一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法技术

本发明专利技术公开了一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法。该方法首先建立电压源换流器的稳态模型和交直流配电网的实时量测模型；然后利用历史量测数据对DNN进行离线训练，建立负荷节点注入功率的伪量测模型；最后对交流区域和直流区域进行交替迭代状态估计，在交替过程中区域间交换VSC支路状态量的估计值，保证了边界状态量的一致性。本发明专利技术不仅能够提高交直流配电网状态估计的计算精度，在低冗余量测配置时准确估计交直流配电网的状态，而且具有计算复杂度低、收敛速度快、程序易拓展的优点。程序易拓展的优点。程序易拓展的优点。

【技术实现步骤摘要】
一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法


[0001]专利技术涉及一种交直流配电网的状态估计方法，尤其涉及一种基于深度神经网络(deep neural networks，DNN)伪量测建模的交直流配电网交替迭代状态估计方法。

技术介绍

[0002]随着分布式电源的发展和直流负荷比重的不断提高，直流配电网的优势得到越来越多的关注。相比于交流配电网，直流配电网能减少电力变换环节，降低网损，提高传输容量和电能利用率。考虑到交流配电技术的长久发展，直流配电网难以完全替代交流配电网。因此建设交直流混合配电网是解决新能源并网消纳问题，兼容交直流异质负荷的有效方法。但这种复杂的混联结构为配电管理系统(distribution management system，DMS)实时监控系统的运行状态带来了挑战。
[0003]状态估计(state estimation，SE)能为DMS提供可靠的基础数据，关于交直流混合配电网潮流计算和状态估计算法的研究，可以分为三类：(1)整体法：交流方程和直流方程联立并进行统一迭代求解。(2)交替迭代法：交、直流区域按顺序计算。(3)分布式方法：交、直流区域并行计算。整体法能充分考虑到交直流系统间的功率耦合关系，估计精度高，但矩阵维数会随着系统规模的扩大而增加，计算量也随之增加。分布式方法需要配置额外的全局信息计算模块以实现各区域的并行计算，在每一次迭代中所有区域均需计算。而交替迭代法在顺序计算过程中耦合变量的差异足够小即可收敛，计算复杂度更低，但也需要利用量测冗余度提高估计精度。因此，交替迭代状态估计技术的有效应用对实时量测数目有一定要求。然而，配电网的实时量测数目往往较少，通常难以保证系统可观，而广泛配置量测装置会大幅增加经济成本。因此，在实时量测有限的情况下，如何保证配电网的可观性值得深入研究。建立伪量测模型可以提高量测冗余度，传统方法是利用短期负荷预测获得节点注入功率，但负荷的随机性波动较大，预测准确度不高，使得状态估计精度下降。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术提供一种基于DNN伪量测建模的交直流配电网交替迭代状态估计方法，能够提高交直流配电网状态估计的计算精度，在低冗余量测配置时准确估计交直流配电网的状态。
[0005]技术方案：本专利技术所采用的技术方案是一种基于DNN伪量测建模的交直流配电网交替迭代状态估计方法，包括以下步骤：
[0006](1)建立交直流混合配电网模型，根据交直流配电网的网络参数信息以及负荷曲线进行潮流计算，采用整体法计算模拟出系统在连续采样时刻下的运行状态，在潮流真值的基础上叠加随机噪声模拟实时量测值，获得每一采样时刻的实时量测值和负荷真值；所述的建立交直流混合配电网模型，是在交直流配电网导纳矩阵中加入电压源换流器支路，对于每个交流节点，建立两个单独的深度神经网络，输出分别为负荷有功和无功功率，输入
为交流配电网的实时量测值；对于每个直流节点，建立一个深度神经网络，输出为负荷有功功率，输入为直流配电网的实时量测值。
[0007]其中所述的网络参数信息包括：交直流配电网的拓扑信息、各支路阻抗、电压源换流器的等值阻抗和电压源换流器的控制方式。所述电压源换流器的控制方式包括：定交流侧有功P
ft，k
和交流侧无功Q
ft，k
控制；定交流侧有功P
ft，k
和交流侧电压U
f，k
控制；定直流侧电压U
d，k
和交流侧无功Q
ft，k
控制。实时量测值包括：交流和直流节点电压幅值量测值、交流和直流支路电流幅值量测值、交流和直流支路功率量测值、交流和直流节点注入功率实时量测值。其中直流节点注入功率量测方程为：
[0008][0009]式中：P
dc，i
为直流节点注入有功功率；上标m表示量测值；U
dc，i
为节点电压幅值；G
dc，ij
为直流配电网导纳矩阵中对应的元素；j∈N
dc
表示直流配电网的节点j；VSC
k
∈i表示与直流节点i相连的VSC
k
，P
d，k
为VSC
k
流向直流节点i的有功功率；υ
Pdci
为量测误差。
[0010](2)将步骤(1)所得运行数据划分为训练集和测试集，将训练集的实时量测值作为深度神经网络的输入，负荷真值作为目标输出，训练深度神经网络，利用测试集数据测试训练完成深度神经网络。训练深度神经网络使得最终的测试误差小于某一阈值。测试误差是每一采样时刻负荷节点的注入功率伪量测与负荷真值的差值。若该测试误差较大，则调整深度神经网络的参数，如网络层数、神经元数、batch_size、epoch等，并重新训练，直到测试误差不再下降。
[0011](3)确定估计时刻t，将时刻t的交流配电网实时量测值输入深度神经网络，获得交流负荷节点的注入功率，将时刻t的直流配电网实时量测值输入深度神经网络，获得直流负荷节点的注入功率；其中获得的节点功率伪量测值在状态估计中的相应的权重为1/(E
max
/3)2。
[0012](4)以电压源换流器支路作为交流区域和直流区域的扩展支路，将扩展交流区域的实时量测、虚拟量测和负荷节点注入功率伪量测输入加权最小二乘法估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的交流节点的注入功率；
[0013](5)将步骤(4)中电压源换流器支路两端节点的状态量估计值传递给扩展直流区域作为该区域状态估计的伪量测，将该伪量测与扩展直流区域的实时量测、虚拟量测和负荷节点注入功率伪量测一起输入加权最小二乘估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的直流节点的注入功率；
[0014](6)再将扩展直流区域中电压源换流器支路两端节点的状态量估计值传递给扩展交流区域作为该区域状态估计的伪量测，与步骤(4)中扩展交流区域的量测一起再次进行该区域的状态估计。
[0015](7)重复步骤(5)、(6)对扩展交、直流区域进行交替迭代状态估计，直到两区域估计器对电压源换流器支路两端节点状态量估计值的差值足够小，最终得到时刻t的交直流混合配电网状态变量的估计值。
[0016]所述的交替迭代法中，交流和直流区域的目标函数分别为：
[0017][0018][0019]其中，扩展交流区域的状态量x
ac
和量测量z
ac
为：
[0020][0021]扩展直流区域的状态量x
dc
和量测量z
dc
为：
[0022][0023]式中：J
ac
为扩展交流区域加权最小二乘法状态估计的目标函数值；J
dc
为扩展直流区域加权最小二乘法状态估计的目标函数值；上标(k)和(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法，其特征在于，包括以下步骤：(1)建立交直流混合配电网模型，根据交直流配电网的网络参数信息以及负荷曲线进行潮流计算，采用整体法计算模拟出系统在连续采样时刻下的运行状态，在潮流真值的基础上叠加随机噪声模拟实时量测值，获得每一采样时刻的实时量测值和负荷真值；(2)将步骤(1)所得运行数据划分为训练集和测试集，将训练集的实时量测值作为深度神经网络的输入，负荷真值作为目标输出，训练深度神经网络，利用测试集数据测试训练完成深度神经网络；(3)确定估计时刻t，将时刻t的交流配电网实时量测值输入深度神经网络，获得交流负荷节点的注入功率，将时刻t的直流配电网实时量测值输入深度神经网络，获得直流负荷节点的注入功率；(4)以电压源换流器支路作为交流区域和直流区域的扩展支路，将扩展交流区域的实时量测、虚拟量测和负荷节点注入功率伪量测输入加权最小二乘法估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的交流负荷节点的注入功率；(5)将步骤(4)中电压源换流器支路两端节点的状态量估计值传递给扩展直流区域作为扩展直流区域状态估计的伪量测，将所述扩展直流区域状态估计的伪量测与扩展直流区域的实时量测、虚拟量测和负荷节点注入功率伪量测一起输入加权最小二乘估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的直流负荷节点的注入功率；(6)再将扩展直流区域中电压源换流器支路两端节点的状态量估计值传递给扩展交流区域作为该区域状态估计的伪量测，与步骤(4)中扩展交流区域的量测一起再次进行该区域的状态估计；(7)重复步骤(5)、(6)对扩展交、直流区域进行交替迭代状态估计，直到两区域估计器对电压源换流器支路两端节点状态量估计值的差值足够小，最终得到时刻t的交直流混合配电网状态变量的估计值。2.如权利要求1所述的一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法，其特征在于：所述的建立交直流混合配电网模型，是在交直流配电网导纳矩阵中加入电压源换流器支路，对于每个交流节点，建立两个单独的深度神经网络，输出分别为负荷有功和无功功率，输入为交流配电网的实时量测值；对于每个直流节点，建立一个深度神经网络，输出为负荷有功功率，输入为直流配电网的实时量测值。3.如权利要求1所述的一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法，其特征在于：步骤(1)所述的网络参数信息包括：交直流配电网的拓扑信息、各支路阻抗、电压源换流器的等值阻抗和电压源换流器的控制方式。4.如权利要求3所述的一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法，其特征在于，所述电压源换流器的控制方式包括：定交流侧有功P
ft，k
和交流侧无功Q
ft，k
控制；定交流侧有功P
ft，k
和交流侧电压U
f，k
控制；定直流侧电压U
d，k
和交流侧无功Q
ft，k
控制。5.如权利要求1所述的一种基于深度神经网络伪量测建模的交直流配电网交替迭代状
态估计方法，其特征在于：步骤(1)所述的实时量测值包括：交流和直流节点电压...

【专利技术属性】
技术研发人员：黄蔓云，费有蝶，卫志农，孙国强，臧海祥，
申请(专利权)人：河海大学，
类型：发明
国别省市：