作者：符金伟¹, 关石磊¹, 左思然², 范闻博¹, 王中宇²

作者单位：1. 中国电力科学研究院配电研究所, 北京 100085;
2. 北京航空航天大学仪器科学与光电工程学院, 北京 100191

关键词：配电测试系统;状态估计;灰色预测;人工蜂群算法

摘要：

为解决配电测试系统的关键量测点存在不良数据时状态估计准确度差的问题，提出一种基于GM(1，1)和人工蜂群的状态估计方法。在一定时间窗口内读取量测值，采用灰色累加生成方法进行初步检测。引入GM(1，1)模型获得序列预测值，按照判定条件对不良数据进行处理。在此基础上采用改进的人工蜂群算法对目标函数进行优化求解，在每一次的优化过程中利用当前最优解的适应度函数建立局部搜索策略。将33节点配电测试系统作为算例，结果表明该方法能够有效地修正不良数据，提高状态估计的整体准确度和单节点准确度。与加权最小二乘算法和人工蜂群算法相比，该方法有功功率的MAE分别减少69%和43%，NMRE分别减70%和63%；对于无功功率，其MAE结果分别减少60%和33%，相应的NMRE分别减58%和57%。

State estimation of distribution test system based on GM (1, 1) and artificial bee colony

FU Jinwei¹, GUAN Shilei¹, ZUO Siran², FAN Wenbo¹, WANG Zhongyu²

1. Power Distribution Department, China Electric Power Research Institute, Beijing 100085, China;
2. School of Instrumentation Science and Opto-Electronics Engineering, Beihang University, Beijing 100191, China

Abstract: In order to solve the problem of poor accuracy of state estimation when the key data points of distribution test system are in bad condition, a state estimation approach based on GM(1, 1) and artificial bee colony algorithm is present. Capturing measured data within a certain time window then using the grey accumulation method to accomplish the initial test. The introduced GM(1, 1) can obtain prediction data and process the bad data according the judging criteria. On this basis taking use of artificial bee colony algorithm to optimize the objective function through utilizing the fitness function of current optimal solution to build local search strategy during each optimization. A 33-node distribution testing system is chosen as example. The results indicate proposed method can correct bad data effectively, and it improves both overall precision as well single node precision in state estimation. When proposed method is adopted, the mean absolute error of active power is 69% and 43% less than the weighted least square method and artificial bee colony algorithm respectively, and node maximum relative error can reduce 70% and 63% respectively. At meantime, the mean absolute error of reactive power is 60% and 33% less than the above two methods, and node maximum relative error can reduce 58% and 57% respectively.

Keywords: distribution testing system; state estimation; grey prediction; artificial bee colony algorithm

2018, 44(7): 7-12,41  收稿日期: 2018-02-07;收到修改稿日期: 2018-03-19

基金项目: 国家电网公司项目(PDB17201500117)

作者简介: 符金伟(1988-),女,黑龙江佳木斯市人,工程师,硕士,主要从事配电自动化系统及配电网状态检修的研究。

参考文献

[1] 刘科研, 盛万兴, 何开元, 等. 基于拉格朗日松弛技术的复杂有源配电网分布式状态估计[J]. 电力系统保护与控制, 2017, 45(15):125-132.
[2] 刘琳, 和敬涵. 基于有限测量信息的加权最小二乘法在配电网状态估计中的应用[J]. 北京交通大学学报, 2014, 38(5):43-48.
[3] 颜伟, 段磊, 杨焕燕, 等. 基于智能电表量测的三相四线制配网抗差估计[J]. 中国电机工程学报, 2015, 35(1):60-67.
[4] 李国源. 配电网状态估计及其应用[D]. 天津:天津大学, 2015.
[5] 胡露. 量测类型对电力系统状态估计精度的影响分析[D]. 大连:大连海事大学, 2014.
[6] 邓海潮, 毛弋, 彭文强, 等. 基于改进人工蜂群算法的配电网重构[J]. 电力系统及其自动化学报, 2016, 28(7):125-129.
[7] 许贤杰, 周玲, 蒋丹, 等. 基于人工蜂群算法计及线路故障的配电网网络重构[J]. 电测与仪表, 2014, 51(3):33-36.
[8] 刘思峰, 杨英杰. 灰色系统研究进展(2004-2014)[J]. 南京航空航天大学学报, 2015, 47(1):1-18.
[9] 李庆伟. 粒子群算法及电厂若干问题的研究[D]. 南京:东南大学, 2016.
[10] 孟志强, 覃仕樾, 蔡航. 基于变异粒子群优化-禁忌搜索混合算法的配电网状态估计[J]. 电力系统及其自动化学报, 2017, 29(11):99-104.
[11] 刘晏池, 王雪, 刘佑达, 等. 基于分布式压缩感知的智能用电网络高分辨率谐波与间谐波测量[J]. 仪器仪表学报, 2015, 36(10):2161-2166.
[12] 王海云, 田莎莎, 张再驰, 等. 基于负荷预测与关联规则修正的不良数据辨识方法[J]. 电力系统保护与控制, 2017, 45(23):24-33.
[13] 程银宝, 陈晓怀, 王汉斌, 等. 基于精度理论的测量不确定度评定与分析[J]. 电子测量与仪器学报, 2016, 30(8):1175-1182.