[论文解读] Layered Based Augmented Complex Kalman Filter for Fast Forecasting-Aided State Estimation of Distribution Networks

Mehdi Shafiei, Gerard Ledwich+3 more|arXiv (Cornell University)|Apr 23, 2018

Power System Optimization and Stability参考文献 18被引用 9

一句话总结

该论文提出了一种多层增强复数卡尔曼滤波器（DSEMACKF），用于在高比例可再生能源渗透的主动配电网中实现快速、精确的状态估计。通过将网络状态视为复数值，并分层聚合负荷至子区域，该方法提高了计算效率和估计精度，尤其在三相不平衡的低压条件下表现更优。

ABSTRACT

In the presence of renewable resources, distribution networks have become extremely complex to monitor, operate and control. Furthermore, for the real time applications, active distribution networks require fast real time distribution state estimation (DSE). Forecasting aided state estimator (FASE), deploys measured data in consecutive time samples to refine the state estimate. Although most of the DSE algorithms deal with real and imaginary parts of distribution networks states independently, we propose a non iterative complex DSE algorithm based on augmented complex Kalman filter (ACKF) which considers the states as complex values. In case of real time DSE and in presence of a large number of customer loads in the system, employing DSEs in one single estimation layer is not computationally efficient. Consequently, our proposed method performs in several estimation layers hierarchically as a Multi layer DSE using ACKF (DSEMACKF). In the proposed method, a distribution network can be divided into one main area and several subareas. The aggregated loads in each subarea act like a big customer load in the main area. Load aggregation results in a lower variability and higher cross correlation. This increases the accuracy of the estimated states. Additionally, the proposed method is formulated to include unbalanced loads in low voltage (LV) distribution network.

研究动机与目标

• 解决高比例可再生能源接入的主动配电网中实时状态估计的挑战。
• 克服单层状态估计方法在处理大量用户负荷时计算效率低下的问题。
• 通过负荷聚合提升估计精度，降低子区域负荷间的变异性并增强其互相关性。
• 通过建模复数值状态，实现在三相不平衡低压配电网中的精确状态估计。
• 开发一种非迭代、快速的算法，适用于现代配电网中实时应用。

提出的方法

• 提出分层架构，将配电网划分为一个主区域和多个子区域，每个子区域采用聚合负荷表示。
• 应用增强复数卡尔曼滤波器（ACKF），将实部与虚部状态分量联合处理为复数值，提升估计的一致性。
• 采用预测辅助状态估计（FASE），通过引入连续时间序列测量值，迭代优化状态估计。
• 执行分层估计：先估计子区域，再由主区域将聚合后的子区域状态作为输入。
• 通过扩展复数状态表示，建模低压配电网中的三相不平衡负荷。
• 通过负荷聚合减小状态向量规模，降低计算负担，实现更快的实时处理。

实验结果

研究问题

• RQ1 如何在高比例可再生能源和负荷渗透下，使主动配电网中的状态估计具有计算高效性？
• RQ2 负荷聚合对配电网中状态估计的精度与相关性有何影响？
• RQ3 与独立处理实部/虚部分量相比，基于复数值状态估计框架是否能提升性能？
• RQ4 与单层估计相比，分层多层估计在精度与计算负载方面表现如何？
• RQ5 所提方法在处理三相不平衡低压配电网方面的能力达到何种程度？

主要发现

• 所提出的DSEMACKF方法由于采用分层负荷聚合与减小状态向量规模，其计算速度显著快于单层状态估计器。
• 负荷聚合降低了状态变异性并增强了相关性，从而在高变异性配电网中实现更精确的状态估计。
• 通过ACKF实现的复数值公式化，通过保留网络状态实部与虚部之间的内在关系，提升了估计精度。
• 该方法在三相不平衡低压配电网中表现出鲁棒性能，而传统实数值方法可能无法捕捉相位不平衡。
• 算法的非迭代特性使其具备实时适用性，适用于主动配电网的运行与控制。
• 分层结构使得该方法可在大规模配电网中可扩展部署，同时不牺牲估计质量。