专栏名称: 博慎能源智库

博慎能源智库（Universal & Prudential Think Tank, U&P Think Tank）——中国南方地区首家独立能源（电力）专业智库，致力于能源（电力）领域的学术（技术）交流与跨学科（跨行业）综合解决方案。

UPloT探索|复杂电力（能源）系统的分布式感知与协同估计\/检测研究综述（二）

博慎能源智库 · 公众号 · · 2019-04-17 14:44

正文

请到「今天看啥」查看全文

来源

陈皓勇&王晓娟&蔡永智&梁子鹏

《电力系统保护与控制》 2018年第46卷18期

摘要

近年来，“互联网+”智慧能源、电力市场改革、新能源革命等一系列举措引发了电力系统信息大爆炸，导致海量的电力设备、电器以及用户需要连接。信息的感知、连接、传输、处理、应用及发布，范围越来越广，规模越来越大并出现了大规模、复杂的高维的动态系统，伴随着海量数据集。而集中式信号处理在处理这类问题时，存在着通信负担重、计算复杂度高、可扩展性差、鲁棒性差等缺点。因此集中式信号处理方式已经明显不适用，需要新业务、新模型、新算法来解决。在大规模复杂电力系统中采用分布式信号处理是有效的解决方法。本文从多个角度对国内外分布式感知和协同估计进行梳理和综述，为后期研究提供一定的理论基础。

Key words ｜关键词

分布式感知；协同估计；无线传感器网络；

复杂电力系统；分布式信号处理；

一

电力系统分布式状态估计

1.1 系统分区方法

图9二分区系统

Fig.9 Two partition interconnected power system

1.2 互联的多区域状态估计

图10 互联区域状态估计流程图

Fig.10 Flow chart of state estimation in the partition interconnected power system

每个子区域独立进行区域内的状态估计，同时进行边界状态的协调，若每个子区域的参考节点均配置有PMU，则不需要进行参考节点相角差的计算；若未配有PMU，则需要协调中心与各子区域共同协调计算相角差，以便实现全系统的互联估计。

1.3 分布式状态估计研究现状

电力系统状态估计是EMS的重要组成部分，为电网安全运行、调度、控制提供了实现条件。近年来，随着PMU（Phasor Measurement Unit）的发展，基于PMU的WAMS[46-47]测量系统逐渐凸显优势，但伴随而来的是海量系统量测数据的处理问题。基于WAMS的状态估计主要分为集中式和分布式两种，集中式模式难以满足状态估计的实时性要求，可靠性和可扩展性不强。而分布式状态估计(Distributed State Estimation, DSE)可以避免繁杂的海量数据集中式处理，且具有良好的可靠性与可扩展性。因此，DSE提供了有效的解决方案。

现有的DSE结构主要分成两大类：分层式结构[34-46]与分散式结构[48]，如图11所示。

图11 分布式状态估计结构

Fig. 11 The diagram of distributed signal processing

在分层式结构中，文献[49]基于SCADA和PMU混合量测，提出了分布式动态状态估计（Distributed Dynamic State Estimation, DDSE）算法,单算法精度较集中式状态估计差；文献[50-52] 都基于相量测量单元(PMU)的提出关于DDSE模型或算法的改进，当配有PMU的边界节点的测量误差大时，会影响收敛性，进而造成估计精度的降低。文献[53-54]中，区域电网完成本地估计后，协调中心协调边界信息不断迭代至区域估计结果收敛，通信量有所增加，但实际中较不易实现。综上所述，在分层式结构中，存在着系统估计精度不足、数据交互通信量较大、算法复杂不易实现等不足。

在分散式结构中，文献[55]建立了带约束的最小二乘估计模型，在每次状态估计过程中只需要交换边界的估计信息；文献[54]和文献[56]提出一种基于Consensus Innovations的DSE方法，这种方法用于任意通信拓扑；文献[57]基于所提方法能够在系统不客观的情况下，仍能保证其估计精度，但达到收敛耗费时间较长；文献[48]提出DSE方法，克服文献[57]中渐进收敛速度慢的缺点，但仅适用于树型拓扑。目前关于分散式状态估计研究处于初步阶段，在算法上渐进收敛性，收敛性与收敛速度难以保证，且算法参数的选择受拓扑结构的影响大。

随着电力系统自动化程度的加深，星型通信拓扑将逐渐被网状或者是链状通信拓扑所取代，未来的电网的控制与调度将越来越趋向于分散式[58-60]。

二

应用前景

分布式信息处理技术主要是通过分布式局部信息采集，进行整个系统的融合估计。大规模复杂电力（能源）系统的分布式信号处理就是一个“盲人摸象”的过程，通过传感器只能感知系统的一部分，如何利用传感器量化压缩后信号形成动态整体系统的状态是关键。随着能源互联网的发展，需要采集的数据种类、数量日益倍增，WSN和 IOT的高速发展，为今后的复杂电力（能源）系统的分布式信号处理奠定基础。

WSN应用广泛，主要在以下领域有重要的应用：工业控制，智能交通，环境监测，农业生产，军事应用，基础设施状态监测。其他领域包括智能家居、物流管理、管道监测、航空监测、健康监护、行为监测和生物学等等。

电力物联网[61]在电力系统主要有以下几个方面的应用：

1）发输变配电环节：设备环境检测，设备状态检测，以及气象检测等。

2）用户侧的数据连接：家庭电器使用监测、工厂车间设备监测、建筑能耗情况监测、城市公共基础设施监测。

3）智慧能源新业务的数据连接：智能电表、碳市场交易、可再生能源的监测包括发电数据及各种组件的运行状态。

参考文献

[1] GRAVINA R, ALINIA P, GHASEMZADEH H, et al. Multi-Sensor Fusion in Body Sensor Networks: State-of-the-art and research challenges[J]. Information Fusion, 2016, 35:68-80.

[2] 梁子鹏，陈皓勇，王勇超，等．含电动汽车的微网鲁棒经济调度[J]．电网技术，2017，41(8)：2647-2656．

[3] 李洪峰,李红霞,陈志刚,李志超,徐鹏.一种新型电动汽车充电桩技术方案探讨[J].电力系统保护与控制,2017,45(06):142-147.

[4] 王亚东,高岩,金锋.智能电表数据分析及应用综述研究[J].信息技术,2015(02):64-68.

[5] 谢维信,陈曾平,裴继红,黄建军,冯纪强.大数据背景下的信号处理[J].中国科学:信息科学,2013,43(12):1525-1546.

[6] 王中杰,谢璐璐.信息物理融合系统研究综述[J].自动化学报,2011,37(10):1157-1166.

[7] 郑宁,杨曦,吴双力.低功耗广域网络技术综述[J].信息通信技术,2017,11(01):47-54.

[8] 郑浩.LoRa技术在低功耗广域网络中的实现和应用[J].信息通信技术,2017,11(01):19-26.

[9] 邹玉龙,丁晓进,王全全.NB-IoT关键技术及应用前景[J].中兴通讯技术,2017,23(01):43-46.

[10] 赵太飞,陈伦斌,袁麓,胡小乔.基于LoRa的智能抄表系统设计与实现[J].计算机测量与控制,2016,24(09):298-301.

[11] 曹军威,万宇鑫,涂国煜,张树卿,夏艾瑄,刘小非,陈震,陆超.智能电网信息系统体系结构研究[J].计算机学报,2013,36(01):143-167.

[12] LI D. Distributed Signal Processing over Large-Scale Complex Systems. Doctoral dissertation[D], Texas A & M University. 2017

[13] 钱志鸿,王义君.面向物联网的无线传感器网络综述[J].电子与信息学报,2013,35(01):215-227.

[14] 杜加根. 无线传感器网络在智能电网中应用的研究[D].武汉理工大学,2011.

[15] AMINIFAR F., FOTOHI-FIRUZABAD M., SAFDARI- AN A., et al. Synchrophasor measurement technology in power systems: panorama and state-of-the-art[J]. IEEE Access, 2014, 2: 1607-1628.

[16] AMIN S M, WOLLENBERG B F. Toward a smart grid: power delivery for the 21st century[J]. IEEE Power & Energy Magazine, 2005, 3(5):34-41.

[17] SHERSON T, HEUSDENS R, KLEIJN W B. On the duality of globally constrained separable problems and its application to distributed signal processing[C]. Signal Processing Conference. 2016:1083-1087.

[18] 王硕. 分布式协同估计方法研究[D].北京理工大学,2015.

[19] 张华滋. 无线网络中的分布式信号处理与信息传播[D].浙江大学,2013.

[20] TERZIJA V, VALVERDE G, CAI D, et al. Wide-Area Monitoring, Protection, and Control of Future Electric Power Networks[J]. Proceedings of the IEEE, 2010, 99(1):80-93.

[21] SWAMI A. Wireless sensor networks : signal processing and communications perspectives[M]. Wiley, 2007.

[22] MURTAZA T, ANDREA C. Distributed and Decentralized Multicamera Tracking[J]. Signal Process- ing Magazine, 2011, 28(3):46-58.

[23] 蔡永智. 分布式电力系统状态估计研究[D].华南理工大学,2016.

[24] LEUNG H, CHANDANA S, WEI S. Distributed sensing based on intelligent sensor networks[J]. IEEE Circuits & Systems Magazine, 2008, 8(2):38-52.

[25] 康莉,谢维信,黄建军,黄敬雄.无线传感器网络中的分布式压缩感知技术[J].信号处理,2013,29(11):1560-1567.

[26] FARAGHER R. Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation [Lecture Notes][J]. Signal Processing Magazine, 2012, 29(5):128-132

[27] 陈善雄,何中市,熊海灵,廖剑伟.一种基于压缩感知的无线传感信号重构算法[J].计算机学报,2015,38(03):614-624.

[28] 孙斌,金心宇.压缩感知在无线传感器网络目标跟踪中的应用[J].电子测量与仪器学报,2014,28(05):463-468.

[29] DONOHO D L. Compressed sensing[J]. Transacti- ons on Information Theory, 2006, 52(4):1289-1306.

[30] HEINZELMAN W R, CHANDRAKASAN A, BALAKRISHNAN H. Energy-efficient communication protocol for wireless microsensor networks[C]. Hawaii International Conference on System Sciences. 2002:8020..

[31] FALCÃO D M, WU F F, MURPHY L. Parallel and Distributed State Estimation[J]. Transactions on Power Systems, 1995, 10(2):724-730.

[32] PREDD J B, Kulkarni S R, Poor H V. Distributed learning in wireless sensor networks[M]. John Wiley & Sons: Chichester, UK, 2007.

[33] TAI X. New state estimation techniques for smart power networks with communication constraints | NOVA. The University of Newcastle's Digital Repository[J]. European Neurology, 2013, 36(3):125-33.

[34] CLEMENTS K. A., DENISON O. J., RINGLEE. R. J. A multi-area approach to state estimation of power system networks[C]. IEEE PES Summer Meeting 1972: C72465-3.

[35] KOBAYASHI H, NARITA S, HAMMAM M S A A. Model coordination method applied to power system control and estimation problems[J]. Lecture Notes in Economics & Mathematical Systems, 1974, 93:114-128.

[36] WALLACH Y., HANDSCHIN E., BONGERS C.. A efficient parallel processing method for power system state estimation [J]. Transactions on Power Apparatus and Systems, 1981, PAS-100(11): 4402-4406.

[37] CUTSEM T V, HORWARD J L, RIBBENS-PAVELLA M. A Two-Level Static State Estimator for Electric Power Systems[J]. Transactions on Power Apparatus & Systems, 1981, PAS-100(8):3722-3732..

[38] SCHWEPPE F. C., WILDES J., ROM D. B., Power system static-state estimation, part I, II, III[J], Transactions on power Apparatus and System, 1970,89(1):120-135

[39] 韩富春,任先成.快速解耦状态估计算法研究[J].电力系统及其自动化学报,2003(06):45-48.

[40] 程浩忠,袁青山,汪一华,龚劲松.基于等效电流量测变换的电力系统状态估计方法[J].电力系统自动化,2000(14):25-29.

[41] 卢志刚,田莎莎,邵奇,吴杰.基于正交变换与置信域的量测方差估计与权重设置算法[J].电工技术学报,2016,31(21):67-74.

[42] 李可文,张步涵,曲伟君.一种基于量测变换的快速解耦状态估计方法[J].华中理工大学学报,2000(02):61-63.

[43] KALMAN R. A new approach to linear filtering and predicted problems[J]. J Basic Eng, 1960, 82(02):61-63.

[44] 赵洪山,田甜.基于自适应无迹卡尔曼滤波的电力系统动态状态估计[J].电网技术,2014,38(01):188-192.

[45] IENKARAN A., SIMON H. Cubature kalman filter[J]. Transactions on Automatic Control, 2009, 54(6): 1254-1269.

[46] BRUNO C., CANDIA C., FRANCHI L., et al. Possibility of enhancing classical weighted least squares state estimation with linear PMU measurements[J]. Bucharest, Powertech 2009: 1-6.

[47] KORRES G N, MANOUSAKIS N M. State estimation and bad data processing for systems including PMU and SCADA measurements[J]. Electric Power Systems Research, 2011, 81(7):1514-1524..

[48] TAI X, LIN Z, FU M, et al. A new distributed state estimation technique for power networks[C]. American Control Conference. 2013:3338-3343.

[49] 孙一冰. 分布式动态状态估计算法及其在电力系统中的应用[D]. 山东大学, 2017.

[50] SHARMA A, SRIVASTAVA S C, CHAKRABARTI S. Multi Area State Estimation for smart grid application utilizing all SCADA and PMU measurements[C]. Innovative Smart Grid Technologies, 2014:525-530.

[51] 杨翾,楼华辉,卢瀚顺,李祥,倪涌炯,曹俊华.基于PMU量测的城市电力系统分布式状态估计算法[J].高压电器,2016,52(04):170-175.

[52] 刘辉乐,刘天琪,彭锦新.基于PMU的分布式电力系统动态状态估计新算法[J].电力系统自动化,2005(04):34-39.

[53] WANG S, GAO W, MELIOPOULOS A P S. An Alternative Method for Power System Dynamic State Estimation Based on Unscented Transform[J]. Transactions on Power Systems, 2012, 27(2):942-950.

[54] KAR S, HUG G, MOHAMMADI J, et al. Distributed State Estimation and Energy Management in Smart Grids: A Consensus+ Innovations Approach[J]. Journal of Selected Topics in Signal Processing, 2014, 8(6): 1022-1038.

[55] GONZÁLEZ X., RAMIREZ J. M., MARMOLEJO J. A., et al. Methodology for multi-area state estimation solved by a decomposition method[J]. Electric Power Systems Research, 2015, 123: 92-99.

[56] XIE L., CHOI D., SOUMMYA K., et al. Fully distributed state estimation for wide-area monitoring systems[J]. Transactions on Smart Grid, 2012, 3(3): 1154-1169.

[57] KEKATOS V., GIANNAKIS G. B.. Distributed Robust Power System State Estimation[J]. Transactions on Power Systems, 2013, 28(2):1617-1626.

[58] YAN W., WEN L., LI W., et al. Decomposition -coordination interior point method and its application to multi-area optimal reactive power flow[J]. International Journal of Electrical Power and Energy System, 2011, 33(1): 55-60.

[59] JEYADEVI S., BASKAR S., BABULAL C. K., et al. Solving multi-objective optimal reactive power dispatch using modified NSGA-II[J]. International Journal of Electrical Power and Energy System, 2011, 32(2): 219-228.

[60] GUO Q, SUN H, LIU Y, et al. Distributed Automatic Voltage Control framework for large-scale wind integration in China[C]. Power and Energy Society General Meeting. 2012:1-5..

[61] 刘建明,赵子岩,季翔.物联网技术在电力输配电系统中的研究与应用[J].物联网学报,2018,2(01):88-102.

点击查看第一期内容

UPloT探索|复杂电力（能源）系统的分布式感知与协同/检测研究综述（一）