一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法

摘要

本发明公开了一种基于深度神经网络伪量测建模的交直流配电网交替迭代状态估计方法。该方法首先建立电压源换流器的稳态模型和交直流配电网的实时量测模型；然后利用历史量测数据对DNN进行离线训练，建立负荷节点注入功率的伪量测模型；最后对交流区域和直流区域进行交替迭代状态估计，在交替过程中区域间交换VSC支路状态量的估计值，保证了边界状态量的一致性。本发明不仅能够提高交直流配电网状态估计的计算精度，在低冗余量测配置时准确估计交直流配电网的状态，而且具有计算复杂度低、收敛速度快、程序易拓展的优点。

说明书

技术领域

发明涉及一种交直流配电网的状态估计方法，尤其涉及一种基于深度神经网络(deep neural networks，DNN)伪量测建模的交直流配电网交替迭代状态估计方法。

背景技术

随着分布式电源的发展和直流负荷比重的不断提高，直流配电网的优势得到越来越多的关注。相比于交流配电网，直流配电网能减少电力变换环节，降低网损，提高传输容量和电能利用率。考虑到交流配电技术的长久发展，直流配电网难以完全替代交流配电网。因此建设交直流混合配电网是解决新能源并网消纳问题，兼容交直流异质负荷的有效方法。但这种复杂的混联结构为配电管理系统(distribution management system，DMS)实时监控系统的运行状态带来了挑战。

状态估计(state estimation，SE)能为DMS提供可靠的基础数据，关于交直流混合配电网潮流计算和状态估计算法的研究，可以分为三类：(1)整体法：交流方程和直流方程联立并进行统一迭代求解。(2)交替迭代法：交、直流区域按顺序计算。(3)分布式方法：交、直流区域并行计算。整体法能充分考虑到交直流系统间的功率耦合关系，估计精度高，但矩阵维数会随着系统规模的扩大而增加，计算量也随之增加。分布式方法需要配置额外的全局信息计算模块以实现各区域的并行计算，在每一次迭代中所有区域均需计算。而交替迭代法在顺序计算过程中耦合变量的差异足够小即可收敛，计算复杂度更低，但也需要利用量测冗余度提高估计精度。因此，交替迭代状态估计技术的有效应用对实时量测数目有一定要求。然而，配电网的实时量测数目往往较少，通常难以保证系统可观，而广泛配置量测装置会大幅增加经济成本。因此，在实时量测有限的情况下，如何保证配电网的可观性值得深入研究。建立伪量测模型可以提高量测冗余度，传统方法是利用短期负荷预测获得节点注入功率，但负荷的随机性波动较大，预测准确度不高，使得状态估计精度下降。

发明内容

发明目的：针对以上问题，本发明提供一种基于DNN伪量测建模的交直流配电网交替迭代状态估计方法，能够提高交直流配电网状态估计的计算精度，在低冗余量测配置时准确估计交直流配电网的状态。

技术方案：本发明所采用的技术方案是一种基于DNN伪量测建模的交直流配电网交替迭代状态估计方法，包括以下步骤：

(1)建立交直流混合配电网模型，根据交直流配电网的网络参数信息以及负荷曲线进行潮流计算，采用整体法计算模拟出系统在连续采样时刻下的运行状态，在潮流真值的基础上叠加随机噪声模拟实时量测值，获得每一采样时刻的实时量测值和负荷真值；所述的建立交直流混合配电网模型，是在交直流配电网导纳矩阵中加入电压源换流器支路，对于每个交流节点，建立两个单独的深度神经网络，输出分别为负荷有功和无功功率，输入为交流配电网的实时量测值；对于每个直流节点，建立一个深度神经网络，输出为负荷有功功率，输入为直流配电网的实时量测值。

其中所述的网络参数信息包括：交直流配电网的拓扑信息、各支路阻抗、电压源换流器的等值阻抗和电压源换流器的控制方式。所述电压源换流器的控制方式包括：定交流侧有功P

式中：P

(2)将步骤(1)所得运行数据划分为训练集和测试集，将训练集的实时量测值作为深度神经网络的输入，负荷真值作为目标输出，训练深度神经网络，利用测试集数据测试训练完成深度神经网络。训练深度神经网络使得最终的测试误差小于某一阈值。测试误差是每一采样时刻负荷节点的注入功率伪量测与负荷真值的差值。若该测试误差较大，则调整深度神经网络的参数，如网络层数、神经元数、batch_size、epoch等，并重新训练，直到测试误差不再下降。

(3)确定估计时刻t，将时刻t的交流配电网实时量测值输入深度神经网络，获得交流负荷节点的注入功率，将时刻t的直流配电网实时量测值输入深度神经网络，获得直流负荷节点的注入功率；其中获得的节点功率伪量测值在状态估计中的相应的权重为1/(E

(4)以电压源换流器支路作为交流区域和直流区域的扩展支路，将扩展交流区域的实时量测、虚拟量测和负荷节点注入功率伪量测输入加权最小二乘法估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的交流节点的注入功率；

(5)将步骤(4)中电压源换流器支路两端节点的状态量估计值传递给扩展直流区域作为该区域状态估计的伪量测，将该伪量测与扩展直流区域的实时量测、虚拟量测和负荷节点注入功率伪量测一起输入加权最小二乘估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的直流节点的注入功率；

(6)再将扩展直流区域中电压源换流器支路两端节点的状态量估计值传递给扩展交流区域作为该区域状态估计的伪量测，与步骤(4)中扩展交流区域的量测一起再次进行该区域的状态估计。

(7)重复步骤(5)、(6)对扩展交、直流区域进行交替迭代状态估计，直到两区域估计器对电压源换流器支路两端节点状态量估计值的差值足够小，最终得到时刻t的交直流混合配电网状态变量的估计值。

所述的交替迭代法中，交流和直流区域的目标函数分别为：

其中，扩展交流区域的状态量x

扩展直流区域的状态量x

式中：J

有益效果：相比现有技术，本发明具有以下优点：本发明针对混合配电网交直流互联、实时量测覆盖率低的问题，提出DNN伪量测模型辅助交直流配电网进行交替迭代状态估计。该方法首先建立电压源换流器VSC的等效模型和交直流配电网的实时量测模型；然后利用历史量测数据输入DNN进行节点注入功率建模，提高了量测冗余度；最后将交流区域和直流区域解耦，通过传递VSC支路的状态量信息，在交流和直流区域间实现交替迭代状态估计。本发明提出的算法不仅能够提高伪量测精度，在低冗余量测配置时准确估计交直流配电网的状态，而且具有计算复杂度低、收敛速度快、程序易拓展的优点。

附图说明

图1是VSC等效模型图；

图2是本发明所述的DNN伪量测模型图；

图3是交直流配电网拓展分区示意图；

图4是本发明所述的基于DNN伪量测建模的交直流配电网交替迭代状态估计方法流程图；

图5是IEEE33节点系统拓展的交直流配电网测试系统图；

图6是DNN伪量测模型输出对比图；

图7是不同伪量测集下CSE和AISE的最大估计误差对比图；

图8是本发明方法的收敛曲线图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的基于DNN伪量测建模的交直流配电网交替迭代状态估计方法，包括以下步骤：

(1)建立交直流混合配电网模型，根据交直流配电网的网络参数信息以及负荷曲线进行潮流计算，采用整体法计算模拟出系统在连续采样时刻下的运行状态，在潮流真值的基础上叠加随机噪声模拟实时量测值，获得每一采样时刻的实时量测值和负荷真值；

(2)将步骤(1)所得运行数据划分为训练集和测试集，将训练集的实时量测值作为深度神经网络的输入，负荷真值作为目标输出，训练深度神经网络，利用测试集数据测试训练完成的深度神经网络，得到相应的测试误差，所述测试误差是每一采样时刻负荷节点的注入功率伪量测与负荷真值的差值。若该测试误差较大，则调整深度神经网络的参数，如网络层数、神经元数、batch_size、epoch等，并重新训练，直到测试误差不再下降；

(3)确定估计时刻t，将时刻t的交流配电网实时量测值输入深度神经网络，获得交流负荷节点的注入功率，将时刻t的直流配电网实时量测值输入深度神经网络，获得直流负荷节点的注入功率；

(4)以电压源换流器支路作为交流区域和直流区域的扩展支路，将扩展交流区域的实时量测、虚拟量测和负荷节点注入功率伪量测输入加权最小二乘法估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的交流节点的注入功率；

(5)将步骤(4)中电压源换流器支路两端节点的状态量估计值传递给扩展直流区域作为该区域状态估计的伪量测，将该伪量测与扩展直流区域的实时量测、虚拟量测和负荷节点注入功率伪量测一起输入加权最小二乘估计器中进行状态估计，所述虚拟量测为零注入节点功率，所述负荷节点注入功率伪量测为步骤(3)中获得的直流节点的注入功率；

(6)再将扩展直流区域中电压源换流器支路两端节点的状态量估计值传递给扩展交流区域作为该区域状态估计的伪量测，与步骤(4)中扩展交流区域的量测一起再次进行该区域的状态估计。

(7)重复步骤(5)、(6)对扩展交、直流区域进行交替迭代状态估计，直到两区域估计器对电压源换流器支路两端节点状态量估计值的差值足够小，最终得到时刻t的交直流混合配电网状态变量的估计值。

下面针对几个重要部分进行详细说明：

1.交直流混合配电网建模

VSC换流站是混合配电网的关键设施，能够实现交流配电网与直流配电网的融合互联。忽略滤波器损耗，VSC由换流变压器、换流电抗器、换流桥等元件组成，可以等效为等值交流支路串联理想VSC的形式，如图1所示。

图1中：k为VSC的序号；P

交流系统侧的潮流方程为：

式中：g

换流站节点流入VSC的有功功率为：

式中：θ

由于VSC的损耗可以由等效电阻R

P

交直流混合配电网的运行状态与VSC的控制方式有关：(1)定交流侧有功P

交流配电网的实时量测量包括节点电压幅值U

直流配电网的实时量测量包括节点电压幅值U

式中：上标m表示量测值；U

2.DNN伪量测模型

DNN是含有多个隐含层的神经网络，隐含层和输出层由许多神经元组成。每个神经元使用连接权重和偏置对上一层的输出数据进行线性组合，然后通过激活函数的作用产生输出并传递给下一层的神经元。数据的层层传递就是不断重复以上过程，直到产生最终的输出。如果有大量已知输入和输出的数据样本，就可以对DNN进行训练，使得DNN能够拟合输入和输出的关系。训练过程是将DNN的输出和目标输出组合成损失函数，利用反向传播和梯度下降算法调整DNN的参数。

本发明利用DNN构建负荷功率的伪量测模型。对于每个交流节点，建立两个单独的DNN，输出分别为负荷有功和无功功率，输入为交流配电网的实时量测值；对于每个直流节点，建立一个DNN，输出为负荷有功功率，输入为直流配电网的实时量测值。将DNN的输出与实际的节点负荷功率进行比较，差值即为该伪量测模型的输出误差。离线训练的具体步骤如图2所示。

在线应用阶段，训练完成的DNN能在实时量测更新时，快速生成节点注入功率伪量测。DNN输出功率的最大相对误差为E

3.WLS算法

选取交流节点电压幅值、相角和直流节点电压幅值作为状态变量x＝[U

z＝h(x)+υ

式中：z为量测值组成的向量，包括实时量测、零注入虚拟量测和伪量测；h(x)为x到z的非线性映射；υ为量测误差向量。

WLS估计可以视为求解含非线性等式约束的优化问题，目标函数为加权残差平方和最小，其优化模型为：

式中：J为目标函数值；

4.交直流配电网交替迭代状态估计

交直流配电网包括交流区域、直流区域和VSC支路三个部分。VSC支路为交直流区域的联络线。将交流区域和直流区域扩展，使得混合配电网分为两个部分，如图3所示。图中：{x

由于交、直流配电网中与VSC相连的节点注入功率受VSC支路的影响，因此将VSC支路作为区域扩展后的公共重叠区域。z

扩展直流区域的状态量和量测量为：

z

式中：J

交、直流区域交替进行状态估计，直到两区域估计器估计的VSC支路状态量之差小于收敛门槛值，实施步骤如图4所示。本发明未提及的技术均参照现有技术。

5.算例分析

本发明测试的算例为IEEE33节点系统构造的交直流配电网，实时量测配置如图5所示。VSC的等值参数和控制方式如表1所示。以整体法潮流计算的结果作为真值，在潮流真值的基础上添加正态分布的随机误差形成量测值，实时量测误差的标准差模拟为1％。

表1 VSC的参数及控制方式

仅考虑实时量测和虚拟量测，系统的量测冗余度为0.76，加入节点注入功率伪量测后冗余度提高到1.52，保证了可观测性。本发明构建含有两个隐含层的DNN。通过某负荷曲线模拟出系统在连续时间断面下的运行状态，以第1-6000个时间断面作为训练集，第6001-6300个时间断面作为测试集，训练集中划分出2％作为验证集。具体训练步骤如图2所示。其中，测试集的输出功率平均误差小于4％，体现了伪量测模型的准确性。用训练完成的DNN生成第6301-6310个时间断面的负荷节点功率伪量测值，交流节点1和直流节点34的DNN输出有功与真实值的对比如图6所示。由图6可以看出，DNN伪量测模型能够跟踪节点功率的变化趋势，适用于负荷波动性较大的情况。

为了进一步验证本发明所提算法的优越性，基于DNN伪量测模型和基于传统预测方法分别进行交直流配电网的整体法和交替迭代法状态估计。其中，传统预测法一般指利用短期负荷预测获得功率，其不确定性比数据监控与采集系统(supervisory control anddataacquisition，SCADA)大得多，因此本发明将其量测误差模拟为具有10％和30％不确定性的高斯分布。CSE表示整体法，AISE表示交替迭代法，p10％表示伪量测误差服从10％不确定性的高斯分布，p30％表示伪量测误差服从30％不确定性的高斯分布，dnn表示伪量测由DNN产生。算例测试分为以下6种情况：1)CSEp10％；2)AISEp10％；3)CSEp30％；4)AISEp30％；5)CSEdnn；6)AISEdnn。

估计误差的对比如图7所示，展示的结果为连续100个时间断面下的平均值。由图7可以看出引入DNN伪量测模型后，CSE和AISE对于交流状态量的估计精度均有所提高，对于直流状态量，估计精度略有提高。此外，本发明提出的AISE的估计误差与CSE几乎相同，具有较高的准确性。

以交、直流区域估计的VSC支路状态量的差值作为不平衡量，单个时间断面下AISEdnn的收敛曲线如图8所示。由图8可以看出本发明提出的算法具有较好的收敛性。

将收敛门槛设为10

表2计算时间的统计结果