CN117060373B - 一种基于量测补齐的有源配电网状态估计方法及装置 - Google Patents
一种基于量测补齐的有源配电网状态估计方法及装置 Download PDFInfo
- Publication number
- CN117060373B CN117060373B CN202310770219.9A CN202310770219A CN117060373B CN 117060373 B CN117060373 B CN 117060373B CN 202310770219 A CN202310770219 A CN 202310770219A CN 117060373 B CN117060373 B CN 117060373B
- Authority
- CN
- China
- Prior art keywords
- measurement
- distribution network
- data
- power distribution
- real
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 258
- 238000009826 distribution Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 52
- 238000012937 correction Methods 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013213 extrapolation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 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
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于量测补齐的有源配电网状态估计方法及装置属于配电网状态估计技术领域，所述方法步骤如下：通过监测平台采集RTU、AMI、PMU以及分布式能源历史出力和气象数据；抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，通过移动子网顶点的方式进行子网划分；以PMU为基准进行AMI及RTU的补齐与同步，使用小波分解和DBN预测模型进行分布式能源的出力数据预测；对实时和伪量测量进行量测转换，生成区域广义量测数据集；以区域广义量测数据集为输入，基于加权最小二乘法进行有源配电网的区域广义状态估计。本发明实现大颗粒度的量测数据补齐，提升伪量测数据的精度及配电网状态估计的可信度。
Description
技术领域
本发明属于配电网状态估计技术领域，具体涉及一种基于量测补齐的有源配电网状态估计方法及装置。
背景技术
配电网状态估计是指在明确配电网系统结构的前提下，融合负载、电压、功率等数据，并借助于数学方法得到系统不同模块的运行状态与参量，从而为配电系统提供运维调控决策，以及为配电网态势感知理论体系提供关键技术。配电网直接面对用户，属于基础用电设施，配电网运行状况会对最终的供电质量带来很大影响，因此对配电网状态的估计极为重要。
传统配电网的状态估计在主网侧的应用已经较为成熟，但配电网中由于量测设备布置不充分，数据不完备，进行状态估计难度较大，尤其是高比例分布式新能源接入后，其并网的不平衡性、各能源出力的随机性会加剧配电网出现功率双向流动、节点电压波动等现象，这些因素进一步增加了状态估计的难度，使得有源配电网状态估计模型的分析与计算存在效率低，精度低等问题。因此，如何解决多源数据融合和兼容性问题，提升有源配电网状态估计的可信度是目前面临的挑战。
现有对配电网的状态估计主要有两类。一类是集中式状态估计，从传统的数据采集与监视控制系统SCADA和高级量测系统AMI等系统中获取传感设备的实时量测数据，然后进行量测数据的线性转换，接着处理量测误差，最后进行状态估计求解。另一类是根据配电网架构的地理位置和量测分布情况，将大规模的主动配电网进行分区，通过对复杂网络的解耦实现配电网各子区域的相对独立，形成区域量测集，然后对各子区域分别进行状态估计，利用区域边界交互信息，判断子区域状态变量的收敛情况，从而在分布式并行环境下对状态估计问题进行加速求解。
上述两种配电网的状态估计方式均存在缺陷，集中式状态估计方法只考虑采集的实时量测数据，而由于量测设备布置不够充分，采集的量测数据不完备，导致采集的实时数据难以支撑状态估计，且在复杂的有源配电网中，分布式光伏等新能源的并网出力使得原有的能量流动从单向性转变为双向性，对配电网的运行状态产生较大影响。分布式状态估计方法对不同的分布式新能源出力进行建模与分析，采用神经网络、深度学习等人工智能方法对其出力进行预测，将预测值作为伪量测值加入到状态估计中，再对有源配电网进行分布式状态估计，此种预测方法存在预测精度较低，且计算与时间成本过高的问题。
综上，由于有源配电网中的量测数据来源不一、类型多样，采用神经网络、深度学习等人工智能方法对其出力进行预测，将预测值作为伪量测值加入到状态估计中，再对有源配电网进行分布式状态估计，该类预测方法存在预测精度较低、且计算与时间成本过高等问题。且由于有源配电网中的量测数据来源不一、类型多样，采用单一的实时量测会导致状态估计结果的可信度不高，将多源实时量测数据直接引入计算又会对精确性造成影响。
此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于量测补齐的有源配电网状态估计方法及装置，是非常有必要的。
发明内容
针对现有技术的上述采用神经网络、深度学习等人工智能方法对其出力进行预测，将预测值作为伪量测值加入到状态估计中，再对有源配电网进行分布式状态估计，该类预测方法存在预测精度较低、且计算与时间成本过高等问题。且由于有源配电网中的量测数据来源不一、类型多样，采用单一的实时量测会导致状态估计结果的可信度不高，将多源实时量测数据直接引入计算又会对精确性造成影响缺陷，本发明提供一种基于量测补齐的有源配电网状态估计方法及装置，以解决上述技术问题。
第一方面，本发明提供一种基于量测补齐的有源配电网状态估计方法，包括如下步骤：
S1.通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；
S2.抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；
S3.以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；
S4.对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；
S5.以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计。
进一步地，步骤S1具体步骤如下：
S11.通过数据采集与监视控制的SCADA平台按照第一采集周期采集配电网实时量测数据；
S12.通过高级量测系统的AMI按照第二采集周期采集配电网实时用户用电信息；
S13.通过相量测量装置的PMU按照第三采集周期采集配电网设备机组数据；
S14.通过分布式新能源管控平台获取传感器及气象站采集的分布式光伏电站的历史出力数据及气象数据。
进一步地，步骤S11中SCADA平台采集的配电网实时量测数据包括根节点、馈线主干和分支线开关上的电压幅值、三相电流和功率；
步骤S12中AMI平台采集的用户用电信息包括节点电压幅值、节点负荷及支路功率；
步骤S13中PMU平台采集的配电网设备机组数据包括直流量、开关量、鉴相脉冲、极端电压、极端电流以及线路三相电流、三相电压以及开关量；
步骤S14中分布式新能源管控平台采集的气象数据包括光照、温度、湿度、风速以及风向。
进一步地，步骤S2具体步骤如下：
S21.将配电网结构拓扑抽象为节点与边的关系，定义电气距离来表示节点之间电气关联的强弱；
S22.定义配电网中以馈线条数作为顶点的加权无向图，以及定义加权无向图的模块度值；
S23.预先将配电网划分为与节点数量相同的N个子网，并令每个子网包含一个节点作为顶点；
S24.定位一个节点作为定位顶点，将定位顶点移动至所在子网的相邻子网，计算移动导致的模块度值的增量，并在模块度值的增量大于等于0时，令定位顶点移动生效，更新子网划分范围，而在模块度值的增量小于0时，保留定位顶点在原始子网，直至每个顶点定位完毕，完成最终子网分区。
进一步地，步骤S24具体步骤如下：
S241.定位一个顶点；
S242.获取定位顶点所在原始子网及相邻子网，并将定位顶点从原始子网移动至相邻子网；
S243.计算定位顶点移动前后模块度值的增量，并判断增量值；
当增量值大于等于0，进入步骤S245；
当增量值小于0，进入步骤S244；
S244.将定位顶点移动回原始子网，进入步骤S246；
S245.定位顶点移动生效，更新子网划分范围；
S246.判断顶点是否定位完毕；
若是，进入步骤S248；
若否，进入步骤S247；
S247.定位下一个顶点，返回步骤S242；
S248.判定得到模块度值的最大值，输出最终子网分区结果。
进一步地，步骤S3具体步骤如下：
S31.设定PMU平台采集配电网设备机组数据为基准，并在所需时间断面缺少AMI平台采集用户用电信息数据及SCADA平台采集的实时量测数据时，通过线性外推法进行补齐；
S32.根据时标对齐AMI平台采集用户用电信息数据与PMU平台采集的配电网设备机组数据；
S33.根据SCADA平台采集的实时测量数据的量测时延窗口及量测时延期望值进行所需时间断面的SCADA平台采集的实时测量数据与PMU平台采集配电网设备机组数据的同步；
S34.对分布式光伏电站的历史出力数据进行预处理后得到归一化的数据集，使用小波分解法将数据集分解为不同尺度的高低频特征信号，对分解后特征及气象数据进行分析得到分类建模的输入集合，构建各分类的DBN预测模型，并将输入集合输入对应分类的DBN预测模型，再根据DBN预测模型的加权分区进行功率预测。
进一步地，步骤S34具体步骤如下：
S341.对分布式光伏电站的历史出力数据和气象数据进行数据线性分析、异常值分析、缺失值分析以及统计分析的预处理；
S342.对预处理后分布式光伏电站的历史出力数据和气象数据进行归一化处理，划分训练集和测试集；
S343.采用小波分解法将归一化训练集的原始序列分解成不同尺度的高低频信号，获取不同尺度特征；
S344.对建立DBN预测模型所需的分解信号和气象数据进行相关性和周期性分析，得到分量建模的输入集合；
S345.根据对应分解分量构建对应DBN预测模型，再根据对应DBN预测模型的加权分布确定最终预测结果。
进一步地，步骤S4具体步骤如下：
S41.将各子网的实时量测量以相位和幅值的形式进行矢量表示；
S42.将各子网的伪量测量以区间形式进行相位和幅值的矢量表示；
S43.将各子网的实时量测量矢量及伪量测量矢量进行量测转换，得到实部与虚部的矢量表示形式，完成非线性向线性的转换，得到区域广义量测数据集。
进一步地，步骤S41具体步骤如下：
S411.将各子网的实时量测数据表示为有功量测幅值、无功量测幅值以及电流量测幅值的矢量形式；
S412.将各子网的用户用电信息表示为有功量测幅值和无功量测幅值的矢量形式；
S413.将各子网的配电网设备机组数据表示为电压量测幅值、电压量测相角、电流量测幅值以及电流量测相角的矢量形式；
步骤S42中，将各子网的伪量测量以区间形式表示为有功量测幅值和无功量测幅值的矢量形式。
进一步地，步骤S5具体步骤如下：
S51.输入区域广义量测数据集，构建区域配电网状态估计模型，形成测量权重矩阵，初始化状态变量，并根据网络参数求解节点导纳矩阵；
S52.设置最大允许误差和最大迭代次数，初始化当前迭代次数，计算量测函数和雅可比矩阵、信息矩阵和自由矢量；
S53.计算状态变量的修正量和修正值，根据修正值计算分布式光伏发电系统发出的无功功率；
S54.判断分布式光伏发电系统发出的无功功率最大值与最大允许误差的关系；
当无功功率大于最大允许误差，更新状态变量的修正量和修正值，根据更新后的修正值计算分布式光伏发电系统发出的无功功率，返回步骤S54；
当无功功率小于最大允许误差，进入步骤S55；
S55.对状态变量的修正量进行收敛判断，并在不满足收敛要求时，在最大迭代次数范围内继续进行收敛判断，而在满足收敛要求时，输出配电网的区域广义状态值和迭代次数。
进一步地，步骤S55具体步骤如下：
S551.判断状态变量的修正量是否小于最大允许误差；
若是，进入步骤S554；
若否，进入步骤S552；
S552.判断当前迭代次数是否小于最大迭代次数；
若是，进入步骤S553；
若否，判定达到最大迭代次数仍未满足收敛条件，停止计算，结束；
S553.进行下一次迭代，返回步骤S53；
S554.判定状态估计符合要求，输出配电网的区域广义状态值及迭代次数。
第二方面，本发明提供一种基于量测补齐的有源配电网状态估计装置，包括：
数据采集模块，用于通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；
划分子网模块，用于抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；
量测补齐模块，用于以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；
构建量测数据集模块，用于对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；
广义状态估计模块，用于以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计。
本发明的有益效果在于：
本发明提供的基于量测补齐的有源配电网状态估计方法，采用线性外推法将大颗粒度的量测数据补齐，从时间和空间上将实时量测数据进行统一，克服了多源数据的兼容性。
本发明同时采用小波分解和DBN结合的方法对分布式新能源出力进行预测，提升了伪量测数据的精度；采用多源量测数据融合方法形成广义状态估计量测集，提升了配电网状态估计的可信度，实现了完整的有源配电网广义状态估计。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于量测补齐的有源配电网状态估计方法实施例1流程示意图。
图2是本发明基于量测补齐的有源配电网状态估计方法实施例2流程示意图。
图3是本发明基于量测补齐的有源配电网状态估计方法子网分区流程示意图。
图4是本发明基于量测补齐的有源配电网状态估计方法的DBN预测分布式光伏电站的功率预测示意图。
图5是本发明基于量测补齐的有源配电网状态估计方法的广义状态估计流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
PMU，是phasor measurement unit的简称，是利用 GPS 秒脉冲作为同步时钟构成的相量测量单元 , 可用来测量电力系统在暂态过程中各节点的电压向量，已被广泛应用于电力系统的动态监测、状态估计、系统保护、区域稳定控制、系统分析和预测等领域，是保障电网安全运行的重要设备。
SCADA，是supervisory control and data acquisition的简称，数据采集与监视控制系统。
AMI，是advanced metering infrastructure的简称，高级量测系统。
实施例1：
如图1所示，本发明提供一种基于量测补齐的有源配电网状态估计方法，包括如下步骤：
S1.通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；
S2.抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；
S3.以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；
S4.对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；
S5.以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计。
实施例2：
如图2所示，本发明提供一种基于量测补齐的有源配电网状态估计方法，包括如下步骤：
S1.通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；步骤S1具体步骤如下：
S11.通过数据采集与监视控制的SCADA平台按照第一采集周期采集配电网实时量测数据；
S12.通过高级量测系统的AMI按照第二采集周期采集配电网实时用户用电信息；
S13.通过相量测量装置的PMU按照第三采集周期采集配电网设备机组数据；
S14.通过分布式新能源管控平台获取传感器及气象站采集的分布式光伏电站的历史出力数据及气象数据；
S2.抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；步骤S2具体步骤如下：
S21.将配电网结构拓扑抽象为节点与边的关系，定义电气距离来表示节点之间电气关联的强弱；
S22.定义配电网中以馈线条数作为顶点的加权无向图，以及定义加权无向图的模块度值；
S23.预先将配电网划分为与节点数量相同的N个子网，并令每个子网包含一个节点作为顶点；
S24.定位一个节点作为定位顶点，将定位顶点移动至所在子网的相邻子网，计算移动导致的模块度值的增量，并在模块度值的增量大于等于0时，令定位顶点移动生效，更新子网划分范围，而在模块度值的增量小于0时，保留定位顶点在原始子网，直至每个顶点定位完毕，完成最终子网分区；
S3.以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；步骤S3具体步骤如下：
S31.设定PMU平台采集配电网设备机组数据为基准，并在所需时间断面缺少AMI平台采集用户用电信息数据及SCADA平台采集的实时量测数据时，通过线性外推法进行补齐；
S32.根据时标对齐AMI平台采集用户用电信息数据与PMU平台采集的配电网设备机组数据；
S33.根据SCADA平台采集的实时测量数据的量测时延窗口及量测时延期望值进行所需时间断面的SCADA平台采集的实时测量数据与PMU平台采集配电网设备机组数据的同步；
S34.对分布式光伏电站的历史出力数据进行预处理后得到归一化的数据集，使用小波分解法将数据集分解为不同尺度的高低频特征信号，对分解后特征及气象数据进行分析得到分类建模的输入集合，构建各分类的DBN预测模型，并将输入集合输入对应分类的DBN预测模型，再根据DBN预测模型的加权分区进行功率预测；
S4.对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；步骤S4具体步骤如下：
S41.将各子网的实时量测量以相位和幅值的形式进行矢量表示；
S42.将各子网的伪量测量以区间形式进行相位和幅值的矢量表示；
S43.将各子网的实时量测量矢量及伪量测量矢量进行量测转换，得到实部与虚部的矢量表示形式，完成非线性向线性的转换，得到区域广义量测数据集；
S5.以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计；步骤S5具体步骤如下：
S51.输入区域广义量测数据集，构建区域配电网状态估计模型，形成测量权重矩阵，初始化状态变量，并根据网络参数求解节点导纳矩阵；
S52.设置最大允许误差和最大迭代次数，初始化当前迭代次数，计算量测函数和雅可比矩阵、信息矩阵和自由矢量；
S53.计算状态变量的修正量和修正值，根据修正值计算分布式光伏发电系统发出的无功功率；
S54.判断分布式光伏发电系统发出的无功功率最大值与最大允许误差的关系；
当无功功率大于最大允许误差，更新状态变量的修正量和修正值，根据更新后的修正值计算分布式光伏发电系统发出的无功功率，返回步骤S54；
当无功功率小于最大允许误差，进入步骤S55；
S55.对状态变量的修正量进行收敛判断，并在不满足收敛要求时，在最大迭代次数范围内继续进行收敛判断，而在满足收敛要求时，输出配电网的区域广义状态值和迭代次数。
实施例3：
如图2所示，本发明提供一种基于量测补齐的有源配电网状态估计方法，包括如下步骤：
S1.通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；步骤S1具体步骤如下：
S11.通过数据采集与监视控制的SCADA平台按照第一采集周期采集配电网实时量测数据；SCADA平台采集的配电网实时量测数据包括根节点、馈线主干和分支线开关上的电压幅值、三相电流和功率；第一采集周期可采用几秒到1分钟的时间段；
S12.通过高级量测系统的AMI按照第二采集周期例如15分钟，采集配电网实时用户用电信息；AMI平台采集的用户用电信息包括节点电压幅值、节点负荷及支路功率；
S13.通过相量测量装置的PMU按照第三采集周期采集配电网设备机组数据；PMU平台采集的配电网设备机组数据包括直流量、开关量、鉴相脉冲、极端电压、极端电流以及线路三相电流、三相电压以及开关量；第三采集周期小等于30ms；
S14.通过分布式新能源管控平台获取传感器及气象站采集的分布式光伏电站的历史出力数据及气象数据；分布式新能源管控平台采集的气象数据包括光照、温度、湿度、风速以及风向；
S2.抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；步骤S2具体步骤如下：
S21.将配电网结构拓扑抽象为节点与边的关系，定义电气距离来表示节点之间电气关联的强弱；首先将配电网拓扑结构抽象为节点和边之间的联系，对不同节点之间电气联系的强弱用“电气距离”来描述，在本发明中定义i节点的相和j节点的/>相之间的等效电气距离表示如下：
S22.定义配电网中以馈线条数作为顶点的加权无向图，以及定义加权无向图的模块度值；假设当前配电网区域中存在N个节点L条馈线，定义C是具有L个顶点的加权无向图，定义C的模块度值为Q表示如下：
其中，w为加权无向图中所有边的权重之和，是配电网区域中所有加权无向图的集合，Q值越大，代表不同无向图之间的联系越紧密；
S23.预先将配电网划分为与节点数量相同的N个子网，并令每个子网包含一个节点作为顶点；在具有N个顶点的配电网络中，首先将配电网划分为N个子网，其中每个子网包含一个顶点；
S24.定位一个节点作为定位顶点，将定位顶点移动至所在子网的相邻子网，计算移动导致的模块度值的增量，并在模块度值的增量大于等于0时，令定位顶点移动生效，更新子网划分范围，而在模块度值的增量小于0时，保留定位顶点在原始子网，直至每个顶点定位完毕，完成最终子网分区；如图3所示，步骤S24具体步骤如下：
S241.定位一个顶点；
S242.获取定位顶点所在原始子网及相邻子网，并将定位顶点从原始子网移动至相邻子网；
S243.计算定位顶点移动前后模块度值的增量，并判断增量值；
当增量值大于等于0，进入步骤S245；
当增量值小于0，进入步骤S244；
S244.将定位顶点移动回原始子网，进入步骤S246；
S245.定位顶点移动生效，更新子网划分范围；
S246.判断顶点是否定位完毕；
若是，进入步骤S248；
若否，进入步骤S247；
S247.定位下一个顶点，返回步骤S242；
S248.判定得到模块度值的最大值，输出最终子网分区结果；
假设现在i顶点隶属于C1子网，其相邻子网为C2，可将i顶点从C1子网移动至C2子网，形成新的子网C1 *和C2 *，移动过程遵循的原则是：
计算此时网络的模块度值的增量变化ΔQ，如果ΔQ小于0，则顶点i仍然停留在原始子网C1中；
按照上述移动规则，从顶点编号由小到大的顺序不断迭代，直到模块度值Q达到最大值，即任意一个顶点的移动都不会使Q增大；
通过上述分区优化方法最终将原始配电网络划分成多个子网区域；
S3.以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的处理数据预测，完成伪量测量补齐；用于进行状态估计的量测数据来源有两类，一是来源于量测设备采集的数据，二是分布式能源预测的伪量测数据；步骤S3具体步骤如下：
S31.设定PMU平台采集配电网设备机组数据为基准，并在所需时间断面缺少AMI平台采集用户用电信息数据及SCADA平台采集的实时量测数据时，通过线性外推法进行补齐；
S32.根据时标对齐AMI平台采集用户用电信息数据与PMU平台采集的配电网设备机组数据；
S33.根据SCADA平台采集的实时测量数据的量测时延窗口及量测时延期望值进行所需时间断面的SCADA平台采集的实时测量数据与PMU平台采集配电网设备机组数据的同步；
a)实时量测补齐：
首先说明实时量测对齐过程，由于实时测量数据RTU、用户用电信息AMI和配电网设备机组数据PMU三种数据采集的时间尺度不一致，本发明在构造区域量测雅可比矩阵前将所有量测数据进行同步；
考虑到PMU数据的更新周期和传输时延最低，且采集的量测带有精确时标，因此将PMU数据作为基准，将RTU与AMI数据与之对齐；带有时标的用户用电信息AMI数据根据时标即可与PMU数据对齐，这里不再赘述；
此处对配电网设备机组数据PMU与实时测量数据RTU数据的对齐方法进行说明：
假设RTU在Tm时刻产生数据，在Tn时刻数据到达调度中心，产生的量测时延窗口为TR。当量测时延服从[bmin,bmax]均匀分布时，可以得到TR在[Tm+bmin,Tm+bmax]上服从均匀分布；
定义RTU量测时延的期望值为Eb，量测取用时间为Tm+Eb，要得到RTU与PMU在时间Tm上的同步数据，只需在TR窗口上找到一个RTU数据，将该RTU数据与PMU数据作为时间Tm的断面上的数据；
由于三种量测数据更新速度不一致，可能出现同一个断面没有RTU和AMI数据的情况，需要将这两项数据补齐；
此处采用线性外推法，其相较于线性内插法的优势在于计算时间成本低，对于电力系统中短时间的渐变式趋势预测有较好的效果；
补齐量测的计算过程如下：
其中，Tn、Tp分别为RTU和AMI数据的采样周期，zn,k和zp,k分别是RTU和AMI在[tj,tj+1]范围内的任意时刻量测向量；
S34.对分布式光伏电站的历史出力数据进行预处理后得到归一化的数据集，使用小波分解法将数据集分解为不同尺度的高低频特征信号，对分解后特征及气象数据进行分析得到分类建模的输入集合，构建各分类的DBN预测模型，并将输入集合输入对应分类的DBN预测模型，再根据DBN预测模型的加权分区进行功率预测；步骤S34具体步骤如下：
S341.对分布式光伏电站的历史出力数据和气象数据进行数据线性分析、异常值分析、缺失值分析以及统计分析的预处理；
S342.对预处理后分布式光伏电站的历史出力数据和气象数据进行归一化处理，划分训练集和测试集；
S343.采用小波分解法将归一化训练集的原始序列分解成不同尺度的高低频信号，获取不同尺度特征；
S344.对建立DBN预测模型所需的分解信号和气象数据进行相关性和周期性分析，得到分量建模的输入集合；
S345.根据对应分解分量构建对应DBN预测模型，再根据对应DBN预测模型的加权分布确定最终预测结果；
此处基于小波分解和DBN预测分布式光伏电站的出力情况；
首先对获取到的历史出力数据和气象数据进行预处理，包括数据线性分析、异常值、缺失值、统计分析等以提高数据质量，然后将数据进行归一化处理，划分训练集和测试集；
接着采用小波分解法将原始序列分解成多个不同尺度的高低频信号，从而获取不同尺度的特征，再建立预测模型前对分解信号和气象数据进行相关性和周期性分析，得到分量建模的输入集合；
然后根据不同的分解分量构建不同的DBN预测模型；
最后根据每个模型预测值的加权分布确定最终预测结果，得到功率预测值，预测过程如图4所示；
S4.对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；采用量测转换技术将获取到的标量量测数据统一转换成相应的等效支路电流实部和虚部量测；步骤S4具体步骤如下：
S41.将各子网的实时量测量以相位和幅值的形式进行矢量表示；步骤S41具体步骤如下：
S411.将各子网的实时量测数据表示为有功量测幅值、无功量测幅值以及电流量测幅值的矢量形式；
S412.将各子网的用户用电信息表示为有功量测幅值和无功量测幅值的矢量形式；
S413.将各子网的配电网设备机组数据表示为电压量测幅值、电压量测相角、电流量测幅值以及电流量测相角的矢量形式；
S42.将各子网的伪量测量以区间形式进行相位和幅值的矢量表示；将各子网的伪量测量以区间形式表示为有功量测幅值和无功量测幅值的矢量形式；
S43.将各子网的实时量测量矢量及伪量测量矢量进行量测转换，得到实部与虚部的矢量表示形式，完成非线性向线性的转换，得到区域广义量测数据集；
首先将量测数据以数学形式表示，用[z]=[[z1],[z2]]表示量测矢量，其中，[z1]的构成包括RTU、AMI和PMU三种元素集合，RTU量测表示为[Pik ]、[Qik/>]和[Iik/>]，AMI量测表示为[Pi/>]和[Qi/>]，PMU量测表示为[Ui/>]、[/> i/>]、[Iil/>]和[/> il/>]；
[z2]为以区间数形式表示的预测伪量测，包括[Pi ]和[Qi/>]；
具体的量测转换过程以线路功率量测为例：
假设线路l的k相首端有功量测为Pl,k m，无功量测为Ql,k m，该线路功率量测转换成线路等值电流实部量测和虚部量测的过程如下所示：
/>
其中，是首端节点i的k相电压幅值，/>为实部，/>为虚部。采用量测转换技术转换后的量测数据，与状态变量之间的关系由非线性转化为线性，从而令得到的量测雅可比矩阵元素为常数；
S5.以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计；步骤S5具体步骤如下：
S51.输入区域广义量测数据集，构建区域配电网状态估计模型，形成测量权重矩阵，初始化状态变量，并根据网络参数求解节点导纳矩阵；
S52.设置最大允许误差和最大迭代次数，初始化当前迭代次数，计算量测函数和雅可比矩阵、信息矩阵和自由矢量；
S53.计算状态变量的修正量和修正值，根据修正值计算分布式光伏发电系统发出的无功功率；
S54.判断分布式光伏发电系统发出的无功功率最大值与最大允许误差的关系；
当无功功率大于最大允许误差，更新状态变量的修正量和修正值，根据更新后的修正值计算分布式光伏发电系统发出的无功功率，返回步骤S54；
当无功功率小于最大允许误差，进入步骤S55；
S55.对状态变量的修正量进行收敛判断，并在不满足收敛要求时，在最大迭代次数范围内继续进行收敛判断，而在满足收敛要求时，输出配电网的区域广义状态值和迭代次数；步骤S55具体步骤如下：
S551.判断状态变量的修正量是否小于最大允许误差；
若是，进入步骤S554；
若否，进入步骤S552；
S552.判断当前迭代次数是否小于最大迭代次数；
若是，进入步骤S553；
若否，判定达到最大迭代次数仍未满足收敛条件，停止计算，结束；
S553.进行下一次迭代，返回步骤S53；
S554.判定状态估计符合要求，输出配电网的区域广义状态值及迭代次数；
将上部分形成的量测数据集作为输入，采用加权最小二乘法进行区域状态估计；
首先初始化各项参数，包括量测量z，量测权重矩阵R-1、状态变量x、最大允许误差εx、最大迭代次数lmax等，根据网络参数求解节点导纳矩阵；
然后计算量测函数h(x(l))和雅可比矩阵H(x(l))，利用r(l)=z-h(x(l))计算残差，求解信息矩阵HT(x̂(l))R-1H(x̂(l))和自由矢量HT(x̂(l))R-1[z-h(x̂(l))]；
接着计算状态变量的修正量Δx(l)和修正值x(l+1)，由x(l+1)计算光伏发电系统所发出的无功功率Δc(x(l+1))，如果max|Δc(x(l+1))|>εx，分别计算状态变量新的修正量Δx'和修正值x'，然后根据更新后的修正值x'计算光伏发电系统所发出的无功功率Δc(x(l+1))，并返回判断无功功率与最大允许误差的关系，直到无功功率在最大允许误差范围内；
最后进行收敛判定，如果|Δx'i (l)|<εx，说明状态估计的结果已经符合要求；否则，如果l<lmax，那么令l=l+1，重新进行下一次迭代计算，如果l=lmax，说明当达到最大迭代次数时仍未满足收敛条件，则停止计算，广义状态估计过程如图5所示。
实施例4：
本发明提供一种基于量测补齐的有源配电网状态估计装置，包括：
数据采集模块，用于通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；
划分子网模块，用于抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；
量测补齐模块，用于以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；
构建量测数据集模块，用于对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；
广义状态估计模块，用于以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于量测补齐的有源配电网状态估计方法，其特征在于，包括如下步骤：
S1.通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；
S2.抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；
S3.以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；
S4.对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；
S5.以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计；
步骤S5具体步骤如下：
S51.输入区域广义量测数据集，构建区域配电网状态估计模型，形成测量权重矩阵，初始化状态变量，并根据网络参数求解节点导纳矩阵；
S52.设置最大允许误差和最大迭代次数，初始化当前迭代次数，计算量测函数和雅可比矩阵、信息矩阵和自由矢量；
S53.计算状态变量的修正量和修正值，根据修正值计算分布式光伏发电系统发出的无功功率；
S54.判断分布式光伏发电系统发出的无功功率最大值与最大允许误差的关系；
当无功功率大于最大允许误差，更新状态变量的修正量和修正值，根据更新后的修正值计算分布式光伏发电系统发出的无功功率，返回步骤S54；
当无功功率小于最大允许误差，进入步骤S55；
S55.对状态变量的修正量进行收敛判断，并在不满足收敛要求时，在最大迭代次数范围内继续进行收敛判断，而在满足收敛要求时，输出配电网的区域广义状态值和迭代次数；
步骤S55具体步骤如下：
S551.判断状态变量的修正量是否小于最大允许误差；
若是，进入步骤S554；
若否，进入步骤S552；
S552.判断当前迭代次数是否小于最大迭代次数；
若是，进入步骤S553；
若否，判定达到最大迭代次数仍未满足收敛条件，停止计算，结束；
S553.进行下一次迭代，返回步骤S53；
S554.判定状态估计符合要求，输出配电网的区域广义状态值及迭代次数。
2.如权利要求1所述的基于量测补齐的有源配电网状态估计方法，其特征在于，步骤S1具体步骤如下：
S11.通过数据采集与监视控制的SCADA平台按照第一采集周期采集配电网实时量测数据；
S12.通过高级量测系统的AMI按照第二采集周期采集配电网实时用户用电信息；
S13.通过相量测量装置的PMU按照第三采集周期采集配电网设备机组数据；
S14.通过分布式新能源管控平台获取传感器及气象站采集的分布式光伏电站的历史出力数据及气象数据。
3.如权利要求1所述的基于量测补齐的有源配电网状态估计方法，其特征在于，步骤S2具体步骤如下：
S21.将配电网结构拓扑抽象为节点与边的关系，定义电气距离来表示节点之间电气关联的强弱；
S22.定义配电网中以馈线条数作为顶点的加权无向图，以及定义加权无向图的模块度值；
S23.预先将配电网划分为与节点数量相同的N个子网，并令每个子网包含一个节点作为顶点；
S24.定位一个节点作为定位顶点，将定位顶点移动至所在子网的相邻子网，计算移动导致的模块度值的增量，并在模块度值的增量大于等于0时，令定位顶点移动生效，更新子网划分范围，而在模块度值的增量小于0时，保留定位顶点在原始子网，直至每个顶点定位完毕，完成最终子网分区。
4.如权利要求3所述的基于量测补齐的有源配电网状态估计方法，其特征在于，步骤S24具体步骤如下：
S241.定位一个顶点；
S242.获取定位顶点所在原始子网及相邻子网，并将定位顶点从原始子网移动至相邻子网；
S243.计算定位顶点移动前后模块度值的增量，并判断增量值；
当增量值大于等于0，进入步骤S245；
当增量值小于0，进入步骤S244；
S244.将定位顶点移动回原始子网，进入步骤S246；
S245.定位顶点移动生效，更新子网划分范围；
S246.判断顶点是否定位完毕；
若是，进入步骤S248；
若否，进入步骤S247；
S247.定位下一个顶点，返回步骤S242；
S248.判定得到模块度值的最大值，输出最终子网分区结果。
5.如权利要求2所述的基于量测补齐的有源配电网状态估计方法，其特征在于，步骤S3具体步骤如下：
S31.设定PMU平台采集配电网设备机组数据为基准，并在所需时间断面缺少AMI平台采集用户用电信息数据及SCADA平台采集的实时量测数据时，通过线性外推法进行补齐；
S32.根据时标对齐AMI平台采集用户用电信息数据与PMU平台采集的配电网设备机组数据；
S33.根据SCADA平台采集的实时测量数据的量测时延窗口及量测时延期望值进行所需时间断面的SCADA平台采集的实时测量数据与PMU平台采集配电网设备机组数据的同步；
S34.对分布式光伏电站的历史出力数据进行预处理后得到归一化的数据集，使用小波分解法将数据集分解为不同尺度的高低频特征信号，对分解后特征及气象数据进行分析得到分类建模的输入集合，构建各分类的DBN预测模型，并将输入集合输入对应分类的DBN预测模型，再根据DBN预测模型的加权分区进行功率预测。
6.如权利要求5所述的基于量测补齐的有源配电网状态估计方法，其特征在于，步骤S34具体步骤如下：
S341.对分布式光伏电站的历史出力数据和气象数据进行数据线性分析、异常值分析、缺失值分析以及统计分析的预处理；
S342.对预处理后分布式光伏电站的历史出力数据和气象数据进行归一化处理，划分训练集和测试集；
S343.采用小波分解法将归一化训练集的原始序列分解成不同尺度的高低频信号，获取不同尺度特征；
S344.对建立DBN预测模型所需的分解信号和气象数据进行相关性和周期性分析，得到分量建模的输入集合；
S345.根据对应分解分量构建对应DBN预测模型，再根据对应DBN预测模型的加权分布确定最终预测结果。
7.如权利要求1所述的基于量测补齐的有源配电网状态估计方法，其特征在于，步骤S4具体步骤如下：
S41.将各子网的实时量测量以相位和幅值的形式进行矢量表示；
S42.将各子网的伪量测量以区间形式进行相位和幅值的矢量表示；
S43.将各子网的实时量测量矢量及伪量测量矢量进行量测转换，得到实部与虚部的矢量表示形式，完成非线性向线性的转换，得到区域广义量测数据集。
8.一种应用于权利要求1-7任一项所述的基于量测补齐的有源配电网状态估计方法的装置，其特征在于，包括：
数据采集模块，用于通过监测平台获取实时量测数据、用户用电信息、配电网设备机组数据以及分布式光伏电站的历史出力数据和气象数据；
划分子网模块，用于抽象配电网节点与边的关系，定义电气距离、加权无向图以及模块度值，预划分子网，并通过移动子网顶点的方式令模块度值达到最大值，完成最终子网划分；
量测补齐模块，用于以配电网设备机组数据为基准，进行用户用电信息数据及实时量测数据的补齐与同步，完成实时量测量补齐，以及基于历史出力数据和气象数据使用小波分解和DBN预测模型进行分布式光伏电站的出力数据预测，完成伪量测量补齐；
构建量测数据集模块，用于对各子网的实时量测量和伪量测量进行相位幅值矢量形式向实虚部矢量形式的量测转换，生成区域广义量测数据集；
广义状态估计模块，用于以区域广义量测数据集为输入，并使用加权最小二乘法构建区域配电网状态估计模型，进行有源配电网的区域广义状态估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770219.9A CN117060373B (zh) | 2023-06-27 | 2023-06-27 | 一种基于量测补齐的有源配电网状态估计方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770219.9A CN117060373B (zh) | 2023-06-27 | 2023-06-27 | 一种基于量测补齐的有源配电网状态估计方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117060373A CN117060373A (zh) | 2023-11-14 |
| CN117060373B true CN117060373B (zh) | 2024-03-26 |
Family
ID=88665191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310770219.9A Active CN117060373B (zh) | 2023-06-27 | 2023-06-27 | 一种基于量测补齐的有源配电网状态估计方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117060373B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182644A (zh) * | 2014-08-29 | 2014-12-03 | 国家电网公司 | 一种融合分布式电源特性的配电网状态估计方法 |
| CN105391059A (zh) * | 2015-11-23 | 2016-03-09 | 江苏省电力公司南通供电公司 | 一种基于电流量测变换的分布式发电系统状态估计方法 |
| CN111581768A (zh) * | 2020-03-26 | 2020-08-25 | 东南大学 | 一种基于混合量测的配电网分布式状态估计方法 |
| CN111711186A (zh) * | 2020-05-28 | 2020-09-25 | 中国南方电网有限责任公司 | 基于gpu并行计算的电力系统pq分解状态估计方法 |
| CN114498921A (zh) * | 2021-12-28 | 2022-05-13 | 上海中楠水电配套工程有限公司 | 一种基于混合量测的配电网分层分区状态估计系统 |
| CN115036924A (zh) * | 2022-08-15 | 2022-09-09 | 南京邮电大学 | 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 |
| CN116243101A (zh) * | 2022-12-19 | 2023-06-09 | 贵州电网有限责任公司 | 一种考虑大量分布式光伏发电接入配电网故障定位方法 |
| CN116307291A (zh) * | 2023-05-22 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376983B (zh) * | 2018-03-22 | 2021-02-19 | 东北大学 | 一种基于边界融合的电网状态估计系统及方法 |
-
2023
- 2023-06-27 CN CN202310770219.9A patent/CN117060373B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182644A (zh) * | 2014-08-29 | 2014-12-03 | 国家电网公司 | 一种融合分布式电源特性的配电网状态估计方法 |
| CN105391059A (zh) * | 2015-11-23 | 2016-03-09 | 江苏省电力公司南通供电公司 | 一种基于电流量测变换的分布式发电系统状态估计方法 |
| CN111581768A (zh) * | 2020-03-26 | 2020-08-25 | 东南大学 | 一种基于混合量测的配电网分布式状态估计方法 |
| CN111711186A (zh) * | 2020-05-28 | 2020-09-25 | 中国南方电网有限责任公司 | 基于gpu并行计算的电力系统pq分解状态估计方法 |
| CN114498921A (zh) * | 2021-12-28 | 2022-05-13 | 上海中楠水电配套工程有限公司 | 一种基于混合量测的配电网分层分区状态估计系统 |
| CN115036924A (zh) * | 2022-08-15 | 2022-09-09 | 南京邮电大学 | 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 |
| CN116243101A (zh) * | 2022-12-19 | 2023-06-09 | 贵州电网有限责任公司 | 一种考虑大量分布式光伏发电接入配电网故障定位方法 |
| CN116307291A (zh) * | 2023-05-22 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
Non-Patent Citations (5)
| Title |
|---|
| 具有反馈数据丢包的网络化控制电力无功优化改进算法;彭可;盘清琳;邵添;聂健;李国平;李仲阳;金耀;;中南大学学报(自然科学版);20130926(第09期);全文 * |
| 基于多准则分区和WLS-PDIPM算法的有源配电网状态估计;马健;唐巍;徐升;张璐;刘科研;杨德昌;;电力系统自动化(第12期);全文 * |
| 考虑量测时延时基于3种数据融合的配网状态估计;盛万兴;方恒福;沈玉兰;王金丽;杨红磊;陈艳波;电力系统及其自动化学报;31(12);第108-110页 * |
| 计及分布式电源接入的配电网状态估计;王韶;江卓翰;朱姜峰;王洋;董光德;电力系统保护与控制;第41卷(第13期);第84页 * |
| 计及电动汽车和光伏不确定性的主动配电网量测优化配置;徐俊俊;戴桂木;吴在军;窦晓波;顾伟;袁晓冬;;电力系统自动化;20170110(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117060373A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dutta et al. | Load and renewable energy forecasting for a microgrid using persistence technique | |
| Zamzam et al. | Learning optimal solutions for extremely fast AC optimal power flow | |
| Sossan et al. | Unsupervised disaggregation of photovoltaic production from composite power flow measurements of heterogeneous prosumers | |
| CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
| CN107104442B (zh) | 计及参数模糊性的含风电场电力系统概率潮流计算方法 | |
| Khujamatov et al. | Research and modelling adaptive management of hybrid power supply systems for object telecommunications based on IoT | |
| CN104392135A (zh) | 一种含经vsc-hvdc并网海上风电场的交直流系统概率最优潮流计算方法 | |
| Shi et al. | Optimal control for a class of complex singular system based on adaptive dynamic programming | |
| Liu et al. | Power system state estimation based on fusion of WAMS/SCADA measurements: A survey | |
| Fang et al. | Active distribution system state estimation incorporating photovoltaic generation system model | |
| Chen et al. | Distribution system state estimation: A survey of some relevant work | |
| Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
| CN117060373B (zh) | 一种基于量测补齐的有源配电网状态估计方法及装置 | |
| CN110752622B (zh) | 一种配电网仿射状态估计方法 | |
| Chenhong et al. | Wind speed prediction research based on time series model with residual correction | |
| Wang et al. | Variational Bayesian Learning with reliable likelihood approximation for accurate Process Quality Evaluation | |
| Ponnala et al. | Effective monitoring of power system with phasor measurement unit and effective data storage system | |
| Zhang et al. | Distribution network topology identification considering nonsynchronous multi-prosumer data measurement | |
| Zhang et al. | Deep multi-fidelity bayesian data fusion for probabilistic distribution system voltage estimation with high penetration of pvs | |
| Xu et al. | A multi-area forecasting aided state estimation strategy for unbalance distribution networks | |
| Huang et al. | A scalable meter placement method for distribution system state estimation | |
| Sarma et al. | Distributed Optimal Power Flow with Data-Driven Sensitivity Computation | |
| Yuan et al. | State estimation of active distribution network based on date fusion of multi-intelligent terminals | |
| Eshraghi et al. | Power grid reliability improvement through forecasting with complex-valued neural networks under system contingency | |
| Man et al. | Real-Time Status Estimation of Active Distribution Network Based on Multi-source Asynchronous Data Fusion |
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 |