CN114372036A - 电力系统的状态估计方法、装置、设备和计算机存储介质 - Google Patents

电力系统的状态估计方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN114372036A
CN114372036A CN202210285262.1A CN202210285262A CN114372036A CN 114372036 A CN114372036 A CN 114372036A CN 202210285262 A CN202210285262 A CN 202210285262A CN 114372036 A CN114372036 A CN 114372036A
Authority
CN
China
Prior art keywords
state estimation
power system
coordinate system
estimation result
calculating
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.)
Granted
Application number
CN202210285262.1A
Other languages
English (en)
Other versions
CN114372036B (zh
Inventor
武建平
聂春洪
甘团杰
廖卫平
李少杰
胡泰
杨玺
徐伟斌
杜文娇
晏梦璇
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.)
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202210285262.1A priority Critical patent/CN114372036B/zh
Publication of CN114372036A publication Critical patent/CN114372036A/zh
Application granted granted Critical
Publication of CN114372036B publication Critical patent/CN114372036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种电力系统的状态估计方法、装置、设备和计算机存储介质，其中方法包括：在电力系统对应的分布式文件系统中，获取电力系统参数；在Spark框架下，将电力系统参数作为输入变量，通过最小绝对值算法，计算电力系统的初步状态估计结果；在Spark框架下，将初步状态估计结果作为输入变量，通过加权最小二乘算法，计算电力系统的目标状态估计结果。解决了现有电力系统中的状态估计方法，由于难以兼顾计算速度和计算精度，影响了状态估计的实用化的技术问题。

Description

电力系统的状态估计方法、装置、设备和计算机存储介质
技术领域
本申请涉及电力系统分析领域，尤其涉及一种电力系统的状态估计方法、装置、设备和计算机存储介质。
背景技术
电力系统中的应用分析包括：实时网络状态估计、在线潮流、安全分析、最优潮流等，其中，状态估计是必不可少的基础。但是，由于SCADA系统(Supervisory Control andData Acquisition，即数据采集与监视控制系统)的遥测和遥信数据中存在一定的错误，只有通过状态估计才能为电力系统中的应用分析提供更全面、更准确的状态信息。所谓状态估计，也即滤波，指利用实时量测系统的冗余度来提高数据的精度，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。
现有的电力系统中采用加权最小二乘法进行状态估计，该方法虽然可以进行状态估计，但是计算时计算速度和计算精度难以兼顾，在一定程度上影响了状态估计的实用化。
发明内容
本申请提供了一种电力系统的状态估计方法、装置、设备和计算机存储介质，解决了现有电力系统中的状态估计方法，由于难以兼顾计算速度和计算精度，影响了状态估计的实用化的技术问题。
有鉴于此，本申请第一方面提供了一种电力系统的状态估计方法，包括：
在电力系统对应的分布式文件系统中，获取电力系统参数；
在Spark框架下，将所述电力系统参数作为输入变量，通过最小绝对值算法，计算所述电力系统的初步状态估计结果；
在Spark框架下，将所述初步状态估计结果作为输入变量，通过加权最小二乘算法，计算所述电力系统的目标状态估计结果。
可选地，在Spark框架下，将所述电力系统参数作为输入变量，通过最小绝对值算法，计算所述电力系统的初步状态估计结果，具体包括：
步骤S1、配置最小绝对值算法对应的第一过程参数，所述第一过程参数包括：当前迭代次数k和第一最大迭代次数；
步骤S3、将所述电力系统参数添加至Spark框架；
步骤S5、根据所述电力系统参数，判断最小绝对值算法对应的第一目标函数是否收敛，若是，停止进程并将当前状态变量作为所述初步状态估计结果，若否，则执行步骤S7；
步骤S7、判断当前迭代次数k是否达到第一最大迭代次数，若是，停止进程并将当前状态变量作为所述初步状态估计结果，若否，则令k=k+1后执行步骤S9；
步骤S9、通过第一迭代修正方程对所述系统参数修正后，返回步骤S3。
可选地，所述第一目标函数为：
Figure 638231DEST_PATH_IMAGE001
；
式中，
Figure 804770DEST_PATH_IMAGE002
为第一目标函数，
Figure 960945DEST_PATH_IMAGE003
为权重因子，
Figure 305470DEST_PATH_IMAGE004
为误差向量，
Figure 242202DEST_PATH_IMAGE005
为量测向量值，
Figure 415694DEST_PATH_IMAGE006
为电力系统参数获取时的量测函数，
Figure 472381DEST_PATH_IMAGE007
为注入复数功率关于状态向量x的非线性函数，x为N维的状态向量，
Figure 440337DEST_PATH_IMAGE008
为主动误差向量，
Figure 864365DEST_PATH_IMAGE009
为被动误差向量。
可选地，在Spark框架下，将所述初步状态估计结果作为输入变量，通过加权最小二乘算法，计算所述电力系统的目标状态估计结果，具体包括：
步骤S0、配置加权最小二乘算法对应的第二过程参数，所述第二过程参数包括：当前迭代次数k’和第二最大迭代次数；
步骤S2、将所述初步状态估计结果添加至Spark框架；
步骤S4、判断当前迭代次数k’是否达到第二最大迭代次数，若是，停止进程并将所述初步状态估计结果作为所述目标状态估计结果，若否，令k’=k’+1后执行步骤S6；
步骤S6、根据所述初步状态估计结果，计算所述加权最小二乘算法对应的直角坐标系的修正方程组；
步骤S8、通过所述直角坐标系的修正方程组，判断所述加权最小二乘算法对应的第二目标函数是否收敛，若是，停止进程并将当前状态变量作为所述目标状态估计结果，若否，则将所述当前状态变量作为所述初步状态估计结果后返回步骤S2。
可选地，所述步骤S6具体包括：
根据所述初步状态估计结果，构建所述加权最小二乘算法对应的极坐标系的修正方程组；
根据极坐标系和直角坐标系的转换参数和所述极坐标系的修正方程组，计算所述直角坐标系的修正方程组。
可选地，根据所述初步状态估计结果，构建所述加权最小二乘算法对应的极坐标系的修正方程组，具体包括：
根据所述初步状态估计结果，计算极坐标系的量测雅克比矩阵和增益信息矩阵；
根据所述极坐标系的量测雅克比矩阵和增益信息矩阵，计算所述加权最小二乘算法对应的极坐标系的修正方程组。
可选地，根据极坐标系和直角坐标系的转换参数和所述极坐标系的修正方程组，计算所述直角坐标系的修正方程组，具体包括：
获取极坐标系和直角坐标系的转换参数；
计算直角坐标系的权重矩阵；
根据所述转换参数、所述权重矩阵和所述极坐标系的修正方程组，计算所述直角坐标系的量测雅克比矩阵和增益信息矩阵；
根据所述直角坐标系的量测雅克比矩阵和增益信息矩阵，计算所述加权最小二乘算法对应的直角坐标系的修正方程组。
本申请第二方面提供了一种电力系统的状态估计装置，包括：
获取单元，用于在电力系统对应的分布式文件系统中，获取电力系统参数；
第一计算单元，用于在Spark框架下，将所述电力系统参数作为输入变量，通过最小绝对值算法，计算所述电力系统的初步状态估计结果；
第二计算单元，用于在Spark框架下，将所述初步状态估计结果作为输入变量，通过加权最小二乘算法，计算所述电力系统的目标状态估计结果。
本申请第三方面提供了一种电力系统的状态估计设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行任一种第一方面所述的电力系统的状态估计方法。
本申请第四方面提供了一种计算机存储介质，所述计算机存储介质用于存储程序代码，所述程序代码用于执行任一种第一方面所述的电力系统的状态估计方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种电力系统的状态估计方法，包括：在电力系统对应的分布式文件系统中，获取电力系统参数；在Spark框架下，将电力系统参数作为输入变量，通过最小绝对值算法，计算电力系统的初步状态估计结果；在Spark框架下，将初步状态估计结果作为输入变量，通过加权最小二乘算法，计算电力系统的目标状态估计结果。
本申请首先采用最小绝对值算法进行电力系统状态初步估计，然后将最小绝对值算法的初步状态估计结果作为加权最小二乘算法的输入再次进行精确状态估计，在保证求解精度的同时，不需要根据残差迭代删除量测数据，从而有效避免了残差污染造成正常量测数据误删除和坏数据无法被准确剔除的情况，具有较好的抗差性，提高了电力系统状态估计的计算速度和计算精度，能够在存在不良数据的情况下，利用有效数据得到贴近实际的电网状态，可以应用于电网调控中心进行大规模交直流电网状态估计，从而解决了现有电力系统中的状态估计方法，由于难以兼顾计算速度和计算精度，影响了状态估计的实用化的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种电力系统的状态估计方法的实施例的流程示意图；
图2为本申请实施例中最小绝对值算法计算时的流程示意图；
图3为本申请实施例中最小绝对值算法计算时的实施流程图；
图4为本申请实施例中加权最小二乘算法计算时的流程示意图；
图5为本申请实施例中加权最小二乘算法计算时的实施流程图；
图6为本申请实施例中一种电力系统的状态估计装置的实施例的结构示意图。
具体实施方式
本申请实施例提供了一种电力系统的状态估计方法、装置、设备和计算机存储介质，解决了现有电力系统中的状态估计方法，由于难以兼顾计算速度和计算精度，影响了状态估计的实用化的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参阅图1，本申请实施例中一种电力系统的状态估计方法的实施例一的流程示意图。
本实施例中的一种电力系统的状态估计方法，包括：
步骤101、在电力系统对应的分布式文件系统中，获取电力系统参数。
需要说明的是，本实施例中的电力系统参数是对电力系统的原始数据处理后得到的。具体地，首先从电力系统中获取原始数据，接着将原始数据进行融合，得到电力系统参数，接着将量测数据读取到该电力系统对应的Hadoop分布式文件系统中。
可以理解的是，原始数据可以是基于量测方程获取的。基于反映网络结构、线路参数、状态变量及实时量测量之间相互关系，融合电网全局配置的SCADA量测数据和局部可观的PMU量测数据，建立电力系统状态估计量测方程：
Figure 310390DEST_PATH_IMAGE010
；
Figure 254206DEST_PATH_IMAGE011
；
式中：
Figure 189801DEST_PATH_IMAGE012
，为量测向量值；
Figure 773229DEST_PATH_IMAGE006
为量测函数；
Figure 600109DEST_PATH_IMAGE004
为误差向量；
Figure 585382DEST_PATH_IMAGE013
为N维的状态向量即电压实部、虚部向量；
Figure 957458DEST_PATH_IMAGE007
为注入复数功率关于状态向量x的非线性函数。
进一步地，为了便于数据处理，可以进一步将电力系统参数进行切分，形成体量较小的数据，后续在进行状态估计时，采用切分后的数据进行，具体方法和本实施例中的方法类似，在此不再赘述，这样可以提高状态估计时的计算精度。
可选地，为了提高计算效率，还可以将切分数据提前读取到Spark框架的RDD，缓存到内存中，这样在进行后续步骤的状态估计时，可以直接从该内存中读取，节省了时间，进而提高了计算效率。
步骤102、在Spark框架下，将电力系统参数作为输入变量，通过最小绝对值算法，计算电力系统的初步状态估计结果。
步骤103、在Spark框架下，将初步状态估计结果作为输入变量，通过加权最小二乘算法，计算电力系统的目标状态估计结果。
进一步地，本实施例中在Spark框架下，CPU任务跟踪器将每一个分区数据传输到空闲的GPU任务跟踪器，CPU负责控制整个计算流程，GPU负责其中修正量测雅克比矩阵、增益信息矩阵方程组的并行求解，充分发挥异构平台各自特点。
本实施例中，首先采用最小绝对值算法进行电力系统状态初步估计，然后将最小绝对值算法的初步状态估计结果作为加权最小二乘算法的输入再次进行精确状态估计，在保证求解精度的同时，不需要根据残差迭代删除量测数据，从而有效避免了残差污染造成正常量测数据误删除和坏数据无法被准确剔除的情况，具有较好的抗差性，提高了电力系统状态估计的计算速度和计算精度，能够在存在不良数据的情况下，利用有效数据得到贴近实际的电网状态，可以应用于电网调控中心进行大规模交直流电网状态估计，从而解决了现有电力系统中的状态估计方法，由于难以兼顾计算速度和计算精度，影响了状态估计的实用化的技术问题。
以上为本申请实施例提供的一种电力系统的状态估计方法的实施例一，以下为本申请实施例提供的一种电力系统的状态估计方法的实施例二，实施例二在实施例一的基础上对最小绝对值算法的状态估计过程进行详细说明。
请参阅图2，图2为本申请实施例中最小绝对值算法计算时的流程示意图。
本实施例中，在Spark框架下，将电力系统参数作为输入变量，通过最小绝对值算法，计算电力系统的初步状态估计结果，具体包括：
步骤201、配置最小绝对值算法对应的第一过程参数，第一过程参数包括：当前迭代次数k和第一最大迭代次数。
步骤202、将电力系统参数添加至Spark框架。
步骤203、根据电力系统参数，判断最小绝对值算法对应的第一目标函数是否收敛，若是，停止进程并将当前状态变量作为初步状态估计结果，若否，则执行步骤204。
可以理解的是，第一目标函数为：
Figure 28182DEST_PATH_IMAGE001
；
式中，
Figure 629059DEST_PATH_IMAGE002
为第一目标函数，
Figure 468839DEST_PATH_IMAGE003
为权重因子，
Figure 277395DEST_PATH_IMAGE004
为误差向量，
Figure 615841DEST_PATH_IMAGE005
为量测向量值，
Figure 800835DEST_PATH_IMAGE006
为电力系统参数获取时的量测函数，
Figure 308170DEST_PATH_IMAGE007
为注入复数功率关于状态向量x的非线性函数，x为N维的状态向量，
Figure 756469DEST_PATH_IMAGE008
为主动误差向量，
Figure 378949DEST_PATH_IMAGE009
为被动误差向量。
主动误差向量
Figure 774159DEST_PATH_IMAGE008
和被动误差向量
Figure 385269DEST_PATH_IMAGE009
的计算公式为：
Figure 473310DEST_PATH_IMAGE014
。
为求解第一目标函数的优化问题，引入拉格朗日乘子，优化问题的拉格朗日函数为：
Figure 802661DEST_PATH_IMAGE015
；
式中：
Figure 532719DEST_PATH_IMAGE016
、
Figure 201598DEST_PATH_IMAGE017
、
Figure 37705DEST_PATH_IMAGE018
、
Figure 588772DEST_PATH_IMAGE019
为拉格朗日乘子向量。
最终求得：
Figure 591363DEST_PATH_IMAGE020
；
式中，
Figure 662218DEST_PATH_IMAGE021
，
Figure 826483DEST_PATH_IMAGE022
为注入复数功率g(x)关于状态向量x的一阶偏导数；
Figure 396005DEST_PATH_IMAGE023
为量测函数h(x)关于状态向量x的一阶偏导数；
Figure 936707DEST_PATH_IMAGE024
，S=diag(s)，为主动误差向量s构成的对角矩阵；T=diag(s)，为被动误差向量
Figure 360604DEST_PATH_IMAGE009
构成的对角矩阵；
Figure 961350DEST_PATH_IMAGE025
，为拉格朗日乘子向量
Figure 752589DEST_PATH_IMAGE018
构成的对角矩阵；
Figure 910032DEST_PATH_IMAGE026
，为拉格朗日乘子向量
Figure 408009DEST_PATH_IMAGE019
构成的对角矩阵；
Figure 710814DEST_PATH_IMAGE027
为拉格朗日函数关于x的偏导数，
Figure 927032DEST_PATH_IMAGE028
为
Figure 386701DEST_PATH_IMAGE029
。
上述的第一目标函数的一次求解过程即求解即完成一次迭代计算，便可得到一次状态估计结果。
步骤204、判断当前迭代次数k是否达到第一最大迭代次数，若是，停止进程并将当前状态变量作为初步状态估计结果，若否，则令k=k+1后执行步骤205。
步骤205、通过第一迭代修正方程对系统参数修正后，返回步骤202。
为了便于理解，本实施例中结合图3，对上述的过程进行详尽说明如下：
(1)读取电力系统PMU和SCADA量测融合数据（即系统参数）到分布式文件系统中，构建节点导纳矩阵，设置WLAV算法（即最小绝对值算法）状态估计的迭代次数k=0、计算精度
Figure 739185DEST_PATH_IMAGE030
、最大迭代次数iterMax；
(2)将系统数据源切分，然后由不同的Map和Reduce函数处理，形成较小的value值集合；
(3)将HDFS数据创建到SparkRDD，缓存到内存进而被其它WLAV算法的并行执行任务调用；
(4)计算目标函数，判断是否收敛；若成立，退出WLAV算法状态估计计算，算法收敛，否则继续步骤(5)；
(5)判断k是否达到设定值iterMax，如已达到，退出WLAV算法状态估计计算，输出状态估计的电压幅值V和相角
Figure 478471DEST_PATH_IMAGE031
；若未达到，令k=k+1；
(6)Spark的CPU任务跟踪器将每一个分区数据传输到空闲的GPU任务跟踪器，使用GPU并行技术做相应处理操作，形成WLAV算法状态估计的拉格朗日函数对所有状态变量及乘子的偏导数，形成修正方程；
(7)计算第k次迭代计算中状态变量x的估计值x(k)、
Figure 916405DEST_PATH_IMAGE032
、
Figure 150072DEST_PATH_IMAGE033
、
Figure 357062DEST_PATH_IMAGE034
、
Figure 798408DEST_PATH_IMAGE035
、s(k)、t(k)，得到Reduce任务的多个输出结果，启动合并操作获得最终的输出值；
(8)GPU的任务踪器（TaskTracker）将最终结果交给CPU调用部分，至此，一个并行计算过程已完成。将GPU计算所得状态变量x(k+1)传回CPU，修正迭代量电压幅值V和相角
Figure 723639DEST_PATH_IMAGE031
，转至步骤(3)。
以上为本申请实施例提供的一种电力系统的状态估计方法的实施例二，以下为本申请实施例提供的一种电力系统的状态估计方法的实施例三，实施例三在实施例一的基础上对加权最小二乘算法的状态估计过程进行详细说明。
本实施例中，在Spark框架下，将初步状态估计结果作为输入变量，通过加权最小二乘算法，计算电力系统的目标状态估计结果，具体包括：
步骤401、配置加权最小二乘算法对应的第二过程参数，第二过程参数包括：当前迭代次数k’和第二最大迭代次数。
步骤402、将初步状态估计结果添加至Spark框架。
步骤403、判断当前迭代次数k’是否达到第二最大迭代次数，若是，停止进程并将初步状态估计结果作为目标状态估计结果，若否，令k’=k’+1后执行步骤404。
步骤404、根据初步状态估计结果，计算加权最小二乘算法对应的直角坐标系的修正方程组。
步骤405、通过直角坐标系的修正方程组，判断加权最小二乘算法对应的第二目标函数是否收敛，若是，停止进程并将当前状态变量作为目标状态估计结果，若否，则将当前状态变量作为初步状态估计结果后返回步骤402。
可以理解的是，本实施例中的第二目标函数为：
Figure 993952DEST_PATH_IMAGE036
；
式中，
Figure 321028DEST_PATH_IMAGE037
为第二目标函数，
Figure 933275DEST_PATH_IMAGE038
为权重矩阵，
Figure 80222DEST_PATH_IMAGE005
为量测向量值。
本实施例中的修正方程组为：
Figure 921271DEST_PATH_IMAGE039
；
上式中，
Figure 899591DEST_PATH_IMAGE040
为第
Figure 354843DEST_PATH_IMAGE041
次迭代计算中状态变量x的估计值，
Figure 855267DEST_PATH_IMAGE042
为第
Figure 421378DEST_PATH_IMAGE043
次迭代计算中状态变量x的估计值，第1次迭代计算中状态变量x0为WLAV状态估计的最优估计值，
Figure 519784DEST_PATH_IMAGE044
为第
Figure 145937DEST_PATH_IMAGE043
次迭代计算中m×n阶量测雅可比矩阵，
Figure 814947DEST_PATH_IMAGE045
为估计量测值，
Figure 184748DEST_PATH_IMAGE046
为估计量测函数，
Figure 668819DEST_PATH_IMAGE047
为第
Figure 465874DEST_PATH_IMAGE043
次迭代计算中n×n阶的增益信息矩阵，即
Figure 120715DEST_PATH_IMAGE048
。
根据修正方程组进行迭代计算时，满足第二目标函数则获得收敛。
Figure 28628DEST_PATH_IMAGE049
；
式中，
Figure 367206DEST_PATH_IMAGE050
为加权最小二乘算法对应的计算精度，一般取10-4~10-6。若收敛，则
Figure 335162DEST_PATH_IMAGE040
为加权最小二乘估计状态变量x的最优估计值。
可以理解的是，步骤404具体包括：
根据初步状态估计结果，构建加权最小二乘算法对应的极坐标系的修正方程组；
根据极坐标系和直角坐标系的转换参数和极坐标系的修正方程组，计算直角坐标系的修正方程组。
具体地，根据初步状态估计结果，构建加权最小二乘算法对应的极坐标系的修正方程组，具体包括：
根据初步状态估计结果，计算极坐标系的量测雅克比矩阵和增益信息矩阵；
根据极坐标系的量测雅克比矩阵和增益信息矩阵，计算加权最小二乘算法对应的极坐标系的修正方程组。
具体地，根据极坐标系和直角坐标系的转换参数和极坐标系的修正方程组，计算直角坐标系的修正方程组，具体包括：
获取极坐标系和直角坐标系的转换参数；
计算直角坐标系的权重矩阵；
根据转换参数、权重矩阵和极坐标系的修正方程组，计算直角坐标系的量测雅克比矩阵和增益信息矩阵；
根据直角坐标系的量测雅克比矩阵和增益信息矩阵，计算加权最小二乘算法对应的直角坐标系的修正方程组。
为了提高系统状态估计的精度，将极坐标系下的量测方程转换到直角坐标系，应用WLAV初始估计值和PMU与SCADA融合数据进行状态估计修正，修正的状态估计数学模型可表示为：
Figure 244343DEST_PATH_IMAGE051
；
式中，M为修正的量测量值，
Figure 752685DEST_PATH_IMAGE052
为修正的量测雅可比矩阵，
Figure 883452DEST_PATH_IMAGE053
为电压状态量矩阵。对上式的状态估计数学模型可使用加权最小二乘算法直接求解，计算结果表达式如下：
Figure 599473DEST_PATH_IMAGE054
；
式中，
Figure 917322DEST_PATH_IMAGE055
为修正的增益信息矩阵，
Figure 494934DEST_PATH_IMAGE056
为修正的权重矩阵，其计算表达式为：
Figure 27677DEST_PATH_IMAGE057
；
Figure 337436DEST_PATH_IMAGE058
；
其中，
Figure 470477DEST_PATH_IMAGE059
和
Figure 569889DEST_PATH_IMAGE060
计算表达式如下：
Figure 409669DEST_PATH_IMAGE061
；
Figure 218225DEST_PATH_IMAGE062
；
式中，P为转换系数，计算表达式如下：
Figure 776245DEST_PATH_IMAGE063
式中，
Figure 180813DEST_PATH_IMAGE064
为母线1相角，
Figure 140679DEST_PATH_IMAGE065
为母线2相角，
Figure 588977DEST_PATH_IMAGE066
为母线1电压，
Figure 368715DEST_PATH_IMAGE067
为母线2电压。
为了便于理解，本实施例中结合图4，对上述的过程进行详尽说明如下：
(1) 读取WLAV的状态估计结果到HadoopHDFS中，构建节点导纳矩阵，将加权最小绝对值算法计算的电压幅值V和相角
Figure 341088DEST_PATH_IMAGE031
作为WLS算法（即加权最小二乘算法）的初始值，设置WLS算法的迭代次数
Figure 155460DEST_PATH_IMAGE068
=0、WLS算法对应的计算精度
Figure 40239DEST_PATH_IMAGE050
、WLS算法的最大迭代次数iterMax’；
(2)将WLAV的状态估计结果数据源切分，然后由不同的Map和Reduce函数处理，形成较小的value值集合；
(3)将HDFS数据创建到SparkRDD，缓存到内存进而被其它WLS算法的并行执行任务调用；
(4)判断
Figure 854743DEST_PATH_IMAGE043
是否达到最大迭代次数iterMax’，如已达到，退出WLS算法状态估计计算，输出状态估计的电压幅值V和相角
Figure 53643DEST_PATH_IMAGE031
；若未达到，令
Figure 50418DEST_PATH_IMAGE069
=
Figure 43781DEST_PATH_IMAGE070
+1；
(5)Spark的CPU任务跟踪器（TaskTracker）将每一个分区数据传输到空闲的GPU任务跟踪器，使用GPU并行技术做相应处理操作，形成WLS算法状态估计的极坐标系量测雅克比矩阵
Figure 844116DEST_PATH_IMAGE044
和增益信息矩阵
Figure 846707DEST_PATH_IMAGE048
，WLS求解极坐标系的修正方程组；
(6)计算极坐标系到直角坐标系的转换系数P，进而形成直角坐标系修正的权重矩阵
Figure 697988DEST_PATH_IMAGE056
。
(7)根据转换系数P和修正的权重矩阵
Figure 862254DEST_PATH_IMAGE056
，形成直角坐标系的修正的量测雅克比矩阵
Figure 916928DEST_PATH_IMAGE052
和修正的增益信息矩阵
Figure 457631DEST_PATH_IMAGE055
，WLS求解直角坐标系的修正方程组。
(8)计算
Figure 632261DEST_PATH_IMAGE040
，判断
Figure 810170DEST_PATH_IMAGE049
是否收敛；若成立，退出WLS算法状态估计计算，算法收敛，否则继续步骤(9)；
(9)GPU的任务踪器（TaskTracker）将最终结果交给CPU调用部分，至此，一个并行计算过程已完成。将GPU计算所得状态变量
Figure 273512DEST_PATH_IMAGE040
传回CPU，修正迭代量电压幅值V和相角
Figure 680223DEST_PATH_IMAGE031
，转至步骤(4)。
以上为本申请实施例提供的一种电力系统的状态估计方法的实施例，以下为本申请实施例提供的一种电力系统的状态估计装置的实施例，请参阅图6。
本申请实施例中一种电力系统的状态估计装置的实施例，包括：
获取单元，用于在电力系统对应的分布式文件系统中，获取电力系统参数；
第一计算单元，用于在Spark框架下，将电力系统参数作为输入变量，通过最小绝对值算法，计算电力系统的初步状态估计结果；
第二计算单元，用于在Spark框架下，将初步状态估计结果作为输入变量，通过加权最小二乘算法，计算电力系统的目标状态估计结果。
本实施例中，首先采用最小绝对值算法进行电力系统状态初步估计，然后将最小绝对值算法的初步状态估计结果作为加权最小二乘算法的输入再次进行精确状态估计，在保证求解精度的同时，不需要根据残差迭代删除量测数据，从而有效避免了残差污染造成正常量测数据误删除和坏数据无法被准确剔除的情况，具有较好的抗差性，提高了电力系统状态估计的计算速度和计算精度，能够在存在不良数据的情况下，利用有效数据得到贴近实际的电网状态，可以应用于电网调控中心进行大规模交直流电网状态估计，从而解决了现有电力系统中的状态估计方法，由于难以兼顾计算速度和计算精度，影响了状态估计的实用化的技术问题。
本申请实施例还提供了一种电力系统的状态估计设备，设备包括处理器以及存储器；存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行前述实施例的电力系统的状态估计方法。
本申请实施例还提供了一种计算机存储介质，计算机存储介质用于存储程序代码，程序代码用于执行前述实施例的电力系统的状态估计方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请个实施例中的功能单元可以集成在一个处理单元中，也可以是个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。

Claims (10)

1.一种电力系统的状态估计方法，其特征在于，包括：
在电力系统对应的分布式文件系统中，获取电力系统参数；
在Spark框架下，将所述电力系统参数作为输入变量，通过最小绝对值算法，计算所述电力系统的初步状态估计结果；
在Spark框架下，将所述初步状态估计结果作为输入变量，通过加权最小二乘算法，计算所述电力系统的目标状态估计结果。
2.根据权利要求1所述的电力系统的状态估计方法，其特征在于，在Spark框架下，将所述电力系统参数作为输入变量，通过最小绝对值算法，计算所述电力系统的初步状态估计结果，具体包括：
步骤S1、配置最小绝对值算法对应的第一过程参数，所述第一过程参数包括：当前迭代次数k和第一最大迭代次数；
步骤S3、将所述电力系统参数添加至Spark框架；
步骤S5、根据所述电力系统参数，判断最小绝对值算法对应的第一目标函数是否收敛，若是，停止进程并将当前状态变量作为所述初步状态估计结果，若否，则执行步骤S7；
步骤S7、判断当前迭代次数k是否达到第一最大迭代次数，若是，停止进程并将当前状态变量作为所述初步状态估计结果，若否，则令k=k+1后执行步骤S9；
步骤S9、通过第一迭代修正方程对所述系统参数修正后，返回步骤S3。
3.根据权利要求2所述的电力系统的状态估计方法，其特征在于，所述第一目标函数为：
Figure 842755DEST_PATH_IMAGE001
；
式中，
Figure 822212DEST_PATH_IMAGE002
为第一目标函数，
Figure 913534DEST_PATH_IMAGE003
为权重因子，
Figure 371060DEST_PATH_IMAGE004
为误差向量，
Figure 998481DEST_PATH_IMAGE005
为量测向量值，
Figure 883261DEST_PATH_IMAGE006
为电力系统参数获取时的量测函数，
Figure 479456DEST_PATH_IMAGE007
为注入复数功率关于状态向量x的非线性函数，x为N维的状态向量，
Figure 678357DEST_PATH_IMAGE008
为主动误差向量，
Figure 409552DEST_PATH_IMAGE009
为被动误差向量。
4.根据权利要求1所述的电力系统的状态估计方法，其特征在于，在Spark框架下，将所述初步状态估计结果作为输入变量，通过加权最小二乘算法，计算所述电力系统的目标状态估计结果，具体包括：
步骤S0、配置加权最小二乘算法对应的第二过程参数，所述第二过程参数包括：当前迭代次数k’和第二最大迭代次数；
步骤S2、将所述初步状态估计结果添加至Spark框架；
步骤S4、判断当前迭代次数k’是否达到第二最大迭代次数，若是，停止进程并将所述初步状态估计结果作为所述目标状态估计结果，若否，令k’=k’+1后执行步骤S6；
步骤S6、根据所述初步状态估计结果，计算所述加权最小二乘算法对应的直角坐标系的修正方程组；
步骤S8、通过所述直角坐标系的修正方程组，判断所述加权最小二乘算法对应的第二目标函数是否收敛，若是，停止进程并将当前状态变量作为所述目标状态估计结果，若否，则将所述当前状态变量作为所述初步状态估计结果后返回步骤S2。
5.根据权利要求4所述的电力系统的状态估计方法，其特征在于，所述步骤S6具体包括：
根据所述初步状态估计结果，构建所述加权最小二乘算法对应的极坐标系的修正方程组；
根据极坐标系和直角坐标系的转换参数和所述极坐标系的修正方程组，计算所述直角坐标系的修正方程组。
6.根据权利要求5所述的电力系统的状态估计方法，其特征在于，根据所述初步状态估计结果，构建所述加权最小二乘算法对应的极坐标系的修正方程组，具体包括：
根据所述初步状态估计结果，计算极坐标系的量测雅克比矩阵和增益信息矩阵；
根据所述极坐标系的量测雅克比矩阵和增益信息矩阵，计算所述加权最小二乘算法对应的极坐标系的修正方程组。
7.根据权利要求5所述的电力系统的状态估计方法，其特征在于，根据极坐标系和直角坐标系的转换参数和所述极坐标系的修正方程组，计算所述直角坐标系的修正方程组，具体包括：
获取极坐标系和直角坐标系的转换参数；
计算直角坐标系的权重矩阵；
根据所述转换参数、所述权重矩阵和所述极坐标系的修正方程组，计算所述直角坐标系的量测雅克比矩阵和增益信息矩阵；
根据所述直角坐标系的量测雅克比矩阵和增益信息矩阵，计算所述加权最小二乘算法对应的直角坐标系的修正方程组。
8.一种电力系统的状态估计装置，其特征在于，包括：
获取单元，用于在电力系统对应的分布式文件系统中，获取电力系统参数；
第一计算单元，用于在Spark框架下，将所述电力系统参数作为输入变量，通过最小绝对值算法，计算所述电力系统的初步状态估计结果；
第二计算单元，用于在Spark框架下，将所述初步状态估计结果作为输入变量，通过加权最小二乘算法，计算所述电力系统的目标状态估计结果。
9.一种电力系统的状态估计设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1至7中任一项所述的电力系统的状态估计方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序代码，所述程序代码用于执行权利要求1至7中任一项所述的电力系统的状态估计方法。
CN202210285262.1A 2022-03-23 2022-03-23 电力系统的状态估计方法、装置、设备和计算机存储介质 Active CN114372036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210285262.1A CN114372036B (zh) 2022-03-23 2022-03-23 电力系统的状态估计方法、装置、设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210285262.1A CN114372036B (zh) 2022-03-23 2022-03-23 电力系统的状态估计方法、装置、设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN114372036A true CN114372036A (zh) 2022-04-19
CN114372036B CN114372036B (zh) 2022-06-14

Family

ID=81146952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210285262.1A Active CN114372036B (zh) 2022-03-23 2022-03-23 电力系统的状态估计方法、装置、设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN114372036B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310538A (zh) * 2023-11-27 2023-12-29 深圳市普裕时代新能源科技有限公司 一种电量剩余转化效率自检测的储能电池电量监控系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140142909A1 (en) * 2012-11-16 2014-05-22 Tsinghua University Power system state estimation method based on set theoretic estimation model
CN104092212A (zh) * 2014-07-24 2014-10-08 河海大学 一种基于pmu量测的电力系统多区域分布式状态估计方法
CN107229595A (zh) * 2017-05-10 2017-10-03 广西大学 一种soa架构的电网实时抗差状态估计系统及方法
CN109193639A (zh) * 2018-10-10 2019-01-11 河海大学 一种电力系统抗差估计方法
CN110414084A (zh) * 2019-07-09 2019-11-05 湖南省水利水电勘测设计研究总院 一种基于三层规划的半变异函数模型求解方法
CN113177600A (zh) * 2021-05-08 2021-07-27 河海大学 一种电力系统自适应鲁棒状态估计方法
CN113850425A (zh) * 2021-09-18 2021-12-28 三峡大学 基于改进的广义极大似然估计的配电网状态估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140142909A1 (en) * 2012-11-16 2014-05-22 Tsinghua University Power system state estimation method based on set theoretic estimation model
CN104092212A (zh) * 2014-07-24 2014-10-08 河海大学 一种基于pmu量测的电力系统多区域分布式状态估计方法
CN107229595A (zh) * 2017-05-10 2017-10-03 广西大学 一种soa架构的电网实时抗差状态估计系统及方法
CN109193639A (zh) * 2018-10-10 2019-01-11 河海大学 一种电力系统抗差估计方法
CN110414084A (zh) * 2019-07-09 2019-11-05 湖南省水利水电勘测设计研究总院 一种基于三层规划的半变异函数模型求解方法
CN113177600A (zh) * 2021-05-08 2021-07-27 河海大学 一种电力系统自适应鲁棒状态估计方法
CN113850425A (zh) * 2021-09-18 2021-12-28 三峡大学 基于改进的广义极大似然估计的配电网状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈艳波等: "面向电-热综合能源系统的双线性抗差状态估计方法", 《电力自动化设备》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310538A (zh) * 2023-11-27 2023-12-29 深圳市普裕时代新能源科技有限公司 一种电量剩余转化效率自检测的储能电池电量监控系统

Also Published As

Publication number Publication date
CN114372036B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
US11270190B2 (en) Method and apparatus for generating target neural network structure, electronic device, and storage medium
CN107577870B (zh) 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法
CN108448585B (zh) 一种基于数据驱动的电网潮流方程线性化求解方法
CN110543720A (zh) 基于sdae-elm伪量测模型的状态估计方法
CN114372036B (zh) 电力系统的状态估计方法、装置、设备和计算机存储介质
CN115392141B (zh) 一种自适应的电流互感器误差评估方法
CN113139288A (zh) 基于gpu二次加速的配电网分布式抗差状态估计方法及装置
CN109063818B (zh) 一种热工过程模型在线辨识方法及装置
CN110298570B (zh) 配电网系统拓扑状态辨识方法、装置、存储介质及设备
CN115526068A (zh) 失准模型参数确定方法、装置、设备和存储介质
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN111756031A (zh) 一种电网运行趋势估算方法和系统
CN115183884A (zh) 电热协同系统的红外测温补偿方法及装置
Shanmugapriya et al. A fast Broyden's approximation‐based weighted least square state estimation for power systems
CN113221064B (zh) 模型处理方法、装置、计算机设备和存储介质
CN111179110B (zh) 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置
CN110417020B (zh) 一种处理非光滑约束的综合能源系统潮流计算方法及系统
CN108736475B (zh) 基于pmu监测的互联电网子系统运行可靠性评估方法
CN113991752A (zh) 一种电网准实时智能控制方法及系统
CN114091623A (zh) 一种基于多二元表-ap聚类的暂态电压分区方法及装置
WO2023124893A1 (zh) 基于神经网络的转矩估测方法、装置、设备及存储介质
CN116757095B (zh) 一种基于云边端协同的电力系统运行方法、装置及介质
CN112766076B (zh) 一种电力负荷超短期预测方法、系统、设备及存储介质
CN112230087B (zh) 一种线性状态估计方法、装置、电子设备及存储介质
CN110751342B (zh) 基于mbg优化的电力负荷时间序列预测方法

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