基于简化潮流神经网络的配电网状态估计初值计算方法技术

本发明专利技术公开了基于简化潮流神经网络的配电网状态估计初值计算方法。该方法利用历史数据与嵌入物理知识的神经网络学习配电网状态变量的初值，用以进行配电网状态估计的计算。由于潮流方程为一个非线性函数，故可以用一个输入为量测、输出为状态变量的全连接的神经网络描述，本方法提出一种基于简化潮流方程的物理感知神经网络，即利用配电网拓扑结构相关知识，对全连接神经网络进行了剪枝，去掉了其非必要的参数；然后再利用历史数据离线训练剪枝后的网络；之后将实时量测数据输入该网络中，得到更为精确的初值应用于高斯牛顿法初值；最后可以根据高斯牛顿法迭代求解配电网状态估计。计。计。

【技术实现步骤摘要】
基于简化潮流神经网络的配电网状态估计初值计算方法


[0001]本专利技术属于配电网状态估计
，涉及根据历史量测数据对配电网状态进行计算的方法，具体涉及基于简化潮流神经网络的配电网状态估计初值计算方法。

技术介绍

[0002]配电网一次设备的实际量测信息需要通过远动装置传送到调度控制中心；量测自身存在一定误差，数据传送过程中各个环节也会造成不可避免的延时、丢包等异常。配电网一次设备量大面广，从成本上控制，量测点、量测精度、采集频度、通信传输通道和数据传输频度等配置均有制约，因此控制调度中心往往无法获取完整的、足够的电力系统计算分析所需要的数据。
[0003]为了解决上述问题，除了不断改善测量装置与传输系统外，还可以采用数学处理的方法来提高测量数据的完整性与可靠性。配电网状态估计(Distribution System State Estimation,DSSE)就是一种通过有限的量测数据还原出配电网系统状态变量的方法，是数据采集与监控系统(SCADA)和能量管理系统EMS在线应用的基础。DSSE一般步骤为：首先根据遥信信息确定配电网动态拓扑，然后根据遥测信息估计出符合电路理论的系统状态变量，包括节点电压相量、支路功率等。
[0004]现有的配电网状态估计的方法，主要分为最小二乘法、最小均方算法、最小截断二乘法和最小绝对值法。最小均方算法与最小截断二乘法在计算过程中需要大量的计算成本。其中最小均方算法要求配电网量测具有很高的冗余度，而最小截断二乘算法对于内存的需求非常大。最小绝对值虽然能够自动拒绝不良数据，具有鲁棒性，但是进行估计计算时也需要大量的计算资源。因此，最小二乘法成为电力系统中最传统的状态估计建模方法，因为其快速、简单的优点，被广泛应用于电力系统的状态估计中；而高斯牛顿法是用来求解最小二乘法的最常见算法，但是该算法对初值较为敏感，可能导致不收敛的情况。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出了基于简化潮流神经网络的配电网状态估计初值计算方法，根据配电网结构与变量间的数值关系，基于简化潮流方程剪枝神经网络，减低计算量。后续可以将神经网络输出的配电网状态估计初值应用于高斯牛顿法中，解决由于初值设置不合理导致的不收敛问题。
[0006]基于简化潮流神经网络的配电网状态估计初值计算方法，具体包括以下步骤：
[0007]步骤一、建立BP神经网络，包括输入层、隐藏层和输出层。其中，输入层的神经元个数与配电网量测个数相等，输出层的神经元个数与配电网状态变量个数相等。
[0008]步骤二、针对具有n个节点的电力系统，其极坐标下的交流潮流表示为：
[0009][0010]其中，P
i
、Q
i
分别为节点i的有功功率、无功功率；V
i
、V
j
分别表示节点i、j的电压幅值，θ
ij
为节点i与节点j之间的相角差，i、j＝1,2,
…
,n；G
ij
+jB
ij
＝Y
ij
，Y
ij
表示节点导纳矩阵Y中的元素，G
ij
、B
ij
分别表示节点导纳矩阵Y中第i行第j列元素的实部与虚部。
[0011]在电力系统中，节点电压幅值大致都为1.p.u.，同时，线路两端电压相角很少超过30
°
，大部分都在10
°
以内，即存在：
[0012]g
ij
(V
i
‑
V
j
cosθ
ij
)≈g
ij
(V
i
‑
V
j
)
[0013]b
ij
V
j
sinθ
ij
≈b
ij
(θ
i
‑
θ
j
)(2)
[0014]其中，b
ij
、g
ij
分别为节点i、j之间的电导与电纳；将公式式(2)代入公式(1)，根据有功功率与无功功率进行电压幅值与电压相角解耦：
[0015][0016][0017]转换为矩阵表示为：
[0018][0019]步骤三、公式(5)的形式与解耦线性潮流类似，给出了有功功率P、无功功率Q、电压幅值V和电压相角θ间的关系。当公式(5)存在解，即可逆，则有：
[0020][0021]由于电力系统中节点电压幅值大致都为1.p.u.，因此公式(6)中的可以变化为：
[0022][0023]将公式(7)代入公式(6)有：
[0024][0025]令将电压幅值V与电压相角θ分解为：
[0026][0027]根据公式(9)可知，电压相角θ与电压幅值V可以分解为两个部分，各自可以通过节点的电压幅值与功率注入得到，并且输入存在一定的冗余。显然量测向量完全可以表示节点的电压幅值与功率注入。由于输出电压幅值的神经元与节点电压、注入的有功功率、无功功率有关，因此，取隐藏层神经元的一半与输出层中节点电压幅值的神经元全连接；节点电压相角与节点电压幅值相同，取隐藏层的另一半神经元与输出层中节点电压相角的神经元全连接。就可以得到节点电压幅值、注入有功功率、无功功率分别与节点电压相角、节点电压幅值的非线性函数。可以得到简化后的BP神经网络。
[0028]步骤四、由于PMU的量测量非常准确，因此可以将安装了PMU的节点作为为分割配电网拓扑网络的“分割线”，将配电网分割成若干的部分。对于安装了L
‑
1个PMU的配电网，可以将其划分为L个部分：
[0029][0030]其中，Y'
11
,Y'
22
,...,Y'
LL
分别为被PMU分割部分的系数导纳矩阵，Y'
12
,Y'
21
,Y'
1L
,Y'
L1
,Y'
2L
,Y'
L2
分别为PMU的不同部分的系数导纳矩阵，由于辐射状的配电网在PMU连接节点处只存在很少的连接关系，因此，系数矩阵可认为是零矩阵。
[0031]根据分割后的配电网拓扑结构，将步骤三简化后的BP神经网络分为多组神经网络，不仅减少输入层的参数，还可以减少隐藏层的参数，得到基于简化潮流方程的BP神经网络。
[0032]步骤五、配电网存在大量历史量测数据，将配电网的历史量测数据输入基于简化潮流方程的BP神经网络，由于在上述的数据集中已经存在了配电网的状态变量的真值，设置神经网络的损失函数为MSE损失，MSE损失为预测数据与原始数据对应点误差的平方和的均值，也就是均方差：
[0033][0034]其中，N为简化后的BP神经网络输出层的神经元个数；y
it
、分别为配电网历史量测数据的真实值以及预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于简化潮流神经网络的配电网状态估计初值计算方法，其特征在于：该方法具体包括以下步骤：步骤一、建立BP神经网络，包括输入层、隐藏层和输出层；其中，输入层的神经元个数与配电网量测个数相等，输出层的神经元个数与配电网状态变量个数相等；步骤二、针对具有n个节点的电力系统，其极坐标下的交流潮流表示为：其中，P
i
、Q
i
分别为节点i的有功功率、无功功率；V
i
、V
j
分别表示节点i、j的电压幅值，θ
ij
为节点i与节点j之间的相角差，i、j＝1,2,
…
,n；G
ij
+jB
ij
＝Y
ij
，Y
ij
表示节点导纳矩阵Y中的元素，G
ij
、B
ij
分别表示节点导纳矩阵Y中第i行第j列元素的实部与虚部；根据电力系统中的节点电压幅值与电压相角的取值，存在：g
ij
(V
i
‑
V
j
cosθ
ij
)≈g
ij
(V
i
‑
V
j
)b
ij
V
j
sinθ
ij
≈b
ij
(θ
i
‑
θ
j
)(2)其中，b
ij
、g
ij
分别为节点i、j之间的电导与电纳；将公式式(2)代入公式(1)，根据有功功率与无功功率进行电压幅值与电压相角解耦：功率进行电压幅值与电压相角解耦：转换为矩阵表示为：步骤三、当公式(5)存在解，即可逆时有：根据节点电压幅值将转化为：
将公式(7)代入公式(6)有：令将电压幅值V与电压相角θ分解为：根据公式(9)可知，电压相角θ与电压幅值V可以分解为两个部分，因此，将隐藏层中一半的神经元与输出层中节点电压幅值的神经元全连接；另一半神经元与输出层中节点电压相角的神经元全连接，得到简化后的BP神经网络；步骤四、对于安装了L个PMU的配电网，根据PMU的位置将其划分为L
‑
1个部分：其中，Y'
11
,Y'
22
,...,Y'
LL
分别为被PMU分割后各部分的系数导纳矩阵，Y'
12
,Y'
21
,Y'
1L
,Y'
L1
,Y'
2L
,Y'
L2
分别为PMU的不同部分间的系数导纳矩阵，由于辐射状的配电网在PMU连接节点处只存在很少的连接关系，因此，Y'
12
,Y'
21
...

【专利技术属性】
技术研发人员：章坚民，李阳，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：