[发明专利]基于深度信念网络伪量测建模的配电网状态估计方法

说明书

本发明公开一种基于深度信念网络伪量测建模的配电网状态估计方法，步骤是：将负荷历史值、气象信息、日期类型输入深度信念网络获取伪量测；潮流计算结果叠加服从高斯分布的随机噪声获得状态估计的实时量测数据；功率量测和支路电流幅值量测转换为等效电流量测，状态变量为节点电压的实部和虚部，计算雅克比矩阵的值；设置初始迭代次数l为1；根据第l次迭代时的节点电压值计算等效电流量测值；将虚拟量测从总的量测中分离，以线性约束形式进行处理；计算节点电压，判断是否收敛，若未收敛l加1继续迭代。此种方法可提高配电网状态估计的精度，保证零注入节点的功率严格为零，也避免传统大权重法可能出现的信息矩阵病态问题。

技术领域

本发明属于电力系统技术领域，特别涉及一种配电系统状态估计方法，用于对配电系统负荷进行状态估计。

背景技术

近年来，分布式间歇性能源的接入给配电网运行与控制带来了极大的挑战。为实现配电网馈线重构、电压最优控制、故障定位、需求侧管理等一系列高级应用，有必要采用状态估计技术感知配电网实时的运行状态。

与输电网相比，配电网量测配置难以保证客观性，而大量配置实时量测装置(如PMU)会带来经济负担。因此实际计算中，需要增加伪量测以提高配电网的量测冗余度。而伪量测与实时量测相比误差较大，使得状态估计结果精度下降，因此有必要研究获取精度较高伪量测的方法。利用超短期负荷预测实时跟踪网络负荷的变化，以获得负荷节点的伪量测功率，在一定程度增强了系统的可观测性。但超短期负荷预测结果的精确度较低，可能使状态估计结果偏离真实状态。利用人工神经网络进行负荷预测，能够提高配电网状态估计的计算精度，但当神经网络的层数增加时，其预测性能降低。而深度学习具有更好的学习能力，适合处理高维、非线性、大规模数据回归与分类问题。基于深度学习理论对短期风速进行多步预测，与人工神经网络相比有效的提高了预测精度。深度信念网络是应用于深度学习训练的非卷积模型之一，通过逐层训练受限玻尔兹曼机获得网络参数初始值。深度信念网络的引入使得深度学习模型的优化得以简化，在深度学习研究中作用重大。

虚拟量测为零注入节点的注入功率，其值为0，不需要通过量测设备获取，对于提高状态估计精度至关重要。传统的处理虚拟量测的方法是大权重法和拉格朗日乘子法。在配电网中使用大权重法，线路R/X比值较大，当虚拟量测与伪量测权重相差过大时可能引起信息矩阵病态。拉格朗日乘子法处理零注入约束能够严格保证零注入节点功率为0，但增加了求解规模，降低了计算效率。

发明内容

本发明的目的，在于针对配电网实时量测不足需要增加伪量测和虚拟量测以提高量测冗余度的情况，提供一种基于深度信念网络伪量测建模的配电网状态估计方法，利用多种类型负荷的历史数据对深度信念网络进行训练得到伪量测模型，然后，基于改进的等效电流量测变换法对配电网进行状态估计，用线性约束的形式处理虚拟量测；提高了配电网状态估计的精度，保证零注入节点的功率严格为零，也避免了传统大权重法可能出现的信息矩阵病态问题。

为了达成上述目的，本发明的解决方案是：

一种基于深度信念网络伪量测建模的配电网状态估计方法，包括如下步骤：

步骤1，将负荷历史值、气象信息、日期类型等数据输入深度信念网络对其进行训练获取伪量测；其中，负荷历史值包括前15、30、45、60、75、90分钟的负荷值以及前一天、前7天该时刻负荷值，这些时刻负荷值与当前时刻负荷值有很大相关性，使得建模得到的当前时刻的负荷值更为精确；气象信息包括待预测时刻温度和前15分钟的温度；日期类型用数字1-7代表星期一至星期日；

步骤2，读取网络参数进行潮流计算，状态估计的实时量测数据由潮流计算结果叠加服从高斯分布的随机噪声获得；；

步骤3，节点电压赋初值，三相电压幅值初值v_ABC＝[1,1,1]，三相电压相角初值δ_ABC＝[0,-2/3π,2/3π]；