1.基于简化潮流神经网络的配电网状态估计初值计算方法,其特征在于:该方法具体包括以下步骤:步骤一、建立BP神经网络,包括输入层、隐藏层和输出层;其中,输入层的神经元个数与配电网量测个数相等,输出层的神经元个数与配电网状态变量个数相等;
步骤二、针对具有n个节点的电力系统,其极坐标下的交流潮流表示为:其中,Pi、Qi分别为节点i的有功功率、无功功率;Vi、Vj分别表示节点i、j的电压幅值,θij为节点i与节点j之间的相角差,i、j=1,2,…,n;Gij+jBij=Yij,Yij表示节点导纳矩阵Y中的元素,Gij、Bij分别表示节点导纳矩阵Y中第i行第j列元素的实部与虚部;
根据电力系统中的节点电压幅值与电压相角的取值,存在:
其中,bij、gij分别为节点i、j之间的电导与电纳;将公式式(2)代入公式(1),根据有功功率与无功功率进行电压幅值与电压相角解耦:转换为矩阵表示为:
步骤三、当公式(5)存在解,即可逆时有:
根据节点电压幅值将转化为:
将公式(7)代入公式(6)有:
令将电压幅值V与电压相角θ分解为:
根据公式(9)可知,电压相角θ与电压幅值V可以分解为两个部分,因此,将隐藏层中一半的神经元与输出层中节点电压幅值的神经元全连接;另一半神经元与输出层中节点电压相角的神经元全连接,得到简化后的BP神经网络;
步骤四、对于安装了L个PMU的配电网,根据PMU的位置将其划分为L-1个部分:其中,Y'11,Y'22,...,Y'LL分别为被PMU分割后各部分的系数导纳矩阵,Y'12,Y'21,Y'1L,Y'L1,Y'2L,Y'L2分别为PMU的不同部分间的系数导纳矩阵,由于辐射状的配电网在PMU连接节点处只存在很少的连接关系,因此,Y'12,Y'21,Y'1L,Y'L1,Y'2L,Y'L2可认为是零矩阵;
根据分割后的配电网拓扑结构,将步骤三简化后的BP神经网络分为多组神经网络,得到基于简化潮流方程的BP神经网络;
步骤五、设置损失函数为MSE损失,利用有监督的训练方法训练基于简化潮流方程的BP神经网络,作为最终初值预测模型;
步骤六、将配电网上的真实量测输入步骤五训练后得到的初值预测模型,将模型输出的结果作为高斯牛顿法的初值,对配电网运行状态进行求解,配电网状态估计的加权最小二乘法表示为:min J(x)=(z-h(x))TR-1(z-h(x)) (12)其中,z是配电网的量测值向量;h(x)是配电网的量测函数向量;R是测量误差方差矩阵,R中的元素为量测量装置的方差的倒数;J(x)表示配电网的量测函数与量测值向量的平方差的最小值;为求取配电网状态估计将公式(12)所示的目标函数对x求偏导并令则有:H(x)R-1[z-h(x)]=0 (13)其中,H(x)为量测函数h(x)的雅可比矩阵;
利用泰勒级数将非线性量测函数在系统运行的初始状态点x0附近展开,忽略二阶及以上的高阶项,仅保留常数项和一次项,得到如下线性化方程:h(x)≈h(x0)+H(x0)△x(14)其中,△x=x(k+1)-x(k),是两次迭代状态变量的差值,k为迭代次数;联立公式(13)、(14),得到如下迭代方程组:△x(k+1)
=G-1(x(k))HT(x(k))R-1[z-h(x(k))]x(k+1)=x(k)+△x(k) (15)G(x(k))=HT(x(k))R-1H(x(k)) (16)将网络输出的初始状态点x0代入公式(15)进行计算,取基准电压模值为10-6~10-4,当时,计算得到配电网当前的运行状态,εa为设定阀值。
2.如权利要求1所述基于简化潮流神经网络的配电网状态估计初值计算方法,其特征在于:所述MSE损失为预测数据与原始数据对应点误差的平方和的均值:其中,N为简化后的BP神经网络输出层的神经元个数;yit、分别为配电网历史量测数据的真实值以及预测值。