CN117272238A - 一种基于多元线性回归模型的低压配电网参数估计方法 - Google Patents

一种基于多元线性回归模型的低压配电网参数估计方法 Download PDF

Info

Publication number
CN117272238A
CN117272238A CN202311079269.9A CN202311079269A CN117272238A CN 117272238 A CN117272238 A CN 117272238A CN 202311079269 A CN202311079269 A CN 202311079269A CN 117272238 A CN117272238 A CN 117272238A
Authority
CN
China
Prior art keywords
multiple linear
linear regression
distribution network
voltage distribution
low
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
CN202311079269.9A
Other languages
English (en)
Inventor
蒋雯倩
覃予鹏
林秀清
陈珏羽
李金瑾
唐志涛
黄柯颖
杨舟
徐达
颜丹丹
程万旭
黄军力
张焜
胡博伟
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.)
Tianjin University
Guangxi Power Grid Co Ltd
Original Assignee
Tianjin University
Guangxi 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 Tianjin University, Guangxi Power Grid Co Ltd filed Critical Tianjin University
Priority to CN202311079269.9A priority Critical patent/CN117272238A/zh
Publication of CN117272238A publication Critical patent/CN117272238A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于多元线性回归模型的低压配电网参数估计方法，包括以下步骤：采集得到用户用电状态数据；基于电路理论，构建多元线性回归矩阵；推导回归矩阵，并将回归矩阵进行标准化处理；对标准化处理后的回归矩阵进行求解，得到估计的线路长度。本发明通过使用应用于客户仪表提供的数据建立多元线性回归模型，回归模型中参数估计的接受度是与通过数学和物理约束的比较来实现的。本发明在仅采用智能电表数据的情况下，结合电力公司提供的导体、机械结构的类型等线路相关信息，可以计算线路的阻抗参数，并估计线路长度。本发明在考虑智能电表数据质量差异时，均具有较高的准确性，在没有台区先验信息的情况下，也表现良好。

Description

一种基于多元线性回归模型的低压配电网参数估计方法
技术领域
本发明属于配电网状态估计技术领域，具体涉及一种基于多元线性回归模型的低压配电网参数估计方法。
背景技术
电网通常建成垂直集成系统，由于放松管制以及分布式能源(distributedenergy resources,DERs)的扩散而开放。DER不仅包括电能生产商，如生物质发电机、风能和太阳能，还包括其他有源电网组件，如可控负载、存储系统和智能电表。这种增加的复杂性需要增加自动化以及新的电网服务，这有助于通常所说的智能电网(smart grids,SGs)。智能电网的典型目标是通过先进的电压控制方法提高电能质量、优化资产利用和效率、停电管理、广域监测、故障检测等等。
由于配电网缺乏完全的可观测性，许多SG服务需要关于电网状态的准确信息，而这些信息通常由状态估计(state estimation,SE)技术提供。这些估计的可靠性在很大程度上取决于网格模型及其参数的准确性。不正确的参数可能由糟糕的行长估计或不一致的数据库条目(例如，遗留数据或网络更新后的输入错误)、老化或环境条件引起。因此，需要新的方法来估计配电网的拓扑性质。
目前，许多数据驱动技术使用全套p、q、v、θ信息来识别拓扑或估计线参数，或同时估计。通过从PMU测量中计算动态雅可比矩阵和动态系统状态矩阵来检测中的拓扑变化。线路参数采用非线性加权最小二乘误差算法估计，或者采用总最小二乘方法估计。部分研究拓扑结构和线路参数g、b均由·PMU(phasor measurement units)量测数据计算获取，还有研究是基于总线之间可能连通性的知识进行估计。
然而，许多低压配电网可能受到投资、通信技术或年龄的限制，难以配备昂贵μPMU的来测量电压角。因此，对于普通配电网来说，需要一种不依赖于电压角的方法来进行拓扑识别、线路参数估计，甚至恢复缺失的电压角。
发明内容
本发明为解决现有技术存在的问题而提出，其目的是提供一种基于多元线性回归模型的低压配电网参数估计方法。
本发明的技术方案是：一种基于多元线性回归模型的低压配电网参数估计方法，包括以下步骤：
A.采集得到用户用电状态数据；
B.基于电路理论，构建多元线性回归矩阵；
C.推导回归矩阵，并将回归矩阵进行标准化处理；
D.对标准化处理后的回归矩阵进行求解，得到估计的线路长度。
更进一步的，步骤A采集得到用户用电状态数据，具体过程如下：
通过安装的智能电表读取并记录用户的用电状态数据。
更进一步的，步骤B基于电路理论，构建多元线性回归矩阵，具体过程如下：
基于电路理论和应用于多相、多线电路的应用场景，构建一个多元线性回归矩阵。
更进一步的，步骤C推导回归矩阵，并将回归矩阵进行标准化处理，具体过程如下：
在得到的回归矩阵中加入截距，从而对回归矩阵进行标准化处理。
更进一步的，步骤D对标准化处理后的回归矩阵进行求解，得到估计的线路长度，具体过程如下：
首先，得到近似正序电阻、电抗和等效中性电阻；
然后，基于得到近似正序电阻、电抗和等效中性电阻，得到中性电阻和自电阻；
最后，使用修正系数，估计得到线路长度和类型。
更进一步的，所述近似正序电阻、电抗和等效中性电阻，利用相互估计项的平均值来减少数值上的不精确性。
更进一步的，中性电阻和自电阻是通过修正系数与X/R比线性相关而得到的。
更进一步的，对于每个导体，修正系数是通过估计的X/R比值而获得的。
更进一步的，所述修正系数与X/R比线性相关。
更进一步的，修正系数与X/R比线性相关的图表与电力公司使用的导体和机械结构的类型相关，在电力公司数据库查找得到。
本发明的有益效果如下：
本发明通过使用应用于客户仪表提供的数据建立多元线性回归模型，回归模型中参数估计的接受度是与通过数学和物理约束的比较来实现的。
本发明在仅采用智能电表数据的情况下，结合电力公司提供的导体、机械结构的类型等线路相关信息，可以计算线路的阻抗参数，并估计线路长度。
本发明在考虑智能电表数据质量差异时，均具有较高的准确性，在没有台区先验信息的情况下，也表现良好。有利于低压配网的实时状态估计、故障监测与预警、档案信息管理等。
附图说明
图1是本发明的方法流程图；
图2是本发明中两个客户智能电表的三相四线低压配电系统示意图；
图3是本发明中电力公司数据库中可能线路的X/R比与Rm/Raa比及其各自的线性估计曲线。
具体实施方式
以下，参照附图和实施例对本发明进行详细说明：
如图1至图3所示，一种基于多元线性回归模型的低压配电网参数估计方法，包括以下步骤：
A.采集得到用户用电状态数据；
B.基于电路理论，构建多元线性回归矩阵；
C.推导回归矩阵，并将回归矩阵进行标准化处理；
D.对标准化处理后的回归矩阵进行求解，得到估计的线路长度。
步骤A采集得到用户用电状态数据，具体过程如下：
通过安装的智能电表读取并记录用户的用电状态数据。
步骤B基于电路理论，构建多元线性回归矩阵，具体过程如下：
基于电路理论和应用于多相、多线电路的应用场景，构建一个多元线性回归矩阵。
步骤C推导回归矩阵，并将回归矩阵进行标准化处理，具体过程如下：
在得到的回归矩阵中加入截距，从而对回归矩阵进行标准化处理。
步骤D对标准化处理后的回归矩阵进行求解，得到估计的线路长度，具体过程如下：
首先，得到近似正序电阻、电抗和等效中性电阻；
然后，基于得到近似正序电阻、电抗和等效中性电阻，得到中性电阻和自电阻；
最后，使用修正系数，估计得到线路长度和类型。
所述近似正序电阻、电抗和等效中性电阻，利用相互估计项的平均值来减少数值上的不精确性。
中性电阻和自电阻是通过修正系数与X/R比线性相关而得到的。
对于每个导体，修正系数是通过估计的X/R比值而获得的。
所述修正系数与X/R比线性相关。
修正系数与X/R比线性相关的图表与电力公司使用的导体和机械结构的类型相关，在电力公司数据库查找得到。
具体的，步骤A采集得到用户用电状态数据，具体如下：
采集用电状态数据包括V、P、Q，即每个用户的可用量测值是相中性电压幅值(Van,Vbn,Vcn)、有功功率(Pa,Pb,Pc)和无功功率(Qa,Qb,Qc)。
具体的，步骤B基于电路理论，构建多元线性回归矩阵，具体如下：
采用R、X参数简化回归矩阵，从而进行标准化处理，R和X是由导体参数(相位和中性)的组合组成的。
实施例一
一种基于多元线性回归模型的低压配电网参数估计方法，包括以下步骤：
A.采集得到用户用电状态数据，具体如下：
本申请对等效单相电路的拓扑和参数估计进行推广、统一和改进，采用这种通用方法的原因是，使用等效单相电路来表示不平衡的lv系统会产生相当大的误差，因此，本方法考虑一个通用的三相低压系统。
如图2所示，每个用户的可用量测值是相中性电压幅值(Van,Vbn,Vcn)、有功功率(Pa,Pb,Pc)和无功功率(Qa,Qb,Qc)，上述量测值受计量不确定性影响，不确定性影响由矢量ε表示，与每个设备的精度等级和内部时钟同步有关。
B.基于电路理论，构建多元线性回归矩阵，具体如下：
估计线路参数的方法是基于电路理论，应用于多相、多线电路，以构建一个多元线性回归模型。
由于三相四线制中三相参数的计算过程相同，因此这里以a相为例进行说明，如图2所示：
首先，参考母线(母线0)和任何用户母线(例如，母线1或母线2)之间的电压降如公式(1)进行计算，帽子算子(a)表示相位参数，相位ph的相位电流计算为：
然后，基于配电系统中的接地电流和母线之间的角差θkm很小，初步进行忽略，将公式(1)近似为公式(2)，粗体符号用于定义向量和矩阵。
VAN-Van＝R·IR-X·IX (2)
其中：
所述R和X是由导体参数(相位和中性)的组合组成的。
更为具体的，例如，R的第一项是相和中性的自电阻相加，减去两倍相中性的相互电阻。由于所提出的多元线性回归的目标是确定每个自我参数(例如Raa或Xaa)和相互参数Rm和Xm(例如Rab或Xab)的值，因此需要对R和X项进行简化。
再后，电压VAN(总线0)是未知的，因此必须从公式(2)中进行，公式(2)只重写与表1和表2相关的参数，则如(4)所示：
Van1-Van2＝-R1·IR1+X1·IX1+R2·IR2-X2·IX2 (4)
再后，将公式(4)重新排列，对所有变量进行η次抽样，可由公式(5)得到多元线性回归矩阵。
步骤C推导回归矩阵，并将回归矩阵进行标准化处理，具体如下：
由于回归矩阵U没有标准化，因此在回归矩阵U中加入截距β0，以获得更好的数学拟合。回归矩阵U中13列是在两个仪表都是三相的情况下得到的。如果将回归应用于一个三相表和一个单相表，列数将减少到9即截距一项，三相表六项，单相表两项。
其中，β的估计值如公式(6)所示：
β＝(UTU)-1UTY (6)
步骤D对标准化处理后的回归矩阵进行求解，得到估计的线路长度，具体如下：
首先，求解多元线性回归，估计参考总线(VAN)上的电压幅值，如公式(7)所示，其中βR和βX表示β对R和X的取值。
然后，从公式(6)中估计的参数并不直接对应于导体的参数。
因此，要得到近似正序[31]电阻、电抗和等效中性电阻，如公式
(8)所示。
再后，任何估计的相互项(例如，β2或β3)都可以用来确定正序列参数(例如，R1+，因为在这两种情况下减法的结果都是自参数和相-相的互参数(Raa-Rab或Raa-Rac)的差值。利用相互估计项的平均值来减少数值的不精确性。
再后，确定正序线路参数后，通过修正系数与X/R比线性相关，得到中性电阻和自电阻，如图3所示。构造这个图表只需要了解电力公司使用的导体和机械结构的类型，这些通常可以在电力公司数据库中找到。有了这些信息，所有导体和机械结构的组合都进行了测试，并计算了X/R和Rm/Raa比值。
更为具体的，等效中性电抗的估计是不可能的，因为互感取决于导体的横截面面积。由于中性导体的截面积较小，相对相(Xab)和相对中性(Xbn)的相互电抗差可能不接近于零，这意味着在近似中存在相当大的误差。另一方面，中性自电阻的估计更精确，因为相-相和相-中性的相互项实际上是相等的，因为它们主要取决于常数参数，如地球电阻率。
然后，对于每个导体，使用估计的X+/R+比值获得修正系数，然后应用于公式(9)中。由于没有估计中性点电抗，假设中性线与相导体具有相同的修正系数。
在公式(9)中，自身电阻和相互电阻必须根据导体类型分组，即传统架空和多路。由于这一信息被认为是未知的，在这一点上，每条估计的线都有两种可能的相关导体类型。
通过估计导线的长度，消除了导线的不确定性。使用构建图3所需的相同数据库，获得了每一种可能的机械结构和导体组合的电阻Raa、Rnn和Rm作为距离的函数。这些电阻和估计电阻的比率(9)提供了每条线路和导体类型的估计长度。
假设正确的估计长度是Raa、Rnn和Rm中误差最小的组合。式(10)给出了线路长度和类型(如)的计算，其中向量/>来自数据库(db)组合。
本发明通过使用应用于客户仪表提供的数据建立多元线性回归模型，回归模型中参数估计的接受度是与通过数学和物理约束的比较来实现的。
本发明在仅采用智能电表数据的情况下，结合电力公司提供的导体、机械结构的类型等线路相关信息，可以计算线路的阻抗参数，并估计线路长度。
本发明在考虑智能电表数据质量差异时，均具有较高的准确性，在没有台区先验信息的情况下，也表现良好。有利于低压配网的实时状态估计、故障监测与预警、档案信息管理等。
以上所揭露的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，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：包括以下步骤：
A.采集得到用户用电状态数据；
B.基于电路理论，构建多元线性回归矩阵；
C.推导回归矩阵，并将回归矩阵进行标准化处理；
D.对标准化处理后的回归矩阵进行求解，得到估计的线路长度。
2.根据权利要求1所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：步骤A采集得到用户用电状态数据，具体过程如下：
通过安装的智能电表读取并记录用户的用电状态数据。
3.根据权利要求1所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：步骤B基于电路理论，构建多元线性回归矩阵，具体过程如下：
基于电路理论和应用于多相、多线电路的应用场景，构建一个多元线性回归矩阵。
4.根据权利要求1所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：步骤C推导回归矩阵，并将回归矩阵进行标准化处理，具体过程如下：
在得到的回归矩阵中加入截距，从而对回归矩阵进行标准化处理。
5.根据权利要求1所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：步骤D对标准化处理后的回归矩阵进行求解，得到估计的线路长度，具体过程如下：
首先，得到近似正序电阻、电抗和等效中性电阻；
然后，基于得到近似正序电阻、电抗和等效中性电阻，得到中性电阻和自电阻；
最后，使用修正系数，估计得到线路长度和类型。
6.根据权利要求5所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：所述近似正序电阻、电抗和等效中性电阻，利用相互估计项的平均值来减少数值上的不精确性。
7.根据权利要求6所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：中性电阻和自电阻是通过修正系数与X/R比线性相关而得到的。
8.根据权利要求7所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：对于每个导体，修正系数是通过估计的X/R比值而获得的。
9.根据权利要求8所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：所述修正系数与X/R比线性相关。
10.根据权利要求9所述的一种基于多元线性回归模型的低压配电网参数估计方法，其特征在于：修正系数与X/R比线性相关的图表与电力公司使用的导体和机械结构的类型相关，在电力公司数据库查找得到。
CN202311079269.9A 2023-08-25 2023-08-25 一种基于多元线性回归模型的低压配电网参数估计方法 Pending CN117272238A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311079269.9A CN117272238A (zh) 2023-08-25 2023-08-25 一种基于多元线性回归模型的低压配电网参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311079269.9A CN117272238A (zh) 2023-08-25 2023-08-25 一种基于多元线性回归模型的低压配电网参数估计方法

Publications (1)

Publication Number Publication Date
CN117272238A true CN117272238A (zh) 2023-12-22

Family

ID=89208648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311079269.9A Pending CN117272238A (zh) 2023-08-25 2023-08-25 一种基于多元线性回归模型的低压配电网参数估计方法

Country Status (1)

Country Link
CN (1) CN117272238A (zh)

Similar Documents

Publication Publication Date Title
Della Giustina et al. Electrical distribution system state estimation: measurement issues and challenges
CN112117763B (zh) 一种低压配电网拓扑识别与参数估计方法
CN110299762B (zh) 基于pmu准实时数据的主动配电网抗差估计方法
CN108448568B (zh) 基于多种时间周期测量数据的配电网混合状态估计方法
CN111596232B (zh) 一种基于电压序列变点检测的户变关系校验方法
CN113078630B (zh) 一种基于实时量测数据的低压配电网拓扑辨识方法
CN110927519B (zh) 基于μPMU量测值的主动配电网故障定位方法
CN112966219A (zh) 识别户表与表箱关系的方法及系统、设备、介质
CN109146336B (zh) 一种基于t分布的电力系统鲁棒状态估计方法
CN111091223B (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN112232382A (zh) 一种低压台区的分路与电表隶属关系识别方法及系统
CN115453193A (zh) 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法
CN110417009A (zh) 基于不同采样周期数据的配电网混合抗差状态估计方法
CN112182499B (zh) 一种基于时序电量数据的低压配电网拓扑结构辨识方法
CN110865328B (zh) 基于ami的智能电表相位识别、拓扑辨识及阻抗估计方法
CN106786498B (zh) 一种主站-变电站数据协同辨识方法及其装置
CN115508662B (zh) 一种用于判定台区电表与表箱间归属关系的方法
Haji et al. Practical considerations in the design of distribution state estimation techniques
CN114626959B (zh) 考虑多源量测的配电网二阶锥规划鲁棒状态估计方法
CN116169692A (zh) 一种基于前推回代和量测冗余的配电网参数修正方法
CN117272238A (zh) 一种基于多元线性回归模型的低压配电网参数估计方法
CN108182529A (zh) 一种微电网运行时的不确定因素辨识方法
Farantatos et al. Implementation of a 3-phase state estimation tool suitable for advanced distribution management systems
Chen et al. A novel fractional-order extended Kalman filtering method for on-line joint state estimation and parameter identification of the high power Li-ion batteries
CN110007195B (zh) 基于电流不平衡量的scada不良数据剔除方法及系统

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