（国网安徽省电力公司经济技术研究院 安徽省合肥市 230000）
摘要：随着我国智能电网建设规模的不断扩大，基于电网自运行状态的检测与评估工作成为了建设重点之一。现阶段基于该领域内的系统状态评估方式相对较多，且没有形成业内公认的标准模式。此种现状一方面造成特定方法较难推广；另一方面也容易产生状态估计结果的多样性与可比性缺失。基于上述背景，本文对目前主要应用的电力系统状态估计常用方法进行总结与分析，重点探究其核心原理与主要适应性，并在其优缺点分析中形成结论。希望通过本文的研究能够为今后相关工作的方法选择与技术优化提供必要的基础。
关键词：电力；系统状态；估计；方法对比
电网自动化与智能化的核心需要解决两方面问题，一是基于电网运行状态的时事通讯系统；二是需要解决基于电网运行状态的自动控制系统。上述两方面建设均依赖于电网状态估计手段所提供的现状数据。因此，对于电力系统状态的估计成为了一种智能电网建设的支撑性技术。从现阶段的主要研究方向来看，状态估计需要完成三个操作，即对数据的远程获取、对数据的集中处理、对数据的可视化构建。在传统的电力系统估计方法中，往往通过人工方式获得相应数据，在传输后进行必要处置与评价计算，进而给出相关的评价结果。此种模式显然存在数据可靠性、完整性方面的不足，且在人力资源成本方面存在较大的劣势。针对这一现象，广大科研工作者基于自身的工作经验与专长提出了多种估计体系，并加以实践与优化。然而，截至目前各类电力系统状态估计方法的特性与适应性缺乏对比分析研究。本文正是以此为根本目标开展相关研究的，旨在能够为后续的技术选择与应用推广提供必要依据。从现有的实践经验来看，常用估算方法主要分为如下三种。
一、向量回归估计法
所谓的向量归回估计法主要是指以能够通过向量进行表征的有限指标作为评价标准，通过向量计算确定数据运算模式，并以线性回归为手段对未来一段时期内的系统状态进行预测的方法集合。按照向量选择与计算模式的不同大致可以分为加权最小二乘法、卡尔曼逐次评估法、动态向量机模型法等。此种方法的具体应用模式分为三个环节：一是建立综合多维空间向量，拟定向量维度对等，即形成互不干扰的垂直空间；二是通过获取的电力系统运行状态数据进行无量纲化处置，形成可供对比且单位统一的向量数据；三是利用空间向量计算法则形成有效的计算范式，并获得最终估计结果。
在实际的应用过程中此种方法至少受到两方面限制因素。一方面，从向量计算的根本特性出发，即向量维度越高则获得精准度越高，向量维度越低则影响效率越高。二者存在显著地矛盾关系。简而言之，如果建立2D向量模型，则综合影响赞比可以达到50%；而如果引入了7D模型，则各个指标的平均影响效能将不足15%。而值得注意的是7D模型的估计精准度显然高于2D。也就是说此种计算模式天然对不同要素之间的差别化体现不足。另一方面，无量纲化模式下所引入的部分计算与赋值很难利用现有的计算机手段来完成，故而在该方法的应用过程中对于人力成本的需求相对较高，且很难形成常态化的估计体系，与智能电网的核心建设目的不匹配。
二、降维主成分分析估计法
所谓的降维主成分分析估算法与向量计算方法的核心思想相反。通过上文的分析我们不难看出，向量法的核心思想是通过增加数据的有效维度来使得估计方法更为立体，进而获得更大的有效性。而在降维主成分分析法中则需要通过主成分分析以及降维的方式来减少计算的维度，进而达到降低工作量，行程自动化体系的核心要求。从上述特征中我们不难发现，如何在降维的同时保障其估算的准确性是该方法与技术应用过程中的核心关键。在实际的研究中分为了两个方面：
一方面，利用现行提取数据中的特征来使用特征数表示该类数据的统一集合来达到降维的目的。
期刊文章分类查询,尽在期刊图书馆如在实际操作过程中电力系统内的电压、电流数据特征存在显著的相关性，这一相关性在实践物理角度也能够获得较好的因果证明，故而在降维主成分分析估计法中可以通过一组特征数据来进行表征，使得维度得到了有效的降低。
另一方面，利用权重的方式对特征指标进行选取。人们在实践经验中发现不同影响指标对于系统运行的总体发展规律与状态变迁的影响力大小是存在显著差异的。往往排在前几位的高权重指标能够解释系统状态超过90%的变化因素，而低权重指标的累积影响力对于总体结果的影响效果十分有限。在此种情况下，忽略低权重指标对于总体的结果不形成显著影响，且在横向对比与趋势预测中能够获得相同结论。从现阶段的应用情况来看，该估算模式舍弃了累计权重80%以后，且个体权重不超过5%的指标，进而达到了有效的降维。
从实际的应用效果来看，此种方式有效的降低了相关计算难度与计算量，使得系统状态估计能够成为一个常态化指标指导电网的实际运行。从另一个角度来看，此种模式在舍弃一定维度后对于常态化的总体预估结果呈现出不显著状态，但是在对于特性指标的分析与预判中则较为容易形成“漏项”，进而导致预判结果在特殊情况下出现较大偏差。
三、嵌入式追踪学习估算法
所谓的嵌入式追踪学习估算法主要是指在原有的估算体系结构下，通过嵌入式方式形成独立、平行的数据搜集与处置平台，并引入了计算机的神经模块来实现数据处置过程中的自动学习与自我完善功能。最终达到能够自动的通过过往的数据对未来的趋势进行预判。在实际的执行过程中，此种模式的应用核心就是通过较长的时间阶段来换取自动的高精度，进而使得输出结果的精准度与有效性得到进一步的提高。并在系统数据的不断驯化过程中逐步提升其估计的准确性。此种模式的优势除了能够体现智能电网系统的核心理念之外，其嵌入式结构也使得后续的功能拓展成为了可能。在保障现阶段系统有效性的基础上，避免了后续系统升级中的重复建设问题。
该算法是一种近年来新提出的核函数回归器，其回归算法在形式上和降维估算法相同，但却采用了不同的训练方法。与之相比，其估计性能相当，但是估计预测时所需的运算量却比之要小。该方法的具体实施过程主要是通过利用其实质的回归迭代过程。在这个过程中，状态估计主要处理对象是一系列时间断面上的高维空间网络问题。具体来说就是系统中各个节点以及支路量测点所量测到的功率电压电流等量测信息。在状态估计器的设计上引入核匹配追踪学习机的方法对系统状态量进行预测和估计。相对于扩展卡尔曼滤波、遗传算法、神经网络等系统建模方法，匹配追踪学习机对于动态系统建模具有良好的推广能力、只需要有限训练样本、全局最优和系统的理论基础等方面的优点并且其生成的模型简单且稀疏，却能够具有与复杂的回归预测方法近乎相同的性能，具有更好的适应性。由于在之前的步骤上对量测量的维数上进行了大规模的约减，降低了训练的时空复杂度，就可以在系统计算时间允许的情况下尽量扩大样本规模，取得更好的预测精度。
四、总结
电力系统状态估计是智能电网建设与运行的基础。现阶段的主要估算方法按照其原理与过程的不同大致可以分为向量法、主成分分析法一级机嵌入学习法等三种。本文分别对上述三种方式的原理即适应性进行了分析，希望能够为后续的实际选择与升级提供必要帮助。
参考文献：
[1]卢伟.计及PMU的鲁棒电力系统预测辅助状态估计[D].西南交通大学,2017.
[2]孟婉婕.一种基于等效电压量测变换的电力系统状态估计方法[J].贵州电力技术,2017,04:21-23+43.
[3]于耿曦.混合量测下基于粒子滤波的电力系统动态状态估计研究[D].华北电力大学(北京),2016.
论文作者:刘俊峰
论文发表刊物:《电力设备》2017年第21期
论文发表时间:2017/11/15
标签：向量论文; 状态论文; 方法论文; 数据论文; 电网论文; 系统论文; 此种论文; 《电力设备》2017年第21期论文;