一種基于Spiking神經(jīng)網(wǎng)絡(luò)偽量測建模的配電網(wǎng)三相狀態(tài)估計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 發(fā)明設(shè)及一種基于Spiking神經(jīng)網(wǎng)絡(luò)偽量測建模的配電網(wǎng)=相狀態(tài)估計(jì)方法，屬 于電力系統(tǒng)監(jiān)測、分析和控制技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著新能源發(fā)電的逐步接入，配電網(wǎng)管理系統(tǒng)需要更加全面、準(zhǔn)確的數(shù)據(jù)進(jìn)行實(shí) 時(shí)控制。配電網(wǎng)狀態(tài)估計(jì)能夠提供系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)信息，是進(jìn)行配電網(wǎng)控制的前提條件。 而當(dāng)前配電網(wǎng)狀態(tài)估計(jì)面臨的一個(gè)突出問題是實(shí)時(shí)量測數(shù)目不足。為了保證系統(tǒng)的可觀測 性和提高量測冗余度，一般將超短期負(fù)荷預(yù)測軟件提供的負(fù)荷節(jié)點(diǎn)注入功率作為偽量測。 但是，由于偽量測的量測誤差遠(yuǎn)遠(yuǎn)大于實(shí)時(shí)量測誤差，使?fàn)顟B(tài)估計(jì)精度下降，難W為配電網(wǎng) 運(yùn)行提供精確、可靠的參考。因此，如何提高偽量測模型精度是值得深入研究的問題。
[0003] 目前，國內(nèi)外專家學(xué)者主要從配電網(wǎng)量測和狀態(tài)估計(jì)算法兩個(gè)方面來提高配電網(wǎng) 狀態(tài)估計(jì)精度。通過優(yōu)化配電網(wǎng)量測裝置的安裝地點(diǎn)，量測量變換，基于大規(guī)模電流量測的 抗差估計(jì)算法來提高狀態(tài)估計(jì)精度。當(dāng)實(shí)時(shí)量測類型和數(shù)量確定時(shí)，如何改進(jìn)狀態(tài)估計(jì)算 法也是國內(nèi)外學(xué)者致力研究的問題。通過量測變換，采用基于負(fù)荷電流的抗差估計(jì)算法修 正偽量測數(shù)據(jù)，給予偽量測和虛擬量測不同的權(quán)重W提高狀態(tài)估計(jì)精度。然而偽量測數(shù)據(jù) 本身的誤差仍然是影響狀態(tài)估計(jì)精度的關(guān)鍵。在配電網(wǎng)量測數(shù)據(jù)不充分的情況下，保證配 電網(wǎng)中偽量測信息的準(zhǔn)確性對提高配電網(wǎng)=相狀態(tài)估計(jì)精度具有重要意義。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于Spiking神經(jīng)網(wǎng)絡(luò)偽量測建模的 配電網(wǎng)=相狀態(tài)估計(jì)方法。
[0005] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案如下：
[0006] -種基于Spiking神經(jīng)網(wǎng)絡(luò)偽量測建模的配電網(wǎng)=相狀態(tài)估計(jì)方法，包括順序相 接的如下步驟：
[0007] 1)首先獲得配電網(wǎng)的網(wǎng)絡(luò)參數(shù)信息；
[000引2)程序初始化；
[0009] 3)將一年的節(jié)點(diǎn)負(fù)荷數(shù)據(jù)進(jìn)行潮流計(jì)算，保存每一采樣時(shí)刻的支路功率值;通過 一年的支路功率值訓(xùn)練Sp化ing神經(jīng)網(wǎng)絡(luò)，得到相應(yīng)的訓(xùn)練誤差，即每一采樣時(shí)刻負(fù)荷節(jié)點(diǎn) 的注入功率與實(shí)際節(jié)點(diǎn)負(fù)荷的差值；
[0010] 4)將步驟3中Sp化ing神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的誤差輸入高斯混合模型中，該模型根據(jù) 輸出誤差分布進(jìn)行擬合，通過邊緣密度函數(shù)分析得到相應(yīng)時(shí)刻的偽量測誤差；
[0011] 5)確定估計(jì)時(shí)刻k，將時(shí)刻k的實(shí)時(shí)支路功率量測值與部分歷史支路功率量測值輸 入Sp化ing神經(jīng)網(wǎng)絡(luò)，得到時(shí)刻k的節(jié)點(diǎn)注入功率即為該時(shí)刻的偽量測值；
[0012] 6)通過估計(jì)時(shí)刻k對應(yīng)一年中的某一時(shí)刻，根據(jù)高斯混合模型擬合的偽量測誤差 分布確定該時(shí)刻k的偽量測誤差；
[0013] 7)將偽量測、實(shí)時(shí)量測和虛擬量測輸入配電網(wǎng)狀態(tài)估計(jì)器中進(jìn)行狀態(tài)估計(jì)，得到 該時(shí)刻k的配電網(wǎng)狀態(tài)變量估計(jì)值。
[0014] 為了進(jìn)一步提高精度，上述步驟1)中參數(shù)信息包括:配電網(wǎng)的拓?fù)湫畔?、各?jié)點(diǎn)對 地電容、各支路阻抗和對地電容。
[0015] 為了更進(jìn)一步提高精度，步驟2)中程序初始化包括:設(shè)定狀態(tài)變量初始值、狀態(tài)估 計(jì)收斂精度和最大迭代次數(shù)。
[0016] 本發(fā)明未提及的技術(shù)均參照現(xiàn)有技術(shù)。
[0017] 本發(fā)明針對配電網(wǎng)中量測數(shù)據(jù)不充分情況，采用基于Spiking神經(jīng)網(wǎng)絡(luò)的偽量測 模型進(jìn)行配電網(wǎng)=相狀態(tài)估計(jì)，該方法首先將實(shí)時(shí)和部分歷史支路功率量測輸入Spiking 神經(jīng)網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)注入功率建模，然后通過高斯混合模型生成相應(yīng)量測誤差，最后將偽量 、實(shí)時(shí)量測和虛擬量測輸入狀態(tài)估計(jì)器進(jìn)行配電網(wǎng)=相狀態(tài)估計(jì)。本發(fā)明建立的模型不 僅能夠提高偽量測精度，減小狀態(tài)估計(jì)誤差，而且在配電網(wǎng)通信故障時(shí)能夠保持狀態(tài)估計(jì) 正常運(yùn)行并將誤差控制在合理范圍內(nèi)，具有工程實(shí)用價(jià)值。
【附圖說明】
[001引圖1:本發(fā)明Sp化ing神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖；
[0019] 圖2:本發(fā)明方法流程圖；
[0020] 圖3:配電網(wǎng)IE邸13為標(biāo)準(zhǔn)測試系統(tǒng)圖；
[0021] 圖4: IE邸13節(jié)點(diǎn)系統(tǒng)中節(jié)點(diǎn)2-B相Sp化ing神經(jīng)網(wǎng)絡(luò)輸出對比圖；
[0022] 圖5: IE邸13節(jié)點(diǎn)系統(tǒng)中節(jié)點(diǎn)2-B相Spiking神經(jīng)網(wǎng)絡(luò)輸出放大圖；
[0023] 圖6:不同情景下節(jié)點(diǎn)3-A相狀態(tài)估計(jì)對比圖。
【具體實(shí)施方式】
[0024] 為了更好地理解本發(fā)明，下面結(jié)合實(shí)施例進(jìn)一步闡明本發(fā)明的內(nèi)容，但本發(fā)明的 內(nèi)容不僅僅局限于下面的實(shí)施例。
[002引1配電網(wǎng)狀態(tài)估計(jì)
[00%]本文采用節(jié)點(diǎn)電壓復(fù)向量為狀態(tài)變量，并假設(shè)狀態(tài)變量X=[X1，X2, . . .，Xn]T，共n 個(gè)。配電網(wǎng)中量測信息也包含多種類型，一般有支路功率量測、節(jié)點(diǎn)注入功率量測、支路電 流幅值量測W及節(jié)點(diǎn)電壓幅值量測。其中支路功率量測、支路電流幅值量測W及節(jié)點(diǎn)電壓 幅值量測為實(shí)時(shí)量測，零注入節(jié)點(diǎn)功率量測為虛擬量測，負(fù)荷節(jié)點(diǎn)注入功率量測為偽量測。 假設(shè)系統(tǒng)中量測量為Z= [Z1，Z2, ...，Zm]T，共m個(gè)。其中狀態(tài)變量X與量測量Z之間滿足如下 關(guān)系：
[0027] z = h(x)+v
[0028] 式中h(x)為X的非線性函數(shù)；V為均值為零的高斯白噪聲且V~N(0，R)，其中 R = diag\alal..…氣;';，。為第i個(gè)量測對應(yīng)的量測噪聲方差。
[0029] 狀態(tài)估計(jì)實(shí)際上是根據(jù)量測量Z確定狀態(tài)變量X的過程。加權(quán)最小二乘法(WLS)是 目前配電網(wǎng)狀態(tài)估計(jì)中普遍采用的方法，即求解如下最優(yōu)化問題：
[0030] minj 二[z-h(x) ]Tw[z-h(x)]
[0031] 式中W為權(quán)重矩陣。當(dāng)w=ri時(shí)，上述優(yōu)化問題的解為無偏估計(jì)。
[0032] 由于Kx)為X的非線性函數(shù)，無法直接計(jì)算狀態(tài)變量X，因此采用牛頓法迭代計(jì)算， 公式如下：
[003；3]著+1 =方' +G巧')-1//7-(心)巧-1[么-
[0034]式中若為1次迭代時(shí)X的估計(jì)值，H為量測矩陣，G為雅克比矩陣且滿足如下關(guān)系：
[0036] 〇'(.{'') = //'(去)/?'//(.;勺
[0037] 2偽量測模型
[0038] 本文建立的偽量測模型由偽量測值模型和偽量測誤差模型組成，其中偽量測的真 實(shí)值如下式所示：
[0039] 7=:方 +。
[0040] 式中Z為偽量測真實(shí)值，偽量測值Z為通過Spiking神經(jīng)網(wǎng)絡(luò)建模得到負(fù)荷節(jié)點(diǎn)注 入功率量測，相應(yīng)的偽量測誤差e由高斯混合模型計(jì)算生成。
[0041] 采用Spiking神經(jīng)網(wǎng)絡(luò)對負(fù)荷節(jié)點(diǎn)注入功率的量測值進(jìn)行建模，本質(zhì)上就是對非 線性高維函數(shù)的逼近。Spiking神經(jīng)網(wǎng)絡(luò)可W實(shí)現(xiàn)任意前向Sigmoid神經(jīng)網(wǎng)絡(luò)的功能，并且 可W逼近任意連續(xù)函數(shù)。本發(fā)明采用3層前饋Sp化ing神經(jīng)網(wǎng)絡(luò)，由輸入層I、隱含層H和輸出 層0組成。在結(jié)構(gòu)上，Spiking神經(jīng)網(wǎng)絡(luò)W更接近生物神經(jīng)元的Spike神經(jīng)元為基礎(chǔ)，每對神 經(jīng)元之間含有d個(gè)突觸連接終端，每個(gè)突觸連接可看做一個(gè)單獨(dú)連接，且具有可調(diào)節(jié)的突觸 延時(shí)和連接權(quán)值。在編碼方式上，Spiking神經(jīng)網(wǎng)絡(luò)采用將神經(jīng)元的脈沖發(fā)射時(shí)間直接作為 輸入輸出信號的時(shí)間編碼方式，能夠解決高維聚類和非線性分類等問題。
[0042] Spiking神經(jīng)網(wǎng)絡(luò)輸出的配電網(wǎng)負(fù)荷節(jié)點(diǎn)注入功率值與節(jié)點(diǎn)的負(fù)荷真實(shí)值之間存 在誤差，該誤差的概率密度函數(shù)無法用簡單的正態(tài)分布函數(shù)進(jìn)行描述。由于量測誤差的方 差直接決定了量測權(quán)重，從而影響狀態(tài)估計(jì)結(jié)果的準(zhǔn)確性。為了保證配電網(wǎng)狀態(tài)估計(jì)精度， 本文采用高斯混合模型來近似Sp化ing神經(jīng)網(wǎng)絡(luò)輸出偽量測的誤差概率分布。
[0043] 3基于Sp化ing神經(jīng)網(wǎng)絡(luò)偽量測建模的配電網(wǎng)=相狀態(tài)估計(jì)
[0044] 基于Spiking神經(jīng)網(wǎng)絡(luò)進(jìn)行偽量測建模的配電網(wǎng)=相狀態(tài)估計(jì)一共分為=個(gè)階 段：訓(xùn)練階段、誤差生成階段、狀態(tài)估計(jì)階段。
[0045] 本發(fā)明采用Spiking神經(jīng)網(wǎng)絡(luò)分別對負(fù)荷節(jié)點(diǎn)的有功功率和無功功率建模，因此 需要2個(gè)Sp化ing神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。第一個(gè)Sp化ing神經(jīng)網(wǎng)絡(luò)的輸入為支路有功功率量測， 輸出為負(fù)荷節(jié)點(diǎn)的注入有功功率;第二個(gè)Spiking神經(jīng)網(wǎng)絡(luò)的輸入為支路無功功率量測，輸 出為負(fù)荷節(jié)點(diǎn)的注入無功功率。兩個(gè)Spiking神經(jīng)網(wǎng)絡(luò)的輸出均與實(shí)際負(fù)荷節(jié)點(diǎn)注入功率 進(jìn)行比較，其輸出誤差即為兩者的差值。具體步驟如圖1所示。
[0046] 本發(fā)明首先進(jìn)行了 Spiking神經(jīng)網(wǎng)絡(luò)訓(xùn)