WO2016058248A1 - 一种基于双线性凸优化理论电力系统双线性抗差估计方法 - Google Patents

一种基于双线性凸优化理论电力系统双线性抗差估计方法 Download PDF

Info

Publication number
WO2016058248A1
WO2016058248A1 PCT/CN2014/092881 CN2014092881W WO2016058248A1 WO 2016058248 A1 WO2016058248 A1 WO 2016058248A1 CN 2014092881 W CN2014092881 W CN 2014092881W WO 2016058248 A1 WO2016058248 A1 WO 2016058248A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement
linearity
wls
estimation
sparse
Prior art date
Application number
PCT/CN2014/092881
Other languages
English (en)
French (fr)
Inventor
刘晓宏
黄文进
卫志农
陈�胜
孙国强
孙永辉
滕德红
Original Assignee
国家电网公司
江苏省电力公司
江苏省电力公司盐城供电公司
河海大学
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
Priority claimed from CN201410554657.2A external-priority patent/CN105958470B/zh
Application filed by 国家电网公司, 江苏省电力公司, 江苏省电力公司盐城供电公司, 河海大学 filed Critical 国家电网公司
Publication of WO2016058248A1 publication Critical patent/WO2016058248A1/zh

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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks

Definitions

  • the invention relates to a bilinear robust estimation method for power system based on bilinear convex optimization theory, and belongs to the technical field of power system monitoring, analysis and control.
  • the state estimation estimates the real-time operating state of the power system based on the raw data of the telemetry. Based on the results of the state estimation, the energy management system (EMS) performs a series of subsequent analysis calculations, and thus the state estimation is a vital part of the EMS.
  • the traditional weighted least estimation (WLS) estimation can effectively estimate the optimal state of the system when the measurement noise obeys a strict Gaussian distribution.
  • WLS weighted least estimation
  • the current state estimation mainly relies on the nonlinear measurement provided by the supervisory control and data acquisition (SCADA), which makes the state estimation essentially a nonlinear (non-convex) optimization problem.
  • SCADA supervisory control and data acquisition
  • the method is based on Gauss-Newton's approximate linearized iterative solution. This method may have the following disadvantages: 1) sensitive to initial values; 2) easy to fall into local optimal solution; 3) convergence is difficult to guarantee.
  • the current power system state estimation mainly faces two difficulties: 1) the nonlinear relationship between the quantity measurement and the state quantity, so that the state estimation is equivalent to solving the non-convex optimization problem; 2) measuring the gross error There is a great influence on the accuracy of WLS estimation. Although the traditional robust estimation method can suppress the influence of measurement gross error, the computational efficiency is low.
  • the present invention first introduces the proposed bilinear theory, by transforming the variables, transforming the nonlinear measurement equation into a two-stage linear measurement equation; then taking into account the sparse characteristics of the gross error, to convex
  • the 1 norm regularization sparse measures the gross error vector, transforming the robust estimation into a two-stage strict convex optimization problem; each phase first identifies the sparse one based on the alternating direction method of multipliers (ADMM)
  • ADMM alternating direction method of multipliers
  • test results of IEEE30 and 118-node standard systems and two actual provincial network systems in China show that due to the introduction of bilinear theory, the proposed method is more efficient than the traditional WLS estimator, and the ADMM technology is well recognized.
  • the sparse measurement of the gross error makes the estimation accuracy of the proposed method superior to the conventional robust estimator.
  • the technical problem to be solved by the present invention is to provide a bilinear robust estimation method for power system based on bilinear convex optimization theory in view of the deficiencies of the prior art.
  • the invention is a bilinear robust estimation method for power system based on bilinear convex optimization theory, which is characterized in that the method is implemented in the following steps in a computer:
  • Figure 1 Flow chart of the method of the invention.
  • Figure 2 pdf distribution map of the method of the present invention and WLAV, SHGM algorithm S V , S ⁇ with IEEE30 as the standard test node.
  • Figure 3 pdf distribution map of the method of the present invention and WLAV, SHGM algorithm S V , S ⁇ with IEEE 118 as the standard test node.
  • the bilinear theory uses the idea of variable substitution to transform the nonlinear state estimation of power system into a two-stage stepwise linear state estimation problem, and the linear state estimation includes a one-step nonlinear transformation.
  • g ij and b ij are the conductance and susceptance of the ⁇ -type equivalent circuit of the branch, respectively, and g si and b si are the conductance and susceptance of the bus i to the ground respectively.
  • the m-dimensional measurement vector z and the state quantity y can be expressed as follows:
  • the nonlinear transformation of the intermediate variables is an iso-dimensional transformation, defined as the following N-dimensional variables ⁇ , T-dimensional variables ⁇ ij , ⁇ ij :
  • the weight matrix W u of the intermediate variable u is:
  • I is a unit matrix
  • A is a node correlation matrix
  • a r is a node association matrix that does not contain a reference bus.
  • G c is the gain matrix
  • G c C T W u C.
  • v is a random variable subject to the standard normal distribution, and the covariance matrix is a unit matrix I;
  • L z diag (1/ ⁇ 1 , ..., 1 / ⁇ m ).
  • the noises of the two linear stages measuring z * and u * are subject to the standard normal distribution, so the objective function of the state estimation does not need to account for the weight matrix.
  • the actual measurement error also includes measurement gross error, which is mainly caused by measurement instrument, communication failure or even maliciously injected bad data (more impact on state estimation accuracy). serious). Measuring the gross error by the vector o description, the relationship between the quantity measurement and the state quantity can be more reasonably expressed as:
  • o(i) is not 0 if and only if the ith measurement is bad data, so the vector o is very sparse.
  • the convex l 1 norm can be used as a heuristic algorithm for solving sparse vectors, ie
  • ⁇ 1 >0 is the regularization factor of the l 1 norm.
  • the above formula belongs to the classical Lasso optimization problem.
  • the present invention adopts the distributed convex optimization algorithm ADMM which can efficiently solve Lasso.
  • ADMM is essentially solving the convex optimization problem with equality constraints.
  • the vector p is introduced, and the above formula is transformed into:
  • the method proposed by the present invention differs from the WLS in that the ADMM is used to identify the sparse measurement gross error, and the influence of the measurement gross error on the state estimation result is suppressed, while the advantages of the WLS are retained.
  • ⁇ 1 measures the degree of regularization of the l 1 norm, and thus the choice of the parameter ⁇ 1 affects the robust performance of the algorithm. Solve the Lasso optimization problem with ADMM. ⁇ 1 can be selected as follows:
  • ⁇ max
  • ⁇
  • ⁇ , C is a constant greater than 0, and C 0.1 is selected in the present invention.
  • the setting of the parameter ⁇ does not affect the global optimal solution of the ADMM (ie, does not affect the estimation accuracy of the algorithm), but to some extent affects the convergence performance of the algorithm.
  • the examples tested by the present invention include the IEEE 30, 118-node standard system and two domestic actual provincial network systems.
  • the IEEE standard node measurement data is obtained by adding random noise to the rigorous power flow true value, wherein the standard deviation of the power measurement noise is 0.01, the standard deviation of the voltage amplitude measurement noise is 0.004, and the bad data is randomly added and subtracted on the basis of the true value. [5,30] times the standard deviation, the system's measurement redundancy is between 3 and 4, and 3% of bad data is randomly added.
  • the robust performance of different robust estimation algorithms mainly depends on the optimized objective function.
  • the present invention selects the WLAV estimator with good robustness and the generalized M estimate (Schweppe-type generalized M-estimator with Huber psi-function, SHGM).
  • the method of the present invention is compared with the resistance performance.
  • V ex and ⁇ ex are the true values of the voltage amplitude and the phase angle, respectively, and the default node 1 is the equilibrium node.
  • the pdf curves of the methods S V and S ⁇ proposed by the present invention are closer to the coordinate origin (ie, the mean ⁇ is smaller), indicating that in the case where the bad data contains different ratios and different random combinations,
  • the method proposed by the invention has higher estimation precision as a whole; in addition, the pdf curve of S V and S ⁇ of the method of the invention is relatively more "slim" (ie, the standard deviation ⁇ is smaller), indicating that the present invention proposes
  • the method estimates that the accuracy fluctuation is relatively small in the case of poor data ratio and combination change, and thus the estimated performance is more stable.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于双线性凸优化理论的电力系统双线性抗差估计方法，首先引入双线性理论，将非线性量测方程转化为两个阶段的线性量测方程；然后计及量测粗差的稀疏特性，将抗差估计转化为两个阶段的严格凸优化问题；每个阶段首先基于ADMM辨识稀疏的量测粗差，剔除量测中的粗差后采用WLS求解，保留了WLS的优点。IEEE标准系统以及国内实际电网的测试结果表明，由于双线性理论的引入，提出的方法计算效率高于传统的WLS估计器，而ADMM技术很好地辨识了稀疏的量测粗差，使得提出的方法的估计精度也优于传统的抗差估计器。

Description

一种基于双线性凸优化理论电力系统双线性抗差估计方法 技术领域
发明涉及一种基于双线性凸优化理论电力系统双线性抗差估计方法，属于电力系统监测、分析和控制技术领域。
背景技术
状态估计根据遥测的生数据估计出电力系统实时的运行状态，基于状态估计的结果，能量管理系统(energy management system，EMS)进行一系列后续分析计算，因而状态估计是EMS至关重要的一部分。传统的加权最小二乘(weighted least estimation，WLS)估计在量测噪声服从严格的高斯分布时，能够高效地估计出系统最佳的状态。然而由于量测仪表的老化、数据的远距离传输、甚至是人为恶意注入的坏数据，不可避免地使WLS的估计结果受不良数据(或量测粗差)的影响，从而偏离实际的真值。
由于能够抑制量测粗差对估计精度的影响，抗差估计引起了国内外学者的广泛研究，其中以加权最小绝对值(weighted least absolute values，WLAV)、非二次准则、最小中位数(least median of squares，LMS)为主。此外，基于指数型目标函数、最大合格率的状态估计也是抗差估计领域的新方法。抗差估计器以增加计算复杂度为代价，提高了状态估计的精度，然而相比于WLS估计器，较低的计算效率一定程度上也限制了其在工程实践中的应用。
在交流电力网络模型中，目前状态估计主要依赖于数据采集与监控系统(supervisory control and data acquisition,SCADA)提供的非线性量测，这使得状态估计本质上是非线性(非凸)优化问题，常用的方法是以高斯－牛顿法近似线性化迭代求解，这种处理方法可能会有以下不足：1)对初值敏感；2)易陷入局部最优解；3)收敛性难以保证。
综合以上叙述可知，目前电力系统状态估计主要面临两方面的困难：1)量测量与状态量之间的非线性关系，使得状态估计等价于求解非凸优化问题；2)量测粗差的存在对WLS估计精度有较大影响，传统的抗差估计方法虽能抑制量测粗差的影响，但计算效率偏低。为此，本发明首先引入提出的双线性理论，通过变量代换，将非线性量测方程转化为两个阶段的线性量测方程；然后计及量测粗差的稀疏特性，以凸l1范数正则化稀疏的量测粗差向量，将抗差估计转化为两个阶段的严格凸优化问题；每个阶段首先基于交替方向乘子算法(alternating direction method of multipliers，ADMM)辨识稀疏的量测粗差，剔除量 测中的粗差后可认为量测噪声服从高斯分布，因而采用WLS求解，保留了WLS的优点。IEEE30、118节点标准系统以及我国2个实际省网系统的测试结果表明，由于双线性理论的引入，本发明提出的方法计算效率高于传统的WLS估计器，而ADMM技术很好地辨识了稀疏的量测粗差，使得本发明提出的方法的估计精度也优于传统的抗差估计器。
发明内容：
本发明所要解决的技术问题是针对现有技术存在的不足而提供一种基于双线性凸优化理论电力系统双线性抗差估计方法。
本发明为实现上述目的，采用如下技术方案：
本发明为一种一种基于双线性凸优化理论电力系统双线性抗差估计方法，其特征在于所述方法是在计算机中依次按以下步骤实现的：
1)获取电力网络的参数信息，包括：输电线路的首端节点和末端节点编号、支路π型等效电路的电阻、电抗、对地并联电导、电纳以及变压器变比和阻抗。
2)获取电力系统的量测参数，包括：母线电压幅值、节点注入有功、节点注入无功、支路有功、支路无功。
3)定义网络参数集合A＝{网络拓扑，量测类型，系统参数}，状态估计计算集合T＝{B*，C*，((B*)TB*)-1和((C*)TC*)-1的分解因子表，Gb，S}。若集合A不变，则直接读取上个的集合T信息，若集合A变动，则重新计算并保存集合T。
4)以ADMM辨识一阶段的稀疏量测粗差，剔除粗差后采用WLS求解一阶段中间变量y。
5)中间变量非线性变量，即u＝f(y)，并求解中间非线性变换的雅克比矩阵。
6)计算而阶段等级权重，以ADMM辨识二阶段稀疏量测粗差，剔除量测粗差后采用WLS求解。
7)重新计算二阶段量测变量，以及非线性雅克比矩阵。
8)以WLS重复二阶段线性状态估计。
9)输出状态量以及量测量的估计值，结束。
附图说明：
图1：本发明方法流程图。
图2：以IEEE30为标准测试节点，本发明方法与WLAV、SHGM算法SV、Sθ的pdf分布图。
图3：以IEEE118为标准测试节点，本发明方法与WLAV、SHGM 算法SV、Sθ的pdf分布图。
具体实施方式：
下面结合附图对发明的技术流程进行详细说明：
1双线性状态估计模型
双线性理论利用变量代换的思想，将电力系统非线性状态估计转化为两个阶段的分步线性状态估计问题，且两个线性状态估计之间包含一步变量的非线性变换。
1.1一阶段线性状态估计
对于连接母线i与母线j的每条支路，定义如下变量：
Kij＝ViVjcosθij
Lij＝ViVjsinθij
式中：Vi、Vj分别为母线i、j的电压幅值，θi、θj分别为母线i、j的电压相角，θij＝θi-θj。
对于系统中的每条母线，定义电压幅值平方为新的变量：
Ui＝Vi 2
假定系统包含N条母线，T条支路，则一阶段线性状态估计引入N+2T维状态量y：
y＝{Ui,Kij,Lij}
则SCADA系统提供的量测量与状态量y成如下线性关系：
支路功率量测：
Figure PCTCN2014092881-appb-000001
Figure PCTCN2014092881-appb-000002
式中：gij、bij分别为支路π型等效电路的电导、电纳，gsi、bsi分别为母线i侧对地电导、电纳。
节点注入量测：
Figure PCTCN2014092881-appb-000003
Figure PCTCN2014092881-appb-000004
电压幅值量测：
Figure PCTCN2014092881-appb-000005
式中：e为量测误差向量，且假定e服从正态分布；σ(Ui 2)＝2E(Vi)σ(Vi)≈2σ(Vi)。
m维量测向量z与状态量y可表示为如下线性关系：
z＝By+ez
基于传统的WLS算法求解，y的估计值为：
Figure PCTCN2014092881-appb-000006
式中：Wz为量测z的权重矩阵，假设第i个量测标准差为σi，则Wz＝diag(1/σ1 2,…,1/σm 2)。Gb为增益矩阵，且Gb＝BTWB。
1.2中间变量非线性变换
中间变量的非线性变换为等维数变换，定义如下N维变量α，T维变量αij,θij：
αi＝ln Ui＝2ln Vi
αij＝ln(Kij+Lij)＝αi+αj
Figure PCTCN2014092881-appb-000007
令u＝{αi,αij,θij}，则N+2T维变量u与y呈非线性关系
Figure PCTCN2014092881-appb-000008
中间变量u的权重矩阵Wu为：
Figure PCTCN2014092881-appb-000009
式中：
Figure PCTCN2014092881-appb-000010
为fu在
Figure PCTCN2014092881-appb-000011
处的雅克比矩阵。
1.3二阶段线性状态估计
定义2N-1维状态量x＝[α θ]T(参考母线的相角固定为0)，则二阶段状态量x与中间变量u呈如下线性关系：
u＝Cx+eu
Figure PCTCN2014092881-appb-000012
式中：I为单位阵，A为节点关联矩阵，Ar为不包含参考母线的节点关联矩阵。
基于WLS求解，x的估计值为：
Figure PCTCN2014092881-appb-000013
式中：Gc为增益矩阵，且Gc＝CTWuC。
2凸优化抗差估计模型
2.1量测噪声的标准化
对于一阶段线性状态估计，令r＝z-By，Wz＝Lz TLz，则WLS算法的优化目标等价于：
Figure PCTCN2014092881-appb-000014
式中：v为服从标准正态分布的随机变量，其协方差矩阵为单位阵I；
Lz＝diag(1/σ1,…,1/σm)。
将一阶段量测方程标准化，即将量测方程两侧同时乘以Lz，则可得：
z*＝B*y+e
式中：z*＝Lzz，B*＝LzB；ei～N(0,1)，
Figure PCTCN2014092881-appb-000015
同样，对于二阶段线性状态估计，其量测权重Wu可按如下的方式分解：
Figure PCTCN2014092881-appb-000016
将二阶段量测方程两侧乘以Lu标准化二阶段量测方程，可得：
u*＝C*x+e
式中：u*＝Luu，C*＝LuC。
对量测噪声标准化后，两个线性阶段的量测z*、u*的噪声均服从标准正态分布，因而状态估计的目标函数无需计及权重矩阵。
2.2稀疏量测粗差向量模型
实际量测的误差除了服从正态分布的量测噪声外，还包括量测粗差，其主要产生于量测仪表、通信故障甚至是人为恶意注入的坏数据(对状态估计精度的影响更为严重)。以向量o描述量测粗差，则量测量与状态量的关系，可以更合理地表示为：
z*＝B*y+e+o
式中：o(i)当且仅当第i个量测为坏数据时不为0，因而向量o是非常稀疏的。
利用向量o的稀疏特性，一阶段线性状态估计问题等价于求解
Figure PCTCN2014092881-appb-000017
式中：||o||0为o非零元素的个数，λ0>0为l0范数的正则化因子。
由于l0范数的正则化，上式属于NP难求解的优化问题，借鉴压缩传感方面的理论，凸l1范数可以用作求解稀疏向量的启发式算法，即
Figure PCTCN2014092881-appb-000018
式中：λ1>0为l1范数的正则化因子。
2.3Lasso优化辨识量测粗差向量
在上式中，假设o已知，则y的估计值可表示为：
Figure PCTCN2014092881-appb-000019
因而可由o描述y的最佳估计，则稀疏向量o等价于求解：
Figure PCTCN2014092881-appb-000020
式中：S＝I-B*((B*)TB*)-1(B*)T，为残差灵敏度矩阵。
上式属于经典的Lasso优化问题，本发明采用可高效求解Lasso的分布式凸优化算法ADMM。ADMM本质上是求解含等式约束的凸优化问题，为构造等式约束，引入向量p，将上式转化为：
min f(o)+g(p)
s.t.o-p＝0
式中：
Figure PCTCN2014092881-appb-000021
g(p)＝λ1||p||1。
引入拉格朗日乘子u以及惩罚因子ρ>0，上式的增广拉格朗日函数为：
Figure PCTCN2014092881-appb-000022
则上式的迭代求解步骤为：
Figure PCTCN2014092881-appb-000023
式中：k为迭代次数；IIa(φ)＝(φ-a)+-(-φ-a)+，(φ)+＝max(φ,0)。
以ADMM算法辨识出稀疏量测粗差o后，理论上可以认为z*－o的误差服从标准正态分布，因而WLS可以高效地解出y的无偏估计，即采用计算
Figure PCTCN2014092881-appb-000024
本发明提出的方法与WLS的区别在于，利用ADMM辨识稀疏的量测粗差，抑制了量测粗差对状态估计结果的影响，同时保留了WLS的优点。
2.4参数λ1和ρ的选择
参数λ1衡量了l1范数正则化的程度，因而参数λ1的选择会影响算法的抗差性能。以ADMM求解Lasso优化问题，λ1可选取：
λ1＝Cλmax
式中：λmax＝||S(Sz*)||∞＝||Sz*||∞，C为大于0的常数，本发明选取C＝0.1。
参数ρ的设置不会影响ADMM的全局最优解(即不影响算法的估计精度)，但一定程度上会影响算法的收敛性能，本发明选取ρ＝1。
3算例分析
本发明测试的算例包括IEEE30、118节点标准系统以及2个国内实际的省网系统。IEEE标准节点量测数据由严格潮流真值添加随机噪声得到，其中功率量测噪声的标准差为0.01，电压幅值量测噪声的标准差为0.004，不良数据在真值的基础上随机加减[5,30]倍量测标准差，系统的量测冗余度介于3～4之间，随机添加3％不良数据。
不同抗差估计算法的抗差性能主要取决于其优化的目标函数，本发明选取抗差性能较好的WLAV估计器、广义M估计(Schweppe-type generalized M-estimator with Huber psi-function，SHGM)，与本发明提出的方法进行抗差性能比较。
3.1IEEE标准系统估计精度比较
为更好地比较三种抗差估计器的对状态量的估计精度，定义如下指标：
Figure PCTCN2014092881-appb-000025
Figure PCTCN2014092881-appb-000026
式中：Vex、θex分别为电压幅值与相角的真值，默认节点1为平衡节点。
随机模拟1000次，SV、Sθ的概率密度函数(probability density functions，pdf)及均值μ、标准差σ如图2、图3所示。
由图2、图3可知，本发明提出的方法SV、Sθ的pdf曲线更接近于坐标原点(即均值μ更小)，说明了在不良数据含不同比例、不同随机组合的情况下，本发明提出的方法整体而言有着更高的估计精度；此外，本发明方法的SV、Sθ的pdf曲线相对更为“瘦高”(即标准差σ更小)，说明了本发明提出的方法在不良数据比例、组合变化的情况下估计精度波动相对更小，因而估计性能更为稳定。
3.2省网系统的测试
为验证本发明提出的方法在更大规模系统上的估计性能，选取2个实际的省网系统(记为省网A和省网B)，其中省网A含736条母线，959条支路，省网B含1518条母线，2034条支路，表1给出了不同估计器下省网A、B的合格率。由表1可知，相比于WLAV、SHGM、WLS估计器，基于本发明提出的方法，省网A、B状态估计的合格率均得到了提高。
3.3计算效率的测试
本小节比较不同估计器的计算效率，本发明提出的方法计算流程如图1，当网络参数集合A不变时，状态估计计算集合T只需读取上个量测断面的数值；而当A变化时，需要重新计算T。不同规模的系统下，各种状态估计器的计算效率如表2所示。
由表2可知，传统的抗差估计器WLAV、SHGM的计算效率明显不如WLS，这也是WLS广泛应用于工程实践最重要的原因。本发明提出的方法，随着系统规模的增大，计算效率上的优势也越明显。特别是对于较大规模的省网系统，即便网络参数集合A发生变化，本发明提出的方法计算效率依然高于WLS。
表1不同估计器下实际系统的合格率
Figure PCTCN2014092881-appb-000027
表2不同估计器计算效率比较
Figure PCTCN2014092881-appb-000028

Claims (1)

  1. 一种基于双线性凸优化理论电力系统双线性抗差估计方法，其特征主要在于：
    1)首先引入双线性理论，对于连接母线i与母线j的每条支路，定义如下变量：
    Kij＝ViVjcosθij
    Lij＝ViVjsinθij
    式中：Vi、Vj分别为母线i、j的电压幅值，θi、θj分别为母线i、j的电压相角，θij＝θi-θj。
    对于系统中的每条母线，定义电压幅值平方为新的变量：
    Ui＝Vi 2
    假定系统包含N条母线，T条支路，则一阶段线性状态估计引入N+2T维状态量y：
    y＝{Ui,Kij,Lij}
    则m维量测向量z与状态量y可表示为如下线性关系：
    z＝By+ez
    2)中间变量的非线性变换为等维数变换，定义如下N维变量α，T维变量αij,θij：
    αi＝ln Ui＝2 ln Vi
    αij＝ln(Kij+Lij)＝αi+αj
    Figure PCTCN2014092881-appb-100001
    令u＝{αi,αij,θij}，则N+2T维变量u与y呈非线性关系
    Figure PCTCN2014092881-appb-100002
    3)定义2N-1维状态量x＝[α θ]T(参考母线的相角固定为0)，则二阶段状态量x与中间变量u呈如下线性关系：
    u＝Cx+eu
    Figure PCTCN2014092881-appb-100003
    式中：I为单位阵，A为节点关联矩阵，Ar为不含参考母线的节点关联矩阵。
    4)然后计及量测粗差的稀疏特性，以向量o描述量测粗差，则量测量与状态量的关系，可表示为：
    z*＝B*y+e+o
    5)借鉴压缩传感方面的理论，凸l1范数可以用作求解稀疏向量的启发式算法，即：
    Figure PCTCN2014092881-appb-100004
    式中：λ1>0为l1范数的正则化因子。
    6)假设o已知，则y的估计值可表示为：
    Figure PCTCN2014092881-appb-100005
    7)可由o描述y的最佳估计，即
    Figure PCTCN2014092881-appb-100006
    8)步骤7属于经典的Lasso优化问题，本发明采用ADMM求解，为构造等式约束，引入变量p,即：
    min f(o)+g(p)
    s.t.  o-p＝0
    式中：
    Figure PCTCN2014092881-appb-100007
    g(p)＝λ1||p||1。
    9)步骤(8)的迭代求解步骤为：
    Figure PCTCN2014092881-appb-100008
    式中：k为迭代次数；IIa(φ)＝(φ-a)+-(-φ-a)+，(φ)+＝max(φ,0)。
    10)以ADMM算法辨识出稀疏量测粗差o后，理论上可以认为z*－o的误差服从标准正态分布，因而WLS可以高效地解出y的无偏估计，即采用计算
    Figure PCTCN2014092881-appb-100009
    本发明提出的方法与WLS的区别在于，利用ADMM辨识稀疏的量测粗差，抑制了量测粗差对状态估计结果的影响，同时保留了WLS的优点。
PCT/CN2014/092881 2014-10-15 2014-12-03 一种基于双线性凸优化理论电力系统双线性抗差估计方法 WO2016058248A1 (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN201410546798 2014-10-15
CN201410546798.X 2014-10-15
CN201410554657.2A CN105958470B (zh) 2014-10-20 2014-10-20 一种基于双线性凸优化理论电力系统双线性抗差估计方法
CN201410554657.2 2014-10-20

Publications (1)

Publication Number Publication Date
WO2016058248A1 true WO2016058248A1 (zh) 2016-04-21

Family

ID=55746010

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/092881 WO2016058248A1 (zh) 2014-10-15 2014-12-03 一种基于双线性凸优化理论电力系统双线性抗差估计方法

Country Status (1)

Country Link
WO (1) WO2016058248A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232199A (zh) * 2018-11-30 2019-09-13 南京南瑞继保电气有限公司 一种考虑矩阵尺度伸缩的双线性wlav抗差状态估计方法
CN110380409A (zh) * 2019-07-16 2019-10-25 山东大学 考虑通信失败的主动配电网分布式鲁棒状态估计方法及系统
CN112993989A (zh) * 2021-03-05 2021-06-18 广东电网有限责任公司广州供电局 一种主动配电系统抗差状态估计数据处理方法
CN113397533A (zh) * 2021-06-28 2021-09-17 中国科学院空天信息创新研究院 一种弱生命信号提取方法、装置、电子设备和存储介质
CN114925485A (zh) * 2022-05-09 2022-08-19 山东大学 一种考虑随机量测丢失的配电系统状态估计方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279676A (zh) * 2013-06-07 2013-09-04 河海大学 一种基于变量代换的电力系统wlav抗差估计方法
US20130304266A1 (en) * 2012-04-13 2013-11-14 Regents Of The University Of Minnesota State estimation of electrical power networks using semidefinite relaxation
CN103593566A (zh) * 2013-11-14 2014-02-19 华北电力大学 混合二次规划形式的电力系统综合状态估计方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130304266A1 (en) * 2012-04-13 2013-11-14 Regents Of The University Of Minnesota State estimation of electrical power networks using semidefinite relaxation
CN103279676A (zh) * 2013-06-07 2013-09-04 河海大学 一种基于变量代换的电力系统wlav抗差估计方法
CN103593566A (zh) * 2013-11-14 2014-02-19 华北电力大学 混合二次规划形式的电力系统综合状态估计方法
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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232199A (zh) * 2018-11-30 2019-09-13 南京南瑞继保电气有限公司 一种考虑矩阵尺度伸缩的双线性wlav抗差状态估计方法
CN110232199B (zh) * 2018-11-30 2023-12-19 南京南瑞继保电气有限公司 一种考虑矩阵尺度伸缩的双线性wlav抗差状态估计方法
CN110380409A (zh) * 2019-07-16 2019-10-25 山东大学 考虑通信失败的主动配电网分布式鲁棒状态估计方法及系统
CN110380409B (zh) * 2019-07-16 2020-11-13 山东大学 考虑通信失败的主动配电网分布式鲁棒状态估计方法及系统
CN112993989A (zh) * 2021-03-05 2021-06-18 广东电网有限责任公司广州供电局 一种主动配电系统抗差状态估计数据处理方法
CN112993989B (zh) * 2021-03-05 2022-12-16 广东电网有限责任公司广州供电局 一种主动配电系统抗差状态估计数据处理方法
CN113397533A (zh) * 2021-06-28 2021-09-17 中国科学院空天信息创新研究院 一种弱生命信号提取方法、装置、电子设备和存储介质
CN114925485A (zh) * 2022-05-09 2022-08-19 山东大学 一种考虑随机量测丢失的配电系统状态估计方法及系统

Similar Documents

Publication Publication Date Title
CN105958470B (zh) 一种基于双线性凸优化理论电力系统双线性抗差估计方法
WO2016058248A1 (zh) 一种基于双线性凸优化理论电力系统双线性抗差估计方法
US9627886B2 (en) State estimation for power system using hybrid measurements
CN102377180B (zh) 基于电能质量监测系统的电力系统负荷建模方法
KR101219545B1 (ko) 전력계통에서의 최적화 기법을 적용한 파라미터 추정 방법
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
CN111797974B (zh) 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法
CN110289613A (zh) 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法
CN109193635A (zh) 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法
CN111541255B (zh) 基于动力学系统的低频振荡模态识别方法及系统
CN107104430A (zh) 一种配电网双解耦状态估计方法
CN108462180B (zh) 一种基于vine copula函数确定概率最优潮流的方法
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
CN114444238B (zh) 基于宽带信号能量流模型的配电网拓扑识别方法
CN110991122B (zh) 用神经网络和交叉熵采样的风电电力系统可靠性估测方法
CN108918928A (zh) 一种负荷分解中功率信号自适应重构方法
CN113850425B (zh) 基于改进的广义极大似然估计的配电网状态估计方法
CN107069710B (zh) 计及新能源时空相关性的电力系统状态估计方法
CN116599035A (zh) 低压配网日理论线损概率分析方法、装置、电子设备及介质
CN106159941A (zh) 一种考虑实际量测误差传递特性的电力系统状态估计方法
CN108182529A (zh) 一种微电网运行时的不确定因素辨识方法
CN105322533B (zh) 基于高斯‑马尔科夫模型的自适应t型抗差状态估计方法
Qian et al. Wind speed spatio-temporal forecasting of wind farms based on universal kriging and Bayesian dynamic model
CN113553538A (zh) 一种递推修正混合线性状态估计方法
Hu et al. Dynamic state estimation of cyber-physical power and energy systems based on bad data identification

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14904136

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14904136

Country of ref document: EP

Kind code of ref document: A1