CN116826728A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116826728A CN116826728A CN202310779206.8A CN202310779206A CN116826728A CN 116826728 A CN116826728 A CN 116826728A CN 202310779206 A CN202310779206 A CN 202310779206A CN 116826728 A CN116826728 A CN 116826728A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- grid
- state
- nodes
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241001478428 Syngnathus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008689 nuclear function Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统及其自动化技术领域，公开了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，配电网状态结构估计和网格化；确定分布式电源节点、网格的拓扑结构和负荷节点；配电网测量单元采集；输入配电网每个测量单元采集量，完成计算网格中与其他未有测量单元的节点间误差值和测量误差矩阵；计算各网格间的状态变量；计算各网格中的网损与电压偏差和新样本的状态估计值误差值；以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，优化配电网的拓扑结构图。本发明为分布式新能源接入配电网的全景电网拓扑构建与数据融合提供了一种解决方法，从而提高城市配电网调控和供电的可靠性。
Description
技术领域
本发明属于电力系统及其自动化技术领域，涉及一种电力系统配电网可靠性评估，尤其涉及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。
背景技术
快速增长的新兴能源发电，如光伏发电与风力发电，通过技术变革推动传统能源市场结构的转变。大量分布式发电电源和电动汽车充电站的并网给城市配电网调控和供电可靠性带来影响，特别是城区配电网的供电负荷端包括民用、商业、工厂、交通等用电负荷，这些用电负荷在电力消费模式上存在很大的差异，进一步加大了配电网状态估计的难度。在实际配电网中，如果实时测量电气参数的检测装置安装数量不足或安装位置不恰当，会使得采集的样本数据不足或检测精度下降，从而影响调度对配电网的可靠性评估。本发明提出了一种少测量样本条件下的配电网状态结构估计方法，从而提高城市配电网调控和供电的可靠性。
通过上述分析，现有技术存在的问题及缺陷为：
1.增加测量设备的成本高：在配电网中增加测量设备可以提高对配电网状态估计的可靠性，但是这需要大量的投资。在实际的配电网工程中，配电网的系统拓扑结构和线路参数获取都具有一定的难度。需要耗费大量的人力、物力和财力投入，增加了成本和复杂度。
2.配电网拓扑结构的动态变化：实际配电网中的负荷变化、运行维护、系统故障等使得配电网的拓扑结构处于动态变化之中。这就意味着，即使在安装了足够的量测设备的情况下，配电网的状态估计也可能受到影响。因此，需要一种更加灵活和适应性强的状态估计方法。
3.数据质量问题：在实际的配电网中，如果实时测量电气参数的检测装置安装位置不恰当且安装数量不足，都会影响对配电网的可靠性评估。此外，由于数据采集设备的故障或数据传输的延迟等问题，所采集到的数据质量也可能受到影响。这在一定程度上会影响配电网状态估计的准确性。
4.用电负荷的差异性：城区配电网的供电负荷端包括民用、商业、工厂、交通等用电负荷，这些用电负荷在电力消费模式上存在很大的差异，进一步加大了配电网状态估计的难度。如果不考虑这些差异性，可能会导致状态估计的误差增大。
因此，需要一种能够在少量测量样本条件下高效准确地估计配电网状态的方法，以提高城市配电网调控和供电的可靠性。
发明内容
针对现有技术存在的问题，本发明提供了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。
本发明是这样实现的，一种少测量样本条件下的配电网状态结构估计方法，所述少测量样本条件下的配电网状态结构估计方法包括：
步骤一，配电网状态结构估计，并针对具有分布式新能源和复杂用电负荷的配电网进行配电网网格化；
步骤二，确定分布式电源节点位置、网格化中各拓扑结构和配电网的负荷节点位置；
步骤三，根据权重大小，布置具有相关性的测量单元点，实现配电网测量单元数据补充采集；
步骤四，输入配电网每个测量单元采集量，完成计算与其他未有测量单元的网格间误差值和测量误差矩阵；
步骤五，计算网格中的状态变量；
步骤六，计算网格的网损与电压偏差和新样本的状态估计值误差值，调整网络结构，减少网损；
步骤七，以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，如果满足新样本的状态估计值误差，那么配电网中各网格的拓扑结构图将得到快速优化，生成配电网状态结构拓扑，如果不满足，则配电网测量单元采集重新对配电网每个测量单元进行采集，为生成对应的新配电网状态结构拓扑收集电网实时数据。
进一步，所述步骤一，根据用电负荷随时间变换快慢，将大电网系统网格化为M×Z的网格，分别计算网格K，K∈N，相对于网格1(该网格中安装的数据采集装置的节点数目占节点数比例最高)的状态量，为：
进一步，所述步骤三，通过实现一种少测量样本条件下的监测点，完成对具有分布式新能源的配电网测量单元采集。
进一步，所述步骤四，首先输入网格K中含测量单元采集量，并计算与其他未有测量单元或节点的测量单元数目较少的网格J间的误差值：
进一步，所述步骤六，计算网格点K(m,z)相对于测量点的网格间误差值，作为新样本的状态估计值的方差约束条件：
进一步，所述步骤七，将配电网中网格误差变换的区域看作顶点，两个区域看作连接图内的分支，已以配电网总体有功网损最小、电压偏差最小为原则，将新样本的状态变量估计均值视为分支的权重，快速优化配电网的拓扑结构，包括：
(1)对已划分的配电网网格，分别定义一个集合S(m,z)＝{Si|i＝1,2,3,...J}，表示给定任务区域网格中所有可能的节点位置集合，元素Si表示从集合S中选的一个任务位置，与输入的各个任务一起形成一个坐标矩阵；
(2)根据新样本的状态估计方差得出两个任务间的联系强弱，记录这些数据形成邻接矩阵；
(3)以Si为网格中节点的搜索起点，按照配电网电能质量要求以及线路的载流容量的要求，生成对应网格中的新拓扑结构，达到优化电网结构的目的。
本发明的另一目的在于提供一种少测量样本条件下的配电网状态结构估计系统，所述少测量样本条件下的配电网状态结构估计系统包括：
网络构建模块，用于将配电网进行网格化，并确定分布式电源节点和配电网的负荷节点，用于配电网的拓扑结构优化；
单元采集模块，用于实现对具有分布式新能源的配电网测量单元采集；
误差计算模块，通过计算与其他未有测量单元的节点间误差值、测量误差矩阵、计算节点电压向量状态变量、计算配电网网损与电压偏差，获得配电网的新样本的状态估计值，及误差值，通过变换配电网结构，使得误差值达到设计范围；
拓扑优化模块，用于生成最终配电网状态结构拓扑。
本发明的另一目的在于提供一种计算设备，所述计算设备包括存储器和处理器，所述存储器存储有计算机程序，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所述少测量样本条件下的配电网状态结构估计方法的步骤。
本发明的另一目的在于提供一种计算可读存储介质，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所述少测量样本条件下的配电网状态结构估计方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述少测量样本条件下的配电网状态结构估计系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明可以提升配电网的在线状态评估和预想故障分析的计算效率，提高电网在线仿真计算能力和电网运行支撑能力，提高电网监测设备的利用效率,降低电网的运行维护成本，节能生效。本发明为分布式新能源接入配电网的全景电网拓扑构建与数据融合提供了一种解决方法，从而提高城市配电网调控和供电的可靠性。
该方案的积极效果和优点主要包括以下几个方面：
1)实现了少量测量样本条件下的配电网状态估计，在部分测量数据丢失或错误时，可以降低配电网状态估计的成本和难度，提高配电网的智能化水平。
2)通过对配电网状态分析，对其结构进行估计和网格化，将复杂的配电网转化为多个可计算的网格结构，可以提高配电网状态估计的可靠性和准确性。
3)利用已安装测量装置节点，进行分布式电源节点和负荷节点的信息估计，并对网格化中的其他节点进行索引，优化网格结构，确定配电网的拓扑结构，布置更优的测量单元位置，采集配电网的电气参数，可以提高配电网状态估计的可靠性和准确性。
4)通过计算配电网的网损和电压偏差，并以新样本的状态估计值误差作为权重，以配电网总体网损最小、电压偏差最小为原则，对配电网拓扑结构进行优化和修正，可以提高整体配电网的可靠性和稳定性。
5)该方法可以针对具有分布式新能源和复杂用电负荷的配电网进行状态估计，具有很强的适应性和灵活性。
综上所述，该方案具有成本低、效率高、精度高、可靠性强、适应性好等优点，可以为配电网的智能化建设和运营管理提供有力支持。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过建立配电网的拓扑结构计算模型，并注入配电网实时监测数据，并运用大数据进行算法处理，完成配电网状态结构拓扑的选取和确定，提升配电网在线状态评估和预想事障分析的计算效率，提高城市配电网调控和供电的可靠性。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：本发明的技术方案转化后的预期收益和商业价值为：可以提升配电网的在线状态评估和预想故障分析的计算效率，提高电网在线仿真计算能力和电网运行支撑能力，提高电网监测设备的利用效率,降低电网的运行维护成本，节能生效。本发明为分布式新能源接入配电网的全景电网拓扑构建与数据融合提供了一种解决方法，从而提高城市配电网调控和供电的可靠性。
附图说明
图1是本发明实施例提供的一种少测量样本条件下的配电网状态结构估计方法的示意图；
图2是本发明实施例提供的一种少测量样本条件下的配电网状态结构估计系统的示意图。
图中：1、网络构建模块；2、单元采集模块；3、误差计算模块；4、拓扑优化模块。
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。
本发明实施例通过对配电网状态结构进行估计和网格化，将复杂的配电网转化为多个可计算的网格结构，从而实现少量测量样本条件下的配电网状态估计。同时，该方法利用分布式电源节点和负荷节点的信息，确定配电网的拓扑结构，布置测量单元，采集配电网的电气参数，并利用计算与其他未有测量单元的网格或网格中节点的测量单元数目少于节点数一半时误差矩阵，计算节点的状态变量。在此基础上，通过计算配电网的网损和电压偏差，并以新样本的状态估计值误差作为权重，以配电网总体网损最小、电压偏差最小为原则，对配电网拓扑结构进行优化和修正，生成配电网状态结构拓扑，从而提高配电网的整体可靠性和稳定性。
该方法的创新点主要有以下几点：
1)通过对配电网状态结构进行估计和网格化，将复杂的配电网转化为多个可计算的网格结构，实现了少量测量样本条件下的配电网状态估计。
2)利用分布式电源节点和负荷节点的信息，确定配电网的拓扑结构，布置测量单元，采集配电网的电气参数，从而提高了配电网状态估计的可靠性和准确性。
3)通过计算配电网的网损和电压偏差，并以新样本的状态估计值误差作为权重，以配电网总体网损最小、电压偏差最小为原则，对配电网拓扑结构进行优化和修正，提高了配电网的可靠性和稳定性。
4)该方法可以针对具有分布式新能源和复杂用电负荷的配电网进行状态估计，具有很强的适应性和灵活性。
本发明实施例提供方法的主要信号和数据处理过程如下：
步骤一：根据用电负荷随时间变换快慢，配电网状态结构估计并网格化，需要对配电网的拓扑结构进行建模和估计，将配电网转化为一个网格化的结构，方便后续的计算和分析。
步骤二：确定分布式电源节点、网格的拓扑结构和配电网的负荷节点，需要对配电网进行分类和分层，确定分布式电源节点、负荷节点和配电网的拓扑结构，以便后续的测量和计算。
步骤三：布置配电网测量单元点，实现配电网测量单元采集，需要在配电网中布置测量单元，采集配电网的电压、电流、功率等参数，并将数据传输到中心服务器进行处理和计算。
步骤四：输入配电网每个测量单元采集量，完成计算与其他未有测量单元的节点间误差值和测量误差矩阵，需要将采集到的数据输入到配电网状态估计算法中，计算每个测量单元与其他未有测量单元的节点间误差值和测量误差矩阵，以便后续的状态估计和优化。
步骤五：计算网格中节点电压向量状态变量，需要根据测量单元采集的电压、电流等参数，计算网格中各节点的状态变量。
步骤六：计算各网格中网损与电压偏差和新样本的状态估计值误差值，需要根据计算出的节点电压向量状态变量，计算各网格的网损和电压偏差，并计算新样本的状态估计值误差值。
步骤七：以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，如果满足新样本的状态估计值误差，那么配电网的拓扑结构图将得到快速优化，生成配电网状态结构拓扑，如果不满足，则配电网测量单元采集重新对配电网每个测量单元进行采集，为生成对应的新配电网状态结构拓扑收集电网实时数据库。在此过程中，需要以配电网总体网损最小、电压偏差最小为原则，以新样本的状态估计值误差作为权重，进行配电网拓扑结构的优化和修正，以提高配电网的可靠性和稳定性。
如图1所示，本发明实施例提供的少测量样本条件下的配电网状态结构估计方法包括以下步骤：
S101，配电网状态结构估计，并针对具有分布式新能源和复杂用电负荷的配电网进行配电网的网格化；
S102，确定网格化中的分布式电源节点、拓扑结构和负荷节点；
S103，布置配电网测量单元点，实现配电网测量单元采集；
S104，输入网格中每个测量单元采集量，完成计算与其他未有测量单元的节点间误差值和测量误差矩阵；
S105，计算节点电压向量状态变量；
S106，计算整个配电网网损与电压偏差和新样本的状态估计值误差值；
S107，以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，如果满足新样本的状态估计值误差，那么配电网的拓扑结构图将得到快速优化，生成配电网状态结构拓扑，如果不满足，则配电网测量单元采集重新对配电网每个测量单元进行采集，为生成对应的新配电网状态结构拓扑收集电网实时数据库。
由大量分布式电源和用电负荷，逆变单元，变送单元，连接母线构成输配电网络。配电网中的每个节点估计物理模型有功功率P(n,t)为：
P(n,t)＝PG+Pc(n,t)-F(n,t) (1)
负荷节点的用户消耗负荷按时间序列表示为F(n,t)，配电网中的分布式电源节点表示为Pc(n,t)，其中n表示节点号，t表示时间序列。PG为配电网输送总功率。该物理模型功率P(n,t)可以由测量矩阵x和状态变量y表示，测量方法的拟合映射关系为：
y＝f-1(x)+v (2)
其中测量矩阵x为相关节点在测量时刻的功率P(n,t)，状态变量y为待优化的节点电压向量，v为测量误差矩阵。f-1(.)为测量数据到状态变量的映射关系。通常对于式(2)需要大量样本进行训练获得满意的f-1(.)函数关系。但当测量数据x的样本较少，或者由于配电网结构变换节点测量数据快速变换时，即配电网拥有N个节点和J个测量单元关系为N>J时，每个测量单元采集的与其他未有测量单元的节点间误差表示为：
其中分别表示节点间不同的电压值差和两节点间的电压相位差、有功功率差。在配电网中负荷变化对节点的电压波动较大，根据用电负荷随时间变换快慢，将配电网划分为M×Z的网格，每个节点在网格中的坐标为N(m,z),m＝1,2,3,...M,z＝1,2,3,...Z,偏历每个网格点，分别计算网格K，K∈N，相对于网格1(该网格节点中安装的数据采集装置的数目过半)的状态量，表示为：
定义11×J是单位矩阵，网格点K(m,z)相对于测量点的节点间误差值为：
电网划分为M×Z的网格，每个网格可以看成一个数据集(X,Y)，一共有J个任务，每个里面有效电网节点数为k,其中yj k为第j个任务的第k个节点的输入xj k对应的输出，任务间的相关性用B矩阵表示，为正半定矩阵，它代表着不同任务间的任务间相似性，由所有任务共同训练得到。∵j(.)是核函数，代表任务内部间的节点联系，由存在采集单元的电网网格训练得到。新任务的核函数∵new j(.)由∵j(.)与B得到，表达式为：
Θnew j(·)＝BΘj(·) (6)
当第j个任务有新的输入时，可通过极大似然估计法得到新样本的状态估计均值和方差：
其中Xj表示第j个任务的训练输入数据，X*表示新的输入，表示克罗内克积(Kronecker product),bj代表交叉协方差B矩阵的第1行，T是J阶的对角矩阵。式(8)需满足约束条件(5)。
本发明实施例提供的步骤一，根据用电负荷随时间变换快慢，将电网网格化为M×Z的网格，每个节点在网格中的坐标N(m,z)，计算每个网格相对于K个节点的状态量，表示为：
本发明实施例提供的步骤四，首先输入网格K单元采集量，并计算与其他未有测量单元的网格J间误差值：
本发明实施例提供的步骤六，计算网格点K(m,z)相对于测量点的节点间误差值，作为新样本的状态估计值的方差约束条件：
本发明实施例提供的步骤七，将网格中变换的区域看作顶点，两个区域看作连接图内的分支，已以配电网总体有功网损最小、电压偏差最小为原则，将新样本的状态变量估计均值视为分支的权重，快速优化各网格的拓扑结构，包括：
(1)定义一个集合S＝{Si|i＝1,2,3,...J}，表示给定任务区域中所有可能的节点位置集合，元素Si表示从集合S中选的一个任务位置，与输入的各个任务一起形成一个坐标矩阵；
(2)根据新样本的状态估计方差得出两个任务间的联系强弱，记录这些数据形成邻接矩阵；
(3)以Si为搜索起点，按照配电网电能质量要求以及线路的载流容量的要求，生成对应的新的网格拓扑结构。
如图2所示，本发明实施例提供的少测量样本条件下的配电网状态结构估计系统包括：
网络构建模块1，用于将配电网的网格化，并确定分布式电源节点、配电网的拓扑结构和配电网的负荷节点；
单元采集模块2，用于实现对具有分布式新能源的配电网测量单元采集；
误差计算模块3，通过计算与其他未有测量单元的节点间误差值、测量误差矩阵、计算节点电压向量状态变量、计算配电网网损与电压偏差，获得配电网的新样本的状态估计值误差值；
拓扑优化模块4，用于生成配电网状态结构拓扑。
本技术可以提升配电网的在线状态评估和预想故障分析的计算效率，提高电网在线仿真计算能力和电网运行支撑能力，提高电网监测设备的利用效率,降低电网的运行维护成本，节能生效。本发明为分布式新能源接入配电网的全景电网拓扑构建与数据融合提供了一种解决方法，从而提高城市配电网调控和供电的可靠性。
实施例1：基于分布式传感器网络的配电网状态结构估计方法
在该实施例中，可以使用分布式传感器网络来布置测量单元，采集配电网的电气参数，并计算与其他未有测量单元的节点间的误差矩阵，计算网格的状态变量。具体实现方案可以包括：
1.布置分布式传感器节点，采集配电网的电气参数，如电流、电压、功率等。
2.使用分布式传感器网络协议将传感器节点连接到配电网，并将数据传输到中心服务器进行处理和计算。
3.基于采集到的数据，使用配电网状态估计算法计算每个测量单元与其他未有测量单元的节点间误差值和测量误差矩阵，以便后续的状态估计和优化。
4.根据计算出的节点电压向量状态变量，计算各网格的网损和电压偏差，并计算新样本的状态估计值误差值。
5.以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，对配电网拓扑结构进行优化和修正，生成配电网状态结构拓扑。
实施例2：基于机器学习的配电网状态结构估计方法
在该实施例中，可以使用机器学习方法来对配电网状态结构进行估计和优化。具体实现方案可以包括：
1.基于配电网的拓扑结构和电气参数数据，建立机器学习模型，如支持向量机、神经网络等。
2.使用机器学习模型对配电网进行状态结构估计和优化，以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重。
3.根据优化后的配电网状态结构拓扑，布置测量单元，采集配电网的电气参数，并计算与其他未有测量单元的节点间的误差矩阵，计算网格的状态变量。
4.根据计算出的节点电压向量状态变量，计算各网格的网损和电压偏差，并计算新样本的状态估计值误差值。
5.以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，对配电网拓扑结构进行优化和修正，生成配电网状态结构拓扑。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种少测量样本条件下的配电网状态结构估计方法，其特征在于，通过对配电网状态结构进行估计和网格化，将复杂的配电网转化为多个可计算的网格结构，从而实现少量测量样本条件下的配电网状态估计；该方法利用分布式电源节点和负荷节点的信息，确定网格的拓扑结构，布置测量单元，采集配电网的电气参数，并计算与其他未有测量单元的节点间的误差矩阵，计算网格的状态变量；在此基础上，通过计算各网格的网损和电压偏差，并以新样本的状态估计值误差作为权重，以配电网总体网损最小、电压偏差最小为原则，对配电网拓扑结构进行优化和修正，生成配电网状态结构拓扑，从而提高配电网的可靠性和稳定性。
2.根据权利要求1所述的少测量样本条件下的配电网状态结构估计方法，其特征在于，包括：
骤一：根据用电负荷随时间变换快慢，配电网状态结构估计并网格化，需要对配电网的拓扑结构进行建模和估计，将配电网转化为一个网格化的结构，方便后续的计算和分析。
步骤二：确定分布式电源节点、网格的拓扑结构和配电网的负荷节点，需要对配电网进行分类和分层，确定分布式电源节点、负荷节点和配电网的拓扑结构，以便后续的测量和计算。
步骤三：布置配电网测量单元点，实现配电网测量单元采集，需要在配电网中布置测量单元，采集配电网的电压、电流、功率等参数，并将数据传输到中心服务器进行处理和计算。
步骤四：输入配电网每个测量单元采集量，完成计算与其他未有测量单元的节点间误差值和测量误差矩阵，需要将采集到的数据输入到配电网状态估计算法中，计算每个测量单元与其他未有测量单元的节点间误差值和测量误差矩阵，以便后续的状态估计和优化。
步骤五：计算网格中节点电压向量状态变量，需要根据测量单元采集的电压、电流等参数，计算网格中各节点的状态变量。
步骤六：计算各网格中网损与电压偏差和新样本的状态估计值误差值，需要根据计算出的节点电压向量状态变量，计算各网格的网损和电压偏差，并计算新样本的状态估计值误差值。
步骤七：以配电网总体网损最小、电压偏差最小为原则，并以新样本的状态估计值误差作为权重，如果满足新样本的状态估计值误差，那么配电网的拓扑结构图将得到快速优化，生成配电网状态结构拓扑，如果不满足，则配电网测量单元采集重新对配电网每个测量单元进行采集，为生成对应的新配电网状态结构拓扑收集电网实时数据库。在此过程中，需要以配电网总体网损最小、电压偏差最小为原则，以新样本的状态估计值误差作为权重，进行配电网拓扑结构的优化和修正，以提高配电网的可靠性和稳定性。
3.根据权利要求1所述的少测量样本条件下的配电网状态结构估计方法，其特征在于，所述步骤一，根据用电负荷随时间变换快慢，将电网网格化为M×Z的网格，分别计算网格K，K∈N，相对于网格1(该网格中安装的数据采集装置的节点数目占节点数比例最高)的状态量，为：
4.根据权利要求1所述的少测量样本条件下的配电网状态结构估计方法，其特征在于，所述步骤三，通过实现一种少测量样本条件下的监测点，完成对具有分布式新能源的配电网测量单元采集；
所述步骤四，首先输入配电网具有测量单元采集量的网格K，并计算与其他未有测量单元或节点的测量单元数目较少的网格J间的误差值：
5.根据权利要求1所述的少测量样本条件下的配电网状态结构估计方法，其特征在于，所述步骤六，计算网格点K(m,z)相对于测量点的节点间误差值，作为新样本的状态估计值的方差约束条件：
6.根据权利要求1所述的少测量样本条件下的配电网状态结构估计方法，其特征在于，所述步骤七，将配电网中变换的区域看作顶点，两个区域看作连接图内的分支，已以配电网总体有功网损最小、电压偏差最小为原则，将新样本的状态变量估计均值视为分支的权重，快速优化配电网的拓扑结构，包括：
(1)定义一个集合S＝{Si|i＝1,2,3,...J}，表示给定任务区域中所有可能的节点位置集合，元素Si表示从集合S中选的一个任务位置，与输入的各个任务一起形成一个坐标矩阵；
(2)根据新样本的状态估计方差得出两个任务间的联系强弱，记录这些数据形成邻接矩阵；
(3)以Si为搜索起点，按照配电网电能质量要求以及线路的载流容量的要求，生成对应的新配电网拓扑结构。
7.一种实施如权利要求1-6任意一项所述少测量样本条件下的配电网状态结构估计系统，其特征在于，所述少测量样本条件下的配电网状态结构估计系统包括：
配电网网格构建模块，用于将配电网网格化，并确定分布式电源节点、网格的拓扑结构和负荷节点；
单元采集模块，用于实现对具有分布式新能源的配电网测量单元采集；
误差计算模块，通过计算与其他未有测量单元的节点间误差值、测量误差矩阵、计算节点电压向量状态变量、计算各网格的网损与电压偏差，获得网格的新样本的状态估计值误差值；
拓扑优化模块，用于生成配电网状态结构拓扑。
8.一种计算设备，其特征在于，所述计算设备包括存储器和处理器，所述存储器存储有计算程序，所述计算程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述少测量样本条件下的配电网状态结构估计方法的步骤。
9.一种计算可读存储介质，存储有计算程序，所述计算程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述少测量样本条件下的配电网状态结构估计方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述少测量样本条件下的配电网状态结构估计系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310779206.8A CN116826728A (zh) | 2023-06-28 | 2023-06-28 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310779206.8A CN116826728A (zh) | 2023-06-28 | 2023-06-28 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116826728A true CN116826728A (zh) | 2023-09-29 |
Family
ID=88127121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310779206.8A Pending CN116826728A (zh) | 2023-06-28 | 2023-06-28 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116826728A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117559456A (zh) * | 2024-01-11 | 2024-02-13 | 南京信息工程大学 | 一种利用配电网测量单元进行配电网工作状态识别的方法 |
-
2023
- 2023-06-28 CN CN202310779206.8A patent/CN116826728A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117559456A (zh) * | 2024-01-11 | 2024-02-13 | 南京信息工程大学 | 一种利用配电网测量单元进行配电网工作状态识别的方法 |
| CN117559456B (zh) * | 2024-01-11 | 2024-03-26 | 南京信息工程大学 | 一种利用配电网测量单元进行配电网工作状态识别的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
| CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
| CN110299762B (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
| LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
| 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 | |
| CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
| CN106372440B (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 | |
| CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
| CN113222263A (zh) | 一种基于长短期记忆神经网络的光伏发电功率预测方法 | |
| CN115693668B (zh) | 一种基于熵权理想度排序的配电网pmu多目标优化布点方法 | |
| Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
| CN116054240A (zh) | 一种基于功率预测的风电并网运行控制优化方法及系统 | |
| Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
| CN104700218A (zh) | 用于确定电网分区数量以及电网分区的方法和系统 | |
| Shahzad | Artificial neural network for transient stability assessment: A review | |
| Saha et al. | Enrichment of voltage stability in power system through novel generalized approximate reasoning based intelligent control with african buffalo optimization approach | |
| Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
| Xing et al. | A Modified Data-driven Power Flow Model for Power Estimation with Incomplete Bus Data | |
| CN117833300B (zh) | 一种基于智能配电设备的储能容量配置方法 | |
| Li et al. | A Short-Term Load Forecasting Method via Model Selection Based on Random Forest | |
| Qin et al. | Day-Ahead Wind Power Forecasting Based on Wind Load Data Using Hybrid Optimization Algorithm. Sustainability 2021, 13, 1164 | |
| CN117077859A (zh) | 一种新能源发电功率预测优化方法及系统 | |
| Li et al. | Research on electricity demand forecasting based on LSTM-SVR | |
| CN117744875A (zh) | 一种新能源振荡监测子站选址方法、系统、设备及储存介质 | |
| CN117992879A (zh) | 一种基于人工智能的低压配电网阻抗参数辨识方法及系统 |
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 |