1.本发明涉及电力系统配电技术领域，特别涉及一种配电网量测优化配置方法及终端。
背景技术：2.当前主动配电网可观测性不足，极大影响配电网适应大规模分布式电源接入的能量管理能力；并且当前主动配电网多数是基于负载预测的伪量测，其精度较差。
技术实现要素：3.本发明所要解决的技术问题是：提供一种配电网量测优化配置方法及终端，能够提高配电网的可观测性，并提高测量配置精度。
4.为了解决上述技术问题，本发明采用的技术方案为：
5.一种配电网量测优化配置方法，包括步骤：
6.对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合；
7.对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案。
8.为了解决上述技术问题，本发明采用的另一种技术方案为：
9.一种配电网量测优化配置终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
10.对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合；
11.对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案。
12.本发明的有益效果在于：使用多时间断面的fisher信息矩阵的标量函数作为第一蚁群算法中影响信息素更新的参数，将配电网的初始量测集合压缩为候选量测集合，因此通过蚁群算法和基于fim的最优试验设计模型相结合的方法，得到第一阶段的候选量测配置方案，大大减少了量测优化配置的计算时间。使用多时间断面的状态估计精度值作为第二蚁群算法中影响信息素更新的参数，从候选量测集合中求解出状态估计精度最优的量测配置方案，因此在第二阶段计算时，由于第一阶段的存在大大减少了蚂蚁行走时的可选量测个数，在保证量测配置能取到最优解的同时节省了计算时间。同时，由于考虑了多时间断面的两段式量测优化配置，能够有效解决以往主动配电网可观测性不足的问题，提升求解最优量测配置方案的精度。
附图说明
13.图1为本发明实施例的一种配电网量测优化配置方法的流程图；
14.图2为本发明实施例的一种配电网量测优化配置终端的示意图；
15.图3为本发明实施例一的两阶段量测优化配置过程示意图；
16.图4为本发明实施例一的第一蚁群算法量测优化配置流程图；
17.图5为本发明实施例一的第二蚁群算法量测优化配置流程图；
18.图6为本发明实施例二的加权最小二乘状态估计方法计算流程图；
19.标号说明：
20.1、一种配电网量测优化配置终端；2、存储器；3、处理器。
具体实施方式
21.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
22.请参照图1，本发明实施例提供了一种配电网量测优化配置方法，包括步骤：
23.对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合；
24.对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案。
25.从上述描述可知，本发明的有益效果在于：使用多时间断面的fisher信息矩阵的标量函数作为第一蚁群算法中影响信息素更新的参数，将配电网的初始量测集合压缩为候选量测集合，因此通过蚁群算法和基于fim的最优试验设计模型相结合的方法，得到第一阶段的候选量测配置方案，大大减少了量测优化配置的计算时间。使用多时间断面的状态估计精度值作为第二蚁群算法中影响信息素更新的参数，从候选量测集合中求解出状态估计精度最优的量测配置方案，因此在第二阶段计算时，由于第一阶段的存在大大减少了蚂蚁行走时的可选量测个数，在保证量测配置能取到最优解的同时节省了计算时间。同时，由于考虑了多时间断面的两段式量测优化配置，能够有效解决以往主动配电网可观测性不足的问题，提升求解最优量测配置方案的精度。
26.进一步地，所述对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合包括：
27.设置第一蚁群算法的相关参数，初始化所述第一蚁群算法各路径的信息素，得到配电网的初始量测集合；
28.循环使用fisher信息矩阵的标量函数对所述初始量测集合中的各量测点进行多时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到收缩后的候选量测集合。
29.由上述描述可知，通过蚁群算法和基于fim的最优试验设计模型相结合的方法，得到第一阶段的量测优化配置方案。根据第一阶段计算结果，压缩候选量测集，此步骤大大减少了量测优化配置的计算时间，提升了计算效率；并且考虑多时间断面的量测优化配置方法能够提高配电网大规模分布式电源接入的能量管理能力。
30.进一步地，所述fisher信息矩阵的标量函数为：
[0031][0032]
式中，z＝(z1,
…
,zm)
t
表示m
×
1维的量测向量，x表示n
×
1维的状态向量，i、j表示状态向量中的节点i、j，lm表示联合对数似然函数，e(
·
)表示平均值。
[0033]
由上述描述可知，根据fisher信息矩阵的标量函数便于进行初始量测集合的压缩。
[0034]
进一步地，对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案包括：
[0035]
设置第二蚁群算法的相关参数，根据所述候选量测集合初始化所述第二蚁群算法各路径的信息素；
[0036]
循环使用状态估计精度值对所述候选量测集合中的各量测点进行各时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到状态估计精度最优的量测配置方案。
[0037]
由上述描述可知，通过第一阶段的计算，收缩了候选量测集合，从而大大降低了算法的复杂度。在第二阶段计算时，由于第一阶段的存在大大减少了蚂蚁行走时的可选量测个数，在保证量测配置能取到最优解的同时节省了计算时间，提升了计算效率。
[0038]
进一步地，所述状态估计精度值为：
[0039][0040]
式中，v
iρ
表示节点i的ρ相节点电压幅值量测值，表示节点i的ρ相节点电压幅值潮流真解，表示节点i的ρ相节点电压相角量测值，表示节点i的ρ相节点电压相角潮流真解，ρ∈(a，b，c)表示相序；
[0041]
所述得到最佳路径后更新各路径的信息素包括：
[0042]
基于所述状态估计精度值更新蚁群算法信息素：
[0043][0044]
式中，q2表示第二蚁群算法的信息素增加系数，f2表示第k只蚂蚁选择量测计算得到的状态估计精度值，f2＝min(se
accuracy
)。
[0045]
由上述描述可知，通过计算得到的最小状态估计精度值更新蚁群算法信息素，能够提高有效解决以往基于负荷预测的伪量测精度较差的缺点。
[0046]
请参照图2，本发明另一实施例提供了一种配电网量测优化配置终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0047]
对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合；
[0048]
对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信
息素更新，求解出状态估计精度最优的量测配置方案。
[0049]
由上述描述可知，使用多时间断面的fisher信息矩阵的标量函数作为第一蚁群算法中影响信息素更新的参数，将配电网的初始量测集合压缩为候选量测集合，因此通过蚁群算法和基于fim的最优试验设计模型相结合的方法，得到第一阶段的候选量测配置方案，大大减少了量测优化配置的计算时间。使用多时间断面的状态估计精度值作为第二蚁群算法中影响信息素更新的参数，从候选量测集合中求解出状态估计精度最优的量测配置方案，因此在第二阶段计算时，由于第一阶段的存在大大减少了蚂蚁行走时的可选量测个数，在保证量测配置能取到最优解的同时节省了计算时间。同时，由于考虑了多时间断面的两段式量测优化配置，能够有效解决以往主动配电网可观测性不足的问题，提升求解最优量测配置方案的精度。
[0050]
进一步地，所述对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合包括：
[0051]
设置第一蚁群算法的相关参数，初始化所述第一蚁群算法各路径的信息素，得到配电网的初始量测集合；
[0052]
循环使用fisher信息矩阵的标量函数对所述初始量测集合中的各量测点进行多时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到收缩后的候选量测集合。
[0053]
由上述描述可知，通过蚁群算法和基于fim的最优试验设计模型相结合的方法，得到第一阶段的量测优化配置方案。根据第一阶段计算结果，压缩候选量测集，此步骤大大减少了量测优化配置的计算时间，提升了计算效率；并且考虑多时间断面的量测优化配置方法能够提高配电网大规模分布式电源接入的能量管理能力。
[0054]
进一步地，所述fisher信息矩阵的标量函数为：
[0055][0056]
式中，z＝(z1，...，zm)
t
表示m
×
1维的量测向量，x表示n
×
1维的状态向量，i、j表示状态向量中的节点i、j，lm表示联合对数似然函数，e(
·
)表示平均值。
[0057]
由上述描述可知，根据fisher信息矩阵的标量函数便于进行初始量测集合的压缩。
[0058]
进一步地，对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案包括：
[0059]
设置第二蚁群算法的相关参数，根据所述候选量测集合初始化所述第二蚁群算法各路径的信息素；
[0060]
循环使用状态估计精度值对所述候选量测集合中的各量测点进行各时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到状态估计精度最优的量测配置方案。
[0061]
由上述描述可知，通过第一阶段的计算，收缩了候选量测集合，从而大大降低了算法的复杂度。在第二阶段计算时，由于第一阶段的存在大大减少了蚂蚁行走时的可选量测个数，在保证量测配置能取到最优解的同时节省了计算时间，提升了计算效率。
[0062]
进一步地，所述状态估计精度值为：
[0063][0064]
式中，v
iρ
表示节点i的ρ相节点电压幅值量测值，表示节点i的ρ相节点电压幅值潮流真解，表示节点i的ρ相节点电压相角量测值，表示节点i的ρ相节点电压相角潮流真解，ρ∈(a，b，c)表示相序；
[0065]
所述得到最佳路径后更新各路径的信息素包括：
[0066]
基于所述状态估计精度值更新蚁群算法信息素：
[0067][0068]
式中，q2表示第二蚁群算法的信息素增加系数，f2表示第k只蚂蚁选择量测计算得到的状态估计精度值，f2＝min(se
accuracy
)。
[0069]
由上述描述可知，通过计算得到的最小状态估计精度值更新蚁群算法信息素，能够提高有效解决以往基于负荷预测的伪量测精度较差的缺点。
[0070]
本发明上述的一种配电网量测优化配置方法及终端，适用于对配电网进行量测优化配置，能够有效解决以往主动配电网面临可观测性不足和基于负荷预测的伪量测精度较差的缺点，实现支路功率量测装置的优化配置，以下通过具体的实施方式进行说明：
[0071]
实施例一
[0072]
请参照图1，一种配电网量测优化配置方法，包括步骤：
[0073]
s1、对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合。
[0074]
在本实施例中，第一蚁群算法即为第一阶段蚁群算法；初始量测集合为n
×
1阶，经过第一阶段蚁群算法处理，此时的候选量测集合压缩为n
×
1阶，其中n《n。
[0075]
请参照图3，在进行量测配置时，将量测分为包含m个量测的初始量测集和包含n个量测的候选量测集。为实现主动配电网系统的可观测性，在系统初始量测集中添加候选量测集中的部分量测，在添加量测时，需要满足投资成本限制和状态估计精度要求，因此需要进行量测优化配置。
[0076]
s11、设置第一蚁群算法的相关参数，初始化所述第一蚁群算法各路径的信息素，得到配电网的初始量测集合。
[0077]
具体的，请参照图4，设置第一阶段蚁群算法相关参数，初始化各路径的信息素，经过一次遍历后，评价全部蚂蚁走过的路径。
[0078]
s12、循环使用fisher信息矩阵的标量函数对所述初始量测集合中的各量测点进行多时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到收缩后的候选量测集合。
[0079]
在本实施例中，主动配电网系统运行时，在投资成本的限制下，量测安装的数目受到了限制，在不同时刻潮流分布运行情况下，对模型配置相同的量测后进行状态估计时，状态估计的结果会受到不同时刻潮流分布的影响，随之影响状态估计精度值。所以在进行量
测优化配置时，为了满足状态估计精度和量测综合效益的需求，充分考虑潮流分布变化对状态估计精度的影响，在实际建模时考虑多时间断面。
[0080]
其中，fisher信息矩阵的标量函数为：
[0081][0082]
式中，z＝(z1,
…
,zm)
t
表示m
×
1维的量测向量，x表示n
×
1维的状态向量，i、j表示状态向量中的节点i、j，lm表示联合对数似然函数，e(
·
)表示平均值。
[0083]
具体的，请参照图4，对每只蚂蚁选择下一个量测配置点，并分别在n个断面中计算每只蚂蚁的标量函数值f
1,n
，得到信息素反馈信息min(f
1,1
+
……
+f
1,n
)，若当前最优解优于上一代，则替换当前最优配置方案并更新各个蚂蚁的路径信息素，否则直接更新各个蚂蚁的路径信息素，重复循环此流程，一直到最大遍历次数后，根据最新的信息素表得到收缩后的候选量测集合。
[0084]
s2、对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案。
[0085]
在本实施例中，第二蚁群算法即为第二阶段蚁群算法，请参照图3，第二阶段在n
×
1阶的候选量测集合中，通过蚁群算法找出在投资成本限制下，状态估计精度最高的最优量测配置方案。
[0086]
s21、设置第二蚁群算法的相关参数，根据所述候选量测集合初始化所述第二蚁群算法各路径的信息素。
[0087]
具体的，请参照图5，设置第二阶段蚁群算法相关参数，初始化第二阶段蚁群算法中各路径的信息素；经过一次遍历后，评价全部蚂蚁走过的路径。
[0088]
s22、循环使用状态估计精度值对所述候选量测集合中的各量测点进行各时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到状态估计精度最优的量测配置方案。
[0089]
具体的，请参照图5，对每只蚂蚁选择下一个量测配置点，并分别在n个断面中计算每只蚂蚁的状态估计精度值f
2,n
，得到信息素反馈信息min((f
2,1
+
……
+f
2，n
)/n)，若当前最优解优于上一代，则替换当前最优配置方案并更新各个蚂蚁的路径信息素，否则直接更新各个蚂蚁的路径信息素，重复循环此流程，一直到最大遍历次数后，根据最新的信息素表得到最优的量测配置方案。
[0090]
具体的，在第二阶段量测优化配置方案的计算中，采用加权最小二乘状态估计方法对系统进行状态估计建模，进而实现状态估计精度值的计算：
[0091][0092]
式中，v
iρ
表示节点i的ρ相节点电压幅值量测值，表示节点i的ρ相节点电压幅值潮流真解，表示节点i的ρ相节点电压相角量测值，表示节点i的ρ相节点电压相角潮流真解，ρ∈(a，b，c)表示相序。在后续进行量测优化配置时，以加权最小二乘状态估计方法为基础，计算不同量测配置下状态估计的精度值。以衡量状态估计精度的指标为评判量测
配置方案是否达到最优的标准，寻找在投资成本限制下，使se
accuracy
最小的量测配置方案。
[0093]
其中，将计算得到的状态估计精度值作为第二阶段蚁群算法中信息素更新的影响参数，基于所述状态估计精度值更新蚁群算法信息素：
[0094][0095]
式中，q2表示第二蚁群算法的信息素增加系数，f2表示第k只蚂蚁选择量测计算得到的状态估计精度值，f2＝min(se
accuracy
)。
[0096]
为上述两阶段式量测优化配置对应的约束条件：
[0097]
1.状态变量和量测方程的关系：z＝h(x)+e；
[0098]
式中，z∈rm表示量测向量，h(x)表示将量测值与状态变量联系起来的非线性量测函数，x∈r
2n-1
表示由节点电压幅值和节点电压相角组成的状态向量，e∈rm表示量测误差向量，m表示量测个数，n表示节点个数。
[0099]
2.量测方程支路的功率约束：
[0100][0101][0102][0103][0104]
式中，ρ,β,κ∈(a,b,c)表示相序，和分别为节点i与节点j之间的ρ相支路有功功率量测值和支路无功功率量测值，和分别为节点i与节点j之间的ρ相支路有功功率和支路无功功率实际值，和分别为节点i与节点j之间的ρ相支路有功功率和支路无功功率的量测误差，v
iρ
为节点i的ρ相电压幅值，为节点j的κ相电压幅值，其中表示节点i的ρ相电压相角与节点i的κ相电压相角差，表示节点i的ρ相电压相角与为节点j的κ相电压相角差，为节点导纳矩阵中的元素。
[0105]
3.量测方程节点的功率约束：
[0106][0107][0108]
[0109][0110]
式中，和分别表示节点i的ρ相注入有功功率量测值和注入无功功率量测值，p
iρ
和分别表示节点i的ρ相注入有功功率实际值和注入无功功率实际值，和分别表示节点i的ρ相节点注入有功功率和节点注入无功功率量测误差。
[0111]
4.支路电流幅值量测：
[0112][0113][0114]
式中，为节点i与节点j之间ρ相支路电流的实部，为节点i与节点j之间ρ相支路电流的虚部，为节点i与节点j之间的ρ相支路电流幅值量测值，为节点i与节点j之间的ρ相支路电流幅值实际值，为节点i与节点j之间的ρ相支路电流幅值量测的平方对应的量测误差。
[0115]
5.节点电压幅值量测值：
[0116][0117][0118]
式中，为节点i的ρ相节点电压幅值量测值；为节点i的ρ相节点电压幅值量测对应的量测误差。
[0119]
6.加权最小二乘状态估计模型：
[0120][0121]
式中，为测量误差的协方差矩阵，测量误差的协方差矩阵一般被认为是无偏、互不相关且服从高斯分布的随机变量，其中为量测误差ei的协方差，m为量测方程数目。
[0122]
7.量测配置方案下系统的状态估计解：
[0123][0124]
式中，x
(k)
表示第k次迭代时得到的状态变量值；h
t
(x
(k)
)为计算时随着状态变量更新而更新的量测雅可比矩阵；g(x
(k)
)＝h
t
(x
(k)
)r-1
h(x
(k)
)为迭代时计算得到的(2n-1)
×
(2n-1)阶对称正定增益矩阵。
[0125]
8.求解结束的条件：
[0126]
max|δx
(k)
|≤∈；
[0127]
式中，∈表示给定的收敛判据。
[0128]
9.增益矩阵g(x)：
[0129][0130]
式中，h(x)表示将量测量与状态变量联系起来的非线性函数。
[0131]
其中，该式表示了点电压幅值量测对节点电压幅值和节点电压相角的偏导数。
[0132]
因此，本实施例中，将蚁群算法对应于量测优化配置问题中，蚂蚁在觅食时行走的各个节点对应候选量测集合中的各个量测，蚂蚁的行走路径表示量测优化配置问题的可行量测配置方案，整个蚂蚁群体的所有路径构成量测优化配置问题的解空间。以求解状态估计精度最优为例，当以状态估计精度为基于蚁群算法的量测优化配置模型的优化目标时，对应状态估计精度值较小的蚂蚁释放的信息素量较多，随着时间的推进，状态估计精度值较小的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也会越来越多，最终，整个蚂蚁会在正反馈的作用下集中到最佳路径上，此时得到使得状态估计精度值最小的最优量测配置方案。
[0133]
实施例二
[0134]
本实施例与实施例一的区别在于，进一步限定了在第二阶段量测优化配置方案的计算中，采用加权最小二乘状态估计方法对系统进行状态估计建模，进而实现状态估计精度值的计算的具体步骤：
[0135]
请参照图6，加权最小二乘状态估计在求解时需要迭代求解，进而得到量测配置方案下系统的状态估计解：
[0136][0137]
其中，x
(k)
表示第k次迭代时得到的状态变量值，h
t
(x
(k)
)表示计算时随着状态变量更新而更新的量测雅可比矩阵，g(x
(k)
)＝h
t
(x
(k)
)r-1
h(x
(k)
)表示迭代时计算得到的(2n-1)
×
(2n-1)阶对称正定增益矩阵。
[0138]
当模型求解满足max|δx
(k)
|≤∈时，求解结束。
[0139]
其中，∈表示给定的收敛判据。
[0140]
通过迭代计算，模型逐渐收敛，增益矩阵g(x)可以写为：
[0141][0142]
式中，h(x)表示将量测量与状态变量联系起来的非线性函数。
[0143]
量测方程对应的雅可比矩阵的计算过程为：
[0144][0145]
雅可比矩阵中各元素的计算表达式如下所示：
[0146]
(1)节点注入有功功率对节点电压幅值和节点电压相角的偏导数：
[0147][0148][0149]
(2)节点注入无功功率对节点电压幅值和节点电压相角的偏导数：
[0150]
[0151][0152]
(3)支路有功功率对节点电压幅值和节点电压相角的偏导数：
[0153][0154][0155]
(4)支路无功功率对节点电压幅值和节点电压相角的偏导数：
[0156][0157][0158]
(5)支路电流幅值量测的平方对节点电压幅值和节点电压相角的偏导数：
[0159]
[0160][0161]
(6)节点电压幅值量测对节点电压幅值和节点电压相角的偏导数：
[0162][0163][0164]
状态估计精度值的定义如下所示：
[0165][0166]
其中，表示节点i的ρ相节点电压幅值潮流真解；表示节点i的ρ相节点电压相角潮流真解；ρ∈(a,b,c)表示相序。
[0167]
在后续进行量测优化配置时，以加权最小二乘状态估计方法为基础，计算不同量测配置下状态估计的精度值。以衡量状态估计精度的指标为评判量测配置方案是否达到最优的标准，寻找在投资成本限制下，使se
accuracy
最小的量测配置方案。
[0168]
实施例三
[0169]
请参照图2，一种配电网量测优化配置终端1，包括存储器2、处理器3以及存储在所述存储器2上并可在处理器3上运行的计算机程序，所述处理器3执行所述计算机程序时实现实施例一或二的一种配电网量测优化配置方法的各个步骤。
[0170]
综上所述，本发明提供的一种配电网量测优化配置方法及终端，主要针对于现有的配电网量测优化配置方法无法依据单时刻潮流断面进行量测配置，从而提出了一种考虑多时间断面的量测优化配置方法。用蚁群算法对配电网进行优化配置，第一阶段，将fim的标量函数作为蚁群算法中影响信息素更新的目标函数值，实现候选量测集的压缩；第二阶段，将状态估计精度作为第二阶段蚁群算法中影响信息素更新的目标函数值，最终求解得到实现状态估计精度最高的最优量测配置方案。在保证状态估计精度的同时，有效的提升了量测优化配置效率，且具有更高的量测综合配置效益。能够有效解决以往主动配电网可观测性不足和基于负荷预测的伪量测精度较差的问题，提升求解最优量测配置方案的精度，实现支路功率量测装置的优化配置。
[0171]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括
在本发明的专利保护范围内。
技术特征：1.一种配电网量测优化配置方法，其特征在于，包括步骤：对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合；对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案。2.根据权利要求1所述的一种配电网量测优化配置方法，其特征在于，所述对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合包括：设置第一蚁群算法的相关参数，初始化所述第一蚁群算法各路径的信息素，得到配电网的初始量测集合；循环使用fisher信息矩阵的标量函数对所述初始量测集合中的各量测点进行多时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到收缩后的候选量测集合。3.根据权利要求1或2所述的一种配电网量测优化配置方法，其特征在于，所述fisher信息矩阵的标量函数为：式中，z＝(z1,
…
,z
m
)
t
表示m
×
1维的量测向量，x表示n
×
1维的状态向量，i、j表示状态向量中的节点i、j，l
m
表示联合对数似然函数，e(
·
)表示平均值。4.根据权利要求1所述的一种配电网量测优化配置方法，其特征在于，对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案包括：设置第二蚁群算法的相关参数，根据所述候选量测集合初始化所述第二蚁群算法各路径的信息素；循环使用状态估计精度值对所述候选量测集合中的各量测点进行各时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到状态估计精度最优的量测配置方案。5.根据权利要求4所述的一种配电网量测优化配置方法，其特征在于，所述状态估计精度值为：式中，v
iρ
表示节点i的ρ相节点电压幅值量测值，表示节点i的ρ相节点电压幅值潮流真解，表示节点i的ρ相节点电压相角量测值，表示节点i的相节点电压相角潮流真解，ρ∈(a，b，c)表示相序；所述得到最佳路径后更新各路径的信息素包括：基于所述状态估计精度值更新蚁群算法信息素：
式中，q2表示第二蚁群算法的信息素增加系数，f2表示第k只蚂蚁选择量测计算得到的状态估计精度值，f2＝min(se
accuracy
)。6.一种配电网量测优化配置终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合；对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案。7.根据权利要求6所述的一种配电网量测优化配置终端，其特征在于，所述对配电网的初始量测集合使用多时间断面的fisher信息矩阵的标量函数进行第一蚁群算法的信息素更新，压缩得到候选量测集合包括：设置第一蚁群算法的相关参数，初始化所述第一蚁群算法各路径的信息素，得到配电网的初始量测集合；循环使用fisher信息矩阵的标量函数对所述初始量测集合中的各量测点进行多时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到收缩后的候选量测集合。8.根据权利要求6或7所述的一种配电网量测优化配置终端，其特征在于，所述fisher信息矩阵的标量函数为：式中，z＝(z1,
…
,z
m
)
t
表示m
×
1维的量测向量，x表示n
×
1维的状态向量，i、j表示状态向量中的节点i、j，l
m
表示联合对数似然函数，e(
·
)表示平均值。9.根据权利要求6所述的一种配电网量测优化配置终端，其特征在于，对所述候选量测集合使用多时间断面的状态估计精度值进行第二蚁群算法的信息素更新，求解出状态估计精度最优的量测配置方案包括：设置第二蚁群算法的相关参数，根据所述候选量测集合初始化所述第二蚁群算法各路径的信息素；循环使用状态估计精度值对所述候选量测集合中的各量测点进行各时间断面的计算，得到最佳路径后更新各路径的信息素，直至循环到预设次数后，得到状态估计精度最优的量测配置方案。10.根据权利要求9所述的一种配电网量测优化配置终端，其特征在于，所述状态估计精度值为：
式中，v
iρ
表示节点i的ρ相节点电压幅值量测值，表示节点i的ρ相节点电压幅值潮流真解，表示节点i的ρ相节点电压相角量测值，表示节点i的相节点电压相角潮流真解，ρ∈(a，b，c)表示相序；所述得到最佳路径后更新各路径的信息素包括：基于所述状态估计精度值更新蚁群算法信息素：式中，q2表示第二蚁群算法的信息素增加系数，f2表示第k只蚂蚁选择量测计算得到的状态估计精度值，f2＝min(se
accuracy
)。
技术总结本发明公开了一种配电网量测优化配置方法及终端，使用多时间断面的Fisher信息矩阵的标量函数作为第一蚁群算法中影响信息素更新的参数，将配电网的初始量测集合压缩为候选量测集合；使用多时间断面的状态估计精度值作为第二蚁群算法中影响信息素更新的参数，从候选量测集合中求解出状态估计精度最优的量测配置方案。因此在第二阶段计算时，由于第一阶段的存在大大减少了蚂蚁行走时的可选量测个数，在保证量测配置能取到最优解的同时节省了计算时间。同时，由于考虑了多时间断面的两段式量测优化配置，能够有效解决以往主动配电网可观测性不足的问题，提升求解最优量测配置方案的精度。的精度。的精度。
技术研发人员：陈浩 吴桂联 林毅 巨云涛 于燕玲 王杰 林婷婷 倪识远 唐露 廖锦霖
受保护的技术使用者：国网福建省电力有限公司
技术研发日：2022.07.11
技术公布日：2022/11/1
