CN111581768A - 一种基于混合量测的配电网分布式状态估计方法 - Google Patents
一种基于混合量测的配电网分布式状态估计方法 Download PDFInfo
- Publication number
- CN111581768A CN111581768A CN202010222747.7A CN202010222747A CN111581768A CN 111581768 A CN111581768 A CN 111581768A CN 202010222747 A CN202010222747 A CN 202010222747A CN 111581768 A CN111581768 A CN 111581768A
- Authority
- CN
- China
- Prior art keywords
- measurement
- distribution network
- community
- power distribution
- state estimation
- 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 95
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000638 solvent extraction Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000005192 partition Methods 0.000 claims description 19
- 230000035945 sensitivity Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 101150036841 minJ gene Proteins 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于混合量测的配电网分布式状态估计方法,包括如下步骤:步骤1,首先利用配电网中μPMU和SCADA的量测数据构成混合量测,考虑混合量测背景下的数据结合问题和时间同步问题,并对混合量测进行建模;步骤2,考虑配电网***节点的电气距离,以模块度为评价指标,基于社区发现算法对配电网进行非重叠的最优分区;步骤3,根据混合量测的模型与最优分区结果,对配电网进行分布式状态估计。此种方法可弥补当前状态估计方法在获得量测数据实时性上的不足,提高状态估计算法的精度与速度,为配电网的安全评估故障定位提供了理论支撑。
Description
技术领域
本发明属于主动配电网分布式状态估计技术领域,特别涉及一种基于混合量测的配电网分布式状态估计方法。
背景技术
随着电网规模的日渐增大以及可再生能源的积极发展,给电力***带来更多的不确定性。同时,为了提高对配电网的实时监控能力,量测技术也不断更新进步,但是,μPMU、SCADA、AMI等量测具有不同的精度、速度,为了充分利用量测设备提供的量测数据,对多量测进行混合以提高状态估计的实时性与可靠性势在必行。
电力***分区是分布式状态估计的重要组成部分,合理分区是保证状态估计计算精度和降低计算复杂度、提高运算效率的关键前提。通过将节点众多的电力***分成若干个高内聚、低耦合的子区域,可以避免计算时矩阵维数太大引入的计算占用空间大、运行时间长甚至结果难以收敛的情况,大大提高了电力***状态监测的运算效率。
随着分布式电源电源的大量接入配电网,其出力间歇性、负荷需求差异性、线路参数不确定性以及量测数据通信延时性等多元未知噪声给传统的集中式状态估计带来巨大的阻碍,使用分布式状态估计技术对配电网进行态势感知有着重要的意义。
基于以上分析,本案由此产生。
发明内容
本发明的目的,在于提供一种基于混合量测的配电网分布式状态估计方法,其可弥补当前状态估计方法在获得量测数据实时性上的不足,提高状态估计算法的精度与速度,为配电网的安全评估故障定位提供了理论支撑。
为了达成上述目的,本发明的解决方案是:
一种基于混合量测的配电网分布式状态估计方法,包括如下步骤:
步骤1,首先利用配电网中μPMU和SCADA的量测数据构成混合量测,考虑混合量测背景下的数据结合问题和时间同步问题,并对混合量测进行建模;
步骤2,考虑配电网***节点的电气距离,以模块度为评价指标,基于社区发现算法对配电网进行非重叠的最优分区;
步骤3,根据混合量测的模型与最优分区结果,对配电网进行分布式状态估计。
上述步骤1中,配电网的非线性量测方程表示为:
z=h(x)+v
其中,z是a×1量测向量,h(x)是a×1非线性量测函数向量,v是a×1误差向量,x为b×1状态向量,a、b分别是量测量及状态量的个数;
基于加权最小二乘法的状态估计目标函数表示为:
上述步骤1中,考虑混合量测背景下的数据结合问题,具体包括使用基于等效支路电流、等效节点电压的量测变换方法,将每个节点的每个象限,视为单个节点单相化处理,对于一个有n个节点的不平衡配网,所有的节点编号为{1,2,……},每个节点的相数{m1,m2,…,mn},m∈{1,2,3},构成导纳矩阵Y。
上述步骤1中,考虑混合量测背景下的时间同步问题,具体内容是:
针对***在状态估计时间内发生微小的变化,引起的时移误差,确定SCADA采样的时间断面,并将状态估计周期内的μPMU时间序列和SCADA数据进行整合起来,实现时间兼容。
首先估计SCADA数据的量测时刻:
其中,ti为估计的第i个SCADA量测时刻,zti为第i个量测数据,K为系数向量,s_f为状态估计时间内采样的总个数,ξ为误差;
SCADA数据的近似时移误差表示为:
est=KΔt=K(tSE-ts_f)
其中,eSt为近似时移误差,tSE为状态估计断面时刻,ts_f为状态估计之前收到的最后一个SCADA数据的采样时刻估计值;
由于tSE-ts_f的范围为[0,TSCADA],TSCADA为SCADA量测的数据上传周期,系数向量K是根据一组服从正态分布的数据估计得到,因此,eSt近似地服从正态分布;
所以,SCADA的误差vs表示为:
vs=esm+est
其中,eSm为SCADA的量测误差;
方差矩阵表示为:
其中,上标T为矩阵的转置,td为tSE-ts_f。
上述状态估计周期内的μPMU时间序列通过AR(p)模型估计出;
AR(p)模型的一般数学形式为:
zt=φ0+φ1zt-1+φ2zt-2+…+φpzt-p+εt
其中,φ0为常数项,φ1,…,φp为模型参数,εt为高斯白噪声均值为0,方差为δ,yt-1,yt-2,…,yt-p为序列中yt的前p个序列。
上述将状态估计周期内的μPMU时间序列和SCADA数据进行整合起来,实现时间兼容的具体内容是:将μPMU和SCADA混合量测的相角统一,在状态估计过程中,指定给安装μPMU的某一节点为状态估计的参考节点,以相角量测值作为状态估计的初始值。
上述步骤2中,配电网***节点的电气距离的计算方法是:
定义两点之间电压灵敏度为两点的电流幅值/电压幅值灵敏度之比,表示为:
基于以上灵敏度,定义i、j节点间电气距离wij为:
上述步骤2中,以模块度为评价指标,基于社区发现算法对配电网进行非重叠的最优分区的具体内容是:
步骤2a,定义模块度Q为:
其中,C表示社区,P为配电网***的社区的集合,ci表示i顶点所属的社区;δ(ci,cj)表示若i、j顶点属于同个社区,则取1,否则为0;ki为顶点的度,表示与点i相连的所有边的权重之和,m为网络中所有边的权重之和;网络模块度Q看作各个子模块的模块度之和,Q的取值范围为(-1,1),当配电网整体划分为一个社区时,Q=0;
步骤2b,对于有N个顶点的配电网***,首先将每个顶点初始化为各自独立的社区,即有N个不同的社区,然后对于每个顶点i,及其所有的相邻顶点j,计算把顶点i从它所在的社区移动到顶点j所在的社区的模块度增量变化ΔQ,将顶点i移动至ΔQ最大且非负的相邻顶点j所在的社区,将顶点i从所属的社区c1移动至于j所属的社区c2,形成新的社区c1'和c2';如果所有ΔQ都小于0,则顶点i仍停留在原社区中;此过程按顺序应用于所有的顶点,并且重复迭代,直到没有顶点移动,即任何一个顶点的移动都不会增大模块度Q;
步骤2c,将模块度Q不再增大时的配电网网络分布的每个社区看作一个顶点,构成一个新的网络,新顶点之间的边的权重等于原两个社区之间的边的权重之和,新顶点的自环的权重等于该社区中所有边的权重的两倍,变换后网络的度之和保持不变;
步骤2d,基于步骤2c得到的新的网络,返回步骤2b,重复步骤2b-2c反复迭代,直到网络不再改变,即模块度已达到最大值。此时的配电网***被分割为多个高内聚的非重叠子区域——“社区”,具有对内高耦合性、对外低耦合行特征。
上述步骤3的具体内容是:
步骤31,每个分区的独立状态估计模型表示为:
minJ(x)=[z-h(x)]TW[z-h(x)]
其中,W为混合量测的权重矩阵;
步骤32,对状态估计模型计及各分区的混合量测结果进行分布式求解等价为求解迭代:
其中,k=k+1为分布式求解该分区的迭代次数,xk+1为进行k+1次迭代后的状态量,和分别表示C1社区及其相邻社区C2第k次迭代的状态量,分布式求解迭代的收敛条件为达到最大迭代次数或迭代后状态量的变化小于收敛极限。
采用上述方案后,本发明与现有技术相比,具有以下优点:
(1)本发明可用于弥补了当前状态估计方法在获得量测数据实时性上的不足,提高了状态估计算法的精度与速度,为配电网的安全评估故障定位提供了理论支撑;
(2)与现有的配电网模型相比,本发明侧重于对配电网三相区间进行建模估计,更具有工程应用价值,通过边界注入伪量测、将SCADA与μPMU量测混合,提高配电网状态估计的精度与实时性;
(3)本发明中针对配电网最优分区进行分布式状态估计,根据社区发现算法对配电网进行最优分区,避免了配电网多维不确定性对传统集中式状态估计带来的阻碍,大大提高了状态估计的效率与精度。
附图说明
图1是本发明配电网混合量测布置示意图;
图2是本发明社区发现算法的分区结果示意图;
图3是本发明分布式状态估计流程图;
图4是本发明的流程图。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
如图4所示,本发明提供一种基于混合量测的配电网分布式状态估计方法,包括如下步骤:
步骤1,首先利用配电网中μPMU和SCADA的量测数据构成混合量测,考虑混合量测背景下的数据结合问题和时间同步问题,并对混合量测进行建模;
步骤2,考虑配电网***节点的电气距离,以模块度为评价指标,基于社区发现算法对配电网进行非重叠的最优分区;
步骤3,根据混合量测的模型与最优分区结果,对配电网进行分布式状态估计。
具体包括如下内容:
1.混合量测建模
1)配电网的非线性量测方程表示为:
z=h(x)+v (1)
其中:z是a×1量测向量,h(x)是a×1非线性量测函数向量,v是a×1误差向量,x为b×1状态向量,a、b分别是量测量及状态量的个数。
配电网混合量测布置示意图如图1所示。
基于加权最小二乘法的状态估计目标函数表示为:
2)数据结合问题
使用基于等效支路电流、等效节点电压的量测变换方法,将每个节点的每个象限,视为单个节点单相化处理,对于一个有n个节点的不平衡配网,所有的节点编号为{1,2,……},每个节点的相数{m1,m2,…,mn},m∈{1,2,3},构成导纳矩阵Y。
3)时间同步问题
针对***在状态估计时间内发生微小的变化,引起的时移误差,确定SCADA采样的时间断面,并将状态估计周期内的μPMU时间序列和SCADA数据有效整合起来,实现时间兼容。
在估计状态估计断面时刻的SCADA数据之前,需要估计SCADA数据的量测时刻。
SCADA数据的量测时刻表示为:
其中,ti为估计的第i个SCADA量测时刻,zti为第i个量测数据,K为系数向量,s_f为状态估计时间内采样的总个数,ξ为误差。
SCADA数据的近似时移误差表示为:
est=KΔt=K(tSE-ts_f) (4)
其中,eSt为近似时移误差,tSE为状态估计断面时刻,ts_f为状态估计之前收到的最后一个SCADA数据的采样时刻估计值。
由于tSE-ts_f的范围为[0,TSCADA],TSCADA为SCADA量测的数据上传周期,系数向量K是根据一组服从正态分布的数据估计得到,因此,eSt近似地服从正态分布。
所以,SCADA的误差vs表示为:
vs=esm+est (5)
其中,eSm为SCADA的量测误差。
方差矩阵表示为:
其中,上标T为矩阵的转置,td为tSE-ts_f。
在状态估计周期内的μPMU时间序列通过AR(p)模型估计出。
AR(p)模型的一般数学形式为:
zt=φ0+φ1zt-1+φ2zt-2+…+φpzt-p+εt (7)
其中,φ0为常数项,φ1,…,φp为模型参数,εt为高斯白噪声均值为0,方差为δ,yt-1,yt-2,…,yt-p为序列中yt的前p个序列。
对混合量测进行建模时,将μPMU和SCADA混合量测的相角统一,在状态估计过程中,指定给安装μPMU的某一节点为状态估计的参考节点,以相角量测值作为状态估计的初始值。
2.配电网最优分区
1)电气距离
配电网节点间的电气距离是用于形容节点之间电气联系的强弱的指标,基于有功无功/电压灵敏度定义电气距离。
以电气距离作为配电网拓扑结构的边的权重,两个顶点之间关系越紧密,电气距离越大。
两点之间电压灵敏度为两点的电流幅值/电压幅值灵敏度之比,表示为:
基于以上灵敏度,定义i、j节点间电气距离wij为:
2)基于社区发现算法的最优分区
以模块度为评价指标的社区发现算法,通过发现网络中高度相似的节点群,将复杂网络模块化,使各模块内部紧密联系、外部稀疏,并以此对配电网***进行最优分区。
模块度Q定义为:
其中,C表示社区,P为配电网***的社区的集合,ci表示i顶点所属的社区。δ(ci,cj)表示若i、j顶点属于同个社区,则取1,否则为0。ki为顶点的度,表示与点i相连的所有边的权重之和,m为网络中所有边的权重之和。网络模块度Q可以看作各个子模块的模块度之和,Q的取值范围为(-1,1),数值越大,说明社区内连结越紧密。一般,Q的最大值落在0.3-0.7范围内,当配电网整体划分为一个社区时,Q=0。
对于有N个顶点的配电网***,首先将每个顶点初始化为各自独立的社区,即有N个不同的社区。然后对于每个顶点i,及其所有的相邻顶点j,计算把顶点i从它所在的社区移动到顶点j所在的社区的模块度增量变化ΔQ,将顶点i移动至ΔQ最大且非负的相邻顶点j所在的社区,将顶点i从所属的社区c1移动至于j所属的社区c2,形成新的社区c1'和c2'。如果所有ΔQ都小于0,则顶点i仍停留在原社区中。此过程按顺序应用于所有的顶点,并且重复迭代,直到没有顶点移动,即任何一个顶点的移动都不会增大模块度Q。
将模块度Q不再增大时的配电网网络分布的每个社区看作一个顶点,构成一个新的网络。新顶点之间的边的权重等于原两个社区之间的边的权重之和,新顶点的自环的权重等于该社区中所有边的权重的两倍。变换后网络的度之和保持不变。然后用上述的方法反复迭代,直到网络不再改变,即模块度已达到最大值。
此时的配电网***被分割为多个高内聚的非重叠子区域——“社区”,具有对内高耦合性、对外低耦合行特征,社区发现算法的分区结果示意图如图2所示。
3.分布式状态估计
1)迭代方法
分布式状态估计建立在最优分区的基础上,依据最优分区将混合量测的模型作为参数输入,对每个分区独立的进行状态估计求解。
每个分区的独立状态估计模型可以表示为:
minJ(x)=[z-h(x)]TW[z-h(x)] (14)
其中,W为混合量测的权重矩阵。
对状态估计模型计及各分区的混合量测结果进行分布式求解等价为求解迭代:
其中,k=k+1为分布式求解该分区的迭代次数,xk+1为进行k+1次迭代后的状态量,和分别表示C1社区及其相邻社区C2第k次迭代的状态量,分布式求解迭代的收敛条件为达到最大迭代次数或迭代后状态量的变化小于收敛极限,收敛极限取0.001。
2)算法步骤
如图3所示算法步骤如下:
分区分布式状态估计的步骤如下:
a:初始化迭代次数k,并输入混合量测模型及分区模型的具体参数。
b:按照公式(15)对各个分区进行独立迭代求解。
c:令k=k+1,当k达到最大迭代次数时结束估计并输出结果,否则转下一步。
d:判断是否满足迭代的收敛条件,满足收敛条件则结束估计并输出结果,否则转下一步。
e:更新相邻分区的混合量测模型信息,转b。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (10)
1.一种基于混合量测配电网分布式状态估计方法,其特征在于包括如下步骤:
步骤1,首先利用配电网中μPMU和SCADA的量测数据构成混合量测,考虑混合量测背景下的数据结合问题和时间同步问题,并对混合量测进行建模;
步骤2,考虑配电网***节点的电气距离,以模块度为评价指标,基于社区发现算法对配电网进行非重叠的最优分区;
步骤3,根据混合量测的模型与最优分区结果,对配电网进行分布式状态估计。
4.如权利要求1所述的基于混合量测的配电网分布式状态估计方法,其特征在于:所述步骤1中,考虑混合量测背景下的时间同步问题,具体内容是:
针对***在状态估计时间内发生微小的变化,引起的时移误差,确定SCADA采样的时间断面,并将状态估计周期内的μPMU时间序列和SCADA数据进行整合起来,实现时间兼容。
5.如权利要求4所述的基于混合量测的配电网分布式状态估计方法,其特征在于:首先估计SCADA数据的量测时刻:
其中,ti为估计的第i个SCADA量测时刻,zti为第i个量测数据,K为系数向量,s_f为状态估计时间内采样的总个数,ξ为误差;
SCADA数据的近似时移误差表示为:
est=KΔt=K(tSE-ts_f)
其中,est为近似时移误差,tSE为状态估计断面时刻,ts_f为状态估计之前收到的最后一个SCADA数据的采样时刻估计值;
由于tsE-ts_f的范围为[0,TSCADA],TSCADA为SCADA量测的数据上传周期,系数向量K是根据一组服从正态分布的数据估计得到,因此,eSt近似地服从正态分布;
所以,SCADA的误差vs表示为:
vs=esm+est
其中,eSm为SCADA的量测误差;
方差矩阵表示为:
其中,上标T为矩阵的转置,td为tSE-ts_f。
6.如权利要求4所述的基于混合量测的配电网分布式状态估计方法,其特征在于:所述状态估计周期内的μPMU时间序列通过AR(p)模型估计出;
AR(p)模型的一般数学形式为:
zt=φ0+φ1zt-1+φ2zt-2+…+φpzt-p+εt
其中,φ0为常数项,φ1,…,φp为模型参数,εt为高斯白噪声均值为0,方差为δ,yt-1,yt-2,…,yt-p为序列中yt的前p个序列。
7.如权利要求4所述的基于混合量测的配电网分布式状态估计方法,其特征在于:所述将状态估计周期内的μPMU时间序列和SCADA数据进行整合起来,实现时间兼容的具体内容是:将μPMU和SCADA混合量测的相角统一,在状态估计过程中,指定给安装μPMU的某一节点为状态估计的参考节点,以相角量测值作为状态估计的初始值。
9.如权利要求1所述的基于混合量测的配电网分布式状态估计方法,其特征在于:所述步骤2中,以模块度为评价指标,基于社区发现算法对配电网进行非重叠的最优分区的具体内容是:
步骤2a,定义模块度Q为:
其中,C表示社区,P为配电网***的社区的集合,ci表示i顶点所属的社区;δ(ci,cj)表示若i、j顶点属于同个社区,则取1,否则为0;ki为顶点的度,表示与点i相连的所有边的权重之和,m为网络中所有边的权重之和;网络模块度Q看作各个子模块的模块度之和,Q的取值范围为(-1,1),当配电网整体划分为一个社区时,Q=0;
步骤2b,对于有N个顶点的配电网***,首先将每个顶点初始化为各自独立的社区,即有N个不同的社区,然后对于每个顶点i,及其所有的相邻顶点j,计算把顶点i从它所在的社区移动到顶点j所在的社区的模块度增量变化ΔQ,将顶点i移动至ΔQ最大且非负的相邻顶点j所在的社区,将顶点i从所属的社区c1移动至于j所属的社区c2,形成新的社区c1'和c2';如果所有ΔQ都小于0,则顶点i仍停留在原社区中;此过程按顺序应用于所有的顶点,并且重复迭代,直到没有顶点移动,即任何一个顶点的移动都不会增大模块度Q;
步骤2c,将模块度Q不再增大时的配电网网络分布的每个社区看作一个顶点,构成一个新的网络,新顶点之间的边的权重等于原两个社区之间的边的权重之和,新顶点的自环的权重等于该社区中所有边的权重的两倍,变换后网络的度之和保持不变;
步骤2d,基于步骤2c得到的新的网络,返回步骤2b,重复步骤2b-2c,直到网络不再改变,即模块度已达到最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222747.7A CN111581768A (zh) | 2020-03-26 | 2020-03-26 | 一种基于混合量测的配电网分布式状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222747.7A CN111581768A (zh) | 2020-03-26 | 2020-03-26 | 一种基于混合量测的配电网分布式状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111581768A true CN111581768A (zh) | 2020-08-25 |
Family
ID=72119212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010222747.7A Pending CN111581768A (zh) | 2020-03-26 | 2020-03-26 | 一种基于混合量测的配电网分布式状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581768A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666422A (zh) * | 2020-11-25 | 2021-04-16 | 中国南方电网有限责任公司超高压输电公司 | 测量隐患定位方法 |
CN113341275A (zh) * | 2021-06-10 | 2021-09-03 | 西安理工大学 | 一种配电网单相接地故障的定位方法 |
CN114389312A (zh) * | 2021-11-02 | 2022-04-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
CN117060373A (zh) * | 2023-06-27 | 2023-11-14 | 国网信息通信产业集团有限公司 | 一种基于量测补齐的有源配电网状态估计方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563550A (zh) * | 2017-08-23 | 2018-01-09 | 武汉大学 | 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 |
CN108448620A (zh) * | 2018-04-04 | 2018-08-24 | 合肥工业大学 | 基于综合性能指标的高渗透率分布式电源集群划分方法 |
CN109376544A (zh) * | 2018-09-18 | 2019-02-22 | 浙江工业大学 | 一种防止复杂网络中的社团结构被深度挖掘的方法 |
CN110299762A (zh) * | 2019-06-21 | 2019-10-01 | 三峡大学 | 基于pmu准实时数据的主动配电网抗差估计方法 |
CN110880757A (zh) * | 2019-11-20 | 2020-03-13 | 东南大学 | 基于最优分区的主动配电网分布式区间状态估计方法 |
-
2020
- 2020-03-26 CN CN202010222747.7A patent/CN111581768A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563550A (zh) * | 2017-08-23 | 2018-01-09 | 武汉大学 | 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 |
CN108448620A (zh) * | 2018-04-04 | 2018-08-24 | 合肥工业大学 | 基于综合性能指标的高渗透率分布式电源集群划分方法 |
CN109376544A (zh) * | 2018-09-18 | 2019-02-22 | 浙江工业大学 | 一种防止复杂网络中的社团结构被深度挖掘的方法 |
CN110299762A (zh) * | 2019-06-21 | 2019-10-01 | 三峡大学 | 基于pmu准实时数据的主动配电网抗差估计方法 |
CN110880757A (zh) * | 2019-11-20 | 2020-03-13 | 东南大学 | 基于最优分区的主动配电网分布式区间状态估计方法 |
Non-Patent Citations (2)
Title |
---|
李爽: "基于PMU/SCADA混合数据的电力***状态估计的研究", pages 1 - 56 * |
王贺飞: "基于DSCADA 和μPMU 数据融合的配电网运行拓扑辨识", pages 123 - 131 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666422A (zh) * | 2020-11-25 | 2021-04-16 | 中国南方电网有限责任公司超高压输电公司 | 测量隐患定位方法 |
CN113341275A (zh) * | 2021-06-10 | 2021-09-03 | 西安理工大学 | 一种配电网单相接地故障的定位方法 |
CN113341275B (zh) * | 2021-06-10 | 2023-03-14 | 西安理工大学 | 一种配电网单相接地故障的定位方法 |
CN114389312A (zh) * | 2021-11-02 | 2022-04-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
CN114389312B (zh) * | 2021-11-02 | 2024-05-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
CN117060373A (zh) * | 2023-06-27 | 2023-11-14 | 国网信息通信产业集团有限公司 | 一种基于量测补齐的有源配电网状态估计方法及装置 |
CN117060373B (zh) * | 2023-06-27 | 2024-03-26 | 国网信息通信产业集团有限公司 | 一种基于量测补齐的有源配电网状态估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581768A (zh) | 一种基于混合量测的配电网分布式状态估计方法 | |
CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
Zamzam et al. | Physics-aware neural networks for distribution system state estimation | |
CN107577870B (zh) | 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法 | |
CN107843810B (zh) | 一种基于状态估计的有源配电网故障区段在线定位方法 | |
CN101635457B (zh) | 一种基于状态估计残差参数灵敏度的电网参数估计方法 | |
CN108155648A (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN103401238B (zh) | 一种基于总体测辨法的电力负荷建模方法 | |
CN101958543B (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
CN107565553A (zh) | 一种基于ukf的配电网抗差动态状态估计方法 | |
CN112865181B (zh) | 基于端口阻抗特性的光伏逆变器参数辨识方法及装置 | |
CN105958470A (zh) | 一种基于双线性凸优化理论电力***双线性抗差估计方法 | |
CN115453193B (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 | |
CN110707693B (zh) | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 | |
CN114389312B (zh) | 一种配电网分布式状态估计方法 | |
CN111327048A (zh) | 一种含三端snop的配电网鲁棒运行优化方法 | |
CN114498921A (zh) | 一种基于混合量测的配电网分层分区状态估计*** | |
Karamta et al. | A review of power system state estimation: Techniques, state-of-the-art and inclusion of FACTS controllers | |
Shehata et al. | An accuracy enhancement of optimization techniques containing fractional-polynomial relationships | |
CN109217336B (zh) | 基于分区建模的同步发电机阻尼系数在线辨识方法 | |
CN108964044B (zh) | 一种通过海底电缆互联的海洋微电网群等值建模方法 | |
Blaauwbroek et al. | Branch current state estimation of three phase distribution networks suitable for paralellization | |
Kundu et al. | A non-iterative hybrid Dynamic State Estimation scheme utilizing PMU and SCADA measurements | |
CN109787220B (zh) | 一种适用于配电网的状态估计方法及*** | |
CN111725810B (zh) | 交直流混联电网***的状态评估方法、终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |