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
【技术领域】
[0001] 发明设及一种基于Spiking神经网络伪量测建模的配电网=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】
[0002] 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W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。
[0003] 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W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=相状态估计精度具有重要意义。
【发明内容】
[0004] 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=相状态估计方法。
[0005] 为解决上述技术问题，本发明所采用的技术方案如下：
[0006] -种基于Spiking神经网络伪量测建模的配电网=相状态估计方法，包括顺序相 接的如下步骤：
[0007] 1)首先获得配电网的网络参数信息；
[000引2)程序初始化；
[0009] 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Sp化ing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；
[0010] 4)将步骤3中Sp化ing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；
[0011] 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Sp化ing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；
[0012] 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；
[0013] 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。
[0014] 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。
[0015] 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。
[0016] 本发明未提及的技术均参照现有技术。
[0017] 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=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 、实时量测和虚拟量测输入状态估计器进行配电网=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】
[001引图1:本发明Sp化ing神经网络训练流程图；
[0019] 图2:本发明方法流程图；
[0020] 图3:配电网IE邸13为标准测试系统图；
[0021] 图4: IE邸13节点系统中节点2-B相Sp化ing神经网络输出对比图；
[0022] 图5: IE邸13节点系统中节点2-B相Spiking神经网络输出放大图；
[0023] 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】
[0024] 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。
[002引1配电网状态估计
[00%]本文采用节点电压复向量为状态变量，并假设状态变量X=[X1，X2, . . .，Xn]T，共n 个。配电网中量测信息也包含多种类型，一般有支路功率量测、节点注入功率量测、支路电 流幅值量测W及节点电压幅值量测。其中支路功率量测、支路电流幅值量测W及节点电压 幅值量测为实时量测，零注入节点功率量测为虚拟量测，负荷节点注入功率量测为伪量测。 假设系统中量测量为Z= [Z1，Z2, ...，Zm]T，共m个。其中状态变量X与量测量Z之间满足如下 关系：
[0027] z = h(x)+v
[0028] 式中h(x)为X的非线性函数；V为均值为零的高斯白噪声且V~N(0，R)，其中 R = diag\alal..…气;';，。为第i个量测对应的量测噪声方差。
[0029] 状态估计实际上是根据量测量Z确定状态变量X的过程。加权最小二乘法(WLS)是 目前配电网状态估计中普遍采用的方法，即求解如下最优化问题：
[0030] minj 二[z-h(x) ]Tw[z-h(x)]
[0031] 式中W为权重矩阵。当w=ri时，上述优化问题的解为无偏估计。
[0032] 由于Kx)为X的非线性函数，无法直接计算状态变量X，因此采用牛顿法迭代计算， 公式如下：
[003；3]著+1 =方' +G巧')-1//7-(心)巧-1[么-
[0034]式中若为1次迭代时X的估计值，H为量测矩阵，G为雅克比矩阵且满足如下关系：
[0036] 〇'(.{'') = //'(去)/?'//(.;勺
[0037] 2伪量测模型
[0038] 本文建立的伪量测模型由伪量测值模型和伪量测误差模型组成，其中伪量测的真 实值如下式所示：
[0039] 7=:方 +。
[0040] 式中Z为伪量测真实值，伪量测值Z为通过Spiking神经网络建模得到负荷节点注 入功率量测，相应的伪量测误差e由高斯混合模型计算生成。
[0041] 采用Spiking神经网络对负荷节点注入功率的量测值进行建模，本质上就是对非 线性高维函数的逼近。Spiking神经网络可W实现任意前向Sigmoid神经网络的功能，并且 可W逼近任意连续函数。本发明采用3层前馈Sp化ing神经网络，由输入层I、隐含层H和输出 层0组成。在结构上，Spiking神经网络W更接近生物神经元的Spike神经元为基础，每对神 经元之间含有d个突触连接终端，每个突触连接可看做一个单独连接，且具有可调节的突触 延时和连接权值。在编码方式上，Spiking神经网络采用将神经元的脉冲发射时间直接作为 输入输出信号的时间编码方式，能够解决高维聚类和非线性分类等问题。
[0042] Spiking神经网络输出的配电网负荷节点注入功率值与节点的负荷真实值之间存 在误差，该误差的概率密度函数无法用简单的正态分布函数进行描述。由于量测误差的方 差直接决定了量测权重，从而影响状态估计结果的准确性。为了保证配电网状态估计精度， 本文采用高斯混合模型来近似Sp化ing神经网络输出伪量测的误差概率分布。
[0043] 3基于Sp化ing神经网络伪量测建模的配电网=相状态估计
[0044] 基于Spiking神经网络进行伪量测建模的配电网=相状态估计一共分为=个阶 段：训练阶段、误差生成阶段、状态估计阶段。
[0045] 本发明采用Spiking神经网络分别对负荷节点的有功功率和无功功率建模，因此 需要2个Sp化ing神经网络进行训练。第一个Sp化ing神经网络的输入为支路有功功率量测， 输出为负荷节点的注入有功功率;第二个Spiking神经网络的输入为支路无功功率量测，输 出为负荷节点的注入无功功率。两个Spiking神经网络的输出均与实际负荷节点注入功率 进行比较，其输出误差即为两者的差值。具体步骤如图1所示。
[0046] 本发明首先进行了 Spiking神经网络训