CN112152198A - 电力***低模型依赖性智能步长调整状态估计方法及*** - Google Patents
电力***低模型依赖性智能步长调整状态估计方法及*** Download PDFInfo
- Publication number
- CN112152198A CN112152198A CN202010806544.2A CN202010806544A CN112152198A CN 112152198 A CN112152198 A CN 112152198A CN 202010806544 A CN202010806544 A CN 202010806544A CN 112152198 A CN112152198 A CN 112152198A
- Authority
- CN
- China
- Prior art keywords
- alpha
- parameters
- step length
- power system
- psi
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
-
- 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
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力***低模型依赖性智能步长调整状态估计方法及***,该方法越过电力***数学模型,通过所设计的“构造指数反演函数”直接建立状态修正量与步长因子的关系,在迭代过程中根据状态修正量的变化情况自动对步长因子进行多方位、智能调整以使其满足较为理想的数值运算状态。因和电力***数学模型耦合程度很低,该方法在多种复杂情况下(包含不良数据和网络病态)均表现为较高的数值稳定性和估计质量,这是对电力***模型依赖性高的传统方法所无法比拟的。
Description
技术领域
本发明涉及电力***状态估计领域,特别涉及一种电力***低模型依赖性智能步长调整状态估计方法及***。
背景技术
电力***状态估计是能量管理***的重要组成部分,为其提供可靠、完整的***运行状态信息。在电网实际运行中,由于电网中的各种不利因素可能导致病态潮流问题,最优乘子法是处理病态潮流的有效方法。此外,步长优化技术常用来提高病态潮流的收敛性和鲁棒性,并取得了良好的效果。然而,到现在为止,与之相关的研究在电力***状态估计领域甚少。
在实用电力***状态估计中,传统方法是将状态修正方程的步长因子固定为1,但在实际执行时,常因量测数据质量偏低、网络条件复杂,该算法并不能保证***有效收敛。为改善状态估计的收敛性能,提高估计质量,研究人员提出过状态估计最优步长因子法,在出现不良数据时其收敛性优于传统方法,但该方法未考虑网络病态条件下的运算性能且与电力***模型高度相关,演算过程较为复杂、计算量大。另外,对于电力***状态估计问题,网络天然存在“数值计算缺陷”且外界输入真假难辨,过度依赖于模型的最优步长方法常常表现出收敛慢、震荡、发散等异常情况。因此,提高状态估计的适应性,改善其在这些情况下的数值稳定性,提高估计质量始终是该领域的重要研究课题。
发明内容
为了解决上述技术问题,本发明提供一种电力***低模型依赖性智能步长调整状态估计方法及***。
本发明解决上述问题的技术方案是:
一方面,本发明提供一种电力***低模型依赖性智能步长调整状态估计方法,包括如下步骤:
S2、算法函数设计,包括:
S21、提出构造指数反演函数,将迭代过程中的Δx与步长调整因子λ直接取得联系,具体形式如(1)所示:
其中:λ(k)为迭代第k步的步长调整因子;Δx(k)和Δx(k-1)为第k和第k-1步的状态修正量;ξ(k)和ξ(k-1)为第k和第k-1步的迭代中间变量;ψ、α为控制参数,ψ、α和ξ(k)的初值ξ(0)将在S3中确定;
S22、结合S21,形成整个电力***低模型依赖性智能步长调整状态估计的迭代格式为:
S3、算法参数选择:为了选择参数ψ、α、p(0)的最优值,在算法调试阶段,通过在程序中编写3个for循环来寻找参数ψ、α、p(0)的最优值,记录最少迭代次数所对应的参数值,若存在几组迭代次数相同的不同可选参数组合,则根据它们的估计质量来选择它们的最优值,此三参数一经确定将保持不变。
另一方面,本发明提出一种电力***低模型依赖性智能步长调整状态估计***,包括自变量选择模块、算法函数设计模块以及算法参数选择模块;
所述算法函数设计模块提出构造指数反演函数,将迭代过程中的Δx与步长调整因子λ直接取得联系,具体形式如(1)所示:
其中:λ(k)为迭代第k步的步长调整因子;Δx(k)和Δx(k-1)为第k和第k-1步的状态修正量;ξ(k)和ξ(k-1)为第k和第k-1步的迭代中间变量;ψ、α为控制参数,ψ、α和ξ(k)的初值ξ(0)将在算法参数选择模块中确定;
结合公式(1),形成整个电力***低模型依赖性智能步长调整状态估计的迭代格式为:
所述算法参数选择模块是为了选择参数ψ、α、p(0)的最优值,在算法调试阶段,通过在程序中编写3个for循环来寻找参数ψ、α、p(0)的最优值,记录最少迭代次数所对应的参数值,若存在几组迭代次数相同的不同可选参数组合,则根据它们的估计质量来选择它们的最优值,此三参数一经确定将保持不变。
本发明的有益效果在于:
在量测出现不良数据和网络趋于病态时,电力***低模型依赖性智能步长调整状态估计算法通过设计构造指数反演函数的步长因子,脱离电力***数学模型直接建立状态修正量Δx与步长因子λ变化关系,形成智能调整步长因子。在迭代初始步,步长自动增大,以加快收敛速度;当相邻两次迭代的具有明显变化时(这一般出现在迭代的中间阶段),迭代步长随的减小而自动减小,这样既保证了迭代速度,又在一定程度上把计算精度考虑了进去;当迭代进入尾声时(一般表现为相邻两次迭代的变化较小),为提高计算质量和鲁棒性,本算法自动以“更密集”的步长趋于数值解。上述迭代行为是状态估计解算器根据迭代效果自动做出的调整,对所面对的电力***模型耦合程度很低,因此采用这种方法能在更多样化的复杂电网环境下大幅提高状态估计的数值稳定性和估计质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明电力***低模型依赖性智能步长调整状态估计***的模块框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,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,都属于本发明保护的范围。
实施例1
本发明提供一种电力***低模型依赖性智能步长调整状态估计方法,主要包括:自变量选择、算法函数设计以及算法参数选择。
算法函数设计包含两部分:
第一部分:提出构造指数反演函数,将迭代过程中第k和第k-1步的状态修正量Δx(k)和Δx(k-1)与第k的步长调整因子λ(k)直接取得联系,具体形式如下所示:
其中:ξ(k)和ξ(k-1)为第k和第k-1步的迭代中间变量;ψ、α为控制参数,ψ、α和ξ(k)的初值ξ(0)将在“算法参数选择模块”中确定。在实际执行时当abs(Δx(k)/Δx(k-1))2≥10时取其值为10,当abs(Δx(k)/Δx(k-1))2≤0.2时,取其值为0.2。
第二部分:形成电力***低模型依赖性智能步长调整状态估计的迭代格式:
其中,z为量测向量;是用状态向量表示的量测函数;为残差向量;R-1为权重,为每个量测点的量测装置方差,i=1,2…m;k为迭代次数;为的m×n阶雅可比矩阵。因λ直接根据Δx的变化情况多方位、自动智能调整,因此本发明步长对电力***的数学模型具有较低的依赖性。
算法参数选择:为了选择参数ψ、α、p(0)的最优值,通过在程序中编写3个for循环来寻找参数ψ、α、p(0)的最优值,记录最少迭代次数所对应的参数值,若存在几组迭代次数相同的不同可选参数组合,则根据它们的估计质量来选择它们的最优值,此三参数一经确定将保持不变。
实施例2
如图1所示,本发明提出一种电力***低模型依赖性智能步长调整状态估计***,包括自变量选择模块、算法函数设计模块以及算法参数选择模块;
所述算法函数设计模块包含两部分:
第一部分:提出构造指数反演函数,将迭代过程中第k和第k-1步的状态修正量Δx(k)和Δx(k-1)与第k的步长调整因子λ(k)直接取得联系,具体形式如下所示:
其中:ξ(k)和ξ(k-1)为第k和第k-1步的迭代中间变量;ψ、α为控制参数,ψ、α和ξ(k)的初值ξ(0)将在“算法参数选择模块”中确定。在实际执行时当abs(Δx(k)/Δx(k-1))2≥10时取其值为10,当abs(Δx(k)/Δx(k-1))2≤0.2时,取其值为0.2。
第二部分:形成电力***低模型依赖性智能步长调整状态估计的迭代格式:
其中,z为量测向量;是用状态向量表示的量测函数;为残差向量;R-1为权重,为每个量测点的量测装置方差,i=1,2…m;k为迭代次数;为的m×n阶雅可比矩阵。因λ直接根据Δx的变化情况多方位、自动智能调整,因此本发明步长对电力***的数学模型具有较低的依赖性。
所述算法参数选择模块为了选择参数ψ、α、p(0)的最优值,通过在程序中编写3个for循环来寻找参数ψ、α、p(0)的最优值,记录最少迭代次数所对应的参数值,若存在几组迭代次数相同的不同可选参数组合,则根据它们的估计质量来选择它们的最优值,此三参数一经确定将保持不变。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种电力***低模型依赖性智能步长调整状态估计方法,其特征在于,包括如下步骤:
S2、算法函数设计,包括:
S21、提出构造指数反演函数,将迭代过程中的Δx与步长调整因子λ直接取得联系,具体形式如(1)所示:
其中:λ(k)为迭代第k步的步长调整因子;Δx(k)和Δx(k-1)为第k和第k-1步的状态修正量;ξ(k)和ξ(k-1)为第k和第k-1步的迭代中间变量;ψ、α为控制参数,ψ、α和ξ(k)的初值ξ(0)将在S3中确定;
S22、结合S21,形成整个电力***低模型依赖性智能步长调整状态估计的迭代格式为:
S3、算法参数选择:为了选择参数ψ、α、p(0)的最优值,在算法调试阶段,通过在程序中编写3个for循环来寻找参数ψ、α、p(0)的最优值,记录最少迭代次数所对应的参数值,若存在几组迭代次数相同的不同可选参数组合,则根据它们的估计质量来选择它们的最优值,此三参数一经确定将保持不变。
2.一种电力***低模型依赖性智能步长调整状态估计***,其特征在于,包括自变量选择模块、算法函数设计模块以及算法参数选择模块;
所述算法函数设计模块提出构造指数反演函数,将迭代过程中的Δx与步长调整因子λ直接取得联系,具体形式如(1)所示:
其中:λ(k)为迭代第k步的步长调整因子;Δx(k)和Δx(k-1)为第k和第k-1步的状态修正量;ξ(k)和ξ(k-1)为第k和第k-1步的迭代中间变量;ψ、α为控制参数,ψ、α和ξ(k)的初值ξ(0)将在算法参数选择模块中确定;
结合公式(1),形成整个电力***低模型依赖性智能步长调整状态估计的迭代格式为:
所述算法参数选择模块是为了选择参数ψ、α、p(0)的最优值,在算法调试阶段,通过在程序中编写3个for循环来寻找参数ψ、α、p(0)的最优值,记录最少迭代次数所对应的参数值,若存在几组迭代次数相同的不同可选参数组合,则根据它们的估计质量来选择它们的最优值,此三参数一经确定将保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806544.2A CN112152198B (zh) | 2020-08-12 | 2020-08-12 | 电力***低模型依赖性智能步长调整状态估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806544.2A CN112152198B (zh) | 2020-08-12 | 2020-08-12 | 电力***低模型依赖性智能步长调整状态估计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112152198A true CN112152198A (zh) | 2020-12-29 |
CN112152198B CN112152198B (zh) | 2022-06-21 |
Family
ID=73887987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806544.2A Active CN112152198B (zh) | 2020-08-12 | 2020-08-12 | 电力***低模型依赖性智能步长调整状态估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112152198B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413053A (zh) * | 2013-08-21 | 2013-11-27 | 国家电网公司 | 一种基于内点法的电力***抗差状态估计方法 |
CN104102836A (zh) * | 2014-07-14 | 2014-10-15 | 国家电网公司 | 一种电力***快速抗差状态估计方法 |
CN107069696A (zh) * | 2016-09-23 | 2017-08-18 | 四川大学 | 一种电力***状态估计的并行计算方法 |
-
2020
- 2020-08-12 CN CN202010806544.2A patent/CN112152198B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413053A (zh) * | 2013-08-21 | 2013-11-27 | 国家电网公司 | 一种基于内点法的电力***抗差状态估计方法 |
CN104102836A (zh) * | 2014-07-14 | 2014-10-15 | 国家电网公司 | 一种电力***快速抗差状态估计方法 |
CN107069696A (zh) * | 2016-09-23 | 2017-08-18 | 四川大学 | 一种电力***状态估计的并行计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112152198B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8046090B2 (en) | Apparatus and method for automated closed-loop identification of an industrial process in a process control system | |
US8473079B2 (en) | Fast algorithm for model predictive control | |
JP2004503000A (ja) | 多変量マトリクスプロセス制御 | |
CN111682594B (zh) | 数据驱动的配电网柔性变电站无模型自适应电压控制方法 | |
CN112018758A (zh) | 基于数字孪生的含高比例新能源交直流混联***建模方法 | |
CN108459920A (zh) | 一种试验数据野值的辨识与修正方法 | |
US20100280801A1 (en) | Method and device for generating a model of a multiparameter system | |
CN112152198B (zh) | 电力***低模型依赖性智能步长调整状态估计方法及*** | |
CN107153755B (zh) | 一种页岩气井数值模拟的求解方法 | |
CN110889630A (zh) | 一种主动配电网分布式状态估计方法 | |
JP6067289B2 (ja) | 電力系統の縮約モデル作成装置、作成方法及び作成プログラム | |
CN116538075A (zh) | 一种对空压机能效进行在线识别的方法、装置及介质 | |
Abraham et al. | Constraint-preconditioned inexact newton method for hydraulic simulation of large-scale water distribution networks | |
Won et al. | Identification of a multivariable delta-operator stochastic state-space model with distributed time delays: Application to a rapid thermal processor | |
TWI782360B (zh) | 探索裝置、探索程式及電漿處理裝置 | |
Longo et al. | A predictive control solver for low-precision data representation | |
CN110658722B (zh) | 一种基于gap的自均衡多模型分解方法及*** | |
CN112859614A (zh) | 一种超超临界火电机组的控制方法、装置、设备及存储介质 | |
CN117668433B (zh) | 一种机械采油机组智能选型方法和*** | |
CN110110814B (zh) | 基于连续MapReduce的分布并行PCA过程监测建模方法 | |
CN111340647A (zh) | 一种配电网数据平差方法及*** | |
CN112989738B (zh) | 一种电路仿真中牛顿迭代的收敛判定的改进方法 | |
CN117973092B (zh) | 一种半导体器件的数值仿真方法、装置、设备及存储介质 | |
CN116031604B (zh) | 基于响应特征提取的微波滤波器自动调试方法 | |
Li et al. | A novel iterative algorithm for Riccati matrix equation in discrete-time Markov jump system |
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 |