1. 研究目的与意义
近年来大量分布式光伏接入配电网，有效应对了能源短缺、环境污染的同时也给配电网带来了不确定性与波动性，提高了对实时优化的要求。但实际情况下配电网本身又处于一个非实时观测的状态，仅有部分节点能够上传实时量测，其余节点仅能获得历史数据无法获得实时数据，这样就导致了基于潮流的实时优化方法无法求解。因此在非实时观测的配电网中如何基于历史数据寻找一种能够重建缺失实时数据的方法成了一个极需解决的问题。
如果成功实现了基于历史数据的实时数据的重建，在一定程度上能够预防电压波动或者高次谐波等问题带来的配电网的不稳定，能够很好的检测配电网的实时动向并且提升人民的用电安全和用电质量，对于科学领域与人民生活具有重大意义。2. 课题关键问题和重难点
1.首先要了解什么是配电网。配电网是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的，在电力网中起重要分配电能作用的网络。
2.了解什么是光伏分布。分布式光伏发电特指在用户场地附近建设，运行方式以用户侧自发自用、多余电量上网，且在配电系统平衡调节为特征的光伏发电设施。
3.配电网的历史数据收集难度极高。配电网一般是树枝状结构，数据分散、点多、每点信息量勺，采集信息困难。并且配电网设备多，数据量很大，因此数据收集很困难。
3. 国内外研究现状（文献综述）
近年来,全国各地的发展日新月异,市民的生活水平不断提升,企业规模不断发展与壮大,需要的电力负荷也相应的增加。随着该市电网规模的逐渐扩增,以及新兴起的电网自动化有关系统的不断开发和利用,从而使该市的电网调度的难度和工作量日渐加大。而且专业人员平时通过报表数据以及大量的人工记录进行分析管理,这种方法不是很方便,可靠性与准确性偏低。目前解决这些问题的一个重要途径是加速电网信息化相关领域的研发和应用,建立电网信息平台。作为电网信息平台的核心部分,电网实时scada信息系统可以提高电网系统的信息化水平,并具有电网实时数据的采集功能,处理功能与发布等功能。本文根据scada信息系统的功能特征,并且通过对其详细设计、总体设计以及scada信息系统编码实现等方面的分析,详细的阐述了scada信息系统的主要功能设计。然后依据scada信息系统的要求,设计出该系统的整个框架,并相应的划分成几个子模块,根据各子模块的功能以及相互间的关系,将一些需要的数据库表的逻辑结构转换为scada信息系统的数据库分布,随后建立相应的数据库表,并且确定它们之间相互的依赖关系。根据系统要求设计出连云港市的电网实时scada数据采集模块,并对各子模块进行相应的测试。scada信息系统投入到社会应用后,效果不错,社会效益与经济效益显著提升,从而为其推广到电力网络用户等市场提供了良好的基础与技术支撑,未来具有广阔的发展前景。
电力数据采集与监控(supervisory control and data acquisition，scada)系统采集的海量量测数据对状态估计、设备评估、系统运行优化具有重要意义[1-2]。近年来随着大数据技术的蓬勃发展，针对电网海量大数据的传输、存储、分析已成为重要的研究方向[3-4]。基于真实可靠的采集数据取得的研究结论才具有实际应用价值，才能正确反映电力系统的运行与客观规律。然而， scada 系统实际运行中，数据的采集、测量、传输、转换各个环节都有可能发生故障或受到干扰，导致数据出现缺失异常等问题[5-6]。一般而言，由于电力系统中量测配置具有一定几余度，对于少数数据缺失的量测，在满足状态估计可观测性的前提下，以伪量测的形式作为替代，不会对状态估计精度产生太大影响，同时状态估计结果可作为缺失数据的填充7。但是当量测缺失数量较多，不满足可观测性条件时，状态估计本身已无法计算，这种处理方法不再适用。也有文献通过均值填充法、热冷卡填补法、回归填充法、最近距离填充算法等数学方法修复缺失数据8，但这类处理方法仅从数据分布角度分析，忽略了电力系统中量测的时序特性和相关性，对电力系统中量测缺失数据的重建效果并不理想。
事实上，电力系统中量测的时序特性、量测间的相关性、负荷变化规律都能作为缺失数据重建的重要依据，例如文献[7]使用浅层的自动编码器神经网络学习这种相关性，实现了缺失数据的重建。但这种复杂的时间空间关系，用浅层神经网络模型进行准确描述较为困难。深度学习技术的发展有望解决这一难题，近年来提出的生成式对抗网络(generative adversarial networks， gan)，在缺失终像修复、高分辨率图像重建等方面已经取得了突破性进展9。缺失图像填充及分割图恢复与电力系统中缺失数据重建问题在本质一具有明显共性，都是在给定上下文约束的条件下，生成符合客观规律的缺失组分0，二者同样面临数据分布维度高、建模复杂的问题。在图像问题上，gan 能通过神经网络的训练以无监督的形式自动学习到数据之间复杂的分布规律，进而生成满足客观规律的新数据解决数据修复问题。
4. 研究方案
| 本设计主要研究含分布式光伏的中压配电网非实时量测数据补全技术研究，具体操作步骤如下： 1.通过构建SCADA系统对我们需要的中压配电网的电力数据进行检测与采集 在电力系统中，SCADA系统应用最为广泛，技术发展也最为成熟。它在远动系统中占重要地位,可以对现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能,即我们所知的'四遥'功能.RTU(远程终端单元),FTU(馈线终端单元)是它的重要组成部分．在现今的变电站综合自动化建设中起了相当重要的作用．
2.利用张量补全方法对缺失数据进行补全 首先要了解张量的定义以及矩阵化 张量是一种高维数组，其空间维数通常称为张量的阶数。一个N阶张量表示为XeRxx…x，X是n维实数空间，l为第n个维度。例如，x表示三阶张量 X的第(a,b,c)个元素。矩阵化，也称为n模展开，是将一个张量重新排列成一个矩阵的过程。张量第 n 模展开矩阵[9]表示为
在张量的矩阵展开过程中，是对张量的所有阶按交错次序采样，并非简单地先采取某一阶的特征值再采取另一阶的特征值，而是在模展开过程中对不同阶的特征值进行交错采样，这样在采样过程中实现了张量不同阶特征值之间的传递和融合。
其次了解张量的补全原理 张量是矩阵在高维空间的扩展，在张量中引入低秩的概念，定义张量的秩为 rank(x)。低秩张量补全的目标函数为 式中: 和分别为待求张量和原缺失张量；为张量中可观测的电流数据位置（a，b，c）的集合。 此目标函数是非凸且离散的，因此需要对式（2）进行凸松弛变凸优化为题。文献[20]提出用张量为矩阵X从大到小排列的第k个奇异值。 再次了解低秩张量补全算法 ADMM 算法起源于 20 世纪 50 年代，在 20世纪70年代发展起来。由于它能够有效处理大规模问题且可以求解优化问题中含有多个非光滑项的目标函数而重新受到关注.3。本节运用 ADMM 算法求解。 式(6)中的目标函数难以求解，因为存在相互依赖的矩阵核范数项，即优化多个矩阵核范数之和时，这些矩阵共享相同的项，不能单独优化。通过分割这些相互依赖的项，使它们能够被独立求解。引入中间辅助矩阵 H、H、H，得到式(6)的等价公式，即:
此目标函数为一个带等式约束的优化问题，为了求解，构造其增广拉格朗日函数为 式中： 为拉格朗日乘子；为张量的内积；为张量的F范数；为惩罚系数，，每次迭代令，本文中t=1.15。 根据ADMM的框架，可以将公式（10）中复杂的优化问题，简化成迭代求解三个子问题。 求解子问题时，固定和，则原问题转换为如下形式：
通过奇异值阈值算法求解得到式（11）子问题的解为 式中：表示以为阈值进行软阈值操作：fold（.）为张量模展开的逆过程。 同理求解子问题时，固定和则原问题转化为如下形式： 式（13）为光滑优化问题，通过一阶微分最有性条件得到该子问题的解为 拉格朗日乘子的迭代形式为： 对上述3个子过程进行交替迭代求解，当时，输出解为失数补全过程。 3.采用改进生成式对抗网络对电力系统量测数据进行重建 3.1WGAN网络结构及训练 对于量测缺失数据重建问题，本文采用的网络整体框架如图2所示。网络结构及超参数选择是在文献[10]基础上进行试验的结果，批归一化层的动量、激活函数均采用原文献的默认参数，卷积核的大小及滤波器数量的选择由实验决定，主要调整思路是以2为倍数缩减或者提高整个网络的滤波器数量，在精度非常近似的情况下选择较小的滤波器值，以减少整个网络的参数，提高训练速度。生成器的详细网络参数如表1所示，网络的输入为 512维的隐变量，通过全连接层及上采样层使数据维度膨胀。考虑到 SCADA量测数据为一维时序数据，使用 1D 卷积层对维度进行缩减。每个 1D 卷积层后均添加批归一化层18，并且采用 ReLU 作为激活函数，来提高网络训练速度。输出卷积层滤波器数量为 4，对应算例所述电压幅值、相角、有功、无功数据4类数据，各卷积层参数经过人为设计，以确保卷积操作后最终输出维度与算例中系统量测总数量保持一致。如表2所示，判别器网络与生成器网络基本对称，不同点在于卷积层的激活函数被替换为LeakyReLU以提高识别性能,网络最终输出代表输入数据属于真实量测数据的概率。在训练判别器网络时，首先从联合高斯分布和历史数据中采集m个样本,构建一个批次的训练数据，将z输入生成器生成量测数据，然后根据优化目标计算判别器的损失值，并采用 Adam 优化器[20]更新网络参数。在训练生成器网络时，固定判别器网络权重,同样计算生成器网络损失值,采用 Adam更新网络参数。在每一次更新生成器网络参数之前，先执行判别器网络参数的更新以提高训练速度。
3.2量测缺失数据重建 训练后的WGAN网络理论上能生成无限多个满足量测数据分布规律的样本，利用WGAN生成模型重建量测缺失数据，需要从所有生成样本中选择与真实情景最接近的样本。在这个步骤中，生成器、判别器的网络权重将被固定，通过损失函数对隐变量z进行训练。这一过程的难点在于，首先，需要对含缺失值的量测进行描述。这里假定量测失效，对应的电压幅值、相角、有功、无功数据4类数据均会丢失。建立一个与系统量测数据维度一致的二值掩码矩阵，其元素值为0表示对应量测出现缺失，否则为。将存在缺失的量测数据及矩阵 作为重建算法的输入，从而使网络能够确认存在缺失的量测位置。 其次，为保证重建后的电力系统量测数据能贴近实际值，需要建立生成量测数据的约束条件。合适的约束条件能将完整量测中含有的潜在信息作为条件，保证生成的量测数据符合实际情景。将电力系统问题类比于图像重建问题，WGAN 所生成的样本应该满足真实性及上下文约束 。 真实性约束用于确保补全的量测数据能尽可能接近真实情况。由于训练后的判别器能够判断输入是否为真实数据，设真实性损失为定义为 式中：表示生成器生成数据;表示判别器网络输出，即所生成的用于数据重建的样本与真实样本之间的 Wasserstein 距离。 上下文约束用于迫使生成器在样本空间中搜索与其他数据完整量测最相似的样本来优化隐变量，从而保证二者具有一致的上下文关系。相似性损失 L;定义为 综上，重建量测缺失数据的最终优化目标为 以式(8)为优化目标，采用 Adam 作为优化器优化隐变量z，使得生成的量测值尽可能接近缺失量测值，最终重建后的量测数据由原样本中可用部分与生成样本中缺失量测对应的部分组成，即: |
5. 工作计划
第一周：翻译相关英文资料,接受任务书，领会课题含义，按要求查找相关资料
第二周：阅读相关资料，理解有关内容；提出拟完成本课题的方案，写出相关开题报告一份
第三周至第五周：大量查阅关于 含分布式光伏的中压配电网非实时量测数据补全技术研究，深入研究中压配电网的相关知识，了解如何进行过往数据的收集，以及了解一些数据补全的基本方法
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
