基于超参数粒子群优化的电力系统状态估计方法及系统

本发明属于电力系统，具体涉及一种基于超参数粒子群优化的电力系统状态估计方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、电力系统状态估计是电力系统调度中心的能量管理系统的核心功能之一，根据电力系统的各种量测信息，估计出电力系统当前的运行状态。若电力系统状态估计结果不准确，则后续的任何电力系统分析计算将不可能得到准确的结果

3、应用最广泛的电力系统状态估计方法是加权最小二乘法，当量测误差分布是无粗差的正态分布时，可证明当加权最小二乘法状态估计算法的量测权重取量测方差的倒数时，加权最小二乘法状态估计是极大似然估计；但是，最小二乘法不具有抗差能力，即当量测中出现坏数据(粗差)时，电子系统状态估计的结果会急剧恶化。

4、为实现电力系统状态估计的抗差性能，所使用的最小二乘法必须内嵌坏数据辨识程序。目前常用的坏数据辨识方法大都基于正则化残差，在最小二乘法的基础上嵌入一个不良数据的辨识系统；但是，该方法无法辨识出多个关联的坏数据，因此当坏数据之间出现关联时，使用此方法无法辨识出全部的坏数据，导致计算失败。采用非二次目标函数，可使电力系统状态估计模型具有更强的抗差性能；比较有代表性的目标函数有加权最小绝对值型和广义m估计方法；但是，以上状态估计模型均存在目标函数不可微的问题，导致算法计算性能变差。指数型目标函数状态估计可自动抑制坏数据，优于传统的抗差状态估计器；但是，对窗宽σ高度敏感，不恰当的窗宽可能会严重影响估计器的性能。因此，确定一个合适的窗宽对保证指数型目标函数状态估计的性能至关重要。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于超参数粒子群优化的电力系统状态估计方法及系统，基于超参数优化的增强型最大交叉信息熵进行电力系统的状态估计，采用双层超参数仿真优化模型优化指数型目标函数状态估计的窗宽取值，增强电力系统状态估计的抗差性，提高了电力系统状态估计的精度和速度。

2、根据一些实施例，本发明的第一方案提供了一种基于超参数粒子群优化的电力系统状态估计方法，采用如下技术方案：

3、一种基于超参数粒子群优化的电力系统状态估计方法，包括：

4、获取历史电力数据；

5、根据所获取的数据和预设的电力系统状态估计模型，完成电力系统的状态估计；

6、其中，预设的电力系统状态估计模型采用双层超参数仿真优化模型，所述双层超参数仿真优化模型的上层模型采用电力数据状态量的均方误差函数，下层模型采用指数型目标函数状态估计模型；将所述指数型目标函数状态估计模型的窗宽作为超参数，使用粒子群算法进行双层超参数仿真优化模型的迭代求解，得到最优窗宽，基于所得到的最优窗宽进行电力系统的状态估计。

7、作为进一步的技术限定，在获取历史电力数据的过程中，结合高斯混合分布的底层结构，将电力数据分布的高斯混合参数转化成快速时间尺度功率注入分布参数，得到电力数据的净注入分布、净注入功率矢量的边际分布和状态样本。

8、作为进一步的技术限定，所述上层模型中的电力数据状态量的均方误差函数l(x)满足所述下层模型中的指数型目标函数状态估计模型ji(xi,σi)满足其中，n和m分别表示系统状态变量数和量测数；下标j和k分别表示系统的第j个状态量和第k个量测量；x表示系统状态变量，包括所有节点的电压幅值v和相角θ；w表示量测权重，h(x)表示量测方程，σ表示窗宽，下标i表示第i个样本；表示训练样本的状态量，包括所有节点的电压幅值和相角z0表示训练样本提供的量测值，包括电网线路或变压器的有功功率pij和无功功率qij、母线的电压幅值vi、发电机的有功功率pi和无功功率qi、电力系统负荷的有功功率pi和无功功率qi。

9、进一步的，线路或变压器的实时量测方程为：

10、pij＝vi2gij-vivj(gijcosθij+bijsinθij)

11、qij＝-vi2(bij+yc)-vivj(gijcosθij-bijsinθij)

12、其中，pij是线路或变压器的有功功率量测值，qij是线路或变压器的无功功率量测值，gij、bij、yc分别是线路或变压器的电导、电纳和充电容纳，vi是节点i的电压幅值，vj是节点j的电压幅值，θij是节点i和节点j间的相角差值。

13、作为进一步的技术限定，其特征在于，使用粒子群算法进行双层超参数仿真优化模型的迭代求解的过程为：

14、1)将一组窗宽σ作为一组粒子的位置，取粒子数为10，形成粒子群；初始化粒子群速度和位置、惯性因子、加速常数、最大迭代次数以及算法终止的最小误差；

15、2)对于每一组粒子分别使用c组训练样本进行并行求解，得到其对应的c组状态量计算其相对均方误差l(x)，将l(x)作为粒子的初始适应值；

16、3)使用粒子群中的10组粒子作为指数型目标状态估计器的窗宽σ分别进行此操作，得到10组相对均方误差l(x)，即粒子群中每个粒子的初始适应值；

17、4)将初始适应值作为当前粒子的局部最优值，且将位置作为当前的局部最优所在的位置；

18、5)将所有粒子中的最佳局部最优(即最小l(x))作为当前局部最优，将其作为当前的全局最优值，最佳位置为全局最优的位置；

19、6)代入速度更新关系式和位移更新表达式，分别更新粒子的飞行速度和每个粒子的位置σ；

20、7)对每个粒子，比较自己的当前适应值是否比历史的局部最优值更小；如果更小的话，则当前适应值作为粒子的局部最优值，其对应位置作为粒子的局部最优的位置；

21、8)在当前粒子群中找出全局最优值，并将对应的位置作为全局最优的位置；

22、9)重复5～9次，直到满足设定的最小误差或达到最大迭代次数，输出最优值和位置以及其他粒子的局部最优值和位置。

23、作为进一步的技术限定，对所得到的最优窗宽进行误差分析的具体过程为：将所得到的最优窗宽代入指数型目标函数状态估计器中进行计算，使用均方误差函数对所得结果进行误差分析；若所得误差小于误差阈值，则输出当前最优窗宽，若不满足所得误差小于误差阈值，则继续对窗宽进行粒子群迭代，直到得到使误差小于误差阈值的窗宽为止。

24、作为进一步的技术限定，得到最优窗宽后，将原指数型目标状态估计器中的原窗宽修改为所得到的最优窗宽，将最优窗宽代入原指数型目标函数状态估计器后，进行抗差状态估计，完成电力系统的状态估计。

25、根据一些实施例，本发明的第二方案提供了一种基于超参数粒子群优化的电力系统状态估计系统，采用如下技术方案：

26、一种基于超参数粒子群优化的电力系统状态估计系统，包括：

27、数据获取模块，其被配置为获取历史电力数据；

28、状态估计模块，其被配置为根据所获取的数据和预设的电力系统状态估计模型，完成电力系统的状态估计；

29、其中，预设的电力系统状态估计模型采用双层超参数仿真优化模型，所述双层超参数仿真优化模型的上层模型采用电力数据状态量的均方误差函数，下层模型采用指数型目标函数状态估计模型；将所述指数型目标函数状态估计模型的窗宽作为超参数，使用粒子群算法进行双层超参数仿真优化模型的迭代求解，得到最优窗宽，基于所得到的最优窗宽进行电力系统的状态估计。

30、根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

31、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的电力系统状态估计方法中的步骤。

32、根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：

33、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的电力系统状态估计方法中的步骤。

34、与现有技术相比，本发明的有益效果为：

35、本发明在指数型目标函数状态估计器的基础上优化了窗宽σ的取值，优化了指数型目标函数状态估计器的效果，增强了状态估计器的抗差性能；提出了超参数粒子群优化算法，使用该算法对超参数在双层超参数仿真优化模型中的上下两层函数中进行粒子群迭代，得到一组令人满意的粒子；针对多种规模的电力系统仿真计算表明，本发明可有效提高现有状态估计方法的抗差效果。