CN112152198B - 电力***低模型依赖性智能步长调整状态估计方法及*** - Google Patents

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

电力***低模型依赖性智能步长调整状态估计方法及***

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：

S1、自变量选择：在状态修正向量

各分量的绝对值

中取最大值，即

作为算式的自变量，称Δx为状态修正量；

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：

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；

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；

所述自变量选择模块是在状态修正向量

各分量的绝对值

中取最大值，即

作为算式的自变量，称Δx为状态修正量；

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：

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；

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。

自变量选择：是在状态修正向量

各分量的绝对值

中取最大值，即

作为算式的自变量，称Δx为状态修正量。

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；

所述自变量选择模块是在状态修正向量

各分量的绝对值

中取最大值，即

作为算式的自变量，称Δx为状态修正量。

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：

S1、自变量选择：在状态修正向量

各分量的绝对值

中取最大值，即

作为算式的自变量，称Δx为状态修正量；

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直接建立函数关系，具体形式如(1)所示：

其中：λ^(k)为第k次迭代的步长调整因子；Δx^(k)和Δx^(k-1)为第k和第k-1次迭代的状态修正量；ξ^(k)和ξ^(k-1)为第k和第k-1次迭代的中间变量；ψ、a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：

其中，z为电力***量测向量；

是用电力***状态向量

表示的量测函数；

为残差向量；R^-1为权重，

为电力***中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；

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；

所述自变量选择模块是在状态修正向量

各分量的绝对值

中取最大值，即

作为算式的自变量，称Δx为状态修正量；

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直接建立函数关系，具体形式如(1)所示：

其中：λ^(k)为第k次迭代的步长调整因子；Δx^(k)和Δx^(k-1)为第k和第k-1次迭代的状态修正量；ξ^(k)和ξ^(k-1)为第k和第k-1次迭代的中间变量；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：

其中，z为电力***量测向量；

是用电力***状态向量

表示的量测函数；

为残差向量；R^-1为权重，

为电力***中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；

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。

Images