CN107563550A - 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 - Google Patents
一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 Download PDFInfo
- Publication number
- CN107563550A CN107563550A CN201710731467.7A CN201710731467A CN107563550A CN 107563550 A CN107563550 A CN 107563550A CN 201710731467 A CN201710731467 A CN 201710731467A CN 107563550 A CN107563550 A CN 107563550A
- Authority
- CN
- China
- Prior art keywords
- node
- formula
- pmu
- power
- state estimation
- 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.)
- Granted
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法。主要是利用最小均方差估计算法(MMSE)与潮流模型作为核心计算得到分布式电网状态估计量;利用遗传算法作为核心计算得到PMU配置位置优化方案。实时PMU状态估计方法在分布式电网的潮流快速变化中,计算得到较准确的电压、相角估计值,保证电力***的稳定运行与调控;通过遗传算法优化PMU配置位置,减小状态估计误差。该状态估计及其优化方法能提高在含有分布式电能资源的电网中状态估计的精度,使电网中风能、光伏发电产生的电压快速波动问题对状态估计产生的影响得到解决。
Description
技术领域:
本发明涉及电力***状态估计的技术领域,特别涉及基于PMU的含分布式电能资源的电网状态估计及其优化方法。
背景技术
目前随着电力电力***的调度自动化水平越来越高,加强实时数据库的可靠性和准确性成为对电网实施有效控制与操作的前提。但配网遥测设备经常受随机误差、仪表误差和模式误差的干扰而导致数据不准,直接利用仪器传送上来的数据进行计算不能满足要求。
就目前而言,各区域电网的调度中心拥有并维护着所辖电网的详细参数。各调度中心都针对所辖区域内的电网建立了较为详细的电力***模型,而对相邻电网的模型则在一定程度上进行简化和等值,并在此***模型的基础上进行计算机仿真,这样就为电力调度与电网监控提供了重要依据。上述简化等值的方法克服了由于电力***数据资源广域分布所带来的数据难以收集的困难,降低了***仿真的复杂程度,对于联系不太紧密的子网在一定的精度范围内能够满足实际工程需要,但简化等值模型的适用范围有限。
输电网一般三相平衡且对称,有很多的量测仪表,环网结构,而配电网网络拓扑为放射状,在正常运行时是开环,只有在倒换负荷或发生故障时才有可能出现环网运行情况。配电网的另一个特点是配电线路的总长度较输电线路要长且分支较多,配电线的线径比输电网细,导致配电网r/x比较大,且线路的充电电容可以忽略。有单相、双相、三相不对称负荷,量测仪表相对不足,状态估计需要预测的负荷数据才行。配电网自身的特点决定网络雅克比矩阵的条件数增大,呈现不同程度的病态特征,传统的输电***的状态估计方法如快速分解状态估计法来计算配电网时收敛效果都不好。
在大电网供电的基础上,在配电***靠近用户侧引入容量不大的分布式电源供电,可以综合利用现有资源和设备,向用户提供可靠和优质的电能。当在配电***中引入分布式电源形成分布式发电***后,引起了配电线路中传输的有功和无功功率的数量和方向的改变,配电***成为了一个多电源的***,而且不一定能维持严格的辐射型结构。因此需要对现有的配电网状态估计算法进行改造和调整。
为了解决目前功率预测方法仍存在的较大误差难以满足高精度***状态估计要求的问题,应用同步相量测量(PMU)装置实现区域电网状态估计的研究逐步增多,一些研究提出了诸如利用PMU装置和SCADA***混合估计、PMU测量信息结合节点净功率预测等解决方法,但由于PMU装置高昂的价格等实现困难的原因制约了这些方法的应用。
因此,若能设计一种能对分布式电网进行实时状态估计的方法,同时通过优化,高效利用PMU装置测量信息实时并且高精度测量电压幅值与相角的优点,将能保证电力***在接入分布式电能资源后的稳定运行,提高状态估计的精度。
发明内容:
本发明的目的在于提供一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法。该方法能够高效利用PMU装置测量信息实时并且高精度测量电压幅值与相角的优点,能提高接入分布式电能资源后状态估计的精度。
本发明可通过以下的技术方案加以实现:
一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,其特征在于,
步骤1、通过随机抽样得到电网的电阻、电抗;并定义节点有功功率、无功功率服从高斯分布,将二者的标准差设为定值,对其平均值进行随机抽样,得到有功,无功功率高斯分布函数;根据前推回代法计算配电网实际潮流、幅值与相位;
步骤2、根据配备了PMU装置的节点得到测量点电压幅值与相位;通过最小均方估计与最小二乘估计法,利用有功、无功功率计算得到其余节点的电压幅值、相位,比较其与实际值的误差,计算绝对误差,评估状态估计效果;
步骤3、利用遗传算法对PMU装置的配置位置进行优化,找到最小均方根误差值(ARMSE)的PMU配置节点位置,从而得到最优方案。
在上述的一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,所述步骤1中,定义配电网各节点电阻ri,电抗xi服从随机分布,对ri,xi进行采样;并定义各节点有功功率pi、无功功率qi服从高斯分布然后对pi、qi进行采样。
3.根据权利要求1所述的一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,其特征在于,所述步骤2具体包括以下子步骤:
步骤3.1、由选取的安装PMU装置测量点,求取测量过渡矩阵Pm。每个节点与其相邻节点的电压幅值、相位差Δy可表示为:
式中,yi表示节点电压幅值,δi表示节点电压相位。
随机选取测量点k、k+3的幅值计算:
式中,Δym表示相邻两测量点幅值、相位差:
同理求取状态估计过渡矩阵Pe。计算测量点为k、k+3,状态估计点为k+1、k+2的幅值:
式中,Δye表示相邻两状态估计点幅值、相位差;
步骤3.2、计算支路潮流矩阵S:
其中,分别表示支路净有功,无功功率;sn表示净功率。
步骤3.3、由经典潮流方程推导配电网中节点电压幅值、相位与有功、无功功率间的关系。
考虑一节点集合为V={1,2,…,N}的树状配电馈线,其中根节点编号为1,且由根节点开始,每个节点的子节点编号比其父节点要大,表示为其中V表示总节点或母线数,E表示支路。定义i的子节点集合为经典潮流方程如下:
式中,j∈Ci,rij和xij分别表示节点i与节点j之间的电阻和电抗,Pij和Qij分别表示从节点i流向节点j的有功功率与无功功率,和表示节点j消耗的实际有功与无功功率,和表示节点j的有功和无功电源,vi表示节点i的电压幅值,lij表示支路(i,j)电流的平方。
在非线性电力***中,支路两端电压相位差计算公式如下:
式中:δi表示i点的电压相位。通过近似认为lij≈0,且电压幅值约等于标幺值。定义:并将其带入式六和式七中,得到近似的线性潮流计算公式:
对于直线型网络,即所有的母线均朝同一个方向排列,每个节点有一个向上的和一个向下的支路,则式八可简化为:
式中:k=0,1,...,N-1。可将式四改写为:
式中:和分别表示节点i的净有功功率和净无功功率。结合式五,式九和式十,建立节点的有功功率、无功功率与电压幅值、相位间的方程:
步骤3.4、将式十一带入式三,式四,求得Δym,Δye:
步骤3.5、此时获得的状态估计值Δye误差较大,进一步用最小均方差估计法(MMSE)与最小线性二乘法(LLSE)建立状态估计器更新估计结果。在贝叶斯估计方程中,假定给定联合分布(X,Z),其中Z为测量量,X为估计量,虚构造估计函数Y=g(Z),使均方误差E(||X-Y||2)最小。在已经给定Z的条件下,MMSE等价于条件期望E[X|Y]。定义估计量与测量量在分布区间内都是线性的,得到测量量的最小均方误差也是线性的,即线性最小二乘估计,表示为L[X|Y],即关于Z的线性方程a+bZ使得E((X-a-bZ)2)最小。在多变量条件下,对于关于X、给定Z的线性方程L[X|Y]=a+bZ表示使最小。对于上述条件中,最优线性估计方程为:
式中:cov(X,Z)表示变量X和Z的协方差;var(Z)表示Z的方差;
若Z的标准差矩阵∑Z是可逆的,则:
将X=Δye,Z=Δym带入式十四,可得:
式中,μs表示净功率平均值:
步骤3.6、计算协方差∑s(t):
∑s(t)=E((sn-μs)(sn-μs)T) 式十七
式中,t表示采样次数。
步骤3.7、将Zm=PmZn,Ze=PeZn式(16),式十七带入式十五,得到更新后的状态估计值Δye。
在上述的一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,所述步骤3具体方法是:利用遗传算法对PMU配置位置进行优化。定义均方根误差(ARMSE):
式中,N表示总节点个数,M表示测量点个数,yr(n)表示实际电压幅值、
相位值,ye(n)表示经MMSE更新后的状态估计值。
以ARMSE作为适应度函数进行优化,经过编码、交叉、变异、选择操作后更新配置方案,得到使ARMSE值最小时的PMU配置位置。
本发明的有益效果是:本发明的基于PMU的配电网实时分布式状态估计及PMU的优化配置方法同时具有估计量精度高和测量与计算响应速度快的优点,能提高接入分布式电能资源后电网的稳定性,将利于实现更加快速与精准的调度。同时通过优化提高了PMU装置的利用效率,使状态估计效果得到优化。
附图说明:
图1是基于PMU装置的实时分布式电网状态估计原理图;
图2是IEEE33节点配电***接线图。
图3是含PMU装置状态估计结果与实际值分布图。
图4是含PMU装置状态估计结果绝对误差柱状图。
图5是遗传算法优化最优个体均方根误差(ARMSE)变化折线图。
具体实施方式:
下面结合附图对本发明专利进一步说明。本发明主要包括以下步骤:
(1)假定配电网各节点电阻ri,电抗xi服从随机分布,对ri,xi进行采样;假定各节点有功功率pi、无功功率qi服从高斯分布 对pi、qi进行采样。
(2)由选取的安装PMU装置测量点,求取测量过渡矩阵Pm。每个节点与其相邻节点的电压幅值、相位差Δy可表示为:
式中,yi表示节点电压幅值,δi表示节点电压相位。
以选取测量点k、k+3的幅值计算为例:
式中,Δym表示相邻两测量点幅值、相位差:
同理求取状态估计过渡矩阵Pe。计算测量点为k、k+3,状态估计点为
k+1、k+2的幅值:
式中,Δye表示相邻两状态估计点幅值、相位差。
(3)计算支路潮流矩阵S:
其中,分别表示支路净有功,无功功率;sn表示净功率。
(4)由经典潮流方程推导配电网中节点电压幅值、相位与有功、无功功率间的关系。
考虑一节点集合为V={1,2,…,N}的树状配电馈线,其中根节点编号为1,且由根节点开始,每个节点的子节点编号比其父节点要大,表示为其中V表示总节点或母线数,E表示支路。
定义i的子节点集合为经典潮流方程如下:
式中,j∈Ci,rij和xij分别表示节点i与节点j之间的电阻和电抗,Pij和Qij分别表示从节点i流向节点j的有功功率与无功功率,和表示节点j消耗的实际有功与无功功率,和表示节点j的有功和无功电源,vi表示节点i的电压幅值,lij表示支路(i,j)电流的平方。
在非线性电力***中,支路两端电压相位差计算公式如下:
式中:δi表示i点的电压相位。
通过近似认为lij≈0,且电压幅值约等于标幺值。定义:并将其带入式六和式七中,得到近似的线性潮流计算公式:
对于直线型网络,即所有的母线均朝同一个方向排列,每个节点有一个向上的和一个向下的支路,则式八可简化为:
式中:k=0,1,...,N-1。可将式四改写为:
式中:和分别表示节点i的净有功功率和净无功功率。结合式五,式九和式十,建立节点的有功功率、无功功率与电压幅值、相位间的方程:
(5)将式十一带入式三,式四,求得Δym,Δye:
(6)此时获得的状态估计值Δye误差较大,进一步用最小均方差估计法(MMSE)与最小线性二乘法(LLSE)建立状态估计器更新估计结果。在贝叶斯估计方程中,假定给定联合分布(X,Z),其中Z为测量量,X为估计量,虚构造估计函数Y=g(Z),使均方误差E(||X-Y||2)最小。在已经给定Z的条件下,MMSE等价于条件期望E[X|Y]。
假设估计量与测量量在分布区间内都是线性的,得到测量量的最小均方误差也是线性的,即线性最小二乘估计,表示为L[X|Y],即关于Z的线性方程a+bZ使得E((X-a-bZ)2)最小。在多变量条件下,对于关于X、给定Z的线性方程L[X|Y]=a+bZ表示使最小。对于上述条件中,最优线性估计方程为:
式中:cov(X,Z)表示变量X和Z的协方差;var(Z)表示Z的方差;
若Z的标准差矩阵∑Z是可逆的,则:
将X=Δye,Z=Δym带入式十四,可得:
式中,μs表示净功率平均值:
(7)计算协方差∑s(t):
Σs(t)=E((sn-μs)(sn-μs)T) 式十七
式中,t表示采样次数。
(8)将Zm=PmZn,Ze=PeZn,式十六,式十七带入式十五,得到更新后的状态估计值Δye。
(9)利用遗传算法对PMU配置位置进行优化。定义均方根误差(ARMSE):
式中,N表示总节点个数,M表示测量点个数,yr(n)表示实际电压幅值、相位值,ye(n)表示经MMSE更新后的状态估计值。
以ARMSE作为适应度函数进行优化,经过编码、交叉、变异、选择操作后更新配置方案,得到使ARMSE值最小时的PMU配置位置。
附图1为本发明采用的基于PMU装置的实时分布式电网状态估计原理图,包括计算先验量与实时量两个部分。在进行状态估计前,由配电网结构与负荷预测建立电网模型,将预测量输入到状态估计器中,并结合PMU装置测得的实时测量量得到其余节点的电压幅值、相位。
下面结合附图2说明上述算法的具体技术实现。
以IEEE33节点配电***接线图电压幅值状态评估为例,假定PMU放置在第1、6、11、16、21、27节点处。假定各节点电阻rk、电抗xk服从均匀分布U(0.01,0.11)Ω,采用蒙特卡洛法进行随机抽样;节点1处电压v0=12kV;各节点有功、无功功率服从高斯分布,其中平均值均随机分布在(-1,1)kW内,标准差抽样得到各节点有功功率pi,无功功率qi。
采用前推回代法计算得到配电网实际潮流ur,ir和幅值yr,相位δr;根据式十五计算得到Δye。
利用遗传算法进行PMU配置位置的优化,操作方法为:遗传算子的选择采用轮盘赌法;杂交采用两点交叉方式;变异采用单点变异,即随机选择一个位置,将该点基因取反。其中交叉概率:PC=0.25,变异概率:PM=0.01,规模M=30,代数G=10。
附图3为PMU放置在第1、6、11、16、21、27节点处时实际电压幅值yr与状态估计值ym的对比图;附图4为各节点电压幅值绝对误差|ym-yr|分布;附图5为每代最优个体ARMSE变化图。
因此,本发明提出的基于PMU的配电网实时分布式状态估计及PMU的优化配置方法同时具有估计量精度高和测量与计算响应速度快的优点,能提高接入分布式电能资源后电网的稳定性,将利于实现更加快速与精准的调度。同时通过优化提高了PMU装置的利用效率,使状态估计效果得到优化。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴之内,应由各权利要求限定。
Claims (4)
1.一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,其特征在于,
步骤1、通过随机抽样得到电网的电阻、电抗;并定义节点有功功率、无功功率服从高斯分布,将二者的标准差设为定值,对其平均值进行随机抽样,得到有功,无功功率高斯分布函数;根据前推回代法计算配电网实际潮流、幅值与相位;
步骤2、根据配备了PMU装置的节点得到测量点电压幅值与相位;通过最小均方估计与最小二乘估计法,利用有功、无功功率计算得到其余节点的电压幅值、相位,比较其与实际值的误差,计算绝对误差,评估状态估计效果;
步骤3、利用遗传算法对PMU装置的配置位置进行优化,找到最小均方根误差值(ARMSE)的PMU配置节点位置,从而得到最优方案。
2.根据权利要求1所述的一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,其特征在于,所述步骤1中,定义配电网各节点电阻ri,电抗xi服从随机分布,对ri,xi进行采样;并定义各节点有功功率pi、无功功率qi服从高斯分布然后对pi、qi进行采样。
3.根据权利要求1所述的一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,其特征在于,所述步骤2具体包括以下子步骤:
步骤3.1、由选取的安装PMU装置测量点,求取测量过渡矩阵Pm;每个节点与其相邻节点的电压幅值、相位差Δy可表示为:
式中,yi表示节点电压幅值,δi表示节点电压相位;
随机选取测量点k、k+3的幅值:
式中,Δym表示相邻两测量点幅值、相位差:
同理求取状态估计过渡矩阵Pe;计算测量点为k、k+3,状态估计点为k+1、k+2的幅值:
式中,Δye表示相邻两状态估计点幅值、相位差;
步骤3.2、计算支路潮流矩阵S:
其中,分别表示支路净有功,无功功率;sn表示净功率;
步骤3.3、由经典潮流方程推导配电网中节点电压幅值、相位与有功、无功功率间的关系;
考虑一节点集合为V={1,2,…,N}的树状配电馈线,其中根节点编号为1,且由根节点开始,每个节点的子节点编号比其父节点要大,表示为其中V表示总节点或母线数,E表示支路;定义i的子节点集合为经典潮流方程如下:
式中,j∈Ci,rij和xij分别表示节点i与节点j之间的电阻和电抗,Pij和Qij分别表示从节点i流向节点j的有功功率与无功功率,和表示节点j消耗的实际有功与无功功率,和表示节点j的有功和无功电源,vi表示节点i的电压幅值,lij表示支路(i,j)电流的平方;
在非线性电力***中,支路两端电压相位差计算公式如下:
式中:δi表示i点的电压相位;通过近似认为lij≈0,且电压幅值约等于标幺值;定义:并将其带入式六和式七中,得到近似的线性潮流计算公式:
对于直线型网络,即所有的母线均朝同一个方向排列,每个节点有一个向上的和一个向下的支路,则式八可简化为:
式中:k=0,1,...,N-1;可将式四改写为:
式中:和分别表示节点i的净有功功率和净无功功率;结合式五,式九和式十,建立节点的有功功率、无功功率与电压幅值、相位间的方程:
步骤3.4、将式十一带入式三,式四,求得Δym,Δye:
步骤3.5、此时获得的状态估计值Δye误差较大,进一步用最小均方差估计法(MMSE)与最小线性二乘法(LLSE)建立状态估计器更新估计结果;在贝叶斯估计方程中,假定给定联合分布(X,Z),其中Z为测量量,X为估计量,虚构造估计函数Y=g(Z),使均方误差E(||X-Y||2)最小;在已经给定Z的条件下,MMSE等价于条件期望E[X|Y];定义估计量与测量量在分布区间内都是线性的,得到测量量的最小均方误差也是线性的,即线性最小二乘估计,表示为L[X|Y],即关于Z的线性方程a+bZ使得E((X-a-bZ)2)最小;在多变量条件下,对于关于X、给定Z的线性方程L[X|Y]=a+bZ表示使最小;对于上述条件中,最优线性估计方程为:
式中:cov(X,Z)表示变量X和Z的协方差;var(Z)表示Z的方差;
若Z的标准差矩阵∑Z是可逆的,则:
将X=Δye,Z=Δym带入式十四,可得:
式中,μs表示净功率平均值:
步骤3.6、计算协方差∑s(t):
∑s(t)=E((sn-μs)(sn-μs)T) 式十七
式中,t表示采样次数;
步骤3.7、将Zm=PmZn,Ze=PeZn式十六,式十七带入式十五,得到更新后的状态估计值Δye。
4.根据权利要求1所述的一种基于PMU的配电网实时分布式状态估计及PMU的优化配置方法,其特征在于,所述步骤3具体方法是:利用遗传算法对PMU配置位置进行优化;定义均方根误差(ARMSE):
式中,N表示总节点个数,M表示测量点个数,yr(n)表示实际电压幅值、相位值,ye(n)表示经MMSE更新后的状态估计值;
以ARMSE作为适应度函数进行优化,经过编码、交叉、变异、选择操作后更新配置方案,得到使ARMSE值最小时的PMU配置位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731467.7A CN107563550B (zh) | 2017-08-23 | 2017-08-23 | 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731467.7A CN107563550B (zh) | 2017-08-23 | 2017-08-23 | 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563550A true CN107563550A (zh) | 2018-01-09 |
CN107563550B CN107563550B (zh) | 2021-01-01 |
Family
ID=60976718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710731467.7A Active CN107563550B (zh) | 2017-08-23 | 2017-08-23 | 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563550B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102424A (zh) * | 2018-07-19 | 2018-12-28 | 天津大学 | 一种基于配电***同步相量量测的网络拓扑简化方法 |
CN110138620A (zh) * | 2019-05-28 | 2019-08-16 | 天津大学 | 面向分布式状态估计的配网同步量测及通信链路配置方法 |
CN110210690A (zh) * | 2019-06-21 | 2019-09-06 | 国网天津市电力公司 | 一种配电***微型同步相量测量单元优化配置方法 |
CN110222966A (zh) * | 2019-05-28 | 2019-09-10 | 天津大学 | 面向配电网分布式状态估计的同步相量量测配置分区方法 |
CN110676940A (zh) * | 2019-10-21 | 2020-01-10 | 国网上海市电力公司 | 一种提高参数辨识精度的配电网pmu配置方法及*** |
CN111163376A (zh) * | 2019-12-16 | 2020-05-15 | 天津大学 | 面向分布式状态估计的配网同步量测及通信设备配置方法 |
CN111581768A (zh) * | 2020-03-26 | 2020-08-25 | 东南大学 | 一种基于混合量测的配电网分布式状态估计方法 |
CN111756035A (zh) * | 2020-06-18 | 2020-10-09 | 三峡大学 | 基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法 |
CN113361769A (zh) * | 2021-06-04 | 2021-09-07 | 南方电网科学研究有限责任公司 | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 |
CN114172270A (zh) * | 2021-12-06 | 2022-03-11 | 广东电网有限责任公司 | 一种配电台区智能终端计算资源自适应分配方法及*** |
CN114626307A (zh) * | 2022-03-29 | 2022-06-14 | 电子科技大学 | 一种基于变分贝叶斯的分布式一致性目标状态估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101291061A (zh) * | 2008-05-16 | 2008-10-22 | 南京南瑞继保电气有限公司 | 电力***动态过程状态估计方法 |
CN103678931A (zh) * | 2013-12-23 | 2014-03-26 | 国家电网公司 | 基于精确量测负荷数据的变电站覆盖区域能效评估方法 |
CN104008424A (zh) * | 2014-03-29 | 2014-08-27 | 华北电力大学(保定) | 一种电力***pmu优化配置方法 |
CN104393588A (zh) * | 2014-11-04 | 2015-03-04 | 电子科技大学 | 一种基于最小均方误差的最优pmu布置方法 |
US20160329709A1 (en) * | 2015-05-07 | 2016-11-10 | Industry-Academic Cooperaiton Foundation, Yonsei University | Inverter-based stand-alone microgrid control system using pmu |
-
2017
- 2017-08-23 CN CN201710731467.7A patent/CN107563550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101291061A (zh) * | 2008-05-16 | 2008-10-22 | 南京南瑞继保电气有限公司 | 电力***动态过程状态估计方法 |
CN103678931A (zh) * | 2013-12-23 | 2014-03-26 | 国家电网公司 | 基于精确量测负荷数据的变电站覆盖区域能效评估方法 |
CN104008424A (zh) * | 2014-03-29 | 2014-08-27 | 华北电力大学(保定) | 一种电力***pmu优化配置方法 |
CN104393588A (zh) * | 2014-11-04 | 2015-03-04 | 电子科技大学 | 一种基于最小均方误差的最优pmu布置方法 |
US20160329709A1 (en) * | 2015-05-07 | 2016-11-10 | Industry-Academic Cooperaiton Foundation, Yonsei University | Inverter-based stand-alone microgrid control system using pmu |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102424A (zh) * | 2018-07-19 | 2018-12-28 | 天津大学 | 一种基于配电***同步相量量测的网络拓扑简化方法 |
CN109102424B (zh) * | 2018-07-19 | 2021-09-28 | 天津大学 | 一种基于配电***同步相量量测的网络拓扑简化方法 |
CN110138620B (zh) * | 2019-05-28 | 2021-05-14 | 天津大学 | 面向分布式状态估计的配网同步量测及通信链路配置方法 |
CN110138620A (zh) * | 2019-05-28 | 2019-08-16 | 天津大学 | 面向分布式状态估计的配网同步量测及通信链路配置方法 |
CN110222966A (zh) * | 2019-05-28 | 2019-09-10 | 天津大学 | 面向配电网分布式状态估计的同步相量量测配置分区方法 |
CN110222966B (zh) * | 2019-05-28 | 2023-03-28 | 天津大学 | 面向配电网分布式状态估计的同步相量量测配置分区方法 |
CN110210690A (zh) * | 2019-06-21 | 2019-09-06 | 国网天津市电力公司 | 一种配电***微型同步相量测量单元优化配置方法 |
CN110210690B (zh) * | 2019-06-21 | 2022-12-06 | 国网天津市电力公司 | 一种配电***微型同步相量测量单元优化配置方法 |
CN110676940A (zh) * | 2019-10-21 | 2020-01-10 | 国网上海市电力公司 | 一种提高参数辨识精度的配电网pmu配置方法及*** |
CN110676940B (zh) * | 2019-10-21 | 2021-02-02 | 国网上海市电力公司 | 一种提高参数辨识精度的配电网pmu配置方法及*** |
CN111163376B (zh) * | 2019-12-16 | 2021-05-14 | 天津大学 | 面向分布式状态估计的配网同步量测及通信设备配置方法 |
CN111163376A (zh) * | 2019-12-16 | 2020-05-15 | 天津大学 | 面向分布式状态估计的配网同步量测及通信设备配置方法 |
CN111581768A (zh) * | 2020-03-26 | 2020-08-25 | 东南大学 | 一种基于混合量测的配电网分布式状态估计方法 |
CN111756035A (zh) * | 2020-06-18 | 2020-10-09 | 三峡大学 | 基于不确定度改进的双因子抗差贝叶斯配电网状态估计方法 |
CN111756035B (zh) * | 2020-06-18 | 2022-04-08 | 三峡大学 | 基于不确定度的双因子抗差贝叶斯配电网状态估计方法 |
CN113361769A (zh) * | 2021-06-04 | 2021-09-07 | 南方电网科学研究有限责任公司 | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 |
CN113361769B (zh) * | 2021-06-04 | 2023-01-03 | 南方电网科学研究有限责任公司 | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 |
CN114172270A (zh) * | 2021-12-06 | 2022-03-11 | 广东电网有限责任公司 | 一种配电台区智能终端计算资源自适应分配方法及*** |
CN114626307A (zh) * | 2022-03-29 | 2022-06-14 | 电子科技大学 | 一种基于变分贝叶斯的分布式一致性目标状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107563550B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563550A (zh) | 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法 | |
CN109272176B (zh) | 利用K-means聚类算法对台区线损率预测计算方法 | |
Debs | Modern power systems control and operation | |
Esmaeili et al. | Multi-objective optimal reconfiguration and DG (Distributed Generation) power allocation in distribution networks using Big Bang-Big Crunch algorithm considering load uncertainty | |
Paudyal et al. | Optimal operation of distribution feeders in smart grids | |
Peng et al. | Molecular evolution based dynamic reconfiguration of distribution networks with DGs considering three-phase balance and switching times | |
Huang et al. | Distribution network reconfiguration for short-term voltage stability enhancement: An efficient deep learning approach | |
Taher et al. | Optimal placement of UPFC in power systems using immune algorithm | |
JP2007110809A (ja) | 分散型電源を配電ネットワークに連系する際の条件を決定する支援システム及び支援方法 | |
Chi et al. | Many-objective robust optimization for dynamic var planning to enhance voltage stability of a wind-energy power system | |
JP2007082346A (ja) | 配電系統の負荷分布推定方法、装置及びプログラム、並びに電圧推定方法、装置及びプログラム | |
CN111460374A (zh) | 一种考虑节点差异性的配电网d-pmu优化配置方法 | |
Soudi | Distribution system planning with distributed generations considering benefits and costs | |
CN108462210A (zh) | 基于数据挖掘的光伏可开放容量的计算方法 | |
Gao et al. | Multi-objective dynamic reconfiguration for urban distribution network considering multi-level switching modes | |
CN108960485A (zh) | 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法 | |
de Oliveira et al. | Decentralized three-phase distribution system static state estimation based on phasor measurement units | |
Yang et al. | Network-constrained transactive control for multi-microgrids-based distribution networks with soft open points | |
CN116914751A (zh) | 一种智能配电控制*** | |
Aydin et al. | Comparative analysis of multi-criteria decision making methods for the assessment of optimal SVC location | |
Vijayan et al. | A blended approach to improve reliability and efficiency of active EDN via dynamic feeder reconfiguration, demand response, and VVO | |
Liu et al. | Sensitivity Region-Based Optimization for Maximizing Renewable Generation Hosting Capacity of an Islanded Microgrid | |
CN110890754B (zh) | 考虑电压暂降的分布式电源和敏感用户联合选址方法 | |
Vakil-Baghmisheh et al. | Dynamic voltage stability assessment of power transmission systems using neural networks | |
Yuqing et al. | Investment demand forecasting model of power grid based on different development paths |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |