一种基于智能优化的配电网状态估计方法及系统与流程

本发明涉及配电网状态估计，尤其是涉及一种基于智能优化的配电网状态估计方法及系统。

背景技术：

1、在配电网运行监控中，状态估计的精确性高度依赖于量测系统的可观性水平，即传感器的类型、数量与空间布局。受限于经济性成本与通信基础设施的制约，实际配电馈线中传感器的部署数量通常远少于待估计的状态变量数目，导致系统长期处于有限感知场景。近年来，先进量测体系如配电级同步相量测量装置（distribution-phasormeasurement unit, d-pmu）的引入虽在一定程度上提升了量测精度，但其高昂的设备成本及对高速通信网络的依赖，使得规模化部署难以实现，每条馈线仅能配置极少量装置。此外，用户侧分布式能源（distributed energy resources, der）的爆发式增长进一步加剧了感知困境：由于隐私保护法规的限制以及用户侧通信协议的异构性，公用事业公司难以直接获取der的实时运行数据。上述因素共同导致配电网呈现出典型的“低可观性”特征，即在时间和空间维度上均存在大量的量测盲区。

2、为解决低可观性下的状态估计难题，现有技术通常引入伪量测数据以补充量测冗余度。伪量测多来源于历史负荷预测或智能电表的低频采样数据。然而，研究普遍指出，传统伪量测的精度难以匹配配电网的高动态特性——尤其是当高比例分布式能源接入与电动汽车等新型负荷随机波动时，系统运行点变化剧烈，基于历史数据的静态伪量测无法反映实时工况。将此类不精确的伪量测直接代入状态估计模型，易导致量测雅可比矩阵病态化，使得加权最小二乘等传统估计算法难以收敛至物理可行的解，甚至产生显著的估计偏差。

3、在有限感知场景下，为解决量测数据不足导致的配电网状态估计精度下降问题，国内外学者尝试从不同角度提升伪量测的可靠性。现有方法主要可分为以下几类：一是基于数据聚类的伪量测构造方法，通过两阶段聚类算法从历史数据中提取典型负荷模式，生成替代量测；二是基于浅层机器学习的伪量测生成方法，利用人工神经网络从有限实时量测中推测未知节点的运行状态；三是基于深度学习的端到端状态估计方法，直接训练深度神经网络拟合量测数据与状态变量之间的映射关系。上述方法在一定程度上缓解了量测缺失问题，但其共同局限在于：对伪量测的处理停留在数据层面，未将其与配电馈线的内在物理特性进行耦合约束。换言之，这些方法生成的伪量测可能违背电路定律，导致状态估计问题的数学建模出现物理意义上的不一致性，进而影响估计结果的工程可信度。

4、在有限感知场景下，现有基于伪量测的配电网状态估计方法普遍存在物理一致性缺失的根本缺陷。由于伪量测的生成过程仅依赖于历史数据的统计特征或浅层数据拟合，未与配电馈线的内在物理特性进行耦合约束，导致生成的伪量测可能违背电路规律。这种物理意义上的不一致性直接引发两个层面的技术问题：在数学模型层面，伪量测与真实物理系统之间的偏差导致量测雅可比矩阵呈现病态化特征，使得加权最小二乘等传统估计算法难以收敛至可行解；在工程应用层面，基于非物理量测的状态估计结果可信度不足，难以支撑配电网运行控制的实际决策需求。

5、现有技术在处理有限感知场景下的配电网状态估计问题时，普遍采用伪量测与实时量测分离处理的策略，未能形成有效的信息融合机制。具体而言，现有方法通常将基于历史数据生成的伪量测作为静态输入，直接代入状态估计模型，而未考虑其与同步相量实时量测之间的动态耦合关系。这种处理方式导致两方面的技术缺陷：其一，在高比例分布式能源接入和电动汽车负荷随机波动的场景下，系统运行点变化剧烈，静态伪量测无法反映实时工况的变化，造成估计结果的时延性偏差；其二，伪量测生成与状态估计求解两个环节相互割裂，缺乏迭代优化的闭环机制，使得模型的估计精度无法随系统运行状态的演变而自适应提升。

6、专利cn115146827a提出了一种考虑量测缺失的配电网在线优化方法，包括：生成对抗网络的无监督训练，基于配电网历史运行数据学习分布式光伏功率、负荷功率和电压幅值的复杂关系，训练完成后，生成器生成配电网在不同拓扑连接关系下满足潮流约束的配电网节点功率和电压数据；判断器输出节点功率和电压数据是否为真实性样本的概率值；设计真实性损失、一致性损失和重构损失函数对生成器输入噪声进行优化，完成实时量测数据不全情况下的配电网在线状态重建；在配电网在线状态重建感知到电压越限后，通过设计真实性损失、一致性损失和相关约束条件对生成器输入进行优化，最终通过迭代计算确定分布式光伏无功控制指令，避免电压越限情况。但仅通过生成对抗网络实现量测分布优化与状态估计的端到端映射，未引入配电网物理方程作为约束条件，导致生成的量测配置方案及其状态估计结果可能违背电路定律，缺乏物理一致性保障。但由于缺乏物理方程的硬约束导致生成的伪量测可能违背潮流平衡等电路定律，且在未知量多于方程数的低可观性场景下难以保证解的物理合理性与实时工况匹配度。

技术实现思路

1、本发明的目的就是为了提供一种实现了低可观性配电网状态下既符合历史统计规律、又严格满足电路物理定律的伪量测生成，显著提升了状态估计的精度、物理一致性与收敛稳定性的基于智能优化的配电网状态估计方法及系统。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于智能优化的配电网状态估计方法，包括以下步骤：

4、s1：根据量测配置将配电网中的母线划分为第一组、第二组和第三组，所述第一组为配备有同步相量测量装置的母线，所述第二组为未配备同步相量测量装置但可获取节点功率注入量测的母线，所述第三组为无直接量测装置的不可观测母线；

5、s2：利用第三组母线的历史运行数据训练瓦萨斯坦生成对抗网络模型，使其学习并表征第三组母线未知功率注入的潜在分布特征；

6、s3：将训练完成的所述瓦萨斯坦生成对抗网络模型的生成器作为第三组母线未知功率注入向量的生成器，代入基于支路潮流方程建立的物理量测方程；构建以所述生成器的输入噪声为优化变量的优化问题并求解，使得求解得到的输入噪声经所述生成器输出的功率注入估计值满足所述物理量测方程的一致性约束；

7、s4：将所述功率注入估计值与第一组、第二组母线的可直接量测功率注入，以及第一组母线的电压相量量测进行融合，求解配电网状态估计问题，实现对全系统母线电压状态变量的估计。

8、进一步地，s3中，所述物理量测方程通过以下方式建立：基于线性化的distflow支路潮流方程，推导相邻母线间的电压差与线路功率及节点功率注入的关系；利用第一组母线中任意两节点的电压幅值差和相角差的量测值，消去不可观测母线的未知电压相量项，建立仅包含第一组母线电压相量量测、第一组和第二组母线已知功率注入量测以及第三组母线未知功率注入量测的量测方程。

9、进一步地，所述物理量测方程表示为：

10、

11、其中，上标

m表示存在直接量测的变量，上标

n表示缺乏直接量测的变量，δ

y

m和δ

δ

m分别由第一组母线中任意两节点的电压幅值向量

y和相角向量

δ的差值构成，

s

m为第一组或第二组母线的功率注入向量，

s

n为第三组母线的功率注入向量，z

m为系统阻抗矩阵z的修正形式。

12、进一步地，s3中，所述优化问题的目标函数表示为：

13、

14、其中，

g(·)为训练完成的瓦萨斯坦生成对抗网络模型的生成器，

z为输入噪声，||·||表示范数。

15、进一步地，采用梯度下降法对所述优化问题进行求解，通过反向传播算法迭代计算目标函数对输入噪声

z的梯度，并采用递减步长策略更新输入噪声

z直至收敛，获得最优解

z`；将最优解

z`代入生成器

g(·)，获得第三组母线的功率注入估计值

g(

z`)。

16、进一步地，s4中，所述配电网状态估计问题表示为：

17、

18、其中，

y和

δ为待估的系统中所有母线的电压幅值向量和相角向量，δ

y为所有相邻母线对的电压差向量，

y

m和

δ

m为第一组母线的电压幅值直接量测和相角直接量测，

g(

z`)为第三组母线的功率注入估计值，

s

m为第一组或第二组母线的功率注入向量，z为完整系统阻抗矩阵。

19、进一步地，所述第一组母线的电压相量量测以该组中一指定母线的直接相量量测作为相位参考点，配电网中所有母线的相角均相对于该参考母线进行计算。

20、进一步地，所述配电网运行于低可观性条件下，其特征满足：，其中

n1为第一组母线数量，

n3为第三组母线数量。

21、进一步地，所述第三组母线的历史功率注入数据为预设时间窗口内的采样数据序列。

22、一种基于智能优化的配电网状态估计系统，包括：

23、母线划分模块，用于根据量测配置将配电网中的母线划分为配备有同步相量测量装置的第一组、可获取节点功率注入量测的第二组和不可观测的第三组；

24、模型训练模块，用于利用第三组母线的历史运行数据训练瓦萨斯坦生成对抗网络模型；

25、物理约束优化模块，用于将所述瓦萨斯坦生成对抗网络模型的生成器代入基于潮流方程建立的物理量测方程，通过求解以生成器输入噪声为变量的优化问题，获取满足物理一致性约束的第三组母线功率注入估计值；

26、全网状态估计模块，用于将功率注入估计值与已知量测融合，求解标准状态估计方程，获取全系统母线电压状态变量。

27、与现有技术相比，本发明具有以下有益效果：

28、1．保障伪量测的物理一致性：通过将wgan生成器输出代入基于支路潮流方程建立的物理量测方程，并以满足该方程一致性为约束条件进行优化求解，确保生成的第三组母线功率注入估计值严格符合配电网的潮流平衡关系，从根本上克服现有技术中伪量测可能违背电路定律的缺陷，保障状态估计输入数据的物理可信度。

29、2．实现实时工况自适应估计：利用wgan学习历史数据的潜在分布特征，而非简单套用历史统计值，使模型具备刻画功率注入概率分布的能力；同时通过以输入噪声为优化变量的实时优化求解，使生成结果能够根据第一组母线的实时电压相量量测进行动态调整，克服静态伪量测无法反映实时工况变化的时延性偏差，实现估计结果与实时工况的动态匹配。

30、3．解决低可观性条件下的状态估计不适定问题：通过将优化变量从待求的功率注入向量转换为wgan生成器的输入噪声，引入历史数据分布作为先验约束，将原本欠定、存在无穷多解的方程组转化为可求解的优化问题，从而在低可观性条件下（不可观测母线数量多于独立方程数）获得唯一且合理的功率注入估计值，实现对全系统母线电压状态变量的精确估计，提升有限感知场景下状态估计的收敛稳定性与工程适用性。

31、4．实现多源信息的有效融合：将wgan生成的伪量测与同步相量实时量测、常规功率量测进行融合，形成完整的量测数据集，构建数据驱动与物理引导相结合的状态估计框架，突破现有技术中伪量测与实时量测分离处理的局限，提升状态估计的精度和可靠性。