Forecasting-Aided监测配电系统状态估计

文摘

在这篇文章中,一个创新的方法基于人工神经网络(ANN)负荷预测模型,提出了提高配电系统状态估计精度。高质量pseudomeasurements美联储所产生的神经模型外生和历史负载信息和应用在实际测量情况。聚合活性和活性的中小型企业和住宅负荷同时提前一步预测的预测。之间的相关性预测真正的和无功功率错误是适时地保持在估计量的定义以及整体的不确定性测量链。的有利影响ANN-based pseudomeasurements对状态估计的质量证明了模拟进行一个小的中压配电电网。

1。介绍

电力系统正在迅速发展,相应地,控制和管理系统需要的信息网格的实际操作条件,为了有效地管理它们。此信息可以在几个方面获得和关注不同类型的数据,但是,在任何情况下,系统的正确操作是严格的连接到一个精确的知识网格的操作条件(1]。知识网络的可能的操作条件可以获得通过负载流量和功率流方法(见,例如,2- - - - - -4]),这是使用,例如,从名义上的数据在规划阶段或找到最优配置的突发事件。其他方法,适合知道网络的状态,用节点电压和/或分支电流,在运行时从可用的测量可以基于状态估计(SE)技术。SE方法应用于电力系统可以追溯到1970年代,当弗雷德Schweppe提出使用SE实现准确的传输网络的操作条件(5]。传统的状态估计假定监测系统是超定的通过冗余测量,从而确保系统的可观测性,这对工作状态估计量是至关重要的。与传输系统,实时测量的数量分布系统(DSs)通常是有限的。尽管最近大量部署智能电表(SMs), DSs仍欠定的的监测系统;此外,可能的计量或沟通问题导致丢失/延迟数据为实时测量的稀缺性。DSs, SE是不可行的,除非所谓pseudomeasurements介绍,以确保系统的可观测性和执行,因此,所谓的配电系统状态估计(DSSE)。在评论6,7),可以发现的背景下,研究活动DSSE技术。在下面,将关注DSSE pseudomeasurements的定义。pseudomeasurements通常是间接或衍生测量用于描述负载/发电机吸收功率的一代。值得回顾的是,加载在电动DS高度不同的位置,大小,和类型学,分布式发电可以高度可变。因此,一个准确的整体负载配置的行为是具有挑战性的,可对于一个有效的DSSE [8]。为了让DSSE正常运转,pseudomeasurements从负荷预测和短期负荷预测可以使用[9,10]。最近,研究进行了机器学习技术的应用负载估计和负荷预测问题。

传统的负载功率估计可以执行从每个用户的典型负载概要文件类型。假设需求在每小时等于需求在同一小时之前的等效天是一种常见的选择。加载配置文件可以被视为派生客户负载行为与高方差的估计。因此,用这种方法获得的状态估计的质量通常是可怜的。改善负载功耗估计的准确性(11),提出了一种神经网络方法调整的平均负载概要文件与实际功率流测量可以在网络变电站。特别是,对于每一个巴士,两个前馈人工神经网络(ann)的训练,第一个同事真正的有功功率与有功功率流测量注射,而第二个涉及真正的与无功功率注入无功功率流测量。

在文献中,算法基于多元线性回归(高)分析10)和机器学习技术(12)已经提出了负荷预测。

负荷预测是一项艰巨的任务是复杂的和展览的时间演化几个级别的季节性;负载在给定时刻可以不仅与负载相关的前一个小时还装载在同一小时前一天和当天的前一周。此外,许多重要的外生变量可以被认为,尤其是与天气有关的变量。在这种背景下,人工神经网络具有其固有的能力来推断一个函数从数据代表一个有效的解决方案为负载模型比线性模型。生成pseudomeasurements使用人工神经网络负荷预测已被证明是一种可行的解决方案特别是基层负荷模型(12]。在[13),提出了一种闭环估计中压DS,机器学习功能提供pseudomeasurements DSSE的地方。估计量的输出反馈到机器学习功能,它允许测量数据丢失时的评估。对于每个中压(MV)节点,两个前馈人工神经网络训练独立预测节点活跃和无功功率。负荷时间序列指数根据负载模式分类负荷时间序列作为安输入。人工神经网络是接受再培训,随着时间的推移,每当一个新MV节点的负荷时间序列是可用的。在[14),SE工具关闭流估计量和机器学习功能,提出了在13]。在[14),训练前馈神经网络来预测有功功率值与三种类型的输入领先一步:历史负载信息和与天气有关的和与时间相关的变量。一旦预测模型已经被开发出来,它的性能监控不断为了检测在中长期(即恶化。相应地,周,月)和再培训。

在所有提出的机器学习方法,多层感知器(MLP)神经网络演示为负荷预测[比别人表现得更好11,15]。特别是,在15),5个机器学习方法,即。,MLP, Support Vector Machines, Radial Basis Functions, Decision trees, and Gaussian Process, have been compared to forecast the active power charges for the next 100 hours. The comparison has been made using three measures of accuracy (MAPE—Mean Absolute Percentage Error; MAE—Mean Absolute Error; and RMSE—Root Mean Squared Error) showing that the MLP is the most robust among the others.

中长期规划在这种背景下,本文提出了一种负荷预测模型,同时生成高质量的活跃和无功功率为有效branch-current-based pseudomeasurements DSSE (BC-DSSE)。估计使用所有可用的信息适当考虑的不确定性来源和相关性。特别是,适当介绍了权重考虑SM和预测的不确定性。实际测量情况由几个实际测量,SMs,负荷预测,适合pseudomeasurements。特别是,训练前馈神经网络来预测领先一步每个MV节点的电力需求。外生变量被用作预测模型输入与历史负荷信息。闭环信息,从安输出输入,允许创建了BC-DSSE即使SM测量在MV节点在过去24小时。

本文中提出的方法进行验证的仿真网格上执行来自分销网络的一部分(16),这是一个简化版的英国18-bus径向馈线。

2。配电系统状态估计

DSSE是关键例程来获取网络状态的照片在给定的时间。系统在本地被认为是在稳态条件下,潜在的测量模型可以描述如下: 在哪里可用的测量向量 ; 是独特的向量包括所有的变量定义网络的状态;和代表所有的测量功能(一般非线性)参考测量值与系统的状态。向量包括所有的测量误差和被认为是一个零均值随机向量。国家可以有不同的配方(所谓的电压状态或当前状态,在极坐标或直角坐标),从理论角度是等价的,但会导致优势DSSE解决方案的实现例程。以后,下面的状态被认为是(参见BC-DSSE算法(17): 在哪里是网络的一个节点的电压大小,这是选为参考(例如,松弛节点),而和实部和虚部的吗分支,分支指数从1到分支的数量 。该支路电流公式允许线性化的一些测量功能,从而简化了估计过程。

从(1),很明显,估计网络状态,需要处理的信息来自测量 ,也考虑测量误差的特点。如前所述,在DSs,很难有一个广泛的测量设备的安装,从而实时的可用性测量通常是有限的。测量向量因此可以划分如下: 在哪里包括实时测量,电压,电流强度,和活跃的或无功功率测量常规测量而言。向量代表信息可以来自其他来源(pseudomeasurements),主要历史信息主动和无功功率消耗或生成。因此每一个负载或聚合网络的负载分析来定义它的平均功率吸收或注射。Pseudomeasurements是必要的,允许系统可观测性在这种背景下,但他们的精度通常是很低的。

最普遍的技术执行DSSE由加权最小二乘(WLS)方法,旨在找到状态,最大限度地减少目标函数如下: 加权残差平方的总和。矩阵代表了加权矩阵,使惩罚或支持每个剩余以不同的方式取决于相应的测量或pseudomeasurement的准确性。通常被选为variance-covariance矩阵的逆的测量所有测量加权根据其不确定性的不同(对应于最大似然估计正态分布测量的情况下),这通常是block-diagonal,因为测量由不同的设备可以被认为是不相关的。

在方程(最小化4)通常是通过牛顿迭代解决以下正常方程组(考虑到通用的迭代 )(9]: 在哪里估计状态变化和吗雅可比矩阵的测量功能在吗关于状态变量计算之前估计的状态。所谓的增益矩阵可以写成 是常数时测量函数都是线性的或可以线性化(见[17例子和细节)。

Pseudomeasurements受聘类似于其他测量但通常带来非常大的不确定性(例如,来源于历史负荷的变化),导致小贡献目标函数方程(4)。专注于有功功率,典型的方法是考虑以下一个无监视的网络节点的数量j: 在哪里和显示有功功率pseudomeasurement及其标准偏差分别为有功功率注入(注射约定用于吸收和生成的权力)为节点j,定义了时间分辨率(历史数据)可用的信息。一组包括即时指数(考虑时间显示所有可用的通用时间即时)样品,和是它的基数下降了一个获得古典无偏方差估计量。变化的负载/发电机越高,相应的方差越大,重量成反比与pseudomeasurement有关。典型的电力由负载变化范围超过50%的名义价值,所以很容易看到pseudomeasurements,保证可观测性,往往小的帮助提高估计精度。

在这种背景下,短信,特别是那些2^nd一代,可以增强pseudomeasurement定义中扮演重要角色。新短信可以提供电压大小和活跃的和无功功率的测量,速度比之前更快的报告。意大利权威电能,例如,给指令的功能,不断更新新一代短信,其中包括,其中,2 s测量区间“瞬时”电力测量(18]。这些测量可能,在未来,直接获取和集成到估计算法,但由于安装大量的短信在意大利(超过3000万),很难直接沟通和实时管理和投资成本计算很容易成为压倒性的。

出于这个原因,更有可能的是SM测量用于间接和延迟。本文中提出的方法从SMs收集活跃和无功功率的测量和利用他们预测能耗,在给定的时间与预期符合时间和数据收集的要求。这个目的,负荷预测人工神经网络(ANN)模型被训练为不同类型的负荷和/或聚合的负载,在下一节中详细。事实上,SM测量从大客户或一组用户连接到给定节点(例如,在中压网络)可以从现场收集提前一天或几个小时的时间即时BC-DSSE执行和聚合,这样他们可以作为神经负荷预测过程中输入。

正如前面提到的,一旦预测能耗或代给定节点,它可以包含在作为增强pseudomeasurement,因此重要的是要把正确的协方差矩阵的新预测数量,从而允许一个正确的权重中相应的剩余WLS过程,根据方程(4)。

专注于一个通用的总线j,预测过程给两个预测数量和 ,分别是活跃的和无功功率注入。因此需要以下协方差矩阵: 在哪里和新pseudomeasurements的差异吗和 ,而之间的协方差pseudomeasurement错误的两个权力和预测是对应的相关系数。有趣的是注意到,而在传统DSSE方法,主动和被动的大国pseudomeasurements通常认为是不相关的,在提出的方法中,考虑进一步的信息和相关产生的同时估计和可以很容易地估计中使用子矩阵在整个权重矩阵。

另一个重要方面,它通常是被忽视的文学,是SM的不确定性的造型。该负荷预测的目的是获得一个估计的测量和在给定的时间从先前的测量,但这意味着计算功率值只能是近似的测量值(参考价值显然是未知的实际条件和实时操作)。SM测量链是不确定性的一个额外因素影响值考虑方程(8)。作为一个例子,SM的校准过程设备不能是完美的,补偿系统误差在所有的操作条件。

出于这个原因,在下面,详细讨论了权重的定义存在的预测和SM错误。专注于和 ,可以区分这两个零均值误差贡献如下: 在哪里和是理想的参考的活跃和无功功率值,和相应的预测错误,和与聚合SM输出相关的错误。在下面,在没有进一步的信息,所有的错误的短信与负载或发电机相关分组下节点被认为是独立的。同样,积极和无功功率测量误差是不相关的。

考虑到相对标准不确定度通用的SM(来源于SM数表和假定是常见的所有短信,不失一般性),与相对标准不确定度就变成了 在哪里是负载的有功功率测量吗 ,属于一组吗加载下游MV的节点 。由于缺乏知识在SM行为可以被视为独立于预测错误,的总体方差测量可以表示如下:

类似的表达式是有效的无功功率,而相关系数 ,在上述假设下,成为如下: 在哪里的相关系数是积极的和无功功率预测错误。

这些值的计算方式在实践中解释在下一节中,讨论了信息在每一个步骤。上述方程允许元素的计算(见方程(8))因此,权重的定义BC-DSSE适当反映实际提出pseudomeasurement模型中的不确定性。

3所示。负荷预测的神经网络模型

多层感知器(MLP)安有一个隐藏层用于预测负荷需求领先一步(粗略地说“预测”,实际的时间步取决于选择ANN模型的输入和输出变量),在预测更新的时间间隔是假定等于半个小时。特别是,住宅和中小企业(sme)加载被认为是。已经训练了一个延时每个单一或聚合的负载。必须指出,住宅的负载,只有有功功率预测,在大多数的文学,为中小企业负担,相应的无功功率也被认为是在该模型。图1显示了为中小企业向MLP神经网络结构。

输入和输出之间的关系模式是继代数方程所描述的系统: 在哪里是输入向量,其中包含变量与即时的时间吗 :(我)两个天气变量即时 :温度,以°C,湿度、比例;(2)三个与时间相关的变量:这些由标签对应的小时的一天 ,一个标签的日子 ,和一个标签 ,在哪里表示一个工作天表明非职业的一天;(3)四个历史需求变量,具有很强的相关性与记录需求概要文件(住宅负荷有功功率,而中小企业活动和反应能力):需求在前一小时,需求在同一小时的前一天,需求在同一小时的前一周,和24小时的平均功率计算考虑在前一天所有记录值。考虑时间步是半个小时,变量的前一个小时,一天,一周对应2步骤,48步骤,336步。

输出的网络由提前一步预测负荷的需求。

在时间即时对应于当前时间标签DSSE计算更新、信息活动和/或活性的节点是必要的。在建议的解决方案,如果ANN预测模型对节点可用 ,权力和/或了,由于进行预测。在这种情况下,即时显示为“t+ 1”(参见图预测模型描述1)对应于当前时间 。为了便于演示,一个完美的匹配之间的收养和预测更新的时间间隔(半小时一步预测和评估更新),但其他解决方案以不同的速率也可能类似的计划。正如上面提到的,一个ANN模型构建为所有感兴趣的负载和输出(负载预测的权力)被送入DSSE算法在以下步骤中,在前一节中描述的过程。

输入层的权重矩阵,是偏差向量的输入层,是隐藏的输入层,隐层的输出,是隐藏的神经元激活函数(物流),输出层的权重矩阵,输出的偏差向量层。

Levenberg-Marquardt算法(19],它结合了梯度下降法和高斯牛顿法,已被用于向MLP培训。双曲正切乙状结肠传递函数用于隐藏层。输入和输出是规范化的范围之前被用于训练安平衡输入变量的重要性。

下面的案例研究和数据库用于训练和测试预测模型。

4所示。案例研究

评价该方法的性能,进行了测试在单相18-bus网络来源于英国网络(图2)[20.]。在总线连接到33千伏1,网络有一个共同的11 kV额定总线电压水平。这个网络因为它采用用于其他研究文献中,给出了现实的MV网络负载场景。在这个拓扑中,工业和住宅负荷视为在下一节详细解释。没有损失的普遍性在考虑负载信息(SM)来自数据库描述在下一节中,由于个别负载聚合来复制一个负载场景,兼容名义考虑网络的数据(20.]。主要假设和测试结果还报道,在下面讨论。

4.1。数据库的负荷预测

训练和测试负荷预测的神经网络用于执行,相关数据活跃的功耗,可以从能源监管委员会(CER) (21),已经被使用。这个数据库是假名,它由记录一边SM能源消费从6445年的客户参加了“电力智能计量客户行为试验”(22]。收集到的数据在一段时间内的18个月(2009年7月14日至12月31日,2010),在不同的分销网络位置在爱尔兰。客户类型分为住宅(4225),中小企业(485),和其他(1735)。本文专注于住宅(最大的组可用的数据库)和中小企业客户完成了试验。中小企业客户分为四子行业:娱乐(包括宾馆、饭店、体育设施和公共房屋)、工业制造、办公室和零售场所。

删除后,消费者有缺失的数据,数据库3423住宅和287中小企业消费者获得。中小负荷的无功功率配置文件已获得从一个真正的功率因数(PF)概要记录在一个典型的工业区。特别是,记录PF概要文件传播在整个观察期。没有考虑无功功率的住宅负荷。

分析住宅和中小企业数据,可以观察到两种消费类型之间的显著差异。图3显示了功耗( ,索引节点位置在以下时不必要的下降,为了简单起见)四个住宅负荷,从数据库中随机选择的。可以注意到,每个家庭的能源消耗低,不是常规的,非常不同的在两个连续的工作日取决于居民的生活方式。相反,中小企业(图4)出现典型的高,主要是定期由于常规活动期间工作时间和工作日。因此,一个不同的负荷预测性能预计这两个子集。

因为本文的目的是一种有效的状态估计的DS,创建了不同的等效MV负载聚合从数据库加载,目的是获得功率兼容的考虑网格(图2)。负载聚合已经完成简单的加法一起阅读几个短信。尤其是,三个不同的中小企业负载( , ,和 )获得通过聚合21日26日分别和46个人中小企业数据。此外,两个不同的住宅负载(和 )分别通过聚合,523年和537年的住宅能耗负载随机选择。在表1的范围报告总负荷的有功功率。

图5显示一个聚合的能耗住宅( )和一个聚合的中小企业( )装载在同一连续两天考虑数据3和4。正如所料,聚合使负荷曲线更可预测。事实上,尤其是在住宅的情况下加载(图5(一个)),agregate负载比个人的阶段性和流畅。这是由于聚合操作允许删除对应的高频脉冲随机事件在个人曲线,减轻和平滑的随机性。关于聚合的负载(图中小企业5 (b)),其周期性更为明显,因为单个中小企业负载周期已经超过个人住宅的负载。

概要文件的需求不仅对历史负荷进化,也取决于外生变量,如季节和天气变量。因此,天气数据,收集从爱尔兰气象服务(23),已经添加到数据库中。在天气变量,本文温度(°C)和湿度(百分比)被选为神经模型的输入。这是因为当温度变化的价值,电力系统需求也各不相同。此外,湿度扮演相关角色在推动电力需求在温暖的月份。事实上,上面的温度一定值是加剧了高湿度(24]。随着聚合由个人选择加载爱尔兰位于不同区域,简单的平均温度和湿度百分比来衡量几个气象站位于爱尔兰的中心区域是用来代表相应的天气变量。

突出负载能量消耗的依赖于天气数据,图6报告的日常能源消耗和日平均气温和趋势在同一时期。可以指出,住宅和中小企业聚集的加载显示时间模式依赖于温度,住宅负荷有更强的依赖。显然,能源消费的负载温度的依赖数据,即使盛行,不是唯一的一个。事实上,中小企业负荷的急剧减少消费,增加住宅2009年12月的最后一个主要是有关Christmas-New年而不是温度。摘要负载能量消耗的依赖天气数据证明了评价预测模型的性能是如何影响天气变量被排除在模型的输入。在下面的部分中所示的结果。降水和风速等气象变量,进行了分析,但这是发现,在这种情况下,他们没有在能源需求产生重大影响。

如图6强调,考虑能源消耗时间序列显示规律性强,频谱分析发现一个普遍的日周期,但与此同时,明显的非线性。这种复杂的数据行为可以被一个延时,拥有的能力构建一套较大的非线性输入输出映射,结合适当的非线性激活函数的数量。因此,在这个案例研究中,一个简单的中长期规划,与一个合适的结构,表现就足以建立一个预测模型避免过度拟合训练数据。

4.2。负荷预测模型的性能

神经负荷预测模型被设计为每个聚合负载特点是报道在表范围1。为了优化负荷预测网络体系结构,试错的方法已经完成选择合适的隐层节点的数量,由在逐步增长的节点的数量,并选择上的预测误差最小化的网络验证集。这个优化过程导致20神经元中所有与负载相关的五个网络(表1)。因此,中长期规划的最佳体系结构由一个输入层为每个输入变量与一个神经元(因此9到13日,住宅或中小企业,分别),20一个隐层神经元,和一个输出层神经元为每个输出变量(分别为1或2住宅或中小企业)。因此,矩阵的尺寸重量和偏见向量方程(14)导致为 , 为 , 为 ,和为住宅的负载。在中小企业负担的情况下,和是和 ,分别,而和是和 ,分别。

每个负荷曲线的时间序列是由25728年一边主动和被动(认为)功率值,从2009年8月1日起至12月31日,2010年,2009年7月数据不作为只有十五天的录音。培训已经完成向MLP使用前12个月的数据。验证已经完成使用以下2个月(从2010年8月1日,9月30日,2010年)。过去3个月(从10月1日至2010年12月31日,2010年)被用来测试训练神经模型。

以来预测的准确性依赖于历史数据用于训练的数量和质量预测,更大的数据量,例如,一个额外的一年肯定会提高预测的性能。

注意,一个现实的假设从短信监控架构可能是数据实际上是24小时后可用。然而,建议的解决方案也可以处理数据收集前一个小时(这将是一个不会过时的场景)。因此,神经模型的训练期间,这些信息,包括主动和被动的力量,已经包括在输入,因为它总是可以在离线阶段。在线测试阶段,相应的输入被预测的值取代神经预测在前面的步骤。预测的输出被反馈到输入层创建一个闭环信息流。这使得状态估计即使测量数据丢失。

评估预测模型的性能,梅,日军,和均方根误差百分率(RMSPE),定义为在以下,已使用: 在哪里是实际的负载值,它可以代表的有功功率或无功功率考虑负载(分别和当他指的是网络节点如上DSSE部分);是相应的预测负荷值;和训练和测试样本的数量。梅的值越小,日军,RMSPE,预测性能就越好。

图7显示了实际(上)(黑线)和预测(红色线)活跃的电力负荷时间序列和预测(在底部)相应的差异和实际负载能力一个月(10月)相关的测试集 。图8报告相同的时间序列 。可以注意到,两个有效载荷的趋势由神经预测建模。

数据9和10报告实际的行为和预测实际电力负荷时间序列(上)和相应的预测误差(底部)的和分别在第一次测试。预测的日军有功功率在4.7%这个时间窗口的结果4.8%, 。此外,零均值的假设的有效性验证错误的活动和无功功率的预测。

在表2和表3、训练和测试性能,获得中小企业和住宅总负荷,分别报告。

它可以指出,正如所料,在测试阶段的性能恶化。中小企业加载显示活跃和无功功率的误差百分比非常相似。现实之间的相关系数和无功功率错误然后评估中使用以下,状态估计。

测试的结果表明,该预测模型能够预测同时活动和反应能力(在需要时)有限的错误,从外生和历史测量数据。此外,它克服了有限或时滞问题的历史在信息流闭环测量可用性,它取代了缺失数据与预测的值预测本身在前一步。

输入变量的影响在负荷能耗可以通过预测模型的性能进行评估。事实上,预计该神经网络模型的性能恶化,当一个有效的变量被排除在输入。本文自聚合加载显示时间模式依赖于温度,突出显示在图6,负载能量消耗的依赖天气数据评估。去除天气变量,测试集上的RMSPE增加约2%,为中小企业客户活动和反应能力,和1%的住宅(重大变化对报告的结果表2和3)。

5。配电系统状态估计的性能

评估估计性能,进行了模拟测量从一个场景,是现实的网格分布。测量两点一直以为在网络上:大巴上的1级电压测量和一个活跃的和无功功率流量测量;大巴上的4级电压测量。短信被认为是提供数据完全可用测量后的第二天。精度等于1%电压的大小,等于3%的功率流和SM测量。

蒙特卡罗方法已应用统计上为了获得良好的结果,和下面的假设:(我)蒙特卡罗试验,N_MC= 1000(2)50%的最大偏差对主动和被动的名义值权力的负载(均匀分布)(3)测量误差均匀分布

中小企业加载 , ,和已经连接到公共汽车17、14和7,分别(因此所描述的是夫妻吗 ),而住宅负荷和与公交车3和12(有关,因此有关吗和 )。至于这些负载,测试集的最后1000个值被认为是,对应于一个时间间隔约为21天。对于每一个瞬间,一个不同的操作条件的网络因此被认为是通过为中小企业和住宅使用这些值加载应用SM和提取参考价值的不确定性。对于所有其他负载,主动和被动的权力从名义值根据上述假设。然后,所有引用值计算从这些负载条件下的负载流量计算。最后,测量也从他们的随机分布和使用BC-DSSE作为输入。

评估估计的性能,两种不同配方和配置对应不同的计算和管理的BC-DSSE pseudomeasurements已采用。第一个,它使用该估计量,利用负荷的预测来自相应的神经负荷预测模型。这种情况下表示为“预测“在数据11- - - - - -13在接下来的报告DSSE结果。

上一节中提到的,主动和被动的中小企业能力负荷预测(和 ,与 )已经使用了每个即时一起预测住宅负荷的有功功率(与 )。

构建加权矩阵,除了实时测量重量,子矩阵有关预测负荷必须包括(见方程(9)和(10BC-DSSE))。根据方程(12)(无功功率及其对应),pseudomeasurement的方差计算使用训练集的预测错误和SMs的数据表信息。因为不能使用SM测量实时的相对不确定性为每次即时聚合力量评估的相对不确定性的前一天在同一小时,它与当前即时聚合的预测能力。上面的程序已经申请所有的估计。有趣的是注意到,这个模型中,以固定的间隔也可以更新通过考虑同时获得的测量数据和预测数据。

第二制定对应的古典BC-DSSE没有考虑预测,和pseudomeasurements节点从可用的测量数据直接计算。特别是,前一天收集到的功率测量值在同一小时用作pseudomeasurements。这个估计因此不适用的预测(也被称为“没有预测“算法),被认为是一个基准为该方法在相同的网络场景。

一旦状态变量(分支电流)估计以及派生的数量(例如,电压和功率流),比较两种方法的结果执行的均方根误差(rmse)百分比的估计(即。的平方根的平方的均值差异估计量和相应的引用值)。RMSE支路电流大小估计的结果呈现在图11。酒吧情节用红色(虚线)显示获得的结果考虑负荷的预测,而酒吧情节在灰色(同样适用于数据12和13获得的结果考虑上述pseudomeasurements)礼物。减少接近12%(这意味着错误大约减半)获得最好的情况在部门6日最大负荷预测连接,平均减少3%以上也获得。很明显,估计错误的减少更明显接近预测负荷的位置。分支机构12和13清楚显示相同的结果准确性,由于节点13是一个zero-injection节点。这个方法同样适用于对7 - 8和14日至15日。

图12显示了结果的百分比RMSE有功功率流的估计为所有网络分支。酒吧的紫色(虚线)显示获得的结果考虑到预测。的考虑,可以得出这些结果类似于那些获得分支电流:评估改善更明显的分支接近更大的负荷预测。减少误差也更有效侧向树枝或树叶的网络被认为是。在这种情况下,该算法带来了最大减少约11.5%(误差减少44%左右)。此外,平均减少3.3%以上。

对于无功功率估计,可以看到在图13,估计主要是受本地工业负荷的预测,由于无功功率预测也是可用的。减少获得rms百分比大于13%的分支12日13日和16日,虽然大于15%(估计误差超过一半在这种情况下)分公司6。

试验结果突显出分布状态估计性能显著提高,引入pseudo-measurements活跃和无功功率预测的神经预测而不是功耗测量在同一小时的前一天。分支机构的改善更明显更大的负荷。

6。结论

神经网络负荷预测模型演示了生成可靠的输入信息分布状态估计量,克服问题的有限和时滞SM测量或临时通信系统的失败。为了提高状态估计的准确性,不同的需求实现:(i)的神经模型能够预测同时活动和反应能力有限的错误,从外生和历史测量数据;(2)之间的相关性预测真实和无功功率的错误已经确定,导致状态估计算法的重要信息;(3)闭环信息流允许负荷预测,因此,状态估计,即使实际测量数据丢失,取而代之的是预测值;(iv)构建有效的权重矩阵,需要解决状态估计算法,可以更新pseudomeasurements的方差在固定的时间间隔通过考虑同时获得的测量数据和预测数据。

试验结果表明,引入pseudomeasurements预测的神经预测显著提高DSSE,更重要的是,分支机构的改善更明显,接近大预测负荷百分比几乎减半rms的权力和当前的估计。

总之,该方法可用于中压配电网络的状态估计,要么是欠定的,由于有限的实时测量,或多因素决定的,而是从短信延迟测量。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究工作已经支持的研究项目中的“基金会di萨丁岛和²GRIDS-Solutions通过多学科方法的智能监控和管理配电电网”-Triennal基金会di萨丁岛和撒丁岛人大学之间的协议,Regione Sardegna-L.R。7/2007 2017年——dgr 28/21, 17.05.2015。本文负责这项工作得到了卡利亚里大学的开放获取出版基金,资助的自治Regione德拉萨丁岛L.R. n。7/2007。

引用

1. c .苍蝇座,m .加索尔,p . a . Pegoraro和s . Sulis“智能配电电网电能测量,”IEEE仪表和测量》杂志,18卷,不。1,2015,17 - 21页。区间。视图:出版商的网站|谷歌学术搜索
2. r . Madani s Sojoudi, j . Lavaei“凸松弛最优功率流问题:网状网络,”IEEE电力系统,30卷,不。1,第211 - 199页,2015。视图:出版商的网站|谷歌学术搜索
3. Bolognani和s . Zampieri”存在和功率流的线性近似解在配电网络中,“IEEE电力系统没有,卷。31日。1,第172 - 163页,2016。视图:出版商的网站|谷歌学术搜索
4. a·阿德尔穆罕默德而b Venkatesh来说,“矩形分支负荷流,”专业生成、传输和分配,13卷,不。22日,第5159 - 5151页,2019年。视图:出版商的网站|谷歌学术搜索
5. f . Schweppe“电力系统静态估计,第三部分:实现,”IEEE电力设备和系统,卷89,不。1,第135 - 130页,1970。视图:出版商的网站|谷歌学术搜索
6. j . k . Dehghanpour z . Wang Wang y元,和f·布鲁里溃疡,”一个调查在智能配电系统状态估计技术和挑战”IEEE智能电网,10卷,不。2、2312 - 2322年,2019页。视图:出版商的网站|谷歌学术搜索
7. 答:Primadianto C.-N。陆”,评估配电系统状态估计。”IEEE电力系统,32卷,不。5,3875 - 3883年,2017页。视图:出版商的网站|谷歌学术搜索
8. d·德拉Giustina m .保罗·a . Pegoraro f . Ponci和s . Sulis“电气配电系统状态估计:测量问题和挑战,”IEEE仪表和测量》杂志,17卷,不。6,36-42,2014页。视图:出版商的网站|谷歌学术搜索
9. a . Abur和a . Gomez-Exposito电力系统状态估计:理论和实现,马塞尔·德克,纽约,纽约,美国,2004年。
10. g .毛重和f . d . Galiana“短期负荷预测,”IEEE学报》,卷75,不。12日,第1573 - 1558页,1987年12月。视图:出版商的网站|谷歌学术搜索
11. 公元前e . Manitsas r·辛格,朋友,和g . Strbac“配电系统状态估计使用人工神经网络方法伪测量造型,“IEEE电力系统,27卷,不。4、1888 - 1896年,2013页。视图:出版商的网站|谷歌学术搜索
12. h . s . Hippert c . e . Pedreira r·c·苏萨,”神经网络短期负荷预测:回顾和评价,“IEEE电力系统,16卷,不。1,但不心浮气躁;年龄页。2001。视图:出版商的网站|谷歌学术搜索
13. y . j . Wu他和n·詹金斯,”鲁棒状态估计量的中压配电网络,”IEEE电力系统,28卷,不。2、1008 - 1016年,2013页。视图:出版商的网站|谷歌学术搜索
14. b·p·海耶斯,j·k·格鲁伯和m . Prodanovic”闭环状态估计工具MV网络监控和操作,“IEEE智能电网》第六卷,没有。4、2116 - 2125年,2015页。视图:出版商的网站|谷歌学术搜索
15. a . El khantach m . Hamlich, n . e . Belbounaguia”使用机器学习和周期性分解短期负荷预测,“目标是能源,7卷,不。3、382 - 394年,2019页。视图:出版商的网站|谷歌学术搜索
16. a·r·艾哈迈迪,t·c·格林。”最优功率流为自治区活跃的网络管理系统,”《2009年IEEE电力能源学会学报大会加拿大卡尔加里,页1 - 7,2009年7月。视图:出版商的网站|谷歌学术搜索
17. m·保罗·p·a . Pegoraro, s . Sulis”高效branch-current-based配电系统状态估计包括同步测量,”IEEE仪表和测量,卷62,不。9日,第2429 - 2419页,2013年9月。视图:出版商的网站|谷歌学术搜索
18. ARERA,Sistemi di智能计量di自generazione / la misura di energia elettrica巴萨tensioneARERA,意大利米兰,2019年。
19. j·普林西比、n . r . Euliano和w·Lefebvre神经系统和自适应系统约翰·威利& Sons Inc .霍博肯,2000年纽约,美国。
20. m·保罗·p·a . Pegoraro, s . Sulis”WLS配电系统状态估计基于电压和支路电流:精度和性能比较,”《2013年IEEE国际仪器和测量技术会议(I2MTC)明尼阿波利斯,页493 - 498年,MN,美国,2013年5月。视图:出版商的网站|谷歌学术搜索
21. 能源监管委员会(CER)”, CER智能计量project-electricity顾客行为试验,2009 - 201年”爱尔兰社会科学数据档案:Belfield,爱尔兰,能源监管委员会(CER),都柏林,爱尔兰,2012年第1版,http://www.ucd.ie/issda/CER-electricity。视图:谷歌学术搜索
22. “电力智能计量顾客行为试验结果报告,“技术代表、能源监管委员会,都柏林,爱尔兰,2011,众议员CER11080a科技。视图:谷歌学术搜索
23. 国家气象局(爱尔兰气象服务),http://www.met.ie。
24. t . j .谢y . Chen在香港,t·d·莱恩”相对湿度为负荷预测模型”,IEEE智能电网,9卷,不。1,第198 - 191页,2018。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 s Carcangiu et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。