一种基于深度学习的交直流配电网预测辅助状态估计方法

本发明涉及一种基于深度学习的交直流配电网预测辅助状态估计方法，属于电网预测领域。

背景技术：

1、随着分布式发电和柔性负荷的快速发展，配电网面临着越来越多的不确定性，亟需准确的实时监控和状态预测，为后续的安全优化运行提供基本保障。其中，直流微电网、直流发电、直流负荷的加入，使得配电网从单一的交流电网逐步向交直流混合电网发展。与此同时，全球正在大力安装智能电表，以期为控制中心和用户之间提供双向信息。高分辨率的智能电表数据给配电网准确、实时监测提供了前提条件。

2、配电网状态估计通常分为两大类：静态状态估计(static state estimation,sse)和预测辅助状态估计(forecasting-aided state estimation,fase)。sse通常被描述为加权最小二乘法(weighted least squares,wls)问题，并通过牛顿迭代求解。wls从单时间断面下的量测中提取有用的信息，但忽略了不同时间断面下系统状态之间的关系。而fase建立了一个状态转移模型来描述系统状态之间的时间相关性。尽管状态转移公式理论上可以完整地表示两个时间断面之间的系统动力学，但在现实世界中，由一组线性公式近似的状态空间模型(如扩展卡尔曼滤波，extended kalman filter,ekf)过于粗糙，无法产生令人满意的预测结果。目前，大多数研究工作都集中在非线性状态转移模型上，例如无迹卡尔曼滤波(unscented kalman filter,ukf)和集合卡尔曼滤波(ensemble kalmanfilter,enkf)。与确定性点采样策略相比，基于蒙特卡洛的集合采样方法具有更高的精度，但计算效率更低。仿真结果表明，enkf估计精度和鲁棒性方面优于其他替代解决方案(如ukf、ekf和wls)。在交直流混合配电网状态估计方面，一些研究集中在开发基于wls的算法上，而没有考虑随时间推移的状态转移。目前暂时没有可用的fase解决方案，用于跟踪交直流混合配电网的系统状态轨迹。

3、除了精确的模型和合适的算法外，配电网状态估计的性能还在很大程度上取决于量测的数量和质量。长期以来，低量测冗余度是影响配电网状态估计精度的关键因素。为了解决此问题，可采用深度学习技术提取负荷数据特征或产生伪测量，以保证系统的可观性并提高估计精度。随着智能电表的出现和普及，为配电网状态估计提供了丰富的量测信息。虽然在改进配电网状态估计结果方面已有大量工作，但该领域仍存在许多挑战。

4、第一，缺乏足够数量的实时量测。尽管部署了大量智能电表，但与scada量测相比，它们的时间分辨率较低，并且无法满足状态估计的执行周期。第二，基于经典卡尔曼滤波的fase具有简单而粗略的状态预测模型。第三，交直流混合配电网状态估计模型需要准确表示换流器模型以及交直流混合配电网和量测属性。

技术实现思路

1、发明目的：针对以上问题，本发明提供一种基于深度学习的交直流配电网预测辅助状态估计方法，该方法包括以下步骤：

2、(1)根据交直流配电网的参数信息建立交直流配电网的三相模型；

3、(2)根据历史状态，建立基于深度神经网络的状态预测模型，获得状态预测值；

4、(3)读取实时量测，分别对交、直流区域进行可观性分析，对于不可观交、直流区域建立基于深度回归学习的伪量测模型，获得不可观区域的伪量测；

5、(4)根据状态预测值，计算边界信息，包含边界节点状态值和支路功率值；

6、(5)基于状态预测值、实时量测、伪量测和边界信息分别对交、直流区域建立含等式约束的集合卡尔曼滤波模型，计算得到状态滤波值；

7、(6)基于状态滤波值计算交、直流区域的边界信息，包含边界节点状态值和支路功率值，交换交、直流区域的边界信息，判断不同区域计算得到的边界信息差值是否在允许的误差范围内，如果不是，更新边界信息，重复步骤(5)；如果是，则保存并输出交、直流区域的状态滤波值。

8、进一步的，步骤(1)中，所述参数信息包括：交直流配电网的拓扑信息、各支路阻抗、换流器的等值阻抗和换流器的控制方式，建立的交直流配电网三相模型如下：

9、(1)状态方程

10、

11、式中，f(·)表示状态转移函数；表示t-1的状态估计值；表示t时刻的状态预测值；ut表示t时刻的系统误差；状态量由交流节点的电压幅值和相角、直流节点的电压幅值构成；

12、(2)量测方程

13、

14、式中，zt表示t时刻的量测向量；vt表示t时刻的量测噪声向量；表示t时刻的状态估计值；h(·)表示量测函数；

15、在交直流混合配电网中，支路功率(pac,ii',qac,ii',pdc,jj')和节点功率注入(pac,i,qac,i,pdc,j)的量测函数h(·)如下所示：

16、pac,ii'＝vivi'(gii'cosθii'+bii'sinθii')

17、qac,ii'＝vivi'(gii'sinθii'-bii'cosθii')

18、

19、pdc,jj'＝vjvj'yjj'

20、

21、式中，vi表示交流节点i的电压幅值；vi'表示交流节点i’的电压幅值；vj表示直流节点j的电压幅值；vj'表示直流节点j’的电压幅值；gii'表示交流支路ii’的电导；bii'表示交流支路ii’的电纳；yjj'表示直流支路jj’的电导；θii'表示交流节点i和交流节点i’之间的相角差；pac,ii'表示交流支路ii’的有功功率；qac,ii'表示交流支路ii’的无功功率；pdc,jj'表示直流支路jj’的有功功率；pac,i表示交流节点i的注入有功功率；qac,i表示交流节点i的注入无功功率；pdc,j表示直流节点j的注入有功功率；i'∈i表示与交流节点i相连的所有交流节点；j'∈j表示与直流节点j相连的所有直流节点。

22、进一步的，步骤(2)中，所述的基于深度神经网络的状态预测模型，其输入为历史状态，即前一时刻的状态滤波值中间层共两层，中间第一层的输出为前一时刻的节点注入功率，中间第二层的输出为当前时刻的节点注入功率，输出层为当前时刻的状态预测值

23、进一步的，步骤(3)所述的实时量测，包括两种类型的量测：1)scada量测，包括20％交流线路的电流幅值量测、所有直流线路的功率量测、主变电站和交直流换流器节点的电压幅值量测，以及交直流换流器的输出功率量测；2)智能电表获得的量测数据，包括负荷节点的节点电压幅值量测、节点注入功率量测，步骤(3)中所述的基于深度回归学习的伪量测模型，其输入是智能电表获得的量测数据，输出为当前时刻的节点注入功率伪量测。

24、进一步的，步骤(4)所述的计算边界信息，包含边界节点状态值和支路功率值，支路功率具体计算公式如下：

25、pac,ci-pvsc＝0

26、qac,ci-qvsc＝0

27、pvsc+pvsc,loss+pdc,j＝0

28、式中，pvsc表示换流器的有功功率输出；qvsc表示换流器的无功功率输出；pac,ci表示交流支路ci的有功功率；qac,ci表示交流支路ci的无功功率；表示换流器的二次损耗；ic表示节点c处的电流幅值；d1，d2，d3为常数；将以上三个公式表示为等式约束g(x)；

29、节点状态值计算公式如下：

30、

31、式中，表示t时刻基于量测的状态滤波集合样本中的第n个集合；表示t时刻状态预测集合样本中的第n个集合；表示t时刻状态预测与量测预测的协方差矩阵；表示t时刻量测预测协方差矩阵；表示t时刻量测预测集合样本中的第n个集合；表示t时刻的量测噪声协方差矩阵；q表示状态滤波集合样本的集合数；表示t时刻基于量测的状态滤波值。

32、进一步的，步骤(5)所述的含等式约束的集合卡尔曼滤波模型为：

33、(1)状态预测

34、

35、式中，表示t-1时刻状态估计集合样本中的第n个集合；表示t时刻系统误差集合样本中的第n个集合；表示t时刻状态预测值的协方差矩阵，表示t时刻的量测预测值；

36、(2)状态滤波

37、

38、式中，表示t时刻的方差矩阵；表示t时刻考虑等式约束的状态滤波集合样本中的第n个集合；表示t时刻考虑等式约束的状态滤波值，即最终的状态滤波值；表示t时刻的方差矩阵；为等式约束g(x)对状态的一阶导数，

39、有益效果：相比现有技术，本发明的技术方案具有以下有益技术效果：

40、本发明提出一种基于深度学习的交直流配电网预测辅助状态估计方法，采用了基于dnn的状态预测模型，该模型借助历史数据捕获了系统状态的非线性关系。此外，对于不可观交、直流区域建立基于深度回归学习的伪量测模型，获得不可观区域的伪量测以提高量测冗余度。