主权项 |
1.一种电力系统模糊自适应抗差估计方法,其特征在于,包括以下步骤:1)定义第i个测点劣质性的模糊隶属度函数为:<maths num="0001"><![CDATA[<math><mrow><msub><mi>v</mi><mi>i</mi></msub><mrow><mo>(</mo><mo>|</mo><msub><mi>r</mi><mi>i</mi></msub><mo>|</mo><mo>,</mo><msub><mi>σ</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>=</mo><mn>1</mn><mo>-</mo><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mrow><mo>(</mo><mfrac><mrow><mo>|</mo><msub><mi>r</mi><mi>i</mi></msub><mo>|</mo></mrow><mrow><mi>a</mi><msub><mi>σ</mi><mi>i</mi></msub></mrow></mfrac><mo>)</mo></mrow><mi>b</mi></msup><mo>)</mo></mrow><mo>∀</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mi>K m</mi></mrow></math>]]></maths>式中:r<sub>i</sub>为测点i的残差,σ<sub>i</sub>为测点i的量测标准差,v<sub>i</sub>(|r<sub>i</sub>|,σ<sub>i</sub>)为测点i的模糊隶属度,a,b为大于0的常数;2)以最小化测点劣质性的加权模糊隶属度之和为优化目标,提出以下优化模型:<maths num="0002"><![CDATA[<math><mfenced open='{' close=''><mtable><mtr><mtd><mi>min</mi><mi> J</mi><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>i</mi><mo>=</mo><mi>m</mi></mrow></munderover><mfrac><mn>1</mn><msup><msub><mi>σ</mi><mi>i</mi></msub><mn>2</mn></msup></mfrac><mo>/</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mrow><mo>(</mo><mfrac><mrow><mo>|</mo><msub><mi>r</mi><mi>i</mi></msub><mo>|</mo></mrow><mrow><mi>a</mi><msub><mi>σ</mi><mi>i</mi></msub></mrow></mfrac><mo>)</mo></mrow><mi>b</mi></msup><mo>)</mo></mrow><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo><mi>r</mi><mo>=</mo><mi>z</mi><mo>-</mo><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced></math>]]></maths>式中,<img file="FDA0000476422910000013.GIF" wi="95" he="154" />为测点i的权重;3)考虑量测权重不确定性,即量测标准差的不确定性,基于测点模糊隶属度修正量测标准差,以实现对量测粗差的自适应,对于第k+1次迭代,令:<maths num="0003"><![CDATA[<math><mrow><msup><msub><mi>σ</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>=</mo><msup><msub><mi>σ</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></msup><mo>·</mo><mi>f</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>∀</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mi>K m</mi></mrow></math>]]></maths>4)引入非负松弛因子l,u,则步骤2)中优化模型可等价为:<maths num="0004"><![CDATA[<math><mfenced open='{' close=''><mtable><mtr><mtd><mi>min</mi><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>i</mi><mo>=</mo><mi>m</mi></mrow></munderover><mfrac><mn>1</mn><msup><msub><mi>σ</mi><mi>i</mi></msub><mn>2</mn></msup></mfrac><mo>/</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mrow><mo>(</mo><mfrac><mrow><mo>|</mo><msub><mi>r</mi><mi>i</mi></msub><mo>|</mo></mrow><mrow><mi>a</mi><msub><mi>σ</mi><mi>i</mi></msub></mrow></mfrac><mo>)</mo></mrow><mi>b</mi></msup><mo>)</mo></mrow><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo><mi>z</mi><mo>-</mo><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>l</mi><mo>-</mo><mi>u</mi><mo>=</mo><mn>0</mn><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow><mo>></mo><mn>0</mn></mtd></mtr></mtable></mfenced></math>]]></maths>5)将步骤3)中的等式约束设为障碍函数,可得以下拉格朗日函数:<maths num="0005"><![CDATA[<math><mrow><mi>L</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>,</mo><mi>x</mi><mo>,</mo><mi>α</mi><mo>,</mo><mi>β</mi><mo>,</mo><mi>λ</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>i</mi><mo>=</mo><mi>m</mi></mrow></munderover><mfrac><mn>1</mn><msup><msub><mi>σ</mi><mi>i</mi></msub><mn>2</mn></msup></mfrac><mo>/</mo><mo>(</mo><mn>1</mn><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mrow><mo>(</mo><mfrac><mrow><mo>|</mo><msub><mi>l</mi><mi>i</mi></msub><mo>+</mo><msub><mi>u</mi><mi>i</mi></msub><mo>|</mo></mrow><mrow><mi>a</mi><msub><mi>σ</mi><mi>i</mi></msub></mrow></mfrac><mo>)</mo></mrow><mi>b</mi></msup><mo>)</mo></mrow><mo>)</mo><mo>+</mo><mi>λ</mi><mrow><mo>(</mo><mi>z</mi><mo>-</mo><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>l</mi><mo>-</mo><mi>u</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>α</mi><mi>T</mi></msup><mi>l</mi><mo>+</mo><msup><mi>β</mi><mi>T</mi></msup><mi>u</mi></mrow></math>]]></maths>式中:λ、α、β为m维拉格朗日乘子,即对偶变量;l,u为原变量;6)求解步骤4)中拉格朗日函数的KKT条件得:<maths num="0006"><![CDATA[<math><mfenced open='{' close=''><mtable><mtr><mtd><msub><mi>L</mi><mi>l</mi></msub><mo>=</mo><mfrac><mrow><mo>∂</mo><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><mi>l</mi></mrow></mfrac><mo>+</mo><mi>λ</mi><mo>+</mo><mi>α</mi><mo>=</mo><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>u</mi></msub><mo>=</mo><mfrac><mrow><mo>∂</mo><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><mi>l</mi></mrow></mfrac><mo>-</mo><mi>λ</mi><mo>+</mo><mi>β</mi><mo>=</mo><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>x</mi></msub><mo>=</mo><mo>▿</mo><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mi>λ</mi><mo>=</mo><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>α</mi></msub><mo>=</mo><mi>l</mi><mo>⇒</mo><msup><msub><mi>L</mi><mi>α</mi></msub><mi>u</mi></msup><mo>=</mo><mi>ALe</mi><mo>-</mo><mi>μe</mi><mo>=</mo><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>β</mi></msub><mo>=</mo><mi>u</mi><mo>⇒</mo><msup><msub><mi>L</mi><mi>β</mi></msub><mi>u</mi></msup><mo>=</mo><mi>BUe</mi><mo>-</mo><mi>μe</mi><mo>=</mo><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>λ</mi></msub><mo>=</mo><mi>z</mi><mo>-</mo><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>l</mi><mo>-</mo><mi>u</mi><mo>=</mo><mn>0</mn></mtd></mtr></mtable></mfenced></math>]]></maths>上式中,▽h(x)为h(x)的雅克比矩阵,L=diag(l<sub>1</sub>,l<sub>2</sub>,…,l<sub>m</sub>),U=diag(u<sub>1</sub>,u<sub>2</sub>…,u<sub>m</sub>);A=diag(α<sub>1</sub>,α<sub>2</sub>,…,α<sub>m</sub>),B=diag(β<sub>1</sub>,β<sub>2</sub>,…,β<sub>m</sub>),e=[1,…1]<sup>T</sup>,μ为扰动因子,且满足<img file="FDA0000476422910000022.GIF" wi="515" he="144" />7)将步骤5)中的KKT条件用牛顿—拉弗森法线性化后得到如下修正方程:<maths num="0007"><![CDATA[<math><mrow><mfenced open='[' close=']'><mtable><mtr><mtd><mfrac><mrow><msup><mo>∂</mo><mn>2</mn></msup><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><msup><mi>l</mi><mn>2</mn></msup></mrow></mfrac></mtd><mtd><mfrac><mrow><msup><mo>∂</mo><mn>2</mn></msup><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow></mrow><mrow><mrow><mo>∂</mo><mi>l</mi></mrow><mo>∂</mo><mi>u</mi></mrow></mfrac></mtd><mtd><mi>I</mi></mtd><mtd><mi>I</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mfrac><mrow><msup><mo>∂</mo><mn>2</mn></msup><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><mi>u</mi><mrow><mo>∂</mo><mi>l</mi></mrow></mrow></mfrac></mtd><mtd><mfrac><mrow><msup><mo>∂</mo><mn>2</mn></msup><mi>J</mi><mrow><mo>(</mo><mi>l</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><msup><mi>u</mi><mn>2</mn></msup></mrow></mfrac></mtd><mtd><mo>-</mo><mi>I</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>I</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>I</mi></mtd><mtd><mo>-</mo><mi>I</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mo>-</mo><msup><mo>▿</mo><mi>T</mi></msup><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi>A</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>L</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>B</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>U</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mo>▿</mo><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><msup><mo>▿</mo><mn>2</mn></msup><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mi>λ</mi></mtd></mtr></mtable></mfenced><mo>·</mo><mfenced open='[' close=']'><mtable><mtr><mtd><mi>dl</mi></mtd></mtr><mtr><mtd><mi>du</mi></mtd></mtr><mtr><mtd><mi>dx</mi></mtd></mtr><mtr><mtd><mi>dα</mi></mtd></mtr><mtr><mtd><mi>dβ</mi></mtd></mtr><mtr><mtd><mi>dλ</mi></mtd></mtr></mtable></mfenced><mo>=</mo><mo>-</mo><mfenced open='[' close=']'><mtable><mtr><mtd><msub><mi>L</mi><mi>l</mi></msub></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>u</mi></msub></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>x</mi></msub></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>α</mi></msub></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>β</mi></msub></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>λ</mi></msub></mtd></mtr></mtable></mfenced></mrow></math>]]></maths>式中:▽<sup>2</sup>h(x)为h(x)的海森矩阵;8)根据原—对偶内点法的迭代步骤,更新状态量,直至收敛。 |