CN114915030A - 一种基于配电网运行拓扑的分布式状态估计方法及系统 - Google Patents

一种基于配电网运行拓扑的分布式状态估计方法及系统 Download PDF

Info

Publication number
CN114915030A
CN114915030A CN202210651505.9A CN202210651505A CN114915030A CN 114915030 A CN114915030 A CN 114915030A CN 202210651505 A CN202210651505 A CN 202210651505A CN 114915030 A CN114915030 A CN 114915030A
Authority
CN
China
Prior art keywords
sub
measurement data
power distribution
distribution network
regions
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.)
Pending
Application number
CN202210651505.9A
Other languages
English (en)
Inventor
符瑞
季昆玉
袁栋
贾俊
刘利国
姚建光
张泽
翁蓓蓓
鞠玲
王健
徐兴春
程力涵
钱晖
韩俊
吴昊
郭亮
冯卫东
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.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power 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 Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210651505.9A priority Critical patent/CN114915030A/zh
Publication of CN114915030A publication Critical patent/CN114915030A/zh
Pending legal-status Critical Current

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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于配电网运行拓扑的分布式状态估计方法及系统，方法包括：采集配电网节点电压相位量测数据；基于拓扑变化时刻模型和所述电压相位量测数据计算拓扑变化时刻；根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构；根据所述拓扑结构将配电网划分为多个初步子区域；基于均衡优化模型对所述初步子区域进行优化，得到多个子区域；采集实时量测数据；基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛；该方法能够通过子区域之间的重叠节点进行信息交互，配电网状态估计效率高，准确性好。

Description

一种基于配电网运行拓扑的分布式状态估计方法及系统
技术领域
本发明涉及配电网状态估计领域，尤其涉及一种基于配电网运行拓扑的分布式状态估计方法及系统。
背景技术
随着智能电网的建设和发展，配电网规模日益庞大，网络拓扑灵活多变，运行工况复杂，给传统状态估计方法的计算效率和可靠性带来了巨大挑战。对于未来的泛在电力物联网，其首要任务是全方位检测配电网的实时运行状态及感知配电网的运行趋势，这就要求配电网状态估计必须有高精度的估计结果。
配电网通过实时采集量测数据，及时掌握、更新运行拓扑情况，是进行状态估计及后续故障定位、隔离和恢复的基础。以往的研究大多基于配电网数据采集及监视控制系统(supervisory control and data acquisition，SCADA)实时采集的开关遥信数据，并利用矩阵法或搜索法生成实时的运行拓扑。然而，SCADA的遥信数据采集常存在误报和未报的情形，且数据源较为单一，辨识生成的网络拓扑具有较大的不确定性，且SCADA系统的量测数据每次上传速率已经很难满足网络拓扑实时性的要求。随着配电网量测水平的不断提高，微型相量测量单元(Micro Phasor Measurement Unit，μPMU)因其能提供电压相角等带时标的同步信息为配电网拓扑辨识提供了新的思路。
针对配电网状态估计速度慢以及精度低的问题，提出对配电网分区进行分布式状态估计，以提高估计速度和精度。分布式状态估计不需要集中式的计算中心，仅依赖于本地量测和通信，其计算复杂度低，数值稳定性好，对发展配电网低碳化、智能化运行具有重大意义。近年来，对于配电网的分布式状态估计研究也已经取得了一些成果，重点集中在分区方式和数据交互方式上。部分研究提出根据地理位置或量测表计配置初略地对大规模配电网进行分区，并基于交替方向乘子法和一致性原理进行全局信息交换。
例如，专利文献CN114389312A公开了一种配电网分布式状态估计方法，通过获取配电网中分布式电源的历史出力时间序列，进行Gram-Charlier级数拟合得到预测误差概率密度函数，对Elman神经网络算法进行改进，得到配电网中分布式电源出力的概率预测模型，并基于社区发现算法和社区合并算法将配电网划分为若干个非重叠的子区域，再基于最小二乘准则对各本地状态估计模型进行分布式求解。
上述方案可以划分非重叠区域对配电网进行分布式状态估计，但是缺乏对配电系统复杂性的考虑，分区存在过分区和分区规模差距较大的缺点，且缺少子区域之间信息交互的方式改进，不利于达到全局收敛。
发明内容
本发明提供了一种基于配电网拓扑识别的分布式状态估计方法及系统，通过子区域之间的重叠节点进行信息交互，配电网状态估计效率高，准确性好。
一种基于配电网拓扑识别的分布式状态估计方法，包括：
通过量测装置采集配电网节点电压相位量测数据；
基于拓扑变化时刻模型和所述电压相位量测数据计算拓扑变化时刻；
根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构；
根据所述拓扑结构将配电网划分为多个初步子区域；
基于均衡优化模型对所述初步子区域进行优化，得到多个子区域；
采集实时量测数据；
基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛。
进一步地，根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构，包括：
根据拓扑变化时刻，构建多种可能的拓扑结构；
根据所述电压相位量测数据和可能的拓扑结构，分别计算得到各个拓扑结构下的相似度值；
选择相似度值最大的一种拓扑结构作为配电网拓扑结构。
进一步地，所述相似度值通过如下公式计算：
Figure BDA0003686314320000031
其中，J为相似度值，αi(t)表示在第i种拓扑结构下的节点电压相位估计向量，α(t)表示t时刻所有节点电压相位量测数据所构成的向量，M为所有可能的拓扑结构数目。
进一步地，所述拓扑变化时刻模型通过如下公式表示：
Figure BDA0003686314320000032
其中，delta(t)为以时间t为变量的1-范数，w为预设的delta(t)函数时间窗，α(t)表示t时刻所有节点电压相位量测数据所构成的向量，α(t-i)表示t-i时刻所有节点电压相位量测数据所构成的向量。
进一步地，根据所述拓扑结构将配电网划分为多个初步子区域，包括：
将拓扑结构中的节点作为网络图中的边，将拓扑结构中的边作为网络图中的顶点，构造网络图；
将网络图中的顶点划分在不同的区域中；
将网络图中的顶点与相邻顶点合并，并计算顶点的最大化质量函数值，如果合并后所述最大化质量函数值变大则接受合并，如果合并后所述最大化质量函数值不变或者变小则不接受合并，直至网络图不再改变；
根据最终的网络图，得到多个初步子区域。
进一步地，所述均衡优化模型通过如下公式表示：
Figure BDA0003686314320000041
Figure BDA0003686314320000042
Figure BDA0003686314320000043
其中，n为子区域个数，pi为第i个子区域的相数，
Figure BDA0003686314320000044
为子区域平均相数，m为划分得到的初步子区域个数，qj为第j个初步子区域的相数，xi,j为第i行第j列0-1决策变量，sj为第j个初步子区域的量测装置个数，wi是第i个子区域的节点数量，AVi,kVi,t为邻接矩阵，其取值为0表示Vi,k和Vi,t不连通，其取值为1表示Vi,k和Vi,t连通。
进一步地，所述实时量测数据至少包括以下数据中的一种：
节点电压、支路电流、支路有功功率和支路无功功率；
所述本地收敛条件为子区域中所有状态量的取值在本次估计和上一次估计之间的差值小于第一阈值，所述全局收敛条件为子区域之间的重叠节点的状态量在本次估计和上一次估计之间的差值小于第二阈值。
进一步地，基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛，包括：
根据所述实时量测数据，计算等效量测数据；
以节点电压的实部和虚部为状态量，建立等效量测数据与状态量之间的关系；
提取两个子区域之间的重叠节点；
根据重叠节点负荷和重叠节点支路功率潮流，基于等效量测数据与状态量之间的关系，对两个子区域分别进行状态估计，直至两个子区域的状态估计结果分别达到本地收敛；
交换两个子区域的状态估计结果，重复上述步骤，直至状态估计结果达到全局收敛。
进一步地，等效量测数据与状态量之间的关系，通过如下公式表示：
z＝Hx+v；
Figure BDA0003686314320000051
其中，z为等效量测数据向量，v为量测噪声向量，x为状态向量，
Figure BDA0003686314320000052
为状态向量的估计值，H为量测函数，R-1为权重对角矩阵，且z,v∈Rm+1，x∈Rn+1。
一种基于配电网拓扑识别的分布式状态估计系统，包括处理器、存储装置和多个量测装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行上述方法。
本发明提供的基于配电网运行拓扑的分布式状态估计方法及系统，至少包括如下有益效果：
(1)利用基于等效负荷的重叠节点信息交互方法，无需交换大量的边界信息，降低了大规模配电网状态估计通讯负担，同时达到本地收敛与全局收敛，在保证计算精度的情况下，计算效率也有较大提高。
(2)通过多源量测数据的融合，实现配电网的状态估计，充分发挥SCADA和μPMU两种量测数据的快速性，并且多源数据融合状态估计的准确性好。
(3)将BGLL社区发现算法和均衡优化模型结合起来，以弥补常规社区发现算法过分区的缺陷，将配电网分成高内聚、外低耦合的子区域，其中的重叠节点用于后续信息交互，每个子区域都有其独立的控制中心，进行状态估计、控制、通信等操作，体现配电网分区自治的思想。
附图说明
图1为本发明提供的基于配电网拓扑识别的分布式状态估计方法一种实施例的流程图。
图2为本发明提供的基于配电网拓扑识别的分布式状态估计方法中子区域一种实施例的示意图。
图3为本发明提供的方法中基于重叠节点进行状态估计的方法一种实施例的流程图。
图4为本发明提供的基于配电网拓扑识别的分布式状态估计装置一种实施例的结构示意图。
图5为本发明提供的基于配电网拓扑识别的分布式状态估计系统一种实施例的结构示意图。
附图标记：1-处理器，101-采集模块，102-时刻计算模块，103-识别模块，104-初步划分模块，105-划分优化模块，106-实时采集模块，107-估计模块，2-存储装置，3-量测装置。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，在一些实施例中，提供一种基于配电网拓扑识别的分布式状态估计方法，包括：
S1、通过量测装置采集配电网节点电压相位量测数据；
S2、基于拓扑变化时刻模型和所述电压相位量测数据计算拓扑变化时刻；
S3、根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构；
S4、根据所述拓扑结构将配电网划分为多个初步子区域；
S5、基于均衡优化模型对所述初步子区域进行优化，得到多个子区域；
S6、采集实时量测数据；
S7、基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛。
具体地，步骤S1中，量测装置为微型相量测量单元(μPMU)，通过该微型相量测量单元采集配电网节点电压相位量测数据。
步骤S2中，利用拓扑变化前后的节点电压相位的变化，通过微型相量测量单元不断采集配电网节点电压相位量测数据，由拓扑变化时刻模型持续监测拓扑可能发生变化的时刻。具体地，拓扑变化时刻模型中delta(t)值发生陡增尖峰的时刻即为拓扑变化时刻。
所述拓扑变化时刻模型通过如下公式表示：
Figure BDA0003686314320000071
其中，delta(t)为以时间t为变量的1-范数，w为预设的delta(t)函数时间窗，α(t)表示t时刻所有节点电压相位量测数据所构成的向量，α(t-i)表示t-i时刻所有节点电压相位量测数据所构成的向量。
时间窗值w越大，t时刻发生拓扑变化时delta(t)与delta(t-1)的差越大，能够产生更加明显的陡增尖峰，然而，时间窗值设置较大会使得程序的计算量增加。因此，合理的时间窗值应该在满足计算速度要求的同时，使得拓扑发生变化时delta(t)值能够在t时刻产生明显的陡增尖峰。
步骤S3中，根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构，包括：
S31、根据拓扑变化时刻，构建多种可能的拓扑结构；
S32、根据所述电压相位量测数据和可能的拓扑结构，分别计算得到各个拓扑结构下的相似度值；
S33、选择相似度值最大的一种拓扑结构作为配电网拓扑结构。
步骤S31中，根据工程经验，拓扑结构可能变化的运行方式个数是有限的，假设根据拓扑变化时刻判断出某一时刻发生拓扑变化，则可以根据开关状态的可能列举出可能的M种拓扑结构，即构建M种可能的拓扑结构。配电网在不同运行状态下的潮流分布不同，故各可能的拓扑结构的节点电压相位不同。
步骤S32中，所述相似度值通过如下公式计算：
Figure BDA0003686314320000081
其中，J为相似度值，αi(t)表示在第i种拓扑结构下的节点电压相位估计向量，α(t)表示t时刻所有节点电压相位量测数据所构成的向量，M为所有可能的拓扑结构数目。
步骤S33中，将α(t)和αi(t)进行单位化处理后，节点电压相位量测值会和M种拓扑结构中某拓扑结构的节点电压相位估计向量的夹角较为接近，即相似度值趋向于1，同时，与其他拓扑结构下的节点电压相位估计向量的相似度值小于1。因此，选取使J值最接近于1的拓扑结构，即相似度值最大的拓扑结构，作为配电网拓扑结构。
步骤S4中，采用社区发现算法，根据所述拓扑结构将配电网划分为多个初步子区域，包括：
S41、将拓扑结构中的节点作为网络图中的边，将拓扑结构中的边作为网络图中的顶点，构造网络图；
S42、将网络图中的顶点划分在不同的区域中；
S43、将网络图中的顶点与相邻顶点合并，并计算顶点的最大化质量函数值，如果合并后所述最大化质量函数值变大则接受合并，如果合并后所述最大化质量函数值不变或者变小则不接受合并，直至网络图不再改变；；
S44、根据最终的网络图，得到多个初步子区域。
步骤S41中，在某些实施例中，对于由N个节点、L条支路组成的配电网，通过将拓扑结构中的节点看作网络图中的边，将拓扑结构中的边看作网络图中的顶点，将拓扑结构转化为L个顶点、N条边的网络图G，用L*N阶关联矩阵表示G的连接关系：
Figure BDA0003686314320000082
其中，bLN为第L个顶点与第N条边的相关联程度。
步骤S43中，最大化质量函数值通过如下公式计算：
Figure BDA0003686314320000091
其中，Aij是网络邻接矩阵，与网络图的特征一一对应，N为网络中的边数，didj/2N表示节点i与节点j相连的可能性，δ(ci,cj)为克罗克拉函数，当节点i与节点j属于同一区域时克罗克拉函数值为1，否则其值为0。
步骤S5中，由于采用步骤S4的BGLL社区发现算法得到的初步子区域存在过分区且社区规模差距较大的缺点，因此提出均衡优化模型对初步分区结果进行修正。均衡优化模型以最小化各子区域相数与平均相数之差为目标，约束条件兼顾各子区域量测均衡、子区域内部连续、除重叠节点外子区域间独立、所有子区域互补等方面。经过均衡优化模型的修正，配电网被划分为内部紧密联系且对外稀疏耦合的若干个重叠子区域。
所述均衡优化模型通过如下公式表示：
Figure BDA0003686314320000092
Figure BDA0003686314320000093
Figure BDA0003686314320000094
其中，n为子区域个数，pi为第i个子区域的相数，
Figure BDA0003686314320000095
为子区域平均相数，m为划分得到的初步子区域个数，qj为第j个初步子区域的相数，xi,j为第i行第j列0-1决策变量，sj为第j个初步子区域的量测装置个数，wi是第i个子区域的节点数量，AVi,kVi,t为邻接矩阵，其取值为0表示Vi,k和Vi,t不连通，其取值为1表示Vi,k和Vi,t连通。
求解上述方程，可以得到使得目标函数
Figure BDA0003686314320000096
的值最小时的决策变量xi,j的取值，该取值即为分区结果。
步骤S7中，基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛，包括：
S71、根据所述实时量测数据，计算等效量测数据；
S72、以节点电压的实部和虚部为状态量，建立等效量测数据与状态量之间的关系；
S73、提取两个子区域之间的重叠节点；
S74、根据重叠节点负荷和重叠节点支路功率潮流，基于等效量测数据与状态量之间的关系，对两个子区域分别进行状态估计，直至两个子区域的状态估计结果分别达到本地收敛；
S75、交换两个子区域的状态估计结果，重复上述步骤，直至状态估计结果达到全局收敛。
在某些实施例中，本地收敛条件为子区域中所有状态量的取值在本次估计和上一次估计之间的差值小于第一阈值，全局收敛条件为子区域之间的重叠节点的状态量在本次估计和上一次估计之间的差值小于第二阈值。
作为一种较优的实施方式，实时量测数据至少包括以下数据中的一种：节点电压、支路电流、支路有功功率和支路无功功率。且上述实时量测数据通过多种量测装置采集，量测装置主要有SCADA系统和包括但不限于微型相量测量单元的广域量测系统。同时，通过负荷预测和/或DG出力预测，得到伪量测数据。通过对上述数据的有效利用，能够降低配电网状态估计对实时测量装置的要求。
在一种具体的应用场景中，通过SCADA系统采集支路功率，并将其转化为等效支路电流，通过如下公式计算：
Figure BDA0003686314320000101
Figure BDA0003686314320000102
其中，IijR、IijX是支路i-j首端等效电流的实部和虚部，Pij、Qij是支路i-j的首端有功功率和无功功率，viR、viX是节点i电压的实部和虚部。
采集节点注入功率量测数据并计算得到伪量测数据，将其转化为等效节点注入电流，通过如下公式计算：
Figure BDA0003686314320000111
Figure BDA0003686314320000112
其中，Iinj,Busi,R、Iinj,Busi,X是等效节点注入电流的实部和虚部，Pinj,Busi、Qinj,Busi是节点i注入的有功功率和无功功率，viR、viX是节点i电压的实部和虚部。
在一些实施例中，在状态估计过程中，采用的雅可比矩阵H是常数，不随估计次数而变化，能够节省大量的计算时间并减小内存占用量，进一步提高配电网状态估计的效率。
步骤S72中，等效量测数据与状态量之间的关系通过如下公式计算：
z＝Hx+v；
Figure BDA0003686314320000113
其中，z为等效量测数据向量，v为量测噪声向量，x为状态向量，
Figure BDA0003686314320000114
为状态向量的估计值，H为量测函数，R-1为权重对角矩阵，且z,v∈Rm+1，x∈Rn+1。m、n分别表示子区域中量测数据和状态量的个数，Rm+1表示m+1个实数，Rn+1表示n+1个实数。R-1的对角元为相应量测数据的权重系数。作为一种较优的实施方式，权重系数均取1。
在一种具体的应用场景中，对于不同的等效量测数据，其与状态量之间的关系式不同，主要表现为量测函数不同。节点电压量测数据与状态量之间的关系通过如下公式计算：
Figure BDA0003686314320000115
Figure BDA0003686314320000116
其中，zUi为节点电压量测数据向量，HUi为节点电压量测函数，viR、viX是节点i电压的实部和虚部。
等效支路电流量测数据与状态量之间的关系通过如下公式表示：
Figure BDA0003686314320000121
Figure BDA0003686314320000122
Figure BDA0003686314320000123
其中，Gik和Bik是节点导纳矩阵的电导部分和电纳部分，vkR、vkX是节点k电压的实部和虚部。
对上述关系式归纳整理，得到等效支路电流量测数据与状态量之间的关系通过如下公式计算：
Figure BDA0003686314320000124
Figure BDA0003686314320000125
其中，zIinj,i为等效支路电流量测数据向量，HIinj,i为等效支路电流量测函数，Gik和Bik是节点导纳矩阵的电导部分和电纳部分，viR、viX是节点i电压的实部和虚部，n为子区域个数。
等效节点注入电流量测数据与状态量之间的关系通过如下公式表示：
Iij＝(ysi+yij)(viR+jviX)-yij(vjR+jvjX)；
Iij,R＝(gij+gsi)viR-(bij+bsi)viX-gijvjR+bijvjX
Iij,X＝(bij+bsi)viR+(gij+gsi)viX-bijvjR-gijvjX；
其中，yij、gij和bij是支路i-j的导纳、电导和电纳，gsi、bsi是支路i-j首端等效对地电导、电纳，viR、viX是节点i电压的实部和虚部，vjR、vjX是节点j电压的实部和虚部。
对上述关系式归纳整理，得到等效节点注入电流量测数据与状态量之间的关系通过如下公式计算：
Figure BDA0003686314320000131
Figure BDA0003686314320000132
其中，zIij为等效节点注入电流量测数据向量，HIij为等效节点注入电流量测函数，viR、viX是节点i电压的实部和虚部，vjR、vjX是节点j电压的实部和虚部，gij和bij是支路i-j的电导和电纳，gsi、bsi是支路i-j首端等效对地电导、电纳。
参考图2，步骤S73中，子区域A与子区域B的重叠节点为节点k，节点i为子区域A中的节点，节点j为子区域B中的节点。子区域A与子区域B基于该重叠节点k进行信息交互，在协调子区域内部本地收敛的同时，通过相邻子区域之间的信息交互达成全局收敛。步骤S74中，在对子区域A进行状态估计时，除了考虑重叠节点k本身的负荷，还需要将支路k-j的功率潮流也考虑在内，以体现子区域A下游的负荷特性。在一种具体的应用场景中，对于子区域A，k节点的注入功率通过如下公式表示：
Figure BDA0003686314320000133
对于子区域B，k节点的注入功率通过如下公式表示：
Figure BDA0003686314320000134
其中，Pinj,Busk、Qinj,Busk是节点k注入的有功功率和无功功率，Pk,j、Qk,j是支路k-j的首端有功功率和首端无功功率。
在子区域A和子区域B分别达到状态估计结果本地收敛后，交换重叠节点k的电压值，并将k节点的注入功率转化为等效注入电流，对于子区域A：
Figure BDA0003686314320000135
Figure BDA0003686314320000136
对于子区域B：
Figure BDA0003686314320000141
Figure BDA0003686314320000142
其中，IA inj,Busk,R、IA inj,Busk,X是子区域A中节点k等效注入电流的实部和虚部，IB inj,Busk,R、IB inj,Busk,X是子区域B中节点k等效注入电流的实部和虚部，PA inj,Busi、QA inj,Busk是子区域A中节点k注入的有功功率和无功功率，PB inj,Busi、QB inj,Busk是子区域B中节点k注入的有功功率和无功功率，vA kR、vA kX是子区域A状态估计得到的节点k的电压，vB kR、vB kX是子区域B状态估计得到的节点k的电压。
参考图3，在某些实施例中，基于重叠节点进行状态估计，首先初始化配电网络参数、估计次数和收敛条件，然后分别提取相邻子区域的重叠节点，再在各个子区域中根据实时量测数据和拓扑结构进行状态估计至本地收敛，进而根据重叠节点进行全局子区域的状态估计结果交换，判断是否达到全局收敛，若未满足全局收敛条件，则重复子区域内的状态估计，直至估计结果同时满足本地收敛和全局收敛。
在一些实施例中，通过仿真平台对本实施例提供的基于配电网拓扑识别的分布式状态估计方法进行仿真，具体仿真过程和结果如下：在MATLAB/SIMULINK中搭建IEEE-123节点三相不平衡配电网模型，系统额定电压等级为4.16kV，额定频率为60Hz。将PMU布置在选定的6个节点上，在配电网支路末端随机布置6台SCADA，其余节点功率为伪量测。另外，PMU的电压幅值量测误差为0.1％，电压相角量测误差为±0.001°，SCADA的量测误差为3％，伪量测的误差为20％。
在此基础上，进行配电网分布式状态估计，本地收敛的收敛阈值是0.0001，全局收敛的收敛阈值是0.005。通过该应用场景下的分布式状态估计与集中式状态估计的估计结果对比，说明分布式状态估计的优势。参考表1，MSE表示最大均方根误差，MPE为最大误差，与集中式状态估计相比，分布式状态估计的电压幅值和相角结果与真实值的MSE均在10-6数量级，在区域2、3、4中，正确率还略有提高。估计值与真实值的最大误差也均控制在0.01左右，且分布式计算时间节约了33.19％。因此，分布式状态估计可以有效提升估计效率，并且保证了估计的准确度。
表1
Figure BDA0003686314320000151
参考图4，在一些实施例中，提供一种基于配电网拓扑识别的分布式状态估计装置，包括：
采集模块101，用于采集配电网节点电压相位量测数据；
时刻计算模块102，用于基于拓扑变化时刻模型和所述电压相位量测数据计算拓扑变化时刻；
识别模块103，用于根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构；
初步划分模块104，用于根据所述拓扑结构将配电网划分为多个初步子区域；
划分优化模块105，用于基于均衡优化模型对所述初步子区域进行优化，得到多个子区域；
实时采集模块106，用于采集实时量测数据；
估计模块107，用于基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛。
参考图5，在一些实施例中，提供一种基于配电网拓扑识别的分布式状态估计系统，包括处理器1、存储装置2和多个量测装置3，所述存储装置2存储有多条指令，所述处理器1用于读取所述指令并执行上述方法。
本实施例提供的基于配电网拓扑识别的分布式状态估计方法及系统，通过多源量测数据的融合，实现配电网的状态估计，充分发挥SCADA和μPMU两种量测数据的快速性，并且多源数据融合状态估计的准确性好；将BGLL社区发现算法和均衡优化模型结合起来，以弥补常规社区发现算法过分区的缺陷，将配电网分成高内聚、外低耦合的子区域，其中的重叠节点用于后续信息交互，每个子区域都有其独立的控制中心，进行状态估计、控制、通信等操作，体现配电网分区自治的思想；利用基于等效负荷的重叠节点信息交互方法，无需交换大量的边界信息，降低了大规模配电网状态估计通讯负担，同时达到本地收敛与全局收敛，在保证计算精度的情况下，计算效率也有较大提高。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于配电网拓扑识别的分布式状态估计方法，其特征在于，包括：
通过量测装置采集配电网节点电压相位量测数据；
基于拓扑变化时刻模型和所述电压相位量测数据计算拓扑变化时刻；
根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构；
根据所述拓扑结构将配电网划分为多个初步子区域；
基于均衡优化模型对所述初步子区域进行优化，得到多个子区域；
采集实时量测数据；
基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛。
2.根据权利要求1所述的方法，其特征在于，根据所述电压相位量测数据和拓扑变化时刻识别配电网拓扑结构，包括：
根据拓扑变化时刻，构建多种可能的拓扑结构；
根据所述电压相位量测数据和可能的拓扑结构，分别计算得到各个拓扑结构下的相似度值；
选择相似度值最大的一种拓扑结构作为配电网拓扑结构。
3.根据权利要求2所述的方法，其特征在于，所述相似度值通过如下公式计算：
Figure FDA0003686314310000011
其中，J为相似度值，αi(t)表示在第i种拓扑结构下的节点电压相位估计向量，α(t)表示t时刻所有节点电压相位量测数据所构成的向量，M为所有可能的拓扑结构数目。
4.根据权利要求1所述的方法，其特征在于，所述拓扑变化时刻模型通过如下公式表示：
Figure FDA0003686314310000021
其中，delta(t)为以时间t为变量的1-范数，w为预设的delta(t)函数时间窗，α(t)表示t时刻所有节点电压相位量测数据所构成的向量，α(t-i)表示t-i时刻所有节点电压相位量测数据所构成的向量。
5.根据权利要求1所述的方法，其特征在于，根据所述拓扑结构将配电网划分为多个初步子区域，包括：
将拓扑结构中的节点作为网络图中的边，将拓扑结构中的边作为网络图中的顶点，构造网络图；
将网络图中的顶点划分在不同的区域中；
将网络图中的顶点与相邻顶点合并，并计算顶点的最大化质量函数值，如果合并后所述最大化质量函数值变大则接受合并，如果合并后所述最大化质量函数值不变或者变小则不接受合并，直至网络图不再改变；
根据最终的网络图，得到多个初步子区域。
6.根据权利要求1所述的方法，其特征在于，所述均衡优化模型通过如下公式表示：
Figure FDA0003686314310000022
Figure FDA0003686314310000023
Figure FDA0003686314310000024
其中，n为子区域个数，pi为第i个子区域的相数，
Figure FDA0003686314310000025
为子区域平均相数，m为划分得到的初步子区域个数，qj为第j个初步子区域的相数，xi,j为第i行第j列0-1决策变量，sj为第j个初步子区域的量测装置个数，wi是第i个子区域的节点数量，AVi,kVi,t为邻接矩阵，其取值为0表示Vi,k和Vi,t不连通，其取值为1表示Vi,k和Vi,t连通。
7.根据权利要求1所述的方法，其特征在于，所述实时量测数据至少包括以下数据中的一种：
节点电压、支路电流、支路有功功率和支路无功功率；
所述本地收敛条件为子区域中所有状态量的取值在本次估计和上一次估计之间的差值小于第一阈值，所述全局收敛条件为子区域之间的重叠节点的状态量在本次估计和上一次估计之间的差值小于第二阈值。
8.根据权利要求7所述的方法，其特征在于，基于子区域之间的重叠节点进行子区域之间的信息交互，并根据所述实时量测数据对子区域进行状态估计，直至状态估计结果同时达到本地收敛与全局收敛，包括：
根据所述实时量测数据，计算等效量测数据；
以节点电压的实部和虚部为状态量，建立等效量测数据与状态量之间的关系；
提取两个子区域之间的重叠节点；
根据重叠节点负荷和重叠节点支路功率潮流，基于等效量测数据与状态量之间的关系，对两个子区域分别进行状态估计，直至两个子区域的状态估计结果分别达到本地收敛；
交换两个子区域的状态估计结果，重复上述步骤，直至状态估计结果达到全局收敛。
9.根据权利要求8所述的方法，其特征在于，等效量测数据与状态量之间的关系，通过如下公式表示：
z＝Hx+v；
Figure FDA0003686314310000031
其中，z为等效量测数据向量，v为量测噪声向量，x为状态向量，
Figure FDA0003686314310000032
为状态向量的估计值，H为量测函数，R-1为权重对角矩阵，且z,v∈Rm+1，x∈Rn+1。
10.一种基于配电网拓扑识别的分布式状态估计系统，其特征在于，包括处理器、存储装置和多个量测装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-9任一所述的方法。
CN202210651505.9A 2022-06-09 2022-06-09 一种基于配电网运行拓扑的分布式状态估计方法及系统 Pending CN114915030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210651505.9A CN114915030A (zh) 2022-06-09 2022-06-09 一种基于配电网运行拓扑的分布式状态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210651505.9A CN114915030A (zh) 2022-06-09 2022-06-09 一种基于配电网运行拓扑的分布式状态估计方法及系统

Publications (1)

Publication Number Publication Date
CN114915030A true CN114915030A (zh) 2022-08-16

Family

ID=82770286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210651505.9A Pending CN114915030A (zh) 2022-06-09 2022-06-09 一种基于配电网运行拓扑的分布式状态估计方法及系统

Country Status (1)

Country Link
CN (1) CN114915030A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117039893A (zh) * 2023-10-09 2023-11-10 国网天津市电力公司电力科学研究院 配电网状态确定方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117039893A (zh) * 2023-10-09 2023-11-10 国网天津市电力公司电力科学研究院 配电网状态确定方法、装置及电子设备
CN117039893B (zh) * 2023-10-09 2024-01-26 国网天津市电力公司电力科学研究院 配电网状态确定方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Azman et al. A unified online deep learning prediction model for small signal and transient stability
CN112217202B (zh) 考虑灵活性投资的分布式新能源、储能与配电网规划方法
CN110943453B (zh) 面向迁移学习的电力系统故障样本生成和模型构建方法
Mestav et al. State estimation for unobservable distribution systems via deep neural networks
Ma et al. Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling
CN108155648A (zh) 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN103177188A (zh) 一种基于特征映射的电力系统负荷动特性分类方法
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN111967183A (zh) 一种配电网台区线损的计算方法和系统
CN116319377B (zh) 一种抵御网络攻击的配电网分布式动态状态估计方法
CN114915030A (zh) 一种基于配电网运行拓扑的分布式状态估计方法及系统
CN114283320A (zh) 基于全卷积的无分支结构目标检测方法
CN114389312B (zh) 一种配电网分布式状态估计方法
CN115036924A (zh) 一种考虑多源数据不确定性的配电网分布式状态估计方法
CN112200391A (zh) 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法
CN104021315A (zh) 基于bp神经网络的电厂厂用电率计算方法
CN110739692A (zh) 一种基于概率图模型的配电网结构识别方法
CN106372440A (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN109638892A (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN109800477A (zh) 锂离子电池三因素不一致性预测方法及装置
CN116826728A (zh) 一种少测量样本条件下的配电网状态结构估计方法及系统
CN116451608A (zh) 一种复杂地形的混合风功率预测方法及装置
CN115619437A (zh) 一种实时电价确定方法及系统
CN114139809A (zh) 基于XGBoost电力系统动态频率响应曲线预测方法及系统

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