本文是一篇电气自动化论文，本文首先从主动配电网结构中各个环节的数学模型入手，介绍了主动配电网的传统状态估计数学模型，并分析了传统方法在应对分布式电源大量渗透的主动配电网的不足之处，为后续的研究内容提供了理论基础。
第一章 绪论
1.1课题研究背景及意义
近年来，随着全球经济的飞速发展，传统的化石能源供应已无法满足人类社会的生活生产需求，消耗化石能源带来的环境问题也越来越严重，为了解决这些问题，发展新型可再生清洁能源已势不可挡，且近些年已经在电力、燃气、供热、电动汽车等诸多行业取得极大的成功。随着新能源发电及并网技术的不断发展，未来电网的发展基调必然是能源、环境的可持续发展以及人类命运共同体下全球范围内的清洁能源的大力使用，其本质表现为可再生能源的规模化接入与应用[1]。DG的发电出力特性是高度随机的，在配电网自动控制的研究中需要单独考虑其随机性。这些都促使着原有配电系统发生转变，即向着主动配电系统发展[1, 2]。
随着分布式电源在配电网中的不断渗透，由于分布式电源具有灵活可控的特性，且其在主动配电网中的渗透率越来越高，为了将分布式电源的供能性质最大地释放出来，主动配电网的概念也应运而生[3]。ADN的基本概念是：通过使用灵活的网络拓扑结构来管理潮流，以便对局部的DG进行主动控制和主动管理的配电系统。主动配电网的基本构成包括：配电管理系统（distribution management systems，DMS）、配电自动化设备、DG、储能装置、量测装置、电力电子设备等。其中各部分之间的相互联系如图1.1所示。
我国坚持能源可持续发展的能源政策，新能源发电占比迅速提升，已经成为我国电力系统中不可忽视的一部分。“十三五”期间，我国电力行业取得了一系列优异成绩。供电能力稳步增强，电量结构进一步清洁化[4]。2019年1月30日，北京冬奥会场馆“绿色交易”正式启动。2021年3月24日，随着河南省2021年度“电能替代”交易申报结束，国内首笔电力市场线上柜台交易（OTC交易）通过“e-交易”平台完成。此次交易的成功标志着我国的新能源消纳水平进一步提高，也意味着今后新能源发电的渗透率将会极速提升，新能源发电必然会是未来电力行业的支柱产业。
电气自动化论文怎么写
.............................
1.2研究现状
状态估计也称为滤波，它是利用实时量测系统的冗余度来提高数据精度，自动排除随机干扰引起的错误信息的手段，估计或预报系统的运行状态(或轨迹)的一种方法[6]。状态估计问题的研究已发展多年，如今已发展成为电力系统分析中一门重要学科[7]。同时，以电力系统状态估计理论为基础的各种电力系统状态估计软件也在不断发展，多年以来，面对电力系统的多种复杂运行状态也积累了大量的宝贵经验。随着主动配电网的发展，配电网中的可控设备越来越多，分布式电源与配电网之间的交互性越来越强，配电网状态估计在配电网的实时监测、管理、控制以及交易等方面的作用必然会越来越重要。随着技术的不断革新和发展，基于GPS技术的相量量测装置（Phasor measurement unit，PMU）可以在标准时钟信号的基础上测量同步向量，这也极大程度的解决了电力系统规模较大时产生的量测数据相角不同步问题，也相对简化了状态估计问题。当下我国北斗系统的上线，对我国电力系统中PMU设备的大量应用提供了方便，假以时日，PMU设备能够摆脱GPS单独使用北斗系统进行授时，必定会大大降低PMU设备的使用成本，这也为状态估计的发展提供了新的机遇。
主动配电网这一概念自提出始，便受到国内外专家学者的关注，各国纷纷在本国的电力系统规划上加入主动配电网的理念，我国作为电力系统和新能源发电行业全球领先的能源大国，在主动配电网的研究上更是较为突出，对促进我国能源结构的优化具有战略性意义。
相对传统配电网而言，主动配电网的分布式电源出力具有随机性，且电源组成结构更为多样，电源具有更强的不可控性，以上这些特性也使得主动配电网更加灵活可控，生动体现了主动配电网的“主动”二字。主动配电网的主要目标是[8]提升配电网的资源利用率和提升配电网的供电可靠性及安全性。传统的配电网在运行过程中是以满足负荷需求为目标，对负荷进行跟踪预测，甚至需要对某些负荷进行管控，做出未来的负荷用电预测，根据负荷预测来控制电源出力，从而满足负荷和电源出力的供需平衡。
...................................
第二章 主动配电网状态估计基本概述
2.1主动配电网基本概念
随之我国经济发展和环境保护进程的推进，大量的新能源发电、电动汽车等分布式电源在配电网中的不断渗透，传统配电网的自动化水平已无法满足其安全、经济、可靠运行的基本条件，需要朝着主动配电网的智能电网模式发展[50]。
智能配电网是智能电网的重要组成部分[51]，配电网是直接面向用户的，是面对电网最终端客户的部分。目前，整个电网有一半的损耗发生在配电网，随着大量分布式电源的配网渗透率不断提高，配电网结构越来越复杂，传统配电网的自动化水平远远无法满足当下配电网的需求，所以发展智能配电网势在必行。
2.1.1 主动配电网的基本结构
配电环节是电网中的重要一环。配电环节中最重要的部分是大量的配电设备，主要包括馈线、降压变压器、断路器、开关、继电保护装置、自动装置、量测系统及通信系统等。由上述配电设备和变电站的母线以及负荷母线共同组成的网络称为配电网。主动配电网相较于传统配电网在结构上的变化主要体现在分布式电源的渗入和大量先进量测、通信系统和自动化设备的投入使用，使得整个配电网在结构组成上体现为电源的有源性，也就是所谓的有源配电网，在功能上更体现为控制的主动性，也叫主动配电网。
AND一般由分布式电源、负荷、储能装置、量测系统和控制系统构成。在接线方式上一般分为辐射网、树状网和环状网三种，如图2.1所示。图中，输电网经过变电站降压后进入配电网，变电站母线出口处黑色矩形代表自动重合闸等控制装置，黑色圆点代表节点，箭头代表负荷，负荷包括传统负荷和分布式能源。
............................
2.2主动配电网的数学模型
2.2.1主动配电网量测系统的数学模型
主动配电网量测系统的数学描述主要包含主动配电网实时量测值z和量测误差v。其中，主动配电网实时量测值z包括：主动配电网中各支路的有功功率和无功功率、各个节点的注入有功功率和无功功率、各个节点的电压幅值、个别配置PMU设备节点的节点电压相角等真实量测值以及分布式电源的出力预测及某些负荷预测等伪量测值。实时量测值通过SCADA、PMU、RTU以及AMI等两侧装置遥测采集。伪量测值一般基于大量的历史数据通过传统概率学方法或人工智能方法等进行预测，具有较大的误差，故而其在配电网状态估计中的加权值会随其预测准确性而变化，总体来说权重较小。在主动配电网状态估计中，系统的量测量和状态量的数量需要满足系统可观测性，利用系统冗余度完成主动配电网状态估计和不良数据检测。
配电网电力网络参数主要包括变压器和线路的运行参数。在配电网中的变压器都是降压变压器，其参数主要为在运行状态的降压变压器的电抗和变比；输电线路的运行参数主要是输电线路阻抗和对地导纳，由配电网输电线路的特性决定，在分析计算时忽略输电线路的对地导纳。这些参数一般不会有变化，在设备的出厂铭牌上均可得到体现，但是在实际运行中，这些设备可能无法处于额定状态，故而也会产生误差。
配电网输电线路主要包括架空线路和地下电缆。架空线路由于其成本低，易于调整检修，故而应用较为广泛，是配电网中的主要输电方式。而地下电缆则是集中分布在负荷较为密集的城市配电网中，其成本较高，检修难度大，故而只供应少数的重要用电客户，量测装置配备的也较为完善。
................................
第三章 主动配电网的分区解耦 ................................. 21
3.1主动配电网分布式状态估计概述 ....................................... 21
3.2主动配电网分布式状态估计分区解耦原则............................ 22
第四章 分布式电源的出力预测模型 ....................................... 30
3.1风力发电预测模型 ..................................... 30
3.1.1风电机组基本概念 ................................ 30
3.1.2基于支持向量机的风电机组功率预测模型 .................. 31
第五章 基于迁移学习的配电网卷积神经网络状态估计 ............................. 40
5.1基于迁移学习的不良数据辨识 .................................. 40
5.1.1迁移学习学习概述 ................................... 40
5.1.2基于迁移学习的不良数据辨识........................... 41
第五章 基于迁移学习的配电网卷积神经网络状态估计
5.1 基于迁移学习的不良数据辨识
深度学习是一种对数据进行表征学习的机器学习算法，常用来对大数据进行分类、预测等。深度学习经过十几年的高速发展，已经相当成熟，甚至在许多问题中由于标签数据不够等原因相对限制了深度学习的发展。而迁移学习和深度学习二者相辅相成，在处理大数据相关问题时颇具优势。
5.1.1迁移学习学习概述
顾名思义，迁移学习就是将知识进行迁移的一种方法。其实历史上人类文明的进步无不是迁移学习的结果，迁移学习也可以理解为生活中的学习过程，例如：学会骑自行车之后再学骑摩托车时就可以利用骑自行车的一些方法，学会轮滑之后在学习滑雪就会容易的多，这些例子都有一个共同点，即在学习之前需要进行的基础能力的学习是公用的。俗话说站在巨人的肩膀上就是很好的阐述了迁移学习的原理。迁移学习只是将知识转变为神经网络模型的底层结构，然后将底层结构固定下来，将人类无法看到或者无法量化的知识变为机器语言，再带入新的训练数据进行训练，以达到将已有知识进行迁移解决新问题的目的。迁移学习的基本原理图如图5.1所示。
电气自动化论文参考
................................
第六章 总结与展望
6.1全文总结
随着人类的环境问题日益严峻、能源危机迫在眉睫，极大的推动了新能源发电产业的发展。新能源发电对配电网的不断渗透虽然为配电网提供了大量的清洁电源，极大缓解了供能不足的情况，但大量分布式电源的出力随机性也会给配电网带来隐患，因此，对主动配电网的状态估计就显得尤为重要。 本文针对上述问题，提出了考虑分布式电源的主动配电网的分布式状态估计，得出的主要结论如下：
（1）首先从主动配电网结构中各个环节的数学模型入手，介绍了主动配电网的传统状态估计数学模型，并分析了传统方法在应对分布式电源大量渗透的主动配电网的不足之处，为后续的研究内容提供了理论基础。
（2）从传统状态估计方法对主动配电网的不适应角度分析新型状态估计方法需要解决的问题，首先是主动配电网的规模在不断膨胀，因此需要将传统集中式算法改为目前发展火热的分布式算法，基于上述分析提出了主动配电网的两步分区法，将主动配电网分成若干个子区域。
（3）接着针对分布式电源对主动配电网状态估计的主要负面影响，即出力不确定性，建立了基于SVM的风电机组出力预测模型和光伏发电出力预测模型；使用预测值作为伪量测进行配电网的状态估计，并通过仿真实验证明了所提方法的预测效果优于传统预测方法。
（4）最后考虑在分布式电源的大量渗透以及PMU、RTU、AMI等智能量测装置大量配置的情况下，会有存在大量的量测信息，但是传统方法面对海量信息时不仅无法充分利用，还会造成超过计算瓶颈的问题；但是应用人工智能算法不仅可以有效的利用大数据，数据量的增长对计算速度也不会有很大影响。因此，提出了基于迁移学习的不良数据辨识模型和基于CNN的配电网状态估计模型，并通过仿真节结果对比本文所提算法和传统集中式WLS状态估计算法的估计精度，验证了本文所提算法的优越性。
参考文献（略）