一种基于PMU的电力系统状态估计性能评价方法与流程

本发明涉及一种力系统状态估计性能评价技术，尤其是涉及一种基于pmu的电力系统状态估计性能评价方法。

背景技术：

电力系统状态估计性能评价方法是电力系统运行和控制的关键技术，可以衡量状态估计结果的精度等关键信息，准确合理的状态估计结果可以保证电力系统的正确运行和控制。随着大量可再生能源并网，输电网络复杂以及负荷多样化，电力系统的运行方式迅速变化。基于相量测量单元(pmu)的线性状态估计可以更好地反映系统的当前状态。但是，pmu误差是影响线性状态估计精度的关键问题。在实际研究中，通常认为pmu误差服从高斯分布。但是，影响pmu测量数据精度的因素众多，主要有电压互感器和电流互感器的幅值误差和相角误差、电缆通道传输误差以及同步时钟误差。因此，pmu误差应遵循更复杂的分布。同时，在实际电力系统中，pmu测量点真值和电力系统的真实状态均不可获取，因此实际电力系统中的状态估计性能难以评估。

目前，评估状态估计性能的主要指标为合格率η，其定义为：

其中，m是量测数量，ri量测点i的量测残差，为εi为阈值；

但是合格率取决于区分合格与否的阈值εi，εi为根据工程经验设定的常数，没有实际的理论基础；

同时还有研究利用信息论中交叉熵的概念作为状态估计性能评估标准，但其仅反映测量值和估计值之间的关系，并不涉及电力系统的真实状态。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于pmu的电力系统状态估计性能评价方法，准确性高，操作简便，节省人力。

本发明的目的可以通过以下技术方案来实现：

一种基于pmu的电力系统状态估计性能评价方法，具体为：

通过电力系统的n2个pmu实际测得n2个观测对象测量值sm，所述的观测对象包括电压幅值、电压相角、电流幅值和电流相角中的一种或多种，通过状态估计获取各个sm的状态估计值sse，将n2组sm和sse分别对应输入n2组训练好的分类模型，利用n2个分类模型给出的sm和sse划分标准，对应得到n2个标记值αm，计算状态估计性能评价指标λ，计算公式为：

其中，pmi和αmi分别为第i个分类准确度pm和标记值αm，所述的pm的计算公式为：

其中，nr和nf分别为分类模型完成训练后的分类正确数量和分类错误数量；

其中，所述的n2组分类模型的训练过程为：

通过电力系统仿真平台的pmu获取观测对象的测量误差数据集x，为了便于分析与比较，对该x进行归一化处理，并计算x的概率密度函数通过电力系统仿真平台获取n2组观测对象真值st，通过叠加st和理论求得n2组sm，通过状态估计获取各个sm的状态估计值sse，判断每组st、sm和sse是否满足判断公式，若满足则对应生成值为1的标记值αm，否则生成值为0的αm，所述的判断公式如下：

|sim-sit|＞|sise-sit|

其中sim、sit和sise分别为第i组sm、st和sse；

将n2组st、sm、sse和αm作为训练数据，进行分类模型训练，对应获得n2个分类模型。

进一步地，所述的分类模型包括svm模型、二叉树模型或神经网络模型，训练分类模型的核函数为高斯核函数。

进一步地，所述的测量误差数据集x的获取过程为：

通过电力系统仿真平台的节点上的pmu测得观测对象观测值sm，通过仿真软件查询电力系统仿真平台上节点的st，通过计算sm和st的差值求得测量误差，由若干组测量误构成x。

进一步地，所述的归一化处理的公式为：

其中，为第j个归一化后的测量误差，e(x)为x的期望，var(x)为x的方差，xj为x中的第j个测量误差。

进一步地，所述的的计算公式如下：

其中，k为高斯核函数，h为核密度估计窗宽，xj为x中的第j个观测数据，n1为x的样本数量；

所述的核密度估计窗宽h的计算公式为：

其中，σ是x的标准差，r为x的四分位距，n为x中观测数据的数量，如果h取值过大，或降低的精度，如果h取值过小，会导致起伏大且不连续，误差大。

进一步地，所述的状态估计算法能够减小测量误差，增加量测数据准确性和可用率，其基本思想基于加权最小二乘法，求解一个优化问题：

s.t.sm＝h(st)+w

其中，h为量测方程，所述的h建立sm和st的关系，w为量测误差，w为权重矩阵，所述的w为对角稀疏矩阵，对角线元素为对应量测误差方差的倒数。

与现有技术相比，本发明具有以如下有益效果：

(1)本发明通过电力系统仿真平台获取pmu测量数据的误差特性，然后在观测对象真值上叠加该误差特性，理论计算出观测对象测量值，组成分类模型的训练数据，最后在新的时间断面上获取电力系统各个节点的对象测量值和对应的状态估计值，并输入训练好若干组分类模型，最后计算出状态估计性能评价指标λ，结合电力系统仿真平台和机器学习训练进行拓扑分析，解决了电力系统真实状态的不可知性的问题，评估结果更加客观和准确，同时不需要大量的电力系统的现场实测数据，操作简便，节省人力和物力，降低成本；

(2)本发明可采用svm模型、二叉树模型或神经网络模型作为分类模型，应用范围广。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种基于pmu的电力系统状态估计性能评价方法，如图1，具体为：

电力系统上设有n2个监测节点，每个监测节点上设有pmu，通过电力系统仿真平台的pmu获取观测对象的测量误差数据集x，并对该数据集进行归一化处理，并计算x的概率密度函数包含了pmu测量误差分布特性，通过电力系统仿真平台获取n2组观测对象真值st，通过叠加st和理论求得n2组sm，通过状态估计获取各个sm的状态估计值sse，判断每组st、sm和sse是否满足判断公式，若满足则对应生成值为1的标记值αm，否则生成值为0的αm，判断公式如下：

|sim-sit|＞|sise-sit|

其中sim、sit和sise分别为第i个节点的sm、st和sse；

由于无法获取实际的电力系统的观测对象真值，故将n2组st、sm、sse和αm作为训练数据，进行svm训练，训练的核函数为高斯核函数，对应获得n2个训练好的svm模型；

在需要评估的时间断面上通过电力系统的n2个pmu实际测得n2个观测对象测量值sm，观测对象为电压幅值和电压相角，即sm包括电压幅值测量值和电压相角测量值，通过状态估计获取各个sm的状态估计值sse，将n2组sm和sse分别对应输入n2组训练好的分类模型，利用n2个分类模型给出的sm和sse划分标准，对应得到n2个标记值αm，计算状态估计性能评价指标λ，计算公式为：

其中，pmi和αmi分别为第i个分类准确度pm和标记值αm，pm的计算公式为：

其中，nr和nf分别为分类模型完成训练后的分类正确数量和分类错误数量；

状态估计的计算过程为基于加权最小二乘法的优化求解过程，计算公式如下：

s.t.sm＝h(st)+w

其中，h为量测方程，建立sm和st的关系，w为量测误差，w为权重矩阵，为对角稀疏矩阵，对角线元素为对应量测误差方差的倒数。

测量误差数据集x的获取过程为：

通过电力系统仿真平台的节点上的pmu测得观测对象观测值sm，通过仿真软件查询电力系统仿真平台上节点的st，通过计算sm和st的差值求得测量误差，由若干组测量误构成x。

归一化处理的公式为：

其中，为第j个归一化后的测量误差，e(x)为x的期望，var(x)为x的方差，xj为x中的第j个测量误差。

的计算公式如下：

其中，k为高斯核函数，h为核密度估计窗宽，xj为x中的第j个观测数据，n1为x的样本数量；

核密度估计窗宽h的计算公式为：

其中，σ是x的标准差，r为x的四分位距，n为x中观测数据的数量，如果h取值过大，或降低的精度，如果h取值过小，会导致起伏大且不连续，误差大。

本实施例提出了一种基于pmu的电力系统状态估计性能评价方法，首先通过电力系统仿真平台获取pmu测量数据的误差特性，然后在观测对象真值上叠加该误差特性，理论计算出观测对象测量值，组成svm模型的训练数据，最后在新的时间断面上获取电力系统各个节点的对象测量值和对应的状态估计值，并输入训练好若干组svm模型，最后计算出状态估计性能评价指标λ，不需要大量的电力系统的现场实测数据，结合电力系统仿真平台和机器学习训练进行拓扑分析，评估结果更加客观和准确。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。