CN106707061A - 基于混合量测的配电网动态状态估计方法 - Google Patents
基于混合量测的配电网动态状态估计方法 Download PDFInfo
- Publication number
- CN106707061A CN106707061A CN201611170195.XA CN201611170195A CN106707061A CN 106707061 A CN106707061 A CN 106707061A CN 201611170195 A CN201611170195 A CN 201611170195A CN 106707061 A CN106707061 A CN 106707061A
- Authority
- CN
- China
- Prior art keywords
- data
- moment
- measurement
- node
- pmu
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于混合量测的配电网动态状态估计方法,读取配电网当前网络参数和网络拓扑结构,并由此形成节点导纳矩阵和支路‑节点关联矩阵;读取配电网各节点的SCADA数据和PMU数据,配置两种数据间的映射关系并处理两种数据间的差异;建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程;在传统的扩展卡尔曼滤波方法中加入容错机制,采用改进的扩展卡尔曼滤波方法对配电网进行状态估计。将动态状态估计应用于混合量测,提高状态估计的精确度,同时引入一种具有适应性的数据检测机制,提高动态状态估计的准确性。
Description
技术领域
本发明属于电力***技术领域,涉及一种基于混合量测的配电网动态状态估计方法。
背景技术
PMU由于采集量测数据快、量测数据精度高等优点,正逐步应用于配电网。动态状态估计可以提前估计下一时刻的状态,能为优化调度和预防控制提供预报数据,能为配电网运行状态进行准确而全面的实时监测。然而大多数的基于PMU的配电网动态状态估计研究都停留在纯PMU***,由于目前全网配置PMU的不经济性,这些研究大多缺乏现实意义。
现有的坏数据的检测与辨识方法,大多是在假设***拓扑结构正确的前提下进行检测与辨识的,而***拓扑错误辨识是在假设量测***正常、无坏数据的情况下进行辨识的。当***量测量突然变化与坏数据同时发生以及网络拓扑错误和坏数据同时发生,原有方法将不再适用。
发明内容
为实现上述目的,本发明提供一种基于混合量测的配电网动态状态估计方法,将动态状态估计应用于混合量测,提高状态估计的精确度,同时引入一种具有适应性的数据检测机制,提高动态状态估计的准确性,解决了现有技术中存在的问题。
本发明所采用的技术方案是,基于混合量测的配电网动态状态估计方法,具体按照以下步骤进行:
步骤1,读取配电网当前网络参数和网络拓扑结构,并由此形成节点导纳矩阵和支路-节点关联矩阵。
步骤2,读取配电网各节点的SCADA数据和PMU数据,配置两种数据间的映射关系并处理两种数据间的差异;
步骤3,建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程;
步骤4,在传统的扩展卡尔曼滤波方法中加入容错机制,采用改进的扩展卡尔曼滤波方法对配电网进行状态估计。
进一步地,步骤2中,配置SCADA数据和PMU数据间的映射关系包括以下步骤:
依此读入各PMU设备的通道序号、通道类型、通道名称、通道值类型、相量序等类型数据;选择与之硬件标识对应的厂站,得到厂站ID、厂站名称、拓扑名称、设备类型ID、设备类型、设备ID和设备名称等类型数据;将当前PMU设备的各种类型数据与与之通道类型对应的SCADA数据的各类型数据对应完全。
进一步地,步骤2中,在处理SCADA数据和PMU数据两种数据间的差异中,应用于状态估计的PMU数据和SCADA数据主要有以下4种差异:数据成分、数据时间断面、数据精度、数据刷新频率。PMU数据和SCADA数据这两套数据成分不同可以通过混合模型的状态估计解决;数据时间断面不一致的问题,通过时延校正法实现其兼容性;对不同精度的测量数据赋予不同的权重可以实现数据精度的兼容性;针对数据刷新频率方面的差异,采用适当的数据预测方法对SCADA数据进行预测使两种数据频率一致。
进一步地,步骤3中,建立与PMU/SCADA混合量测相适应的状态转移方程,采用Holt’s两参数线性指数平滑法建立:
Fk=α(1+β)I
bk=β(ak-ak-1)+(1-β)bk-1
式中:Fk为状态转移矩阵,Gk为控制向量;I为单位矩阵;ak为k时刻的水平分量,ak-1为k-1时刻的水平分量,bk为k时刻的倾斜分量,bk-1为k-1时刻的倾斜分量;为k时刻的状态估计值,为k时刻的状态预测值;α,β∈[0,1]为平滑参数,取α=0.5,β=0.8。
进一步地,步骤3中,建立与PMU/SCADA混合量测相适应的测量方程,按照以下步骤进行:
在SCADA***的基础上加入PMU数据,形成混合量测,SCADA***可以测得实时量测值Pi(x),Qi(x),Pij(x),Qij(x),其中Pi(x),Qi(x)表示节点注入有功、无功功率与状态向量的关系,Pij(x),Qij(x)表示输电线路有功、无功功率与状态向量关系,却不能测得节点电压幅值和相角,而PMU数据可精确测得节点电压幅值和相角,它所测得数据可以直接参与状态估计,为了更好地满足实时在线需求,将PMU的各种量测向量转换成节点电流向量,相应的节点电流向量为:
式中:Pi、Qi为节点注入功率量测;Pij、Qij为支路电流幅值量测;Iij为支路电流幅值量测;Ii为节点注入电流量测;ei、fi分别为i侧的节点电压实部和节点电压的虚部,i、j为节点编号。
进一步地,步骤4中,加入数据检测机制的步骤为:
定义量测误差:
式中:ri(k)为i节点的量测误差,zi(k)为i节点的量测值,为i节点的量测估计值。
标准化量测误差:
式中:为i节点的标准化量测误差,σi(k)为i节点的量测标准差。
选取适当的阈值β对数据好坏进行判断。当时,可判定该量测值有效,可用于电力***状态预测;当时,则该量测值无效,应舍弃,用估计值代替测量值对电力***状态进行监测。β的取值影响数据检测的准确度,应根据实际***适当选择。
进一步地,步骤4中,改进的扩展卡尔曼滤波方法,包括:
预测步:
测量更新步:
式中:
为k+1时刻的状态预测值,xk为k时刻的n维状态向量,f(xk)为非线性状态转移函数,qk为k时刻的n维误差向量,服从均值为零的正态分布,即qk~N(0,Qk),Qk为k时刻的n×n维误差方差矩阵,Pk+1|k为k+1时刻的预报误差协方差矩阵,Fk是k时刻的n×n维的状态转移函数,是k时刻的状态转移函数的转置,Pk为k时刻的估计误差协方差矩阵,Pk+1为k+1时刻的估计误差协方差矩阵,εk+1为误差矩阵,zk+1为k+1时刻的m维量测向量;为非线性量测函数,rk为k时刻的m维量测误差向量,服从均值为零的正态分布,即rk~N(0,Rk),Rk为k时刻的m×m维量测误差方差矩阵,Kk+1为增益矩阵,为k时刻m×m维量测矩阵的转置,Hk+1为k+1时刻的m×m维量测矩阵,为k+1时刻m×m维量测矩阵的转置,Rk+1为k+1时刻的m×m维量测误差方差矩阵,为k+1时刻的状态估计更新值;为k+1时刻的估计误差协方差矩阵,I为单位矩阵,m、n分别为***的量测量数目和状态变量数目。
本发明的有益效果:精确度高,基于SCADA/PMU混合量测数据,为***提供更加准确的量测信息,同时融入一种具有适应性的数据检测机制,能够及时的检测不良数据,为控制决策中心进行经济调度、安全评估和其它相关的高级应用提供数据支持,对于未来智能电网建设具有很重要的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的流程图。
图2是本发明实施例10kV市中Ⅳ线拓扑结构图。
图3是一***节点电压测试结果。
图4是一***节点相角测试结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
(1)读取配电网当前网络参数和网络拓扑结构,并由此形成节点导纳矩阵和支路-节点关联矩阵。
本实例以图2所示江西省共青城10kV配电线路中的市中Ⅳ线为例进行仿真,在节点3、8、9、10、25配置了PMU。
(2)读取配电网各节点的SCADA和PMU实时量测值,配置两种数据间的映射关系并处理两种数据间的差异。
(3)建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程。
(4)在传统的扩展卡尔曼滤波方法中加入数据检测机制,采用改进的扩展卡尔曼滤波方法对配电网进行动态状态估计。
此外,为了更好的体现本发明所提到的数据检测机制的性能,将噪声加入到量测数据中,观察动态状态估计效果。结果如附图3、图4所示,可以很明显地看出,改进型的扩展卡尔曼滤波(Extend Kalman Filter,EKF)能更好地滤除噪声,更加真实地反映配电网状态。
综上,本发明能利用来自SCADA和PMU的量测数据实时快速地追踪预测电网各节点运行状态(电压幅值和相角),并且估计精度高,能够及时的检测不良数据,为控制决策中心进行经济调度、安全评估和其它相关的高级应用提供数据支持,对于未来智能电网建设具有很重要的意义。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.基于混合量测的配电网动态状态估计方法,其特征在于,具体按照以下步骤进行:
步骤1,读取配电网当前网络参数和网络拓扑结构,并由此形成节点导纳矩阵和支路-节点关联矩阵;
步骤2,读取配电网各节点的SCADA数据和PMU数据,配置两种数据间的映射关系并处理两种数据间的差异;
步骤3,建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程;
步骤4,在传统的扩展卡尔曼滤波方法中加入容错机制,采用改进的扩展卡尔曼滤波方法对配电网进行状态估计。
2.根据权利要求1所述的基于混合量测的配电网动态状态估计方法,其特征在于,所述步骤2中,配置SCADA数据和PMU数据间的映射关系包括以下步骤:
依此读入各PMU设备的通道序号、通道类型、通道名称、通道值类型、相量序类型数据;选择与之硬件标识对应的厂站,得到厂站ID、厂站名称、拓扑名称、设备类型ID、设备类型、设备ID和设备名称类型数据;将当前PMU设备的各种类型数据与与之通道类型对应的SCADA数据的各类型数据对应完全。
3.根据权利要求1所述的基于混合量测的配电网动态状态估计方法,其特征在于,所述步骤2中,在处理SCADA数据和PMU数据两种数据间的差异中,应用于状态估计的PMU数据和SCADA数据有以下4种差异:数据成分、数据时间断面、数据精度、数据刷新频率;PMU数据和SCADA数据这两套数据成分不同可以通过混合模型的状态估计解决;数据时间断面不一致的问题,通过时延校正法实现其兼容性;对不同精度的测量数据赋予不同的权重可以实现数据精度的兼容性;针对数据刷新频率方面的差异,采用适当的数据预测方法对SCADA数据进行预测使两种数据频率一致。
4.根据权利要求1所述的基于混合量测的配电网动态状态估计方法,其特征在于,所述步骤3中,建立与PMU/SCADA混合量测相适应的状态转移方程,采用Holt’s两参数线性指数平滑法建立:
Fk=α(1+β)I
bk=β(ak-ak-1)+(1-β)bk-1
式中:Fk为状态转移矩阵,Gk为控制向量;I为单位矩阵;ak为k时刻的水平分量,ak-1为k-1时刻的水平分量,bk为k时刻的倾斜分量,bk-1为k-1时刻的倾斜分量;为k时刻的状态估计值,为k时刻的状态预测值;α,β∈[0,1]为平滑参数,取α=0.5,β=0.8。
5.根据权利要求1所述的基于混合量测的配电网动态状态估计方法,其特征在于,所述步骤3中,建立与PMU/SCADA混合量测相适应的测量方程,按照以下步骤进行:
在SCADA***的基础上加入PMU数据,形成混合量测,SCADA***可以测得实时量测值Pi(x),Qi(x),Pij(x),Qij(x),其中Pi(x),Qi(x)表示节点注入有功、无功功率与状态向量的关系,Pij(x),Qij(x)表示输电线路有功、无功功率与状态向量关系,却不能测得节点电压幅值和相角,而PMU数据可精确测得节点电压幅值和相角,它所测得数据可以直接参与状态估计,为了更好地满足实时在线需求,将PMU的各种量测向量转换成节点电流向量,相应的节点电流向量为:
式中:Pi、Qi为节点注入功率量测;Pij、Qij为支路电流幅值量测;Iij为支路电流幅值量测;Ii为节点注入电流量测;ei、fi分别为i侧的节点电压实部和节点电压的虚部,i、j为节点编号。
6.根据权利要求1所述的基于混合量测的配电网动态状态估计方法,其特征在于,所述步骤4中,加入数据检测机制的步骤为:
定义量测误差:
式中:ri(k)为i节点的量测误差,zi(k)为i节点的量测值,为i节点的量测估计值;
标准化量测误差:
式中:为i节点的标准化量测误差,σi(k)为i节点的量测标准差;
选取适当的阈值β对数据好坏进行判断;当时,可判定该量测值有效,可用于电力***状态预测;当时,则该量测值无效,应舍弃,用估计值代替测量值对电力***状态进行监测;β的取值影响数据检测的准确度,应根据实际***适当选择。
7.根据权利要求1所述的基于混合量测的配电网动态状态估计方法,其特征在于,所述步骤4中,改进的扩展卡尔曼滤波方法,包括:
预测步:
测量更新步:
式中:为k+1时刻的状态预测值,xk为k时刻的n维状态向量,f(xk)为非线性状态转移函数,qk为k时刻的n维误差向量,服从均值为零的正态分布,即qk~N(0,Qk),Qk为k时刻的n×n维误差方差矩阵,Pk+1|k为k+1时刻的预报误差协方差矩阵,Fk是k时刻的n×n维的状态转移函数,是k时刻的状态转移函数的转置,Pk为k时刻的估计误差协方差矩阵,Pk+1为k+1时刻的估计误差协方差矩阵,εk+1为误差矩阵,zk+1为k+1时刻的m维量测向量;为非线性量测函数,rk为k时刻的m维量测误差向量,服从均值为零的正态分布,即rk~N(0,Rk),Rk为k时刻的m×m维量测误差方差矩阵,Kk+1为增益矩阵,为k时刻m×m维量测矩阵的转置,Hk+1为k+1时刻的m×m维量测矩阵,为k+1时刻m×m维量测矩阵的转置,Rk+1为k+1时刻的m×m维量测误差方差矩阵,为k+1时刻的状态估计更新值;为k+1时刻的估计误差协方差矩阵,I为单位矩阵,m、n分别为***的量测量数目和状态变量数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611170195.XA CN106707061A (zh) | 2016-12-16 | 2016-12-16 | 基于混合量测的配电网动态状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611170195.XA CN106707061A (zh) | 2016-12-16 | 2016-12-16 | 基于混合量测的配电网动态状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106707061A true CN106707061A (zh) | 2017-05-24 |
Family
ID=58939232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611170195.XA Pending CN106707061A (zh) | 2016-12-16 | 2016-12-16 | 基于混合量测的配电网动态状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106707061A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199891A (zh) * | 2018-01-12 | 2018-06-22 | 东北大学 | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 |
CN108448568A (zh) * | 2018-03-08 | 2018-08-24 | 国网山东省电力公司潍坊供电公司 | 基于多种时间周期测量数据的配电网混合状态估计方法 |
CN108847659A (zh) * | 2018-06-06 | 2018-11-20 | 天津大学 | 考虑拓扑变化的配电网同步相量量测配置方法 |
CN109754013A (zh) * | 2018-12-31 | 2019-05-14 | 浙江大学 | 一种基于无迹卡尔曼滤波的电力***混合量测融合方法 |
CN109921415A (zh) * | 2019-03-13 | 2019-06-21 | 东北大学 | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 |
CN110048408A (zh) * | 2019-04-17 | 2019-07-23 | 国家电网有限公司 | 一种配电网电压功率灵敏度估计方法和*** |
CN110133449A (zh) * | 2019-06-19 | 2019-08-16 | 山东大学 | 微型pmu故障可观配置下的配电网线路参数辨识方法及*** |
CN110298570A (zh) * | 2019-06-19 | 2019-10-01 | 北京交通大学 | 配电网***拓扑状态辨识方法、装置、存储介质及设备 |
CN110752622A (zh) * | 2019-12-12 | 2020-02-04 | 燕山大学 | 一种配电网仿射状态估计方法 |
CN110957716A (zh) * | 2018-12-29 | 2020-04-03 | 上海电机学院 | 一种基于扩展卡尔曼滤波的增量配电网转供能力优化方法 |
CN111245099A (zh) * | 2020-03-19 | 2020-06-05 | 山东科技大学 | 基于事件触发传输机制和混合量测的配电网状态估计方法 |
CN113255959A (zh) * | 2021-04-09 | 2021-08-13 | 广东电网有限责任公司电力调度控制中心 | 一种电力***动态状态估计方法及*** |
CN113675951A (zh) * | 2021-08-24 | 2021-11-19 | 南通大学 | 基于pmu、scada混合量测的电力***动态状态估计方法 |
CN113824114A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司惠州供电局 | 基于滑模观测的配电网状态估计方法、装置、***及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577426A (zh) * | 2009-03-19 | 2009-11-11 | 上海交通大学 | 适用于广域测量***的电力***状态估计器 |
CN102497019A (zh) * | 2011-12-02 | 2012-06-13 | 清华大学 | 变电站-调度中心两级状态估计多源数据对时与拼接方法 |
CN103050969A (zh) * | 2012-12-12 | 2013-04-17 | 深圳供电局有限公司 | 一种基于馈线树的配电网状态估计方法 |
CN103324847A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 电力***动态不良数据检测与辨识方法 |
CN103326358A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 基于同步相角测量装置的电力***动态状态估计方法 |
CN103972884A (zh) * | 2014-04-24 | 2014-08-06 | 西南交通大学 | 一种电力***状态估计方法 |
CN106026086A (zh) * | 2016-07-08 | 2016-10-12 | 国网江苏省电力公司电力科学研究院 | 一种电网中运行状态的动态估计方法 |
-
2016
- 2016-12-16 CN CN201611170195.XA patent/CN106707061A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577426A (zh) * | 2009-03-19 | 2009-11-11 | 上海交通大学 | 适用于广域测量***的电力***状态估计器 |
CN102497019A (zh) * | 2011-12-02 | 2012-06-13 | 清华大学 | 变电站-调度中心两级状态估计多源数据对时与拼接方法 |
CN103050969A (zh) * | 2012-12-12 | 2013-04-17 | 深圳供电局有限公司 | 一种基于馈线树的配电网状态估计方法 |
CN103324847A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 电力***动态不良数据检测与辨识方法 |
CN103326358A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 基于同步相角测量装置的电力***动态状态估计方法 |
CN103972884A (zh) * | 2014-04-24 | 2014-08-06 | 西南交通大学 | 一种电力***状态估计方法 |
CN106026086A (zh) * | 2016-07-08 | 2016-10-12 | 国网江苏省电力公司电力科学研究院 | 一种电网中运行状态的动态估计方法 |
Non-Patent Citations (2)
Title |
---|
李从善 等: ""用于电力***状态估计的WAMS/SCADA混合量测数据融合方法"", 《高电压技术》 * |
闫丽梅 等: ""基于PMU/SCADA 混合量测的电力***求积分卡尔曼滤波的状态估计"", 《电机与控制学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199891B (zh) * | 2018-01-12 | 2021-04-02 | 东北大学 | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 |
CN108199891A (zh) * | 2018-01-12 | 2018-06-22 | 东北大学 | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 |
CN108448568A (zh) * | 2018-03-08 | 2018-08-24 | 国网山东省电力公司潍坊供电公司 | 基于多种时间周期测量数据的配电网混合状态估计方法 |
CN108847659A (zh) * | 2018-06-06 | 2018-11-20 | 天津大学 | 考虑拓扑变化的配电网同步相量量测配置方法 |
CN108847659B (zh) * | 2018-06-06 | 2021-04-27 | 天津大学 | 考虑拓扑变化的配电网同步相量量测配置方法 |
CN110957716A (zh) * | 2018-12-29 | 2020-04-03 | 上海电机学院 | 一种基于扩展卡尔曼滤波的增量配电网转供能力优化方法 |
CN109754013A (zh) * | 2018-12-31 | 2019-05-14 | 浙江大学 | 一种基于无迹卡尔曼滤波的电力***混合量测融合方法 |
CN109921415A (zh) * | 2019-03-13 | 2019-06-21 | 东北大学 | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 |
CN109921415B (zh) * | 2019-03-13 | 2022-08-02 | 东北大学 | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 |
CN110048408A (zh) * | 2019-04-17 | 2019-07-23 | 国家电网有限公司 | 一种配电网电压功率灵敏度估计方法和*** |
CN110298570A (zh) * | 2019-06-19 | 2019-10-01 | 北京交通大学 | 配电网***拓扑状态辨识方法、装置、存储介质及设备 |
CN110133449A (zh) * | 2019-06-19 | 2019-08-16 | 山东大学 | 微型pmu故障可观配置下的配电网线路参数辨识方法及*** |
CN110133449B (zh) * | 2019-06-19 | 2020-06-23 | 山东大学 | 微型pmu故障可观配置下的配电网线路参数辨识方法及*** |
CN110752622A (zh) * | 2019-12-12 | 2020-02-04 | 燕山大学 | 一种配电网仿射状态估计方法 |
CN110752622B (zh) * | 2019-12-12 | 2023-12-05 | 燕山大学 | 一种配电网仿射状态估计方法 |
CN111245099A (zh) * | 2020-03-19 | 2020-06-05 | 山东科技大学 | 基于事件触发传输机制和混合量测的配电网状态估计方法 |
CN111245099B (zh) * | 2020-03-19 | 2021-03-12 | 山东科技大学 | 基于事件触发传输机制和混合量测的配电网状态估计方法 |
CN113255959A (zh) * | 2021-04-09 | 2021-08-13 | 广东电网有限责任公司电力调度控制中心 | 一种电力***动态状态估计方法及*** |
CN113675951A (zh) * | 2021-08-24 | 2021-11-19 | 南通大学 | 基于pmu、scada混合量测的电力***动态状态估计方法 |
CN113824114A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司惠州供电局 | 基于滑模观测的配电网状态估计方法、装置、***及介质 |
CN113824114B (zh) * | 2021-11-22 | 2022-03-18 | 广东电网有限责任公司惠州供电局 | 基于滑模观测的配电网状态估计方法、装置、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106707061A (zh) | 基于混合量测的配电网动态状态估计方法 | |
CN103326358B (zh) | 基于同步相角测量装置的电力***动态状态估计方法 | |
CN103324847B (zh) | 电力***动态不良数据检测与辨识方法 | |
Schenato et al. | Bayesian linear state estimation using smart meters and pmus measurements in distribution grids | |
CN103972884B (zh) | 一种电力***状态估计方法 | |
CN101383511B (zh) | 基于数据采集***量测数据的电力***状态估计方法 | |
CN105633956B (zh) | 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法 | |
CN103944165B (zh) | 一种大电网参数辨识估计方法 | |
CN103886193B (zh) | 一种电力***模糊自适应抗差估计方法 | |
CN103838959A (zh) | 偏最小二乘回归应用于配电网谐波源定位与检测中的方法 | |
CN106921156A (zh) | 一种基于多采样周期混合量测的主动配电网状态估计方法 | |
CN107453484B (zh) | 一种基于wams信息的scada数据校准方法 | |
CN107658881A (zh) | 基于戴维南等值方法的电压稳定临界点判断方法 | |
CN102508086B (zh) | 一种t形连接电力线路的参数估计方法 | |
CN106443246A (zh) | 基于pmu量测数据的小干扰稳定参数的在线辨识方法 | |
CN104778367A (zh) | 基于单一状态断面的广域戴维南等值参数在线计算方法 | |
CN103606113A (zh) | 基于pmu装置的电力***静态状态估计方法 | |
CN110190600A (zh) | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 | |
CN101958543A (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
CN106026086A (zh) | 一种电网中运行状态的动态估计方法 | |
CN103066591B (zh) | 一种基于实时测量的电网参数偏差识别方法 | |
CN106127047A (zh) | 一种基于延森‑香农距离的电力***恶意数据检测方法 | |
CN104992010A (zh) | 一种基于拓扑分区的多断面联合参数估计方法 | |
CN103020467A (zh) | 一种输电线路参数辨识的方法 | |
CN106054023A (zh) | 一种输电线路单端测距中估计两侧***阻抗的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
RJ01 | Rejection of invention patent application after publication |