英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

电力分配系统的状态估计技术

巴里海耶斯和米兰Prodanovi c西班牙马德里的

IMDEA能源研究所。

电子邮件:barry.hayes@imdea.org

摘要：本文提供了一项关于电力分配系统的状态估计。而状态评估已经应用于监控和控制.几十年来，电力传输系统一直是这样的.到目前为止，还没有在分配网格中得到广泛的应用。 然而，随着最近的努力，越来越多的主动管理，智能电网监测和通信方面的改进结构，分布系统状态评估（DSSE）一直在获得重要的研究兴趣。DSSE提出了因其特点而造成的独特挑战的数量分布网格，以及许多已经确定的方法 在传输系统中使用的不能直接应用。本文提供了关于可用方法的详细调查 DSSE，从主要期刊上查阅大约70篇论文。此外，它还讨论了应用高级的可能性计量基础设施（AMI）数据和计算intel- DSSE ligence方法。

关键词：状态估计;分销网络;分布式 能源资源;智能电网

1.介绍

因为这个概念在早期就已经发展了。自从1970年以来，电力系统状态评估（SE）已经成为对跨性的经营和管理的一个关键部分任务系统。直到最近,该应用程序在分销水平上，也就是分销系统状态估计（DSSE）并没有引起多大的兴趣。这很大程度上是因为分销网络传统上被设计和操作为被动系统，在那里能量流是单向的，并且相对容易预测和管理。然而，分销网络正在见证增加分布式能源资源的渗透，诸如此类小型到中型分布式发电（DG），需求响应性的负载，电动汽车和设备存储能力。这导致了对im的需求——在分销系统中证明了可观察性和必要性对于分配系统操作员（DSOs）来说在监测和控制操作中发挥积极作用网络。在此背景下，DSSE具有至关重要的重要性。因为分销网络有不同的特点传输网络（如径向结构，高r/x比率，相不平衡，和更低的量可用度量数据的质量），许多方法以及为“传统”传播而开发的方法——水平SE不能直接应用于DSSE。因此,专门为应用程序设计的SEs的数量文献中已经提出了分布水平最近几年。然而，尽管越来越重要研究人员无法找到相关的调查在文献中，概括了当前的状态艺术，讨论研究趋势和未来发展方向DSSE的区域（一篇会议论文被发现，但是本文的文献调查并不全面。主要关注中文出版物）。而已经有几份关于升的调查报告和书籍。在电力系统的一般领域中，系统的评估——这些协议主要涉及技术和方法应用于传输系统，没有一个特别要关注的是DSSE。本文旨在通过提供一项调查来填补这一空白。目前最重要的技术和算法对DSSE可用。

（作者感谢欧洲委员会的支持。在玛丽斯克洛多斯卡-居里研究人员移动行动（FP7-2010-cofund），SmartHG研究项目（fp7-ict-2011-8，信息通信技术-2011.6.1）和西班牙经济与竞争力部——尼斯项目RESmart(ene2013 - 48690 c2 - 2 r)。）

本文还将讨论先进技术的应用。计量基础设施（AMI）数据，例如智能表度量，作为DSSE算法的输入。除此之外，使用新颖的计算智能方法机器学习方法及其潜在的好处我们将探讨DSSE的上下文。本文struc -如下所述：第二部分描述了主要技术DSSE的应用，第三节概述了当前的情况这是一种艺术的状态，并强调了一些最先进的技术目前可用的方法。第四节讨论使用在DSSE中，AMI数据和计算智能方法。最后，在第五节中给出结论。

1. DSSE技术和应用
2. .常规电力系统状态估计

SE用于提高系统的可观察性，检查并检测系统测量和网络的误差。工作参数，并减轻测量通信系统噪音。详细的总结传统电力的主要技术和应用系统SE可以在3-5中找到。首先,拓扑处理程序验证网络参数（例如，提供给评估者的行和开关状态）确保网络模型是准确的，直到12——15。其次，可观测性分析建立了足够的测量数据对SE来说。可以通过检查雅可比矩阵16的内空间来快速确定观测的能力。如果网络，或者其中的部分，是不可观测的，那么需要提供网络输入的估计值（通常称为伪度量）。SE使用可用的测量数据来为系统状态找到唯一的解决方案。最后，使用baddata处理来识别和删除由总误差和噪声影响的数据，例如，由于测量或通信系统故障17-21。

网络状态被表示为向量x，它包含系统中每个节点的电压和功率角度。为了估计x，应用了来自网络z的测量集。z值可以由系统总线的功率/电流注入或电压大小的测量，系统分支的主动和无功功率流测量，网络数量的伪测量（如估计值），或以上的任何组合。这形成了一组超定的非线性方程：

z = h(x) minus; e (1)

h（x）是与z中的每一个测量相对应的能量流函数，而e是测量误差的向量。最常用的最小化目标函数J（x）的方法是“传统的”加权最小二乘（WLS）方法：

W是测量权矩阵。W中的每一个权重都是根据相应的计量系统测量的方差的倒数来设定的。这使得在W中的权重能够被调整，从而使评估者更重视输入数据点，而这些数据点的精确性更高。（1）的最小值被迭代地解决如下：

雅可比矩阵，H=H（x）/x，n是SE迭代的总数。坏数据的存在系统中的测量数据集可以通过应用统计检验发现目标函数J(x)和正常化残余向量由r = zminus;h(x),由r n =rho;正常化,其中rho;jj是对角协方差矩阵:

通过统计测试，可以检测和识别不良数据（在测量数据集中提供了足够的冗余），其中J（x）性能指数和最大的标准化剩余测试7在常规SE中最为常见。在17——19、21、22中，对错误数据处理和删除的进一步研究。在文献中也有讨论的替代方法，例如加权最小值估计量和施韦和胡贝尔的m估计量3-8。这些取代了（2）中的J（x）和一个不同的目标函数，但是除此之外，SE的总体方法保持不变。在一般情况下遇到的一个问题是解决的计算复杂度（2）。为了减少计算负担，一些作者提出了一个快速解耦的SE 22，或者直接使用直流电（DC）-只有通过忽略所有的分支电阻和分流元素5。然而，在考虑分布系统时，在传输层中使用的方法和假设通常是无效的，并且许多在“常规”SE中使用的成熟技术不能直接应用于23。这就促使了对DSSE的研究，也就是在分配网络中专门设计的状态估计器。

1. 配电系统状态估计

对DSSE的初步研究始于1990年的24-27年。DSSE提出了许多新的挑战，因为分销网络的特点从根本上与传输网络的不同之处在于：

bull;建设：大多数分销网络都有一个径向结构（而传输系统则更为网状），往往具有较高的r/x比率。

bull;冗余：由于技术和经济方面的原因，分销网络中的测量点数量远远低于传输网络。系统是不确定的，而不是过度的。

bull;度量类型：分布级的大部分可用输入数据都是电源或当前注入的测量（或伪度量）。对电压和电流的直接测量是很少见的。

bull;规模和复杂性：分配系统是多样化的（例如农村地区的网络与城市地区的网络非常不同），并且拥有大量的组件。这意味着为DSSE开发的方法需要具有可伸缩性，具有相对较低的计算负担，并且适用于不同类型的网络类型。

bull;阶段失衡：传统的SE技术假定网络是一个平衡的系统。然而，分销系统可能存在严重的相位失衡，需要使用完整的三相系统模型。

下面讨论了一些为了克服这些问题而开发的技术。

1. 将传统的WLS技术应用到DSSE:许多早期的DSSE研究论文专注于将传统的WLS技术应用于24、26、28的分发网络。然而，从跨任务级SE到DSSE的方法有很大的局限性，特别是在处理嘈杂的输入数据和“健壮性”方面，也就是说，在出现总输入错误的情况下，估计器能够达到（2）和（3）中描述的最小值的唯一解。此外，由于分布系统的构造（径向馈线和高r/x比），在应用于DSSE 30时，通常应用于常规SE的快速解耦方法和直流近似法并不适用。
2. DSSE的负载估计：在DSSE中，能够提供系统测量的遥测设备的数量常常非常有限，并且不足以使整个网络的可观察性，或错误的数据识别。在许多情况下，DSSE依赖于基于历史数据或负载预测的网络上每个负载点的需求的伪度量，其精确性远远低于实际测量值。在31——33中讨论了负载估算技术及其在DSSE上的应用。
3. DSSE不平衡网络:在[25],一个分支——current-based SE方法开发,网络支路电流,而不是节点电压用于表示系统状态x。这样做的优势在于可以解耦雅可比矩阵H在每的基础上,允许常规SE方法适用于配电系统不平衡,或单相或两相横向喂食器。为了开发出可靠、准确的三相DSSE技术，有许多论文已经建立在这一方法上。
4. 状态的艺术

本节将简要介绍一些文献中最先进的技术和应用。

1. 预测辅助状态估计

第二部分中讨论的SE方法在本质上是静态的，因为系统状态的评估只依赖于当前的输入度量的“快照”，而不是以前的输入数据值。还有SE技术，它们被设计成递归地更新状态估计，以便跟踪正常操作期间的变化。这种方法被称为“动态”的SE 36，然而，许多作者更倾向于使用“预测辅助状态估计”（FASE）来避免混淆，因为power系统中的“动态”一词与瞬态稳定性研究密切相关。对FASE的主要概念进行了很好的总结。大多数FASE方法使用37和扩展卡尔曼滤波器（EKF）38中的状态空间形式对系统进行建模。

在Fk是状态转换矩阵的情况下，gk是代表状态轨迹趋势行为的矢量，wk和vk表示过程和观测噪声，这些噪声被假定为零均值的白高斯噪声。在每一步中，雅可比矩阵Hk都用当前的预测状态来评估，并在EKF方程中使用。一个短期的预测（例如，前面的几秒钟/几分钟），并且每次有新的测量值可用时，可以使用“创新分析”来确定新的测量值是否与预测值39-41有显著的不同。该分析使用EKF方程过滤新的输入数据，允许检测异常输入数据、网络配置或参数错误37。虽然目前提出的大多数FASE技术和应用都集中在传输级别上，但FASE方法对于DSSE来说也很有趣，特别是如果从同步测量设备获得高分辨率数据，比如相量测量单元（PMUs）42，43。

（2）多区域和分层的DSSE技术

由于分布系统通常非常大且密度大，（例如由成千上万个单独的节点组成），实现DSSE最具挑战性的方面之一就是计算复杂度。在传统的SE方法中，所有的测量都是在一个集中的SE中进行的。然而，对于大型的分布式系统来说，一个更好的解决方案可能是将网络分成若干个较小的子网络，或者称为“度量区域”，在这些子网络中，SE被本地44——46解决。多区域的SE可以表示为47:

x m =(im x bm),是本地状态向量的mea - m是区域,其中包含内部状态变量x im,边界状态变量x bm的总数测量领域,m .互联的方法,在SE在每个测量区域内局部解决,和数据是相互之间交换领域只在他们边境。在46中，为DSSE开发了一种多区域方法，它满足了大型网络中实时应用程序的性能要求。传统上，跨任务级别和分布级SE分别被单独使用。然而，随着传输和分配网络管理系统之间的通信和交互需求的增加，一些作者已经研究了多层或层次化的开发，旨在集成传输SE和DSSE 48，49。

1. 先进的分销管理系统

由于需要更好的态势感知和更积极的系统支持，所以人们对调整操作技术的兴趣非常浓厚，以前只在传输级别使用，分配系统50、51。一些研究已经调查了“先进的分销管理系统”，这一系统旨在优化分销网络的能源管理，而DSSE是51-55方法的重要组成部分。

1. 未来的DSSE研究领域

高级计量基础设施数据的应用

智能电表的广泛应用意味着，用户负载的大量详细历史数据正在变得可用。该数据可用于更好地理解和建模分布网络负载的行为，从而改进负载估计技术，最终实现DSSE的准确性。一些初步的研究已经在56、57的DSSE中加入了智能仪表数据。利用智能仪表数据估计低电压分布网络的流量、电压和损耗，在58中进行了演示。在59年，DSSE使用“压缩”的测量数据从智能电表和数据集中进行。虽然是重要的在这一领域进一步研究的机会,使用智能电表的数据作为输入的范围为实时应用DSSE有限的原因,包括:数据隐私问题,智能电表的数据率低(例如15分钟或小时间隔),数据可靠性低、缺乏智能电表的数据时间同步。然而，在应用智能仪表数据来洞察终端用户负载的行为，以及在以前无法观察到的分配系统的某些部分中提供一定程度的可见性方面，可能会有显著的好处。未来dss的关键特性将灵活地结合多种类型的输入数据,如估计能力对施暴者——荷兰国际集团(ing)两个模拟和数字输入(如功率/电压测量和开关/断路器状态[60])也从一系列不同源的测量数据,例如SCADA,PMU,智能计量、DG单元。

DSSE中的计算智能方法

为一系列的电力系统和智能电网应用提出了计算智能方法。机器学习技术对DSSE尤其有吸引力。摘要人工神经网络已被广泛应用于电力系统研究文献中，用于负荷估计和预测61。在62中，利用神经网络方法创建了用于DSSE算法的负载点能量注入的伪度量。在63年，使用机器学习方法来开发DSSE的负载估计。这种方法的优点是，当更多的度量数据可用时，负载模型被设计成递归地重新培训自己，从而导致随着时间的推移，DSSE的性能得到了改善。对“闭环”DSSE方法的实现还需要进一步的研究。虽然在文献中提出的几乎所有的SE方法都有一个开放循环的信息流，但一个闭环DSSE允许预测数据库用于估计负载（和DG输出），并根据来自SE 64、65的反馈来不断更新和改进。DSSE的“自治”方法是在66中提出的，DSSE旨在自动检测新的连接

全文共6621字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[8862]，资料为PDF文档或Word文档，PDF文档可免费转换为Word