基于智能电能表数据的配电网状态估计_李媛.pdf

基于智能电能表数据的配电网状态估计李媛(中国电力科学研究院有限公司，北京 100192)摘要:含有可再生能源与需求响应资源(Demand esponse esource，D)的配电网系统需要精确的状态估计，以进行实时控制和调度。配电网状态估计通常依赖于智能电表的测量，但测量设备的增加不仅对通信成本要求高，同时还会导致控制问题的高复杂性。针对这些问题，提出一种低压配电网所需智能电表实时数据的分析方法及其在状态估计中的应用。同时讨论了测量值组合的作用，以减轻状态估计问题中由于大量数据产生的计算压力。通过实验验证了方法的有效性。关键词:配电网;状态估计;智能电能表;电能计量DOI:10 19753/j issn1001-1390 2023 04 027中图分类号:TM93文献标识码:A文章编号:1001-1390(2023)04-0182-04State estimation of distribution network based on smart meter dataLi Yuan(China Electric Power esearch Institute Co，Ltd，Beijing 100192，China)Abstract:The distribution network system with renewable energy and demand response resources(D)requires ac-curate state estimation for real-time control and scheduling The state estimation of distribution network usually dependson the measurement of smart meters However，the increasing of measurement devices in the physical grid can enforcesignificant stress not only on the communication cost but also in the control algorithms Therefore，a method for analy-zing real-time data of smart meters required for low-voltage distribution networks and its application in state estimationare proposed in this paper Meanwhile，combinations of measurement data are also discussed to reduce the calculationstress caused by the large amount of data in the state estimation problem The validity of the proposed method is verifiedby experimentsKeywords:distribution network，state estimation，smart meter，energy measurement基金项目:国家电网有限公司总部科技项目(1100-201919158A-0-0-00)0引言当前的主动配电网系统中越来越多地引入了可再生能源、需求响应资源(Demand esponse esource，D)、柔性负荷等新型成分，这将是智能电网的必然趋势1-2。这类新成分使得配电网体系复杂程度迅速上升，特别是随着分布式发电(Distributed Generation)的发展，智能电网中部署的大量智能电能表和传感器等高 级 计 量 设 施(Advanced Metering Infrastructure，AMI)面临“数据爆炸”的挑战。为了简化电网的测量与通信体系，同时降低电网运营成本，引入基于智能电能表测量数据的状态估计(State Estimation，SE)模块具有重要意义3-5。在状态估计问题中，部署在用户端与变电站等节点的智能电能表所采集的数据作为输入，还可以通过将原始数据进行适当组合用作状态变量达到更高的估计精度6-8。常用的测量值包括线路潮流(Line PowerFlow)，线路电流幅值(Line Current Flow Magnitude)与母线馈入功率(Bus Power Injection)等9。随着智能电网的不断扩展，求解状态估计问题依赖的测量节点数量迅速增加，这给电网的通信与控制带来了巨大挑战。针对这一问题，文章考察了配电网状态估计问题中智能电能表数量、位置、测量误差等因素对于估计问题的影响，并提出一种新的估计精度标准，用于更全面地评估状态估计器的性能。281第 60 卷第 4 期电测与仪表Vol60 No42023 年 4 月 15 日Electrical Measurement InstrumentationApr15，20231状态估计理论电力运营商可以借助状态估计模块了解电网的实时运行状态，为电网的管理调度提供重要参考。具体地，状态估计是一个基于网络拓扑结构与节点测量值的系统估计问题，通常包括似真检验(Plausibility Check)、可观测性分析(Observability Analysis)与最优状态计算等步骤 10-12。其中，似真函数(Plausibility Function)可用于分析智能电能表测量数据对状态估计准确性的影响。状态估计问题中基本的测量模型为:z=h(x)+ez(1)式中 z 是具有实际值 h(x)与误差 ez的测量向量;ez N(0，z)为零均值的高斯噪声，其协方差矩阵z可假设为对角矩阵:z=diag2z1，2z2，2zm(2)式中 2zi表示第 i 个维度的方差，第 i 个维度测量的归一化残差定义为:ri=zi hi(x)zi(3)此时 ri N(0，1)。文中方法基于最大似然估计(Maximum Likelihood Estimation，MLE)，其目标为最小化如下的平方和误差函数:J=mi=1zi hi(x)()zi2(4)根据 ri实际意义的不同，式(4)对应不同的估计量。进一步地，将式(4)推广为加权形式:J=mi=1Wziri2(5)式中 Wzi表示各维度测量值的权重，全体 Wzi之和为 1。将式(5)分解成各维度上相互独立的误差函数:J(x)=(zi hi(x)zi2(6)这等价于如下的矩阵形式:J(x)=z h(x)T1zi z h(x)(7)对 J(x)的最小化可以采用牛顿迭代法等常用的优化算法13。考虑 J(x)的一阶微分:g(x)=J(x)x(8)可以将非线性函数 g(x)进行泰勒展开并忽略高阶项以简化计算。令 g(x)=0，则可以求出 J(x)的极值点，此时的 x 代表估计状态向量。这里所考虑的测量误差包括仪表位置、所测量的参数类型与需测量的数据量等因素所引起的误差。如果理论计算得到的值与实际测量值的差异超出预先设置的阈值，则应视为错误测量值并忽略14-15。2算例研究2 1 网络拓扑结构本节基于 CIGE 低压基准网络 16 进行仿真分析，仿真过程在 DIgSILENT Powerfactory 2018 SP3 软件包中进行 17。基准网络由三组400 V 的辐射状馈线构成，分别为住宅()，工业(I)和商业(C)。住宅馈线中有 18个节点，连接了5 个用户;商业馈线有20 个节点，连接了7 个用户;2 个节点的工业馈线中仅连接一个工业用户。网络拓扑结构如图1 所示。在部分馈线上还连接了光伏发电单元，以分析配电网系统中分布式发电成分的影响。通过开关 S1，S2和 S3可模拟馈线操作的多种组合。对于实际场景中的复杂网络，也可以使用蒙特卡洛模拟来生成状态估计的统计结果18-20。图 1CIGE 低压基准网络的拓扑结构Fig 1Topology of CIGE low voltage benchmark network2 2 测量与数据在连接负载的每条总线上都部署了智能电能表，假设每个电能表都可以测量所在节点处的有功潮流Pflow、无功潮流 Qflow、电流 Iflow和电压 V，则网络中的13 个智能电能表将一共获得 52 个测量值。通过关闭电能表，可以分析测量数据量的影响。表 1 说明了智能电能表的数据收集设置。表 1网络中智能电能表的部署Tab 1Placement of smart meters in network馈线类型电能表初始数量测量数据类型住宅()5Pflow，Qflow，Iflow，V工业(I)1Pflow，Qflow，Iflow，V商业(C)7Pflow，Qflow，Iflow，V381第 60 卷第 4 期电测与仪表Vol 60 No42023 年 4 月 15 日Electrical Measurement InstrumentationApr15，2023这里忽略了部署在变电站节点等位置的远程仪表。所有电能表都被假设为具有不超过 5%的测量误差。图 2 展示了三个类别用户的典型负载特性曲线。可以看出，工业与商业用电主要分布在工作时段(商业用电时间上有一定滞后)，住宅用电量则集中在晚间非工作时段。图 2三类用户的典型负载特性Fig 2Typical load profile of three consumer categories2 3 实验设置为更全面地评估智能电能表测量数据对于状态估计效果的影响，考察了测量误差、数据量与测量值类型三个主要因素。参与状态估计的 7 个负载为图 1 所示网络中的 11、17、18、I2、C12、C19和 C20，待估计的状态为负载的有功功率 P 与无功功率 Q。实验中考虑的所有算例分别为:(1)考察测量误差的影响。1)基准算例(case True):所有测量值均可获取，且误差为零;2)Case1:所有测量值均可获取，但部分测量存在误差。(2)存在测量误差的条件下，考察数据量与测量值类型的影响。1)Case2:可获取 P 与 V 的测量值;2)Case3:可获取 P 与 Q 的测量值;3)Case4:可获取 P 与 I 的测量值;4)Case5:可获取 P，Q 与 V 的测量值;5)Case6:可获取 P，I 与 V 的测量值;6)Case7:可获取 P，Q，I 与 V 的测量值。Case7 与 Case1 中可利用的测量数据种类实际上是一致的，但 Case1 涉及所有节点，而 Case7 在实验中可以选择若干个节点的完整测量值以充分评估数据量与测量值的影响，因此两种算例被区分开。3实验结果与分析3 1 测量误差的影响在基准算例中，由于电能表被假设为具有零测量误差，因此状态估计的理论计算值与实际测量值几乎一致。图3 给出了若干条总线上理论功率值与测量值的比较。图 3基准算例的功率估计值与真实值比较Fig 3Comparison of actual and estimatedpower in base case为分析测量误差的影响，随机地在 5 个测量值上添加了不超过 5%的误差。图 4 给出了添加误差后，Case1 中 7 个待估计节点功率估计值的相对误差，其中正误差与负误差分别表示高估与低估。如图所示，所有估计值的误差绝对值均不超过 1%，即显著低于测量误差本身，说明了文中方法具有较高鲁棒性。图 4测量误差对估计精度的影响Fig 4Impact of measurement error onaccuracy of estimation3 2 测量数据量与测量值类型的影响通过打开和关闭电能表可以考察测量数据量与测量值类型对状态估计结果的影响。如前文所述，文中研究了若干个不同的测量值组合，如 PV(Case2)，PQ(Case3)，PIV(Case6)和 PQIV(Case7)等。图 5 与图 6 给出了不同测量值组合下各总线的估计值比较，图中的 Ptrue 与 Qtrue 分别表示基准算例下的有功功率与无功功率，即真实值。可以看出，基于各种组合的状态估计都可以达到较高的精确性。值得注意的是，尽管 Case7 使用了最全面的测量数据，但准确性却并非最高的，这是由数据量大产生的误差累积效应所致。在实际场景下，较大的数据量还会导致计算复杂度大和通信负载高等问题，因此需要在数据的全面性与数据量之间进行权衡。481第 60 卷第 4 期电测与仪表Vol 60 No42023 年 4 月 15 日Electrical Measurement InstrumentationApr15，2023图 5测量值组合对有功功率估计精度的影响Fig 5Impact of combination of measurement value onaccuracy of estimation for active power图 6测量值组合对无功功率估计精度的影响Fig 6Impact of combination of measurement value onaccuracy of estimation for reactive power4结束语针对复杂配电网系统的状态估计问题，文章设计了一种基于智能电能表数据的状态估计方案。在此基础上，综合考察了电能表测量误差、测量数据量与测量值类型对状态估计精确度的影响。实验验证了文中方法在不同条件下的鲁棒性，同时探索了保持较高估计精度时智能电能表测量的可行部署。文中结果对于电网调度与规划具有一定参考价值，后续研究工作将关注实际的复杂网络，特别是依赖于动态状态估计的多样化场景。参 考 文 献 1 路红池，谢开贵，王学斌，等 计及多能存储和综合需求响应的多能源系统可靠性评估J 电力自动化设备，2019，39(8):72-78Lu Hongchi，Xie Kaigui，Wang Xuebin，et al eliability assessment ofmulti-energy system considering multi-storage and integrated demand re-sponse J Electric Power Automation Equipment，2019，39(8):72-78 2 李琳玮，宁光涛，陈明帆，等 考虑需求响应和储能寿命约束的多类型电源协同调度 J 浙江电力，2021，40(12):27-36 3 AHMAD F，ASOOL A，OZSOY E，et al Distribution system state es-timation-A step towards smart grid J enewable and Sustainable En-ergy eviews，2018，81:2659-2671 4 徐俊俊，吴在军，胡秦然，等 考虑多类型分布式电源和负荷不确定性的主动配电网区间状态估计J 中国电机工程学报，2018，38(11):3255-3266Xu Junjun，Wu Zaijun，Hu Qinran，et al Interval state estimation foractive distribution networks considering uncertainties of multiple types ofDGs and loadsJ Proceedings of the Chinese Society for ElectricalEngineering，2018，38(11):3255-3266 5 方治，宋绍剑，林予彰，等 含光伏电站和蓄电池储能系统的主动配电系统状态估计J 电力系统自动化，2019，43(13):71-79 6 王继豪，裴茂林，熊茹，等 同步相量测量技术在配电网中的应用 J 电测与仪表，2017，54(17):1-6 7 王玲，邓志，马明，等 基于状态估计残差比较的配电网故障区段定位方法 J 电力系统保护与控制，2021，49(14):132-139 8 Weng Y，Negi，Faloutsos C，et al obust data-driven state estima-tion for smart grid J IEEE Transactions on Smart Grid，2016，8(4):1956-1967 9 李滨，杜孟远，祝云，等 基于准实时数据的智能配电网状态估计 J 电工技术学报，2016，31(1):34-44 10 王艳，臧天磊，符玲，等 基于谐波源特征提取的电力系统动态谐波状态估计自适应方法 J 电网技术，2018，42(8):2612-2619 11 肖润龙，王刚，李子梦，等 中压直流输电直流区域配电综合电力系统静态状态估计方法研究J 电工技术学报，2018，33(13):3023-3033 12MAJIDI M，ETEZADI-AMOLI M，LIVANI H，et al Distribution sys-tems state estimation using sparsified voltage profileJ Electric PowerSystems esearch，2016，136:69-78 13 肖艳炜，赵玉成，朱炳铨，等 改进的全光滑牛顿法在电网仿真中的应用 J 自动化与仪器仪表，2018，6:139-141 14王红 主动配电网状态估计及鲁棒量测配置研究 D 济南:山东大学，2017 15 罗群，刘春雨，顾强，等 基于最优匹配回路功率的配电网拓扑辨识方法 J 电测与仪表，2019，56(19):1-6 16Ayaz M S，Abarghooee A，Terzija V European LV microgrid bench-mark network:Development and frequency response analysis C/IEEEInternational Energy Conference IEEE，2018 17 张君宇，林睿，陶维青，等 基于 DIgSILENT 的继电保护建模仿真研究J 电力系统保护与控制，2018，46(11):62-67 18陆耿虹，冯冬芹 基于粒子滤波的工业控制网络态势感知建模 J 自动化学报，2018，44(8):1405-1412 19蔡欢，袁旭峰，熊炜，等 柔性互联配电网运行调度研究综述J 智慧电力，2022，50(6):92-99，106 20王红，张文，刘玉田 考虑分布式电源出力不确定性的主动配电网量测配置 J 电力系统自动化，2016，40(12):9-14作者简介:李媛(1991)，女，通信作者，工程师，硕士，研究方向为用电信息采集系统与电力大数据分析。Email:yuanli sgcc outlook com收稿日期:2020-09-04;修回日期:2022-10-13(杜景飞编发)581第 60 卷第 4 期电测与仪表Vol 60 No42023 年 4 月 15 日Electrical Measurement InstrumentationApr15，2023