[发明专利]适用于复杂节点及大规模量测数据的快速状态估计方法

说明书

技术领域

本发明属于电力系统状态估计技术领域，尤其涉及一种适用于复杂节点 及大规模量测数据的快速状态估计方法。

背景技术

电力系统状态估计中的一类方法就是把对电力系统状态量的预测和估计 迭代结合起来，通过对已经完成的估计时间序列的回归，寻找到状态变量运 动轨迹，对状态变量的进一步变化进行预测，把预测值作为迭代计算的出发 点完成对状态量的估计。状态估计的精度决定了现代电力系统能否准确而全 面地掌握系统的实际运行状态；状态估计的实时性决定了现代电力系统能否 及时预测和分析系统的运行趋势，对运行中发生的各种问题提出对策，并决 定下一步的决策。因此状态估计的实时性和准确性在一定程度上决定了现代 电力系统的性能。

这类状态估计方法的过程，其实质就是一个回归迭代过程。在这个过程 中，状态估计主要处理对象是一系列时间断面上的高维空间(网络)问题。具 体来说就是系统中各个节点以及支路量测点所量测到的功率电压电流等量测 信息。这些信息经过采样和标准化处理之后在计算机系统中表现为按采样时 间点排列的一组N维向量。在不考虑量测点配置的前提下，当系统的拓扑结 构复杂性增加时，向量的维数也相应增加，并且各个节点和支路数据之间存 在着相当的关联性。存在着相关性也就意味着存在着信息冗余，这对后续预 测和估计步骤的计算速度和精度都有一定的影响，因此怎样在尽量保持量测 量能够为后面的状态估计器提供足够的信息的前提下，尽量约减数据的维数， 以提高状态估计的速度，成为这个领域研究的热点问题。同时在状态估计器 设计方面，由于电力系统一般积累了大规模的量测数据，怎样尽量充分地利 用这些历史量测、状态和系统参数组成的时间序列中包含的信息，通过回归 方法建立系统模型，利用新增量测信息对状态量进行预测，从而实现对系统 实时状态的估计，也是状态估计设计中需要解决的一个重要问题。

针对第一个问题，本发明在量测量信息预处理的降维过程中引入一种通 过局部线性关系的联合来揭示全局非线性结构的非线性降维方法即局部线性 嵌入流形学习方法。其他的降维方法如独立主成分方法没有考虑数据在观测 空间的全局与局部性质。主成分分析在数据集是高度非线性时，存在一定的 缺陷。与其他降维方法相比较，LLE方法基于流形学习能够较好的解决以上 问题，并且在速度上更有优势。

针对第二个问题，本发明在状态估计器的设计上引入了核匹配追踪学习 机的方法对系统状态量进行预测和估计。相对于扩展卡尔曼滤波、遗传算法、 神经网络等系统建模方法，匹配追踪学习机对于动态系统建模具有良好的推 广能力、只需要有限训练样本、全局最优和系统的理论基础等方面的优点并 且其生成的模型简单且稀疏，却能够具有与复杂的回归预测方法如SVM近乎 相同的性能，具有更好的适应性。由于在之前的步骤上对量测量的维数上进 行了大规模的约减，降低了训练的时空复杂度，就可以在系统计算时间允许 的情况下尽量扩大样本规模，取得更好的预测精度。

发明内容

本发明的目的在于，提供一种适用于复杂节点及大规模量测数据的快速状 态估计方法，在尽量保持原有系统大规模量测样本数据必要信息的前提下，实 现对大规模高维样本数据的快速训练，并通过对样本数据的学习训练，实现对 系统状态量的预测。

本发明的技术方案是，一种适用于复杂节点及大规模量测数据的快速状态 估计方法，其特征在于所述方法包括下列步骤：

步骤1：选择连续的T个时刻，在每个时刻测量电力系统网络节点的注入 功率和支路功率，并将M个测量值纳入到量测集合中，之后按照测量时刻的先 后顺序，对T个时刻的测量值进行排列，形成M×T二维数组；

步骤2：选定适当参数，对所述M×T二维数组进行LLE非线性降维；

步骤3：对每个节点电压幅值进行样本训练，生成电压幅值样本模型，并 利用生成的电压幅值样本模型，进行节点电压幅值预测；

步骤4：对每个节点相角进行样本训练，生成相角样本模型，并利用生成 的相角样本模型，进行节点相角预测；

步骤5：利用牛顿拉夫逊迭代法进行预测值修正，继而获得状态估计值；

步骤6：将状态估计值作为第T个时刻的状态真值放置到状态量集合中；

步骤7：取到第T+1个时刻为止的前T个时刻的量测数据，重复步骤1到 步骤5，获得第T+1个时刻的状态估计值，实现滚动预测。

所述步骤2包括下列步骤：