[发明专利]一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法

说明书

技术领域

发明涉及一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法，属于电力系统监测、分析和控制技术领域。

背景技术

随着新能源发电的逐步接入，配电网管理系统需要更加全面、准确的数据进行实时控制。配电网状态估计能够提供系统实时运行状态信息，是进行配电网控制的前提条件。而当前配电网状态估计面临的一个突出问题是实时量测数目不足。为了保证系统的可观测性和提高量测冗余度，一般将超短期负荷预测软件提供的负荷节点注入功率作为伪量测。但是，由于伪量测的量测误差远远大于实时量测误差，使状态估计精度下降，难以为配电网运行提供精确、可靠的参考。因此，如何提高伪量测模型精度是值得深入研究的问题。

目前，国内外专家学者主要从配电网量测和状态估计算法两个方面来提高配电网状态估计精度。通过优化配电网量测装置的安装地点，量测量变换，基于大规模电流量测的抗差估计算法来提高状态估计精度。当实时量测类型和数量确定时，如何改进状态估计算法也是国内外学者致力研究的问题。通过量测变换，采用基于负荷电流的抗差估计算法修正伪量测数据，给予伪量测和虚拟量测不同的权重以提高状态估计精度。然而伪量测数据本身的误差仍然是影响状态估计精度的关键。在配电网量测数据不充分的情况下，保证配电网中伪量测信息的准确性对提高配电网三相状态估计精度具有重要意义。

发明内容

针对现有技术存在的不足，本发明提供一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法，包括顺序相接的如下步骤：

1)首先获得配电网的网络参数信息；

2)程序初始化；

3)将一年的节点负荷数据进行潮流计算，保存每一采样时刻的支路功率值；通过一年的支路功率值训练Spiking神经网络，得到相应的训练误差，即每一采样时刻负荷节点的注入功率与实际节点负荷的差值；

4)将步骤3中Spiking神经网络训练得到的误差输入高斯混合模型中，该模型根据输出误差分布进行拟合，通过边缘密度函数分析得到相应时刻的伪量测误差；

5)确定估计时刻k，将时刻k的实时支路功率量测值与部分历史支路功率量测值输入Spiking神经网络，得到时刻k的节点注入功率即为该时刻的伪量测值；

6)通过估计时刻k对应一年中的某一时刻，根据高斯混合模型拟合的伪量测误差分布确定该时刻k的伪量测误差；

7)将伪量测、实时量测和虚拟量测输入配电网状态估计器中进行状态估计，得到该时刻k的配电网状态变量估计值。

为了进一步提高精度，上述步骤1)中参数信息包括：配电网的拓扑信息、各节点对地电容、各支路阻抗和对地电容。

为了更进一步提高精度，步骤2)中程序初始化包括：设定状态变量初始值、状态估计收敛精度和最大迭代次数。

本发明未提及的技术均参照现有技术。

本发明针对配电网中量测数据不充分情况，采用基于Spiking神经网络的伪量测模型进行配电网三相状态估计，该方法首先将实时和部分历史支路功率量测输入Spiking神经网络进行节点注入功率建模，然后通过高斯混合模型生成相应量测误差，最后将伪量测、实时量测和虚拟量测输入状态估计器进行配电网三相状态估计。本发明建立的模型不仅能够提高伪量测精度，减小状态估计误差，而且在配电网通信故障时能够保持状态估计正常运行并将误差控制在合理范围内，具有工程实用价值。

附图说明

图1：本发明Spiking神经网络训练流程图；

图2：本发明方法流程图；

图3：配电网IEEE13为标准测试系统图；

图4：IEEE13节点系统中节点2-B相Spiking神经网络输出对比图；

图5：IEEE13节点系统中节点2-B相Spiking神经网络输出放大图；

图6：不同情景下节点3-A相状态估计对比图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。

1配电网状态估计