配电系统电压估计方法、装置、计算机设备和可读存储介质与流程

摘要: 本申请涉及电力系统测量与控制,特别是涉及一种配电系统电压估计方法、装置、计算机设备和可读存储介质。背景技术:1、随着全球能源转型的推进,光伏发电在配电系统中的渗...
配电系统电压估计方法、装置、计算机设备和可读存储介质与流程

本申请涉及电力系统测量与控制,特别是涉及一种配电系统电压估计方法、装置、计算机设备和可读存储介质。

背景技术:

1、随着全球能源转型的推进,光伏发电在配电系统中的渗透率持续攀升,其出力受光照、天气等因素影响呈现显著的间歇性与波动性,导致配电系统运行状态的不确定性大幅增强。现有的配电系统电压估计方法主要分为传统状态估计与数据驱动方法两类:传统状态估计方法依赖精确的电路模型与充足的实时量测数据,虽可通过伪测量数据补充量测不足,但伪测量数据多源于历史计费数据或负荷/分布式能源预测,精度较低且权重设置缺乏自适应机制,在高光伏渗透场景下难以准确刻画系统动态特性;数据驱动方法如预测辅助状态估计、主成分分析结合向量自回归模型、极限学习机等,虽尝试引入多源数据或改进算法结构,但普遍存在对输入数据质量要求苛刻、计算复杂度高、无法同步量化模型与量测不确定性等问题。

2、实际配电系统中,受限于量测设备成本与部署密度,实时高精度量测数据始终匮乏,在有限量测条件下,既难以充分利用低保真数据的趋势信息弥补高保真数据的稀疏性,也难以输出具有可信度的电压估计结果及其不确定性边界,进而难以满足高光伏渗透配电系统对电压估计精度与可靠性双重提升的需求。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够有效提升电压估计精度与可靠性的配电系统电压估计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本申请提供了一种配电系统电压估计方法,包括:

3、获取配电系统待估计节点的运行数据;

4、调用已训练的深度高斯过程电压估计模型,所述深度高斯过程电压估计模型基于多保真度训练数据集训练得到,所述多保真度训练数据集包括高保真实测数据和低保真伪测量数据,且所述深度高斯过程电压估计模型包含通过多保真度协方差函数表征所述高保真实测数据与所述低保真伪测量数据之间依赖关系的多保真学习框架;

5、将所述运行数据输入所述深度高斯过程电压估计模型进行概率性推理,输出所述待估计节点的电压幅值预测结果以及对应的不确定性量化指标。

6、第二方面,本申请还提供了一种配电系统电压估计装置,包括:

7、数据获取模块,用于获取配电系统待估计节点的运行数据;

8、模型调用模块,用于调用已训练的深度高斯过程电压估计模型,所述深度高斯过程电压估计模型基于多保真度训练数据集训练得到,所述多保真度训练数据集包括高保真实测数据和低保真伪测量数据,且所述深度高斯过程电压估计模型包含通过多保真度协方差函数表征所述高保真实测数据与所述低保真伪测量数据之间依赖关系的多保真学习框架;

9、估计模块,用于将所述运行数据输入所述深度高斯过程电压估计模型进行概率性推理,输出所述待估计节点的电压幅值预测结果以及对应的不确定性量化指标。

10、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一项配电系统电压估计方法实施例中的步骤。

11、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项配电系统电压估计方法实施例中的步骤。

12、上述配电系统电压估计方法、装置、计算机设备和计算机可读存储介质,通过构建包含高保真实测数据与低保真伪测量数据的多保真度训练数据集,并利用多保真度协方差函数精准表征两者之间的依赖关系,有效打破了传统方法对大量高精度实时量测数据的过度依赖,能够充分挖掘低保真数据中的全局趋势信息以弥补高保真数据的稀疏性,从而在量测设备受限的实际配电系统中显著提升多源异构数据的融合效率与电压估计精度;同时,该方法依托深度高斯过程模型进行概率性推理,在输出电压幅值预测结果的同时同步生成不确定性量化指标,有效克服了现有数据驱动方法无法量化模型与测量不确定性的缺陷,精准刻画了高光伏渗透场景下因出力波动带来的系统状态不确定性。综上所述,本方案在有限量测条件下实现了多源异构数据的深度融合与概率关联,提供了兼具高估计精度与可靠不确定性边界的电压估计结果,切实解决了高光伏渗透配电系统面临的状态估计难题,为系统的安全稳定运行提供了可靠支撑。

1.一种配电系统电压估计方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述深度高斯过程电压估计模型的训练过程包括:

3.根据权利要求2所述的方法,其特征在于,所述深度高斯过程电压估计模型的训练过程还包括:

4.根据权利要求3所述的方法,其特征在于,所述深度高斯过程电压估计模型的训练过程还包括:

5.根据权利要求4所述的方法,其特征在于,所述深度高斯过程电压估计模型的训练过程还包括:

6.根据权利要求1至5任意一项所述的方法,其特征在于,所述将所述运行数据输入所述深度高斯过程电压估计模型进行概率性推理,输出所述待估计节点的电压幅值预测结果以及对应的不确定性量化指标,包括:

7.根据权利要求6所述的方法,其特征在于,所述根据所述整体概率关系确定所述待估计节点在给定运行数据条件下的后验预测均值和后验预测方差,包括:

8.一种配电系统电压估计装置,其特征在于,所述装置包括:

9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。