欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021111020297
申请人: 北京广德鸿韵科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:首先,通过对GM估计中目标函数所需权函数进行分析与改进,以及自适应映射统计值的使用,将改进GM估计法用于状态估计中;其次,考虑到传统量测系统与相量量测系统在测量通道以及仪表采样速率方面技术不同的特点,在传统状态估计器的基础上充分利用相量量测数据,对两个不同的估计模块进行状态估计;同时,利用多传感器数据融合理论MDF对得到的估计结果进行融合处理,从而得到最优估计值。

2.基于改进的广义极大似然估计的配电网状态估计方法,其特征在于包括以下步骤:步骤1:采用广义极大似然估计准则,建立目标函数;

步骤2:对广义极大似然估计方法中目标函数所需权函数进行分析和改进,以及自适应映射统计值的使用,将改进的广义极大似然估计方法用于配电网状态估计中;

步骤3:考虑传统量测系统与相量量测系统的不同技术特点,对不同估计模块进行状态估计,利用多传感器数据融合理论,对得到的估计结果进行融合处理,从而得到最优估计值;

步骤4:将改进的广义极大似然估计和估计融合体系相结合,用于配电网状态估计中。

3.根据权利要求2所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤1中,广义极大似然估计准则,采用非二次目标函数来增强估计模型的鲁棒性,其基本过程如下所示:

考虑公式(5)所示的线性回归模型:y=Hx+w                                   (5)式(5)中,y表示观测量,x表示状态变量,w表示测量误差,矩阵H代表了x与y之间的关系;

T

考虑m个测量样本数据y=[y1,…,ym] ,用f(y|x)表示状态变量x和测量数据y之间的联合概率密度函数;似然函数定义为:L(x;y)=f(y|x),设观测值相互独立且同分布,则似然函数可以写成公式(6):

式(6)中,ζ=Hx‑y为观测值与估计值之间的残差,此时概率密度函数可简化为只是以残差为变量的函数;f(ζi)为联合概率密度函数;∏表示连乘符号;L(x;y)表示似然函数;i表示测量个数;m表示测量样本数据总个数;

变量x的最大可能结果可通过求解使得似然函数取得最大值时的数值,求解使得最大似然函数的对数形式取得最小值的解,即转换成求解 的最小值问题,其中:J(x)为代价函数;∑为求和符号;ln[f(ζi)]为关于联合概率密度函数的对数函数;f(ζi)为联合概率密度函数;设密度函数是可微的,对J(x)求导,极大似然函数的解通过公式(7)所示的隐函数方程得到:

式(7)中,φ(ζi)=‑f'(ζi)/f(ζi), 为残差ζ对x的偏导函数;∑表示求和符号;i表示测量个数;m表示测量样本数据总个数;

T

定义函数ψ(ζi)=φ(ζi)/ζi,矩阵Ψ=diag[ψ(ζi)],则隐函数方程的矩阵形式为H ΨT

(Hx‑y)=0,其中:H表示雅可比矩阵的转置矩阵;Ψ表示加权矩阵;H表示雅可比矩阵;x表示变量;y表示观测量;由于矩阵Ψ是关于变量x的函数,采取迭代算法进行求解,极大似然估计值 就是这类似然等式的解。

4.根据权利要求2所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤1中,根据极大似然估计原理进行状态估计时,其目标函数为公式(8):式(8)中,wi是第i个测量值的对应权重;rsi是第i个测量值的标准化残差;ρ(rsi)为关于标准化残差的权函数;∑表示求和符号;min表示求最小值符号;J为目标函数符号;i表示测量个数;m表示测量样本数据总个数。

5.根据权利要求2所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤2中,对于目标函数中权函数的分析与改进,是在Huber函数方案的基础上进行改进:

将权函数进行三段式处理,在Huber函数方案的基础之上,利用指数函数收敛速度较快的优点,对权函数进行改进,使得残差极小的数据可以得到足够比例的权重,残差较大时可以快速收敛并且不为0;

综上对改进的权函数进行分段处理,得到公式(11):式(11)中,rsi是第i个测量值的标准化残差;ρ(rsi)是关于标准化残差的权函数;a、b、c为调和常数。

6.根据权利要求2所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤2中,在状态估计中,为了使其能够根据雅可比矩阵的维数进行自适应调节,引入自适应系数fa,其值为: 其中:m为雅可比矩阵的维数;此时采用抗差尺度估计得到 其中fa为自适应系数;lomedh是高中位算子;

lomedl是低中位算子;定义公式 为防止统计结果被零值影响,将Λ中所有零值剔除得到△;由此得到自适应映射统计值

7.根据权利要求4所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤2中,改进的广义极大似然估计方法的迭代求解过程为:对公式(8)中的目标函数进行求导,令其关于x的偏导数为零,得到公式(13):式(13)中, 为目标函数J对状态量x的偏导数; 为权函数ρ对标准化残差rsi的偏导数; 为量测函数h对状态量x的偏导数;rsi为标准化残差;wi为权重函数;min为求最小值符号;∑为求和符号;λi为抗差估计,取值为λi=1.4826×bm×medi|(zi‑hi(x))|,其中,bm是校正因子,zi为量测量向量,hi(x)为关于状态量x的非线性量测函数,medi为中值符号,i表示测量个数;m表示测量样本数据总个数;

‑1

对公式(13)两边乘上R ,矩阵化得到公式(14):T ‑1

H[z‑h(x)]R Q=0                              (14)T

式(14)中,H 为m×n维雅可比矩阵的转置矩阵;z为量测量向量;h(x)为非线性量测函‑1

数;R 为量测权重矩阵; 为相应加权阵,其中 为关于标准化残差的求偏导函数;rsi为标准化残差;diag为对角矩阵符号;

通过对公式(14)使用迭代重加权最小二乘法(IRLS),可以得到状态修正方程,如公式(15)所示:

‑1 T

式(15)中,H为m×n维雅可比矩阵,R 为量测权重矩阵;H为雅可比矩阵的转置矩阵;Ql为加权阵;z为量测量向量;h为非线性量测函数;△xl为第l次迭代过程中的状态量变化值;

xl、xl+1分别为第l次和第l+1次迭代得到的状态量。

8.根据权利要求7所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:当满足收敛判据max|△xl|≤0.001时,该算法收敛,其具体计算步骤如下:

1)输入系统参数,计算节点导纳、电阻和电抗矩阵;

2)根据系统数据进行潮流计算,在潮流计算的结果上叠加相应误差后作为状态估计量测量的值;

3)对参数进行初始化,设置最大迭代次数tmax以及当前迭代次数t=0;

4)计算量测量h和雅可比矩阵H,并计算相应权重wi;

5)利用状态修正方程(15)求解状态修正量△x,并在迭代过程中按 求解对应Q值;

6)检验是否达到最大迭代次数,若没有,则检验收敛判据max|△xl|≤0.001,看其是否收敛,若收敛,则转至步骤7),若不收敛,t=t+1,转至步骤4);

输出计算结果,将估计值与潮流计算出的电压幅值、相角值作对比。

9.根据权利要求1所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤3中,对不同的估计模块进行融合处理,旨在保持传统SCADA量测系统不变的情况下,充分利用PMU相量量测数据;两个独立模块分别处理SCADA量测zs和相量量测zp以及相应的测量误差协方差Rs和Rp;首先使用来自SCADA鲁棒估计的结果xs来增加PMU量测值,得到公式(16):

Z=Hx+ε                                  (16)T T

式(16)中,Z=[xs zp]是增广的测量向量;H=[I M]是常量矩阵,I是单位矩阵,M是表T

征PMU测量值与状态量x之间的常量矩阵;ε=[εs εp] 是测量误差向量,其误差协方差矩阵其中 S是通过Cholesky分解计算的;

‑1 T

对公式(16)两边同时乘以S ,可以得到y=Ax+ξ,其中,ξ为测量误差向量,E[ξξ]=I;A为常量矩阵;x为状态变量;y为测量向量;按照改进的广义极大似然估计器的类似步骤,可以得到公式(17):

T ‑1

AR Q(y‑Ax)=0                             (17)T ‑1

式(17)中,A为常量矩阵A的转置矩阵;R 为权重矩阵;Q为相应的加权阵;y为测量向量;x为状态向量;A为常量矩阵;

使用迭代重加权最小二乘算法进行迭代求解,第j次迭代修正方程为公式(18):T ‑1

式(18)中,A为常量矩阵的转置矩阵;A为常量矩阵;R 为权重矩阵;Qj为第j次迭代产生的相应加权阵;△y为第j次迭代产生的测量向量变化量;△xj为第j次迭代产生的状态向量变化量;xj、xj+1分别为第j次和第j+1次迭代得到的状态量。

10.根据权利要求1所述基于改进的广义极大似然估计的配电网状态估计方法,其特征在于:所述步骤3中,在状态估计实际应用中,只考虑了两类传感器,即SCADA与PMU测量,其相应的估计分别由 和 表示,估计误差协方差矩阵分别为Ps和Pp;设SCADA和PMU的数据通道都是独立的,且状态估计的误差协方差矩阵都是可用的,则简化形式的融合公式可以表达为公式(24):

式(24)中, 为最佳估计值;Ps和Pp分别为估计误差协方差矩阵;和 分别为状态估计值;

公式(24)被称为估计融合公式,由公式可知每个分量估计权重的矩阵是与彼此的误差协方差矩阵相关联的;由于不准确的估计使得协方差矩阵数值较大,所以对于状态估计而言,质量更好的协方差估计应该得到更好的权重;对于融合公式中估计误差协方差矩阵是由公式(4)得到,为了进一步简化计算更好的适应大型网络系统,可以将方程改写为公式(25):

式(25)中, 为最佳估计值;Gs和Gp分别为增益矩阵;和 分别为状态估计值;

进一步转化为公式(26):

式(26)中, 为最佳估计值;Gs和Gp分别为增益矩阵; 和 分别为状态估计值;方程(26)通过稀疏三角分解以及替换而求解。