和获取该负荷运营商PLA,est与QLA,est。配网估计器基于潮流方程及DFS算法，利用配电网状态估计值xk求解某节点负荷运营商的对外聚合功率估计值Psys,est与Qsys,est，其步骤如下：
①配网估计器基于潮流方程，利用配电系统状态估计值xk求解该节点总注入功率，即
Pi＝Vi∑Vj(gij cosθij+bij sinθij)
Qi＝Vi∑Vj(gij sinθij-bij cosθij)
其中，Pi和Qi分别为节点i的节点总注入功率，Vi为节点i的电压幅值，θij为节点i与节点j之间的电压相角差值，gij与bij分别为线路ij的电导与电纳。
②基于DFS算法实现传统负荷与空调负荷的分解，求得使得损失函数最小的负荷分解方案。DFS算法将动态镜面下降法(dynamic mirror descent,DMD)及Fixed Share算法相结合，其计算方式如下：
(DMD)
Figure BDA0002982540710000101
Figure BDA0002982540710000102
(Fixed Share)
Figure BDA0002982540710000103
Figure BDA0002982540710000111
其中，m代表不同负荷类型，即传统负荷与空调负荷。a＝[Pconv,PTCL]T为传统负荷与空调负荷的对外功率组成的向量，
Figure BDA0002982540710000112
表示不同类型负荷所占比例。
Figure BDA0002982540710000113
为损失函数，
Figure BDA0002982540710000114
为损失函数的次梯度，
Figure BDA0002982540710000115
为实际值a与估计值
Figure BDA0002982540710000116
间的Bregman散度。ηs为步长系数，ηr为切换速度影响因子，<·,·>为点积，
Figure BDA0002982540710000117
表征各模型固定分得的权重总占比。Φ(·)为传统负荷与空调负荷的对外功率预测函数。
步骤1.3：比较配网侧与负荷侧所求的负荷运营商的对外聚合功率估计值差值与设定阈值的大小，若前者小于后者，则协同状态估计结束；否则，将交互的对外聚合功率估计值作为新增伪量测，重复进行配电系统子区域的配电系统-负荷运营商协同状态估计。
其中，当地估计收敛条件为若配网估计器与空调负荷估计器所求负荷运营商的对外聚合功率估计值差值小于容许值，即满足
Figure BDA0002982540710000118
其中，εP与εQ分别为负荷运营商的对外聚合有功与无功功率的收敛标准。
若预先划分的任一配电系统子区域的协同状态估计不满足收敛条件时，则在不满足收敛条件的节点处，将配网侧所得的对外聚合功率估计值作为该节点负荷运营商的新增伪量测，并联立估计其中各空调负荷聚合群运行状态。
此时，由同一负荷运营商控制的Nagg个空调负荷群的动态状态估计需进行联立估计，相应量测方程扩展为
Figure BDA0002982540710000121
其中，
Figure BDA0002982540710000122
与前述步骤(5)中输出矩阵C相同。由于空调负荷以恒功率因数方式运行，
Figure BDA0002982540710000123
满足
Figure BDA0002982540710000124
步骤2：交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断。
具体地，全局估计收敛条件为相邻两配电系统子区域对同一重叠节点的状态估计值差值的绝对值小于一个给定的误差容许值，即满足
Figure BDA0002982540710000125
其中，
Figure BDA0002982540710000126
与
Figure BDA0002982540710000127
分别为k时刻配电系统子区域i与子区域j对其重叠节点的电压幅值估计值。
Figure BDA0002982540710000128
与
Figure BDA0002982540710000129
分别为配电系统子区域i与子区域j对其重叠节点的电压相角估计值。εV与εθ分别为区间电压幅值与相角的收敛标准。
图4给出了119节点配电系统的系统结构图，用于仿真验证所提方法，其量测配置情况见图中标注。在节点28、节点42、节点62、节点70、节点84五个节点处分别设置5个负荷运营商，共控制14个空调负荷群，其参数如表2所示。在节点58、节点96与节点116处各接入一面积为300m2、光电转换效率为13.44％的光伏发电系统。
表1空调负荷聚合群的平均参数
Figure BDA0002982540710000131
表2用于精度对比的不同协同状态估计方法
Figure BDA0002982540710000132
表3 119节点配电系统协同状态估计结果
Figure BDA0002982540710000133
为体现将负荷运营商运行状态纳入配电系统状态估计的必要性，将本实施例所提方法与表2中所列其他三种方法进行对比仿真，其估计结果如表3所示。
从表3可以看出，由于考虑了外界环境温度对空调负荷的影响，并充分利用历史与当前信息，本发明所提方法相较于其他三种方法有最高的估计精度，尽管其计算时间有所增加，但仍能满足实时估计需求。相较于不考虑负荷侧估计的基于加权最小二乘法的配电系统静态状态估计，本发明所提方法的电压幅值与相角的平均均方根误差均下降了90％以上。
为验证本发明所提方法的可扩展性，分别在IEEE33节点配电系统、PG&E69节点配电系统、119节点配电系统及由IEEE8500节点简化所得2516节点配电系统等4个算例系统上进行仿真验证，其估计结果如表4所示。
表4本发明所提方法可扩展性
Figure BDA0002982540710000141
从表4可以看出，本发明所提分布式状态估计方法由于缩减了各个当地估计器所需估计问题的规模，相较于集中式状态估计方法，其计算效率在各个算例系统中均有明显提升，幅度均超过50％；尤其是在2516节点配电系统算例系统中，其计算效率提高了98.90％。尽管其估计精度略有损失，但仍能满足状态估计的精度需求。
实施例二
本实施例提供了一种配电系统及负荷侧协同状态估计系统，其包括：
并行协同状态估计模块，其用于对预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计，直至当地协同状态估计收敛；
全局收敛判断模块，其用于交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断。
具体地，若当地状态估计不收敛，则交互配网侧与负荷侧所求的负荷运营商的对外聚合功率作为新增伪量测，重复进行配电系统子区域的配电系统-负荷运营商协同状态估计及收敛判断。
需要说明的是，本实施例的配电系统及负荷侧协同状态估计系统中的各个模块，与实施例一中的配电系统及负荷侧协同状态估计方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的配电系统及负荷侧协同状态估计方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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如上述所述的配电系统及负荷侧协同状态估计方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种配电系统及负荷侧协同状态估计方法，其特征在于，包括：
对预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计，直至当地协同状态估计收敛；
交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断；
其中，并行进行配电系统-负荷运营商协同状态估计的过程为：
并行执行各个配电系统子区域的配电系统的辅助预测状态估计与空调负荷群的动态状态估计；
利用配电系统状态估计值与空调负荷群状态估计值求取同一负荷运营商的对外聚合功率估计值；
比较配网侧与负荷侧所求的负荷运营商的对外聚合功率估计值差值与设定阈值的大小，若前者小于后者，则协同状态估计结束；否则，将交互的对外聚合功率估计值作为新增伪量测，重复进行配电系统子区域的配电系统-负荷运营商协同状态估计。
2.如权利要求1所述的配电系统及负荷侧协同状态估计方法，其特征在于，配电系统子区域内的配网估计器与区内各负荷运营商负责的空调负荷估计器分别并行执行配电系统的辅助预测状态估计与空调负荷群的动态状态估计，获取当前时刻配电系统运行状态及各空调负荷群运行状态。
3.如权利要求1所述的配电系统及负荷侧协同状态估计方法，其特征在于，配电系统子区域中的各负荷运营商基于空调负荷群的双线性状态空间模型进行预测，并采用基于奇异值分解法与带约束的加权最小二乘法进行滤波，从而完成动态状态估计。
4.如权利要求1所述的配电系统及负荷侧协同状态估计方法，其特征在于，若预先划分的任一配电系统子区域的协同状态估计不满足收敛条件时，则在不满足收敛条件的节点处，将配网侧所得的对外聚合功率估计值作为该节点负荷运营商的新增伪量测，并联立估计其中各空调负荷聚合群运行状态。
5.如权利要求1所述的配电系统及负荷侧协同状态估计方法，其特征在于， 各个配电系统子区域是基于给定的配电系统拓扑结构而划分的，且相邻配电系统子区域间存在一个重叠节点。
6.如权利要求1所述的配电系统及负荷侧协同状态估计方法，其特征在于，全局估计收敛条件为相邻两配电系统子区域对同一重叠节点的状态估计值差值的绝对值小于给定的误差容许值。
7.一种配电系统及负荷侧协同状态估计系统，其特征在于，包括：
并行协同状态估计模块，其用于对预先划分的各个配电系统子区域并行进行配电系统-负荷运营商协同状态估计，直至当地协同状态估计收敛；
全局收敛判断模块，其用于交互相邻配电系统子区域的信息，交换重叠节点状态估计值，直至全局收敛，结束协同状态估计；若全局不收敛，则将交互的相邻子区域重叠节点状态作为本区域新增伪量测，重复进行协同状态估计及收敛判断；
其中，并行进行配电系统-负荷运营商协同状态估计的过程为：
并行执行各个配电系统子区域的配电系统的辅助预测状态估计与空调负荷群的动态状态估计；
利用配电系统状态估计值与空调负荷群状态估计值求取同一负荷运营商的对外聚合功率估计值；
比较配网侧与负荷侧所求的负荷运营商的对外聚合功率估计值差值与设定阈值的大小，若前者小于后者，则协同状态估计结束；否则，将交互的对外聚合功率估计值作为新增伪量测，重复进行配电系统子区域的配电系统-负荷运营商协同状态估计。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的配电系统及负荷侧协同状态估计方法中的步骤。
9.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的配电系统及负荷侧协同状态估计方法中的步骤。
CN202110290797.3A 2021-03-18 2021-03-18 一种配电系统及负荷侧协同状态估计方法及系统 Active CN112803408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110290797.3A CN112803408B (zh) 2021-03-18 2021-03-18 一种配电系统及负荷侧协同状态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110290797.3A CN112803408B (zh) 2021-03-18 2021-03-18 一种配电系统及负荷侧协同状态估计方法及系统

Publications (2)

Publication Number Publication Date
CN112803408A CN112803408A (zh) 2021-05-14
CN112803408B true CN112803408B (zh) 2023-02-28

Family

ID=75817213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110290797.3A Active CN112803408B (zh) 2021-03-18 2021-03-18 一种配电系统及负荷侧协同状态估计方法及系统

Country Status (1)

Country Link
CN (1) CN112803408B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012161378A1 (ko) * 2011-05-25 2012-11-29 (주)파워이십일 배전 시스템의 상태추정 방법
CN103050969A (zh) * 2012-12-12 2013-04-17 深圳供电局有限公司 一种基于馈线树的配电网状态估计方法
JP2013210755A (ja) * 2012-03-30 2013-10-10 Sony Corp データ処理装置、データ処理方法、及び、プログラム
CN104537233A (zh) * 2014-12-23 2015-04-22 国家电网公司 一种基于核密度估计的配电网伪量测生成方法
CN105633956A (zh) * 2016-02-19 2016-06-01 河海大学 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法
CN107453357A (zh) * 2017-08-24 2017-12-08 天津大学 一种基于分层求解的配电网状态估计方法
CN110059094A (zh) * 2019-04-26 2019-07-26 山东大学 主动配电网分布式状态估计的分区方法、介质及设备
CN110380409A (zh) * 2019-07-16 2019-10-25 山东大学 考虑通信失败的主动配电网分布式鲁棒状态估计方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11754997B2 (en) * 2018-02-17 2023-09-12 Ei Electronics Llc Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012161378A1 (ko) * 2011-05-25 2012-11-29 (주)파워이십일 배전 시스템의 상태추정 방법
JP2013210755A (ja) * 2012-03-30 2013-10-10 Sony Corp データ処理装置、データ処理方法、及び、プログラム
CN103050969A (zh) * 2012-12-12 2013-04-17 深圳供电局有限公司 一种基于馈线树的配电网状态估计方法
CN104537233A (zh) * 2014-12-23 2015-04-22 国家电网公司 一种基于核密度估计的配电网伪量测生成方法
CN105633956A (zh) * 2016-02-19 2016-06-01 河海大学 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法
CN107453357A (zh) * 2017-08-24 2017-12-08 天津大学 一种基于分层求解的配电网状态估计方法
CN110059094A (zh) * 2019-04-26 2019-07-26 山东大学 主动配电网分布式状态估计的分区方法、介质及设备
CN110380409A (zh) * 2019-07-16 2019-10-25 山东大学 考虑通信失败的主动配电网分布式鲁棒状态估计方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Research on Operation Risk Perception of Distribution Network Based on State Estimation;Dongli Jia;《2019 6th International Conference on Information Science and Control Engineering (ICISCE)》;20191231;全文 *
电力系统分区和解耦状态估计研究综述;孙江山;《电力系统保护与控制》;20180516;全文 *
碁于祐估-挺正的外网量测采样误差修正方法硏究;李鹏华;《华北电力大学》;20150331;全文 *
袁佩然.主动配电网分布式鲁棒状态估计.《山东大学》.2019, *

Also Published As

Publication number Publication date
CN112803408A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
Wang et al. Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm
Chen et al. A modified MPC-based optimal strategy of power management for fuel cell hybrid vehicles
Liu et al. Short-term prognostics of PEM fuel cells: A comparative and improvement study
Kordestani et al. Recent survey of large-scale systems: Architectures, controller strategies, and industrial applications
Meng et al. Distributed cooperative control of battery energy storage systems in DC microgrids
Zhao et al. DeepOPF+: A deep neural network approach for DC optimal power flow for ensuring feasibility
CN106897942B (zh) 一种配电网分布式并行状态估计方法及装置
Ruelens et al. Demand side management of electric vehicles with uncertainty on arrival and departure times
Sun et al. Structural scheduling of transient control under energy storage systems by sparse-promoting reinforcement learning
Saito et al. Security monitoring systems including fast transient stability studies
Lee et al. Convergence of the Markov chain distributed particle filter (MCDPF)
CN113225994B (zh) 一种面向数据中心的智能空调控制方法
Mbungu et al. Model Predictive Control: A Survey of Dynamic Energy Management.
CN112803408B (zh) 一种配电系统及负荷侧协同状态估计方法及系统
Jia et al. Controlling the Internet of Things–from energy saving to fast evacuation in smart buildings
Jang et al. Large-scale invariant sets for safe coordination of thermostatic loads
CN111144611A (zh) 一种基于聚类和非线性自回归的空间负荷预测方法
CN111817298B (zh) 含随机风能的多调度区间分布式能源调度方法及系统
Kennedy et al. Exponential convergence in voronoi-based coverage control
Teekaraman et al. Diminution of smart grid with renewable sources using support vector machines for identification of regression losses in large-scale systems
Hossain et al. Data-driven, multi-region distributed state estimation for smart grids
EP4049204A1 (en) System for configuring demand response for energy grid assets
Kundu et al. Scalable computation of 2D-Minkowski sum of arbitrary non-convex domains: Modeling flexibility in energy resources
Sun et al. An improved dynamic load balancing algorithm for parallel microscopic traffic simulation
Yadav et al. Self-adaptiveness in particle swarm optimisation to enhance available transfer capability using thyristor-controlled series compensation (TCSC)

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