本發明屬于電力系統分析領域，尤其涉及一種基于AMI量測特性的配電網狀態估計方法。

背景技術：

狀態估計是能量管理系統的核心功能。根據應用場景，狀態估計可分為在線和離線兩種模式。配電網在線狀態估計的時間間隔取決于電力公司，一般為10到60分鐘，主要用于配電網調度和能量管理，支持實時決策和應用。其特點是使用盡量準確實時的數據分析系統當前的情景；離線狀態估計是根據所有得到的量測，分析電網過去某一個時間段的情景，主要用于電網分析，竊電分析等。

在配電網狀態估計領域，已有大量學者開展了廣泛的研究。依據狀態估計模型的不同，大致可分為以節點電壓、支路電流、支路功率為狀態變量的狀態估計算法等。

由于用戶側的低壓配電網缺少量測數據，在配電網狀態估計中，通常僅對中壓配電網進行狀態估計。2009年以來，國家電網公司以“全覆蓋、全采集、全費控”為建設目標，推動智能電能表應用和用電信息采集系統建設。截至2013年10月底，已累計安裝應用智能電能表1.73億只，用電信息采集系統覆蓋1.73億戶。智能電表的推廣，為低壓配電網提供大量冗余量測。這些信息豐富了配電網的量測類型，能夠有效解決長期以來因量測裝置配置不足、通信通道不完善而造成的大量饋線及其分支不可觀測的問題。將AMI所采集的數據合理的應用到配電網狀態估計中能夠更準確、全面地估計出多種量測和狀態信息，從而為更高級別的應用提供完整的、可靠的、高精度的分析數據。

然而，與SCADA量測相比，AMI數據有其獨特的量測特性：

1)配電SCADA量測的量測間隔一般在20s之內，最多幾分鐘；AMI量測的間隔可以預先設定，一般為15min，30min或一個小時。

2)智能電表有兩種讀取方式。國外多采用凍結方式，即預先設定凍結時刻，再讀回。各表數據均有時標，但是讀回時間不確定。同一時刻的各表的讀入數據時間延遲在20s之內，甚至更低。在我國，只凍結每天零點時刻的數據，其余時間均采取招讀方式，即通過計量中心發送指令對電表輪番讀取，讀完一只表，再讀取另一只。一個臺區下的電表讀取一遍的時間根據用戶的數量可達到10min-15min。

3)SCADA量測的準確度等級一般為2左右；用于AMI量測的智能電表等級一般為0.5級甚至更高。

在實際中，AMI的量測存在數據時標不一致或時間延遲、與SCADA數據的量測周期不一致等問題。這些問題是限制AMI數據應用于配電網狀態估計的關鍵問題。

本發明考慮國內狀態估計的應用實際和AMI的讀取方式，重點分析采用招讀AMI數據的離線狀態估計。

技術實現要素：

目前，已有學者圍繞AMI量測數據在配電網狀態估計中的應用展開了研究。但是已有研究未能全面考慮AMI的量測特性。本發明從配電網狀態估計的需求和AMI量測數據的實際特性出發，針對應用招讀AMI數據的離線狀態估計應用場景，提出了狀態估計中AMI量測數據延遲和與SCADA數據量測周期不一致等問題的解決方法，實現了綜合利用SCADA和AMI量測數據的配電網狀態估計。結合國內AMI量測讀取現狀，分析AMI延遲數據處理前后配電網狀態估計的誤差情況；分析狀態估計周期的調整對結果誤差的影響；分析量測噪聲對狀態估計結果的影響。

為了解決上述技術問題，本發明一種基于AMI量測特性的配電網狀態估計方法，包括以下步驟：

步驟一、配電網狀態估計場景為應用招讀AMI數據的離線狀態估計，根據配電網結構確定系統模型、參數，利用典型日負荷曲線及潮流真值模擬系統中的SCADA量測和AMI量測，其中，SCADA量測的最大噪聲為2％，AMI量測的最大噪聲為0.5％，設定SCADA量測的時間間隔為1min，AMI量測的時間間隔為15min；

步驟二、對AMI量測數據進行延遲處理；

在應用招讀AMI數據的離線狀態估計場景下，系統已采集到各時間點前后的電能量測數據，對于有功功率，將智能電表的電能值計算得到的平均有功功率代替瞬時有功功率，

式(1)中，對每個智能電表，t₀、t₁為其相鄰量測讀取時刻；P為t₀至t₁每個時刻的瞬時有功功率；W為t₀、t₁兩個時刻電表電能量測的差值；為t₀至t₁的平均有功功率；

對平均有功功率數據進行修正，忽略網損不計，把低壓側同一臺區各用戶的AMI平均有功功率自下而上地疊加起來，得到臺變的疊加平均有功功率；同時，臺變處還安裝有實時的SCADA量測，對于同一時刻的同一點，得到一個實時SCADA量測P_S和一個疊加有功功率P_A；用實時量測P_S修正疊加有功功率P_A，即對臺變的疊加有功功率乘以一個修正系數相應的，分配到每個用戶的平均有功功率也乘以該修正系數；

用戶的功率因數取值為0.95-0.98，且在t₀至t₁時間段內用戶的功率因數不變，根據用戶平均有功功率和功率因數計算用戶的平均無功功率

步驟三、確定SCADA量測和AMI量測數據配合的情況下配電網狀態估計的周期，即用每個時刻的SCADA量測預測同時刻的AMI量測值；

SCADA量測的周期為T_s，AMI量測的周期為T_A，T_A大于T_s；

(1)在T₀時刻，獲得用戶的AMI電能量測數據，通過步驟二的方法計算得到各用戶的平均有功功率和平均無功功率

(2)在T₀至T₀+T_A時間段內，對于第n個SCADA量測時刻T₀+nT_s，獲得SCADA有功量測值，根據T₀時刻不同用戶間平均有功功率占該時刻SCADA有功量測P_S的百分比，將T₀+nT_s時刻SCADA有功量測值分配給各用戶，求得T₀+nT_s時刻的各用戶的AMI有功功率預測值；再通過用戶的功率因數，計算得到T₀+nT_s時刻的各用戶的AMI無功功率預測值；

步驟四、對配電網進行狀態估計，確定系統的運行狀態，以步驟二和步驟三處理后的SCADA量測數據和AMI量測數據作為輸入，對配電網近狀態估計，確定系統的運行狀態。

與現有技術相比，本發明的有益效果是：

在實際中，AMI的量測存在數據時標不一致或時間延遲、與SCADA數據的量測周期不一致等問題。這些問題是限制AMI數據應用于配電網狀態估計的關鍵問題。與其他學者圍繞AMI數據在配電網狀態估計領域的研究相比，本發明具有如下優勢：全面考慮AMI的量測特性，主要包括AMI量測延遲和與SCADA量測的配合問題，提出了相應的數據處理和確定狀態估計周期的方法。

附圖說明

圖1是本發明提供的13節點系統接線圖；

圖2是本發明提供的AMI數據延遲處理前后時刻1的狀態估計電壓幅值相對誤差；

圖3是本發明提供的AMI數據延遲處理前后時刻1的狀態估計電壓相角絕對誤差；

圖4是本發明提供的n1點電壓估計值與m7點SCADA實際電壓量測值。

具體實施方式

下面結合附圖和具體實施例對本發明技術方案作進一步詳細描述，所描述的具體實施例僅對本發明進行解釋說明，并不用以限制本發明。

本發明一種基于AMI量測特性的配電網狀態估計方法，包括以下步驟：

步驟一、配電網狀態估計場景為應用招讀AMI數據的離線狀態估計，根據配電網結構確定系統模型、參數，根據不同量測的特性，利用典型日負荷曲線及潮流真值模擬系統中的SCADA量測和AMI量測，其中，SCADA量測的最大噪聲為2％，AMI量測的最大噪聲為0.5％，設定SCADA量測的時間間隔為1min，AMI量測的時間間隔為15min。

步驟二、對AMI量測數據進行延遲處理；在應用招讀AMI數據的離線狀態估計場景下，系統已采集到各時間點前后的電能量測數據，對于有功功率，將智能電表的電能值計算得到的平均有功功率代替瞬時有功功率，

式(1)中，對每個智能電表，t₀、t₁為其相鄰量測讀取時刻；P為t₀至t₁每個時刻的瞬時有功功率；W為t₀、t₁兩個時刻電表電能量測的差值；為t₀至t₁的平均有功功率。

對平均有功功率數據進行修正，忽略網損不計，把低壓側同一臺區各用戶的AMI平均有功功率自下而上地疊加起來，得到臺變的疊加平均有功功率；同時，臺變處還安裝有實時的SCADA量測，對于同一時刻的同一點，得到一個實時SCADA量測P_S和一個疊加有功功率P_A；用實時量測P_S修正疊加有功功率P_A，即對臺變的疊加有功功率乘以一個修正系數相應的，分配到每個用戶的平均有功功率也乘以該修正系數。

根據歷史統計數據，用戶的功率因數取值為0.95-0.98，認為在t₀至t₁時間段內用戶的功率因數不變，本發明用求得的用戶平均有功功率和功率因數計算用戶的平均無功功率

步驟三、確定SCADA量測和AMI量測數據配合的情況下配電網狀態估計的周期，即用每個時刻的SCADA量測預測同時刻的AMI量測值；SCADA量測的周期為T_s，AMI量測的周期為T_A，實際中T_A大于T_s。

(1)在T₀時刻，獲得用戶的AMI電能量測數據，通過步驟二的方法計算得到各用戶的平均有功功率和平均無功功率

(2)在T₀至T₀+T_A時間段內，對于第n個SCADA量測時刻T₀+nT_s，獲得SCADA有功量測值，根據T₀時刻不同用戶間平均有功功率占該時刻SCADA有功量測P_S的百分比，將T₀+nT_s時刻SCADA有功量測值分配給各用戶，求得T₀+nT_s時刻的各用戶的AMI有功功率預測值；再通過用戶的功率因數，計算得到T₀+nT_s時刻的各用戶的AMI無功功率預測值；

步驟四、對配電網進行狀態估計，確定系統的運行狀態，包括：以步驟二和步驟三處理后的SCADA量測數據和AMI量測數據作為輸入，對配電網近狀態估計，確定系統的運行狀態。

研究材料：

以IEEE13節點系統作為分析算例，如圖1所示。m2至m7為中壓配電網，各節點設置SCADA量測，n1至n6為用戶側，各節點設置AMI量測。

算例包含1～15min共15個時刻的各點準確量測數據和潮流真值。對各量測添加服從高斯分布的隨機噪聲以模擬量測的誤差，其中SCADA量測的最大噪聲為2％，AMI量測的最大噪聲為0.5％。設定SCADA量測的時間間隔為1min，AMI量測的時間間隔為15min。為模擬時間延遲的影響，在時刻1下令招讀得到的不同節點的AMI數據均在不同的時標下。各節點AMI數據的到達時刻均相差1分鐘。

用步驟二中的方法對時刻1的AMI延遲數據進行處理，再對中低壓混合網絡進行狀態估計。圖2、圖3顯示了延遲處理前后狀態估計與潮流真值的誤差情況。結果表明，由于AMI量測存延遲，直接使用延遲數據進行狀態估計會使狀態估計的誤差大大增加；用本發明所提出的延遲處理方法對數據進行處理后，狀態估計的誤差降低到可以接受的范圍內。

用步驟三中的方法確定狀態估計的計算周期，即用15個時刻的SCADA量測估算出15個時刻的AMI量測。以n1節點為例，不同時刻下，其電壓估計值與m7點的SCADA實際電壓量測的對比如圖4所示。其中，虛線部分為15min后的電壓變化示意曲線。在15個時刻內分別對算例進行配電網狀態估計，不同時刻下節點的電壓幅值與潮流真值的相對誤差百分數，以及電壓相角與潮流真值的絕對誤差情況如表1、表2所示。

表1 不同時刻各節點狀態估計電壓幅值相對誤差百分數

表2 不同時刻各節點狀態估計電壓相角絕對誤差百分數

從表1、表2中可以看出，采用上述方法估計AMI量測值，進而進行狀態估計，可以得到多個時刻的狀態結果，可以更為細致地描述系統狀態的變化情況。由于n1～n6節點采用AMI量測，其功率值均為估計值，所以誤差比m2～m7節點大，但是仍在可以接受的范圍內。需要說明的是，本發明敘述了一種簡便借助AMI數據進行偽量測建模的方法，若提高負荷預測的精度，本發明方法的計算結果將更加精確，電力系統的運行狀態將得到更充分準確的描述。

為了進一步驗證本發明的有效性，隨機模擬100組符合上述量測精度的數據。每組數據包括算例中13個節點在15分鐘內的各類型量測，且不同節點的量測噪聲不同。由于數據較多，本發明以電壓幅值相對誤差較大的n1節點為例，描述噪聲狀況對狀態估計精度的影響。表3反映了在100種量測噪聲場景下的n1節點電壓幅值相對誤差的百分數的變化情況。從整體來看，噪聲變化帶來的電壓幅值相對誤差的波動范圍在0.10％到0.20％之間。

表3 100組量測噪聲組合下的n1點電壓幅值相對誤差

由表3可知，時刻3到時刻6的電壓幅值誤差普遍較小。在這段時間內節點負荷變化緩慢，用步驟三種的AMI量測預測方法帶來的誤差較小，對狀態估計的精度影響也較小。

盡管上面結合附圖對本發明進行了描述，但是本發明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術人員在本發明的啟示下，在不脫離本發明宗旨的情況下，還可以做出很多變形，這些均屬于本發明的保護之內。