CN113595078B - 一种多源混合数据融合的配电网状态估计方法和装置 - Google Patents
一种多源混合数据融合的配电网状态估计方法和装置 Download PDFInfo
- Publication number
- CN113595078B CN113595078B CN202110960004.4A CN202110960004A CN113595078B CN 113595078 B CN113595078 B CN 113595078B CN 202110960004 A CN202110960004 A CN 202110960004A CN 113595078 B CN113595078 B CN 113595078B
- Authority
- CN
- China
- Prior art keywords
- pmu
- measurement
- data
- state estimation
- distribution network
- 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.)
- Active
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
-
- 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
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多源混合数据融合的配电网状态估计方法和装置,方法包括:获取多源量测数据;进行基于PMU的多源量测数据融合;基于融合数据,构建含PMU的主动配电网混合量测状态估计模型;对主动配电网混合量测状态估计模型进行求解。本发明通过对配电网多源数据的处理实现配电网的状态估计,以提升配电网可观测性和安全稳定运行水平。
Description
技术领域
本发明属于配电网状态评估技术领域,具体涉及一种多源混合数据融合的配电网状态估计方法和装置。
背景技术
在新电改背景下,随着分布式电源DG以及新型负荷接入配电网,配电网中出现了双向潮流以及部分节点电压波动加剧等现象,给主动配电网运行方式、态势感知以及量测配置带来极大考验。配电网状态估计对实时量测***的数据进行处理,为控制中心提供实时运行状态信息,是实时状态感知的基础与前提,也是协调控制和无功优化等高级应用的基础。状态估计作为态势感知技术的核心,为配电***进行实时状态监测、调度、控制和分析故障方面提供了可靠的数据保障。受限于技术与经济因素,配电网量测体系将在长时间内保持多***并存,因此研究多源数据融合下的配电网状态感知方法,进一步提升配电网可观测性和安全稳定运行水平,对于保障社会安定、减少经济损失有着重要的意义。
发明内容
本发明提供了的一种多源混合数据融合的配电网状态估计方法。本发明通过对配电网多源数据的处理实现配电网的状态估计,以提升配电网可观测性和安全稳定运行水平。
本发明通过下述技术方案实现:
一种多源混合数据融合的配电网状态估计方法,包括:
获取多源量测数据;
进行基于PMU的多源量测数据融合;
基于融合数据,构建含PMU的主动配电网混合量测状态估计模型;
对主动配电网混合量测状态估计模型进行求解。
优选的,本发明获取的多源量测数据包括:数据采集与监视控制***SCADA的量测数据、配电网相量测量单元PMU的量测数据、智能电表为核心的高级量测体系AMI的量测数据。
优选的,本发明的进行基于PMU的多源量测数据融合步骤具体包括:
若从t1时刻开始,每Δt间隔PMU采集的量测数据Zp表示为:
其中,Δt为PMU数据刷新频率,且PMU数据刷新频率为毫秒级;
则每ΔT=mΔt的时间断面上量测数据包括Zp和SCADA采集的量测数据Zs,其中SCADA采集的量测数据Zs表示为:
其中,ΔT=mΔt为SCADA数据刷新频率,且SCADA数据刷新频率为秒级;
AMI量测数据通过自身时标与PMU数据同步,每nΔt的时间断面上量测数据包括Zp和AMI采集的量测数据ZA,其中AMI采集的量测数据ZA表示为:
其中,nΔt为AMI数据刷新频率,且AMI数据刷新频率为分钟级。
优选的,本发明的构建含PMU的主动配合电网混合量测状态估计模型步骤具体包括:
建立虚拟PMU量测模型;
基于SCADA量测值、PMU量测值及根据虚拟PMU量测模型扩展的冗余数据,构建含PMU的混合量测状态估计模型。
优选的,本发明的建立虚拟PMU量测模型步骤具体包括:
获取PMU量测的实测数据,配置有PMU装置的母线量测方程为:
其中,ZV、ZI分别为PMU量测到的电压和电流相量;VC、IC分别为未安装PMU节点的电压和电流相量;Y和Z分别为节点导纳矩阵和阻抗矩阵;ev、eI分别为电压和电流的测量误差;
建立虚拟PMU量测模型,该虚拟PMU量测模型基于PMU量测的实测数据进行扩展得到:
其中,Ik为节点k上支路电流代数和;n为观测值数量。利用PMU节点电压相量和支路电流相量推算出相关节点的电压相量;
根据虚拟PMU量测模型得到的伪量测数据对PMU实测数据进行修正,得到修正后的测量矩阵ΔZPMU为:
其中,ΔP、ΔQ为原有状态估计测量值,ΔδPMU、ΔVPMU/VPMU分别为根据1组PMU量测量和q次循环得到的q组虚拟PMU测得的电流、电压相量测量值。
优选的,本发明的式(1)中的ZV、ZI和VC、IC均服从下列3种情景约束:
(1)支路a一端的电压和电流相量已知,求支路a的另一端电压相量;
(2)支路a两端的电压相量均已知,求支路a的电流相量;
(3)未安装PMU节点的相关联支路中仅1条支路a电流相量未知,其余支路电流相量均已知,该情况下可根据KCL定律求得支路a的电流相量。
优选的,本发明的式(2)实现PMU量测数据的扩展,具体为:
通过对VC、IC进行循环求解,一次循环通过式(1)中的ZV、ZI求出VC1、IC1;二次循环中将VC1、IC1视为PMU装置的测量数据,代入式(1)中的ZV、ZI进行计算得到VC2、IC2;依此循环q次得到VCq、ICq,在第q+1次后当出现与虚拟PMU测点相关联的节点没有PMU配置且没有虚拟PMU量测信息的情景时,则循环终止。
优选的,本发明构建的含PMU的混合量测状态估计模型具体为:
其中,z表示量测值,z=[Zs Zq ZPMU ΔZPMU]T∈Rn,Zs为SCADA***量测数据,Zq为伪量测数据,ZPMU为PMU量测数据,ΔZPMU为通过虚拟PMU量测模型补充的冗余数据;h(x)表示量测方程,用来描述量测值和状态变量间的非线性关系;I为配置PMU对应行向量的单位矩阵,I′为未配置PMU对应行向量的单位矩阵;E为测量方程系数矩阵;e为传统量测、伪量测以及不同PMU量测设备引入的随机误差。
优选的,本发明的对主动配电网混合量测状态估计模型进行求解步骤具体为:
将状态估计模型转化为下式进行求解:
另一方面,本发明还提出了一种多源混合数据融合的配电网状态估计装置,包括数据获取单元、数据融合单元、建模单元和求解单元;
其中,所述数据获取单元用于获取多源量测数据;
所述数据融合单元将多源量测数据进行融合处理;
所述建模单元基于融合数据,构建含PMU的主动配电网混合量测状态估计模型;
所述求解单元用于对主动配电网混合量测状态估计模型进行求解,得到配电网状态估计值。
本发明具有如下的优点和有益效果:
1、本发明基于多源混合数据融合实现的配电网状态估计方法,准确高效,具有较强的通用性和实用性,进一步提升配电网可观测性和安全稳定运行水平,对于保障安全、减少经济损失有着重要的意义。
2、本发明通过虚拟PMU模型对PMU量测装置的观测范围进行了扩展,从始端保证了配电网伪量测数据的精度,从而直接提高了状态估计的精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的配电网状态估计方法流程示意图。
图2为本发明的低压配电网多维状态感知***架构图。
图3为本发明的配电网多源量测体系空间配置图。
图4为本发明的多源数据融合图。
图5为本发明的虚拟PMU观测范围扩展示意图。
图6为本发明的计算机设备结构示意图。
图7为本发明的配电网状态估计装置原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
本实施例提出了一种多源混合数据融合的配电网状态估计方法,具体如图1所示,本实施例的方法包括以下步骤:
步骤101,获取多源量测数据。
本实施例采用如图2所示的低压配电网多维状态感知***获取多源量测数据,低压配电网多维状态感知***主要包括:低压出线监测传感器、现场采集终端、NB-IOT网络、云存储与大数据分析平台和监控终端。
其中,低压出线监测传感器主要完成低压配电网电量信息以及非电量信息的采集,并将采集的信息传送给现场采集终端;
现场采集终端将传感器采集的信息进行就地分析处理,对故障进行初步分析,并把采集的数据通过NB-IOT网络上传给云存储与大数据分析平台进行存储和分析;
云存储与大数据分析平台通过建立模型与故障类型专家库,实现故障预警、故障定位、负荷预测、拓扑识别、用电异常分析等,并将数据分析结果发送给远程监控终端、移动监控终端,实现了低压配电网信息的实时采集和故障信息上传。
本实施例获取的多源量测数据包括数据采集与监视控制***(SCADA)量测数据、配电网相量测量单元(PMU)量测数据、智能电表为核心的高级量测体系(AMI)量测数据,如图3所示,多源量测数据特点如表1所示:
表1
其中,数据采集与监视控制***(supervisory control and data acquisition,SCADA),数据类型包括重要节点的电压幅值、重要支路的电流幅值与不含方向信息的功率等,SCADA数据的更新周期一般为2~5s。
配电网相量测量单元(phasor measurement units,PMU)逐渐推广应用,可提供高频率、高精度的电压电流相量,PMU装置约40ms采样一次。
智能电表为核心的高级量测体系(advanced metering infrastructure,AMI),提升了营销量测信息的类型和频率,主要安装于低压用户及一些变压器和中压馈线上,量测信息包括带有时标的电能、电压和功率因数等。
本实施例的配电网状态估计,需要考虑三个方面问题:计算精度不足导致算法的数值稳定性变差、由于量测配置不完备或通信不良导致的***不可观、由于网络参数精度差导致状态估计性能受到影响。因此,本实施例提出了基于多源混合数据融合的配电网状态估计,以保证状态估计性能。
步骤102,进行多源量测数据融合。
本实施例采用基于PMU的多源量测数据融合方式,将PMU量测数据、SCADA量测数据、AMI量测数据进行数据融合;考虑在多量测***并存的配电网分区内,如图4所示,在配电自动化***的数据库终端进行多源量测数据融合,融合过程具体包括:
步骤201,从t1时刻开始,每Δt间隔PMU采集的量测数据Zp表示为:
其中,Δt为PMU数据刷新频率,PMU数据刷新频率为毫秒级,在与SACDA数据断面同步时刻的间隙获取多时间断面量测数据,增加用于参数估计的量测方程组。基于PMU所产生的精确数据来同步***SCADA量测数据,对其加上时间坐标。在同一配电网分区内,RTU数据采集使用相同的采样脉冲,因此SCADA数据可保证为同一时刻,假设节点k的电压是可观测的,则节点k电压瞬时值为:
式中:uk为电压有效值;ω为角频率;φ为初相角。这3个量可通过测量获得,因此,任意时刻t的uk是已知的。对于SCADA,假设其采样周期为ΔT,则SCADA电压量测值的时间坐标ts∈((n-1)ΔT,nΔT),其中n为采样周期个数。因此,在时间区间((n-1)ΔT,nΔT)内根据uk值可找到某一时刻t0,使得
由此可以认为在该配电网分区内,SCADA数据的一个时间坐标为t0,这样就可以利用PMU的时间标记特性为分区内的SCADA数据加上时标,即...t0-ΔT,t0,t0+ΔT,t0+2ΔT...。
步骤202,每ΔT=mΔt的时间断面上量测数据包括Zp和SCADA采集的量测数据Zs,其中SCADA采集的量测数据Zs表示为:
其中,ΔT=mΔt为SCADA数据刷新频率,且SCADA数据刷新频率为秒级,在与AMI数据断面同步时刻的间隙获取多时间断面量测数据,用于增加参数估计的量测方程组。
步骤203,AMI量测数据可以通过自身时标与PMU数据同步,每nΔt的时间断面上量测数据包括Zp和AMI采集的量测数据ZA,其中AMI采集的量测数据ZA表示为:
其中,nΔt为AMI数据刷新频率,且AMI数据刷新频率为分钟级。
综上,对于一个拥有多类型量测数据的配电网分区,基于PMU的精确时标同步特性可以提高一个时间段内的量测变量冗余度,同时,由于多种量测体系数据刷新频率差异很大,可以通过将多时间断面多节点的PMU,SCADA,AMI量测数据联合建立量测方程,进而满足参数估计的要求。
步骤103,基于融合数据,构建含PMU的主动配电网混合量测状态估计模型。
本实施例构建含PMU的主动配电网混合量测状态估计模型,具体包括:
步骤301,建立虚拟PMU量测模型。
由于PMU装置的配置数量有限,且1台PMU量测装置只能对1个测点进行观测。为了改善伪量测数据的精度,本实施例通过构建虚拟PMU模型对PMU量测的观测范围进行人为扩展,补充高精度数据冗余,保证网络的可观测性,同时提高配电网状态估计精度。通过虚拟PMU扩展观测范围的示意图如图5所示。
配置PMU量测节点的相邻节点可以通过虚拟PMU模型得到量测值,称为虚拟PMU量测,虚拟PMU量测的另一端连接的节点不可观测,通常需要补充伪量测数据来保证网络的可观测性。因此本实施例提出如下虚拟PMU量测模型。PMU装置测量的是所在母线的电压相量和所有出线的电流相量,因此安装有PMU装置的母线量测方程为:
其中,ZV、ZI分别为PMU量测到的电压和电流相量;VC、IC分别为未安装PMU节点的电压和电流相量;Y和Z分别为节点导纳矩阵和阻抗矩阵;ev、eI分别为电压和电流的测量误差。式(3)中ZV、ZI和VC、IC均服从下列3种情景约束:
(1)支路a一端的电压和电流相量已知,求支路a的另一端电压相量;
(2)支路a两端的电压相量均已知,求支路a的电流相量;
(3)未安装PMU节点的相关联支路中仅1条支路a电流相量未知,其余支路电流相量均已知,该情况下可根据KCL定律求得支路a的电流相量。
本实施例将通过以上3种情景求得的数据称为虚拟PMU量测数据。该方法适用于辐射形网络中通过有限个PMU配置来保证局部区域的可观测性的情景。为了保证数据精度,模型设定虚拟PMU量测信息不再进行二次扩展,且该方法在与虚拟PMU量测节点相关联的节点但无PMU配置的情景下将不适用,因此需要补充伪量测信息来保证网络的全局可观测性。
本实施例构建的虚拟PMU量测模型是基于PMU量测的实测数据进行扩展得到,模型表示如下:
其中,Ik为节点k上支路电流代数和;n为观测值数量。利用PMU节点电压相量和支路电流相量推算出相关节点的电压相量。
本实施例根据式(4)实现PMU量测数据的扩展,通过对VC、IC进行循环求解,一次循环通过式(3)中的ZV、ZI求出VC1、IC1;二次循环中将VC1、IC1视为PMU装置的测量数据,代入式(3)中的ZV、ZI进行计算得到VC2、IC2;依此循环q次得到VCq、ICq,在第q+1次后当出现与虚拟PMU测点相关联的节点没有PMU配置且没有虚拟PMU量测信息的情景时,不满足上述关系,则循环终止。需要说明的是,本文通过多源数据融合的方式来提高数据冗余度,从而保证配电网络的可观测性。因此在理论上而言,当循环终止后,含PMU混合量测模型能满足配电网络的可观测性要求,从而保证抗差估计的进行。
本实施例的虚拟PMU量测值模型通过数学手段扩展了某个观测点的观测范围,同时模型推算补充了大量高精度冗余数据,直接改善了伪量测的精度,从而提高了状态估计精度。
根据扩展到的伪量测数据对PMU实测数据进行修正后的测量矩阵ΔZPMU为:
其中,ΔP、ΔQ为原有状态估计测量值,ΔδPMU、ΔVPMU/VPMU分别为根据1组PMU量测量和q次循环得到的q组虚拟PMU测得的电流、电压相量测量值。
步骤302,建立含PMU的混合量测状态估计模型。
在***中装设PMU后,引入精度较高的母线电压相位量测和幅值测量值。这些量测信息可以和SCADA原有测量值构成混合量测***共同用于状态估计。本实施例选取节点电压的幅值和相位作为状态估计的待求变量。对于状态估计问题,建立量测量与状态变量的关系,即:
z=h(x)+e (6)
其中,z表示量测值;h(x)表示量测方程,用来描述量测值和状态变量间的非线性关系,e表示量测过程中引入的随机误差。为了处理配电网中可能存在的零功率注入约束,提高状态估计精度,在状态估计中考虑注入功率的等式约束为c(x)=0。
在上述虚拟PMU量测补充大量高精度冗余数据的情况下,含PMU混合量测的主动配电网状态估计模型如下:
其中,z=[Zs Zq ZPMU ΔZPMU]T∈Rn,Zs为SCADA***量测数据,Zq为伪量测数据,ZPMU为PMU量测数据,ΔZPMU为通过虚拟PMU量测模型补充的高精度冗余数据,I为配置PMU对应行向量的单位矩阵,I′为未配置PMU对应行向量的单位矩阵;E为测量方程系数矩阵;e为传统量测、伪量测以及不同PMU量测设备引入的随机误差。
步骤104,对主动配电网混合量测状态估计模型进行求解。
将状态估计模型转化为下式进行求解:
本实施例还提出了一种计算机设备,用于执行本实施例的上述方法。
具体如图6所示,计算机设备包括处理器、内存储器和***总线;内存储器和处理器在内的各种设备组件连接到***总线上。处理器是一个用来通过计算机***中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。***总线可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过***总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存(图中未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作***和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机设备访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是,其它包括比计算机设备更多或更少的子***的计算机***也能适用于发明。
如上面详细描述的,适用于本实施例的计算机设备能执行配电网状态估计方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
本实施例提出了一种多源混合数据融合的配电网状态估计装置,如图7所示,本实施例的装置包括数据获取单元、数据融合单元、建模单元和求解单元。
其中,数据获取单元用于获取多源量测数据。
数据融合单元将多源量测数据进行融合处理。
建模单元基于融合数据,构建含PMU的主动配电网混合量测状态估计模型。
求解单元用于对主动配电网混合量测状态估计模型进行求解,得到配电网状态估计值。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种多源混合数据融合的配电网状态估计方法,其特征在于,包括:
获取多源量测数据;
进行基于PMU的多源量测数据融合;
基于融合数据,构建含PMU的主动配电网混合量测状态估计模型;
对主动配电网混合量测状态估计模型进行求解;获取的多源量测数据包括:数据采集与监视控制***SCADA的量测数据、配电网相量测量单元PMU的量测数据、智能电表为核心的高级量测体系AMI的量测数据;进行基于PMU的多源量测数据融合步骤具体包括:
若从t1时刻开始,每Δt间隔PMU采集的量测数据Zp表示为:
其中,Δt为PMU数据刷新频率,且PMU数据刷新频率为毫秒级;
则每ΔT=mΔt的时间断面上量测数据包括Zp和SCADA采集的量测数据Zs,其中SCADA采集的量测数据Zs表示为:
其中,ΔT=mΔt为SCADA数据刷新频率,且SCADA数据刷新频率为秒级;
AMI量测数据通过自身时标与PMU数据同步,每nΔt的时间断面上量测数据包括Zp和AMI采集的量测数据ZA,其中AMI采集的量测数据ZA表示为:
其中,nΔt为AMI数据刷新频率,且AMI数据刷新频率为分钟级;构建含PMU的主动配合电网混合量测状态估计模型步骤具体包括:
建立虚拟PMU量测模型;
基于SCADA量测值、PMU量测值及根据虚拟PMU量测模型扩展的冗余数据,构建含PMU的混合量测状态估计模型;
构建的含PMU的混合量测状态估计模型具体为:
其中,z表示量测值,z=[Zs Zq ZPMU ΔZPMU]T∈Rn,Zs为SCADA***量测数据,Zq为伪量测数据,ZPMU为PMU量测数据,ΔZPMU为通过虚拟PMU量测模型补充的冗余数据;h(x)表示量测方程,用来描述量测值和状态变量间的非线性关系;I为配置PMU对应行向量的单位矩阵,I′为未配置PMU对应行向量的单位矩阵;E为测量方程系数矩阵;e为传统量测、伪量测以及不同PMU量测设备引入的随机误差;
对主动配电网混合量测状态估计模型进行求解步骤具体为:
将状态估计模型转化为下式进行求解:
2.根据权利要求1所述的一种多源混合数据融合的配电网状态估计方法,其特征在于,建立虚拟PMU量测模型步骤具体包括:
获取PMU量测的实测数据,配置有PMU装置的母线量测方程为:
其中,ZV、ZI分别为PMU量测到的电压和电流相量;VC、IC分别为未安装PMU节点的电压和电流相量;Y和Z分别为节点导纳矩阵和阻抗矩阵;ev、eI分别为电压和电流的测量误差;
建立虚拟PMU量测模型,该虚拟PMU量测模型基于PMU量测的实测数据进行扩展得到:
其中,Ik为节点k上支路电流代数和;n为观测值数量;利用PMU节点电压相量和支路电流相量推算出相关节点的电压相量;
根据虚拟PMU量测模型得到的伪量测数据对PMU实测数据进行修正,得到修正后的测量矩阵ΔZPMU为:
其中,ΔP、ΔQ为原有状态估计测量值,ΔδPMU、ΔVPMU/VPMU分别为根据1组PMU量测量和q次循环得到的q组虚拟PMU测得的电流、电压相量测量值。
3.根据权利要求2所述的一种多源混合数据融合的配电网状态估计方法,其特征在于,所述式(1)中的ZV、ZI和VC、IC均服从下列3种情景约束:
(1)支路a一端的电压和电流相量已知,求支路a的另一端电压相量;
(2)支路a两端的电压相量均已知,求支路a的电流相量;
(3)未安装PMU节点的相关联支路中仅1条支路a电流相量未知,其余支路电流相量均已知,该情况下可根据KCL定律求得支路a的电流相量。
4.根据权利要求2所述的一种多源混合数据融合的配电网状态估计方法,其特征在于,所述式(2)实现PMU量测数据的扩展,具体为:
通过对VC、IC进行循环求解,一次循环通过式(1)中的ZV、ZI求出VC1、IC1;二次循环中将VC1、IC1视为PMU装置的测量数据,代入式(1)中的ZV、ZI进行计算得到VC2、IC2;依此循环q次得到VCq、ICq,在第q+1次后当出现与虚拟PMU测点相关联的节点没有PMU配置且没有虚拟PMU量测信息的情景时,则循环终止。
5.一种多源混合数据融合的配电网状态估计装置,其特征在于,包括数据获取单元、数据融合单元、建模单元和求解单元;
其中,所述数据获取单元用于获取多源量测数据;获取的多源量测数据包括:数据采集与监视控制***SCADA的量测数据、配电网相量测量单元PMU的量测数据、智能电表为核心的高级量测体系AMI的量测数据;
所述数据融合单元将多源量测数据进行融合处理;进行基于PMU的多源量测数据融合步骤具体包括:
若从t1时刻开始,每Δt间隔PMU采集的量测数据Zp表示为:
其中,Δt为PMU数据刷新频率,且PMU数据刷新频率为毫秒级;
则每ΔT=mΔt的时间断面上量测数据包括Zp和SCADA采集的量测数据Zs,其中SCADA采集的量测数据Zs表示为:
其中,ΔT=mΔt为SCADA数据刷新频率,且SCADA数据刷新频率为秒级;
AMI量测数据通过自身时标与PMU数据同步,每nΔt的时间断面上量测数据包括Zp和AMI采集的量测数据ZA,其中AMI采集的量测数据ZA表示为:
其中,nΔt为AMI数据刷新频率,且AMI数据刷新频率为分钟级;
所述建模单元基于融合数据,构建含PMU的主动配电网混合量测状态估计模型;构建含PMU的主动配合电网混合量测状态估计模型步骤具体包括:
建立虚拟PMU量测模型;
基于SCADA量测值、PMU量测值及根据虚拟PMU量测模型扩展的冗余数据,构建含PMU的混合量测状态估计模型;构建的含PMU的混合量测状态估计模型具体为:
其中,z表示量测值,z=[Zs Zq ZPMU ΔZPMU]T∈Rn,Zs为SCADA***量测数据,Zq为伪量测数据,ZPMU为PMU量测数据,ΔZPMU为通过虚拟PMU量测模型补充的冗余数据;h(x)表示量测方程,用来描述量测值和状态变量间的非线性关系;I为配置PMU对应行向量的单位矩阵,I′为未配置PMU对应行向量的单位矩阵;E为测量方程系数矩阵;e为传统量测、伪量测以及不同PMU量测设备引入的随机误差;
所述求解单元用于对主动配电网混合量测状态估计模型进行求解,得到配电网状态估计值;对主动配电网混合量测状态估计模型进行求解步骤具体为:
将状态估计模型转化为下式进行求解:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960004.4A CN113595078B (zh) | 2021-08-20 | 2021-08-20 | 一种多源混合数据融合的配电网状态估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960004.4A CN113595078B (zh) | 2021-08-20 | 2021-08-20 | 一种多源混合数据融合的配电网状态估计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113595078A CN113595078A (zh) | 2021-11-02 |
CN113595078B true CN113595078B (zh) | 2022-10-11 |
Family
ID=78238856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960004.4A Active CN113595078B (zh) | 2021-08-20 | 2021-08-20 | 一种多源混合数据融合的配电网状态估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113595078B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113898B (zh) * | 2021-11-29 | 2023-11-14 | 大连海事大学 | 一种基于多源量测数据的配电网网损分析方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108400592A (zh) * | 2018-03-19 | 2018-08-14 | 国网江西省电力有限公司电力科学研究院 | 一种计及潮流约束的配电网区间状态估计算法 |
CN110299762B (zh) * | 2019-06-21 | 2022-12-02 | 三峡大学 | 基于pmu准实时数据的主动配电网抗差估计方法 |
CN110417009A (zh) * | 2019-07-29 | 2019-11-05 | 天津大学 | 基于不同采样周期数据的配电网混合抗差状态估计方法 |
CN112751418A (zh) * | 2020-12-31 | 2021-05-04 | 国网山东省电力公司青岛供电公司 | 智能配电网区域态势要素感知方法及*** |
-
2021
- 2021-08-20 CN CN202110960004.4A patent/CN113595078B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113595078A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angioni et al. | Real-time monitoring of distribution system based on state estimation | |
Wu et al. | A robust state estimator for medium voltage distribution networks | |
Džafić et al. | Real time estimation of loads in radial and unsymmetrical three-phase distribution networks | |
CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
Wang et al. | Transmission lines positive sequence parameters estimation and instrument transformers calibration based on PMU measurement error model | |
Zhang et al. | Observability and estimation uncertainty analysis for PMU placement alternatives | |
CN110299762A (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
CN103606113A (zh) | 基于pmu装置的电力***静态状态估计方法 | |
Shahraeini et al. | A survey on topological observability of power systems | |
CN103441493A (zh) | 电网电气分区负荷侧关键断面的自动选择方法 | |
CN113595078B (zh) | 一种多源混合数据融合的配电网状态估计方法和装置 | |
Yuan et al. | Graph computing based distributed fast decoupled power flow analysis | |
Li et al. | Forecasting aided distribution network state estimation using mixed μPMU-RTU measurements | |
CN110707693A (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 | |
CN113156247A (zh) | 一种电力***低频振荡的预警方法及装置 | |
Ying et al. | Topology modeling method for distribution network via power line communication | |
Quan et al. | The real-time digital simulation system for distribution network | |
Zhang et al. | A survey on state estimation algorithm of distribution grid | |
Zhang et al. | Distribution network topology identification considering nonsynchronous multi-prosumer data measurement | |
Yang et al. | Study of power system online dynamic equivalent based on wide area measurement system | |
Zhang et al. | Network reduction for power flow based applications | |
Lin et al. | Spatiotemporal Graph Convolutional Neural Network Based Forecasting-Aided State Estimation Using Synchrophasors | |
Zhu et al. | Review of Trends in State Estimation of Power Distribution Networks | |
Yang et al. | Distribution feeder parameter estimation without synchronized phasor measurement by using radial basis function neural networks and multi-run optimization method | |
CN111725809B (zh) | 交直流混联电网模型***及其变流器的建模方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |