电力网络的分布式加权最小二乘估计

摘要：
提出了一种全分布式最优参数估计方案，并应用于多区域互联电力系统。在该方案中，每个区域基于低维局部和边界测量以及来自其邻居的边界参数估计来执行其自身的局部参数估计。
目的是提出一个完全分布式的估计方案，该方案结合了所有期望的特征。为此，我们为每个控制中心提出了一种新的分布式估计器，称为局部估计器，它只需要局部(自己的区域)和边界信息。每个局部估计器提供其自身区域的参数估计，并且通过仅交换少量的边界估计数据来完成与相邻区域的连接。不同区域之间的物理联系(连线)通常是低维的，在一个区域进行的大多数测量不受其他区域参数的影响。
1 电网分区
传统的监控和数据采集系统测量通常包含电压幅度、测量总线上的功率注入以及沿测量传输线路的功率流动。在这种情况下，方程中的参数向量(即准稳态)x，通常以极坐标形式定义。测量值可以表示为

测量也可以被分类为局部测量，这意味着测量仅是一个控制区域的参数的函数，以及边界测量，包括与一个以上控制区域的参数相关的联络线测量。局部测量值由下式给出
其中，Xi和yi表示控制区域i中的局部参数向量和局部测量向量，Vi是局部测量噪声。连接控制区i和j中参数的边界测量值表示为



我们用一个图G = (V,ε)来抽象一个电力网络的划分，其中V = {1，…，I}是一组节点，每个节点对应于一个控制区域，而ε是一个边集，其边(i，j) ∈ ε表示有一个边界测量zi,j依赖于xi和xj。下面我们用Ni表示i的邻集，即Ni= {j : (i，j) ∈ε}。对于在图1中为IEEE 118总线系统制作的分区，图2中描绘了图形G，其中边(2，3)表示与区域2和3中的参数相关的边界测量。

对于一个反映电网抽象结构的图G ，在每个控制中心i (i ∈ V)设计一个局部估计器，根据局部测量值和边界测量值及其邻居的局部估计值(Xj) ̂(j ∈ Ni)，使全局目标函数最小化，从而得到无偏的局部估计值(Xi) ̂

其中，x ̂是局部估计(Xi) ̂的聚合参数
提出来2种假设

假设1意味着对应于电力网络分区的图没有循环，这实际上可以通过适当地划分电力网络和适当地放置测量单元来实现。图1给出了一个例子。
假设2测量矩阵H具有满列秩，且R_V可逆
提出了一种分布式估计算法，其中每个控制中心为其区域内的局部参数xi建立一个(Xi) ̂估计。

采用了星形图的拓扑结构，显示了r + 1阶星形图，中心节点用和r个邻居节点。对于这种网络拓扑，测量方程由下式给出

x，x1，…，xr表示待估计的局部参数，y*，y1，…yr表示节点上的测量值，z1，…Zr表示边缘上的测量值(.还有，[v*，v1…vr，w1… . .wr]T为测量噪声

通过消除与参数x无关的测量和术语，这可以通过局部测量的角度来理解

分别为局部估计和估计误差协方差
一般情况下的转换

局部测量的角度进行转换

类似地，从节点j的局部观点来看(j = 1…r)，修改后的测量方程变成


为了节点为了获得局部参数x∗的最优估计，它必须把自己的估计和邻居的估计结合起来
x∗的最优加权二乘估计x ̂∗,及其相关的估计误差协方差Σ∗。


分布式参数估计算法的思想。最初，每个控制中心i计算估计值^xi（0）和估计误差协方差Σi^{（0），对于局部参数xi，基于简化的测量方程，如对于星形图情况中的中心节点。然后每个控制中心更新其估计值(_xi)(t+1)和估计误差协方差Σi}（t+1），通过将它自己的估计值^xi（0）和估计误差协方差Σi^{（0）与从它的邻居接收的校正因子(γ_i,j}(t),γ_i,j^{(t))相结合。同时，每个控制中心计算与它自己最近更新的局部估计和估计误差协方差相关的校正因子(γ_i,j}(t+1),γ_i,j^(t+1))，然后将它们发送给它的邻居。
分布式WLS估计
1计算局部估计及其相关的估计误差协方差

2传输到每个节点的校正系数

设γ_i,j^(t),γ_i,j(t)是节点i从节点j接收的校正因子。
基于所接收的校正因子来更新局部估计及其相关联的估计误差协方差:

然后将校正因子传送到节点j

模拟结果
我们使用IEEE 118总线系统来测试所提出的分布式估计算法的性能。如图1-2所示，由118条总线组成的系统被分成7个子系统，由联络线连接。


显示出了更高的分组丢失率导致更长的收敛步骤，但是该算法仍然在有限次数的迭代中收敛。
总结
我们提出了一种新的适用于大规模电网的分布式参数估计算法。该算法只需要局部拓扑结构信息、局部测量和与其邻居的低维边界信息交换。局部估计在有限的时间内收敛到集中的WLS估计，并且它们对分组丢失、时间延迟或异步处理表现出良好的鲁棒性。