[发明专利]基于SDAE-ELM伪量测模型的状态估计方法

说明书

本发明提供了一种基于SDAE‑ELM伪量测建模的状态估计方法，包括：获取电力系统中的历史数据，建立并训练得到SDAE‑ELM伪量测模型；将模型的输出与电压实部、虚部真实值之间的误差进行正态拟合，建立伪量测误差模型得到伪量测误差方差；状态估计时，获取SCADA量测数据，把SCADA量测数据的功率量测作为SDAE‑ELM伪量测模型的输入，并把输出作为伪量测值；把PMU量测数据转化成直角坐标系下的实部和虚部的形式作为PMU虚拟量测；将伪量测值、伪量测误差方差和PMU虚拟量测输入线性状态估计模型。本方法在保证状态估计速度的情况下，对含有不良量测的SCADA具有较高的容错能力，状态估计精度结果较高。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于SDAE-ELM伪量测模型的状态估计方法。

背景技术

状态估计是电网调度自动化系统的基础应用，其作用是根据电力系统中获得的含有误差的各类实时量测数据通过数学运算得到系统状态量的最佳估计值。作为电力系统能量管理系统(Energy Management System,EMS)的核心，状态估计起着为EMS中其他各类高级应用提供基础数据的功能。随着电网智能化水平的不断提高，状态估计作为电力系统在线实时分析的基础，其重要作用日益彰显。因此，高精度的状态估计结果是电网实时建模、经济调度和安全温度运行的基础。但是，随着电动汽车、新能源和特高压交直流混合电网的发展，未来电网将呈现出以下关键特性：(1)随着大规模电动汽车和储能系统的发展，负荷侧的随机性增加；(2)高渗透率可再生能源发电的接入，使电源侧的随机性增加；(3)大规模分布式发电的接入改变了用户侧原有的单向潮流特性；(4)特高压交直流混合电网的发展，使电网规模更大，结构更复杂，并且呈现出交直流混连的新特征。上述在电源侧、用户侧、运行和网架上的新特征，在很大程度上增加了电力系统运行的复杂性，更加要求状态估计方法能够保证良好的估计速率和精度，为电力系统状态估计带来了巨大的挑战。

目前状态估计获取量测数据的方法主要采用同步相量测量装置(PhasorMeasurement Unit，PMU)和数据采集与监视控制系统(Supervisory Control AndData Acquisition，SCADA)两种，SCADA系统应用广泛，但是由于其无法提供相角量测，所以在进行状态估计时只能通过加权最小二乘法(Weighted Least Square，WLS)迭代求解。近年来，PMU量测在改善状态估计性能方面的研究取得了较多的成果。有文献中研究了当电力系统中全面配备PMU时，可利用PMU量测进行线性状态估计，无需迭代，计算速度快，满足快速状态估计的要求，但由于经济和技术的限制，现阶段我国电力系统中配置的PMU数目无法满足对全系统可观，因此当前仍需融合SCADA与PMU量测数据实现状态估计。目前，关于PMU量测信息的处理方式主要有三种，第一种是在对状态估计精度要求不高的场景中，可直接将相应的PMU量测值作为状态量真值，然后对未安装PMU的节点进行传统的状态估计；第二种是在得到SCADA量测向量后，将PMU量测经过适当变换后或者将其直接引入到SCADA量测向量中，利用WLS算法进行状态估计，但是WLS的量测方程为非线性，需要迭代求解，不仅估计速度慢且由于两类量测精度数量级不同，还可能会出现收敛性问题；第三种是混合量测分阶段融合估计方法，该方法首先利用传统WLS算法对SCADA量测进行状态估计，然后将一次状态估计结果与PMU量测一起进行二次线性状态估计，该方法虽然解决了两类量测权重数量级不同的问题，但是其需要先进行一次传统的状态估计，计算效率低下的问题仍未解决，并且由于SCADA量测精度低，其量测设备的异常运行或故障、通讯延时导致的非同步量测误差或传输误差等原因容易导致异常量测，使得状态估计结果不准确，针对该问题给出了一种二次线性状态估计检测不良数据的方法，但是此方法计算效率低下，无法满足当前电网智能化水平下更加快速掌握电力系统实时状态的需求。