含电动汽车充电设施的配电网状态估计

含电动汽车充电设施的配电网状态估计

0电动汽车充电设施对配电网的影响近年来，随着污染日益严重、石化资源日益严重，电动汽车的相关研究引起了国内外的广泛关注。近年来,在相关政策支持之下,我国正迎来充电桩建设的热潮。大规模充电设施的接入使得配电网更为复杂,对配电网规划和运行具有重要的影响目前,国内外针对电动汽车充电设施对配电网的影响进行了深入的研究,但对含充电设施的配电网状态估计研究较少,研究重点主要在适应于配网的算法方面本文首先介绍了电动汽车充电设施节点的处理方法,将充电设施接入节点处理为PQ节点,建立了该类节点计算模型并进行负荷预测得到伪量测量;然后采用基于标准化拉格朗日乘子的共线性测试方法对电动汽车充电设施负荷预测的坏数据进行检测排除,防止坏数据通过状态估计将误差传递到整个系统。最后通14节点算例的测试验证了本文所提方法的准确性和优越性。1通过可观测的状态估计,提高系统可测性在对含电动汽车充电设施的配电网进行状态估计时,需要对充电设施接入节点建立计算模型。此类节点有功功率和无功功率通常可以确定,因此将该类节点作为PQ节点处理在状态估计的过程中,必须保证系统的可观测性,即对系统进行有限次独立的测量,由这些观察向量所确定的状态是唯一的。如果在状态估计中忽略充电设施节点的量测量,则有可能造成局部量测量不足的情况,从而使系统不可测,使状态估计无法进行。因此,将充电设施节点根据历史出力信息通过预测方法得到的功率作为伪量测量,从而提高系统量测的冗余度,保障状态估计的顺利进行。但是预测时充电次数及预测方法存在着很大的不确定性,部分充电设施接入节点的有功负荷量测量存在较大的误差,部分甚至是坏数据,下文将讨论对这些坏数据进行剔除的方法。2状态变量状态估计算法本文采用加权最小二乘法作为分布式状态估计的核心算法。为了简化模型,本文假设配电网三相平衡,同时,将零功率注入节点对状态估计的影响以约束条件的形式来考虑,其基本模型式中,x为状态估计中待估计的状态变量,本文选用以节点电压作为状态变量的状态估计算法,则x为节点的电压幅值和相角;h(x)为测量函数向量,一般包括电压幅值、联络线路的有功和无功功率以及节点注入有功和无功功率,在配置PMU量测装置还包括节点电压相角;z为量测量向量;R由于配电网中实时量测信息少,仅采用实时量测量无法保证系统的可观测性,因此公式(1)中量测量向量应该包含实时量测量向量和伪量测量向量两部分,他们的维数需满足以下关系:其中,L,K分别为实时量测量向量和伪量测量向量的维数,N为系统中节点数量,2N-1即为状态变量向量维数。通过拉格朗日乘子法对公式(1)中等式约束条件进行处理,当J(x)达到最小值时,必须满足以下条件:3基于等式约束的量测量模型优化模型如公式(2)所示,本小节将充电设施接入节点有功出力伪量测误差较大的数据进行处理,采用共线性测试的方法剔除充电设施负荷预测过程中的坏数据,以减小对状态估计结果的影响。在公式(2)中,在充电设施接入节点的有功出力伪量测量中,部分节点存在较大误差,它们与普通量测量的权重相差悬殊,为了避免出现计算病态的情况,这些节点可以类似于零功率注入节点处理为等式约束条件。剔除较大误差量测量过程中采用的模型是在公式(2)的基础上添加充电设施接入节点等式约束条件,并根据Hachtel方法其中,Δx为状态量的修正量,y为拉格朗日乘子向量,分别对应区域一般节点量测、零功率注入量测、充电设施接入节点量测,H(x)为h(x)中量测量真实值关于x偏导数形成的雅可比矩阵。在以上迭代过程完成之后,可以得到x以及对应的y。其中,ε为量测误差以及等式约束偏差向量,V为关联矩阵,可由公式(9)得到。对拉格朗日乘子进行标准化,标准化的拉格朗日乘子为:式中,y根据y考虑到存在计算误差,当cosθ≥ε4基于标准化拉格朗日乘子的共线性测试含充电设施的配网状态估计主要过程可分为3步。步骤1:读取系统参数,读取实时量测量,通过负荷预测得到伪量测量。步骤2:采用基于标准化拉格朗日乘子的共线性测试的方法,对负荷预测得到的伪量测量中的的坏数据进行检测排除,防止该量测量的误差经过状态估计传递到整个系统。步骤3:利用实时量测和剔除坏数据的伪量测进行状态估计,并对结果进行分析。其中,基于标准化拉格朗日乘子的共线性测试具体过程如下:步骤2-1:根据公式(11)模型计算得到x步骤2-2:如果y步骤2-3:根据公式(15)计算cosθ。如果cosθ≥ε步骤2-4:对于y5共线性测试方法准确性验证本文采用的测试系统为14节点系统,其中节点5,7,10,14为充电设施节点,其有功负荷通过预测方法得到。在已知功率因数的情况下,无功负荷可由有功负荷计算求出。部分负荷大小通过负荷预测方法得到。配电网状态估计中除充电设施以外的一些一般负荷节点的量测同样需要根据历史用电信息预测负荷大小,形成负荷的伪量测量。这类伪量测量同样存在着部分节点预测误差较大的问题。但是由于缺少此类节点量测信息,本文为了简化共线性测试模型,假设采用的负荷预测值均处于误差允许的范围内,不再对负荷伪量测量进行检验。本算例将会对所提出的共线性测试方法的准确性进行验证和分析。本算例的量测数据是在准确潮流的基础上,对量测添加1%的随机误差,其中节点5,7,10,14为含坏数据的充电设施接入节点。以下对共线性方法准确性进行分析,各充电设施介入节点的标准化拉格朗日乘子如表1所示。其中节点10的标准化拉格朗日乘子大于检验阈值,将节点10设为可疑点,同时,线路9-10、10-11也大于阈值,设为可疑量测,此时cosθ为0.9369,没有达到0.98的要求,逐渐降低检验阈值直到1.6,节点14也设为可疑点,cosθ为1,分别移除一个可疑量测,节点10、14和线路9-10、10-11的cosθ分别为0.9653、0.9369、1、1,则节点10和14为含坏数据节点。将这些含坏数据节点量测剔除,对系统进行分布式状态估计。剔除坏数据后状态估计的最终结果如表2所示。含坏数据与不含坏数据的状态估计的误差比较如表3所示。从状态估计与真实潮流误差比较结果来看,剔除部分充电设施接入节点的坏数据量测量之后,状态估计的误差明显减小;分布式状态估计与集中式状态估计误差比较接近,都控制在较小的误差范围内,说明本问题提出的分布式状态估计方法的准确性、有效性。6标准拉