CN108270219B - 一种基于信息熵评估的pmu优化配置方法 - Google Patents
一种基于信息熵评估的pmu优化配置方法 Download PDFInfo
- Publication number
- CN108270219B CN108270219B CN201810165037.8A CN201810165037A CN108270219B CN 108270219 B CN108270219 B CN 108270219B CN 201810165037 A CN201810165037 A CN 201810165037A CN 108270219 B CN108270219 B CN 108270219B
- Authority
- CN
- China
- Prior art keywords
- pmu
- network
- information entropy
- node
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种基于信息熵评估的PMU优化配置方法,步骤是:输入电力***的网络参数信息、伪量测数据及FTU量测数据,初始化PMU安装集合B为空集,初始化PMU候选集合C;在网络中无PMU装置的情况下,利用两点估计法进行网络的概率状态估计计算,计算无PMU配置下的网络信息熵值E0;在B配置PMU的情况下,对C里的所有节点分别装有PMU的情况下,利用两点估计法进行网络的概率状态估计计算,得到网络信息熵值Ei,计算各节点下的信息熵变化值ΔEi;在B配置PMU的情况下,对网络进行确定性状态估计计算,并判断估计结果是否满足相应的估计精度要求,若满足,B即为基于信息熵评估的PMU优化配置结果,输出优化配置结果。此种方法能够降低网络优化配置的成本。
Description
技术领域
本发明属于电力***技术领域,特别涉及一种基于信息熵评估的PMU优化配置方法。
背景技术
配电网络将输电网与终端负荷用户相连接,具备节点众多、网络结构复杂、运行方式多样等特点。随着分布式发电技术的迅速发展,分布式电源的接入会给配电网的安全和经济运行增加极大的困难,配电网络规模的增大和分布式电源的并网对配电网的监测、运行和控制带来极大的挑战。传统的数据采集和监视控制***(SCADA)所采集的数据难以满足现阶段配电网络的运行和监控要求,配电网络安全性和稳定性的问题亟待解决。
PMU作为高精度、实时性能强的相量量测单元能够获得安装节点及其相邻节点和支路的量测信息,大幅度提高网络的量测可观度,使电力***的状态估计、潮流计算和运行控制等功能运行更加完善,然而考虑到PMU的成本和配置的经济性,无法在网络的全部节点安装PMU,需要在已有量测的基础上,对PMU进行优化配置,使***完全可观,电力***状态估计能够正常运行。
发明内容
本发明的目的,在于提供一种基于信息熵评估的PMU优化配置方法,利用信息熵来评估网络的不确定度并进行节点的排序和筛选,最终从网络中大量节点中选取部分节点作为PMU的安装节点集合,满足状态估计精度要求,从而降低网络优化配置的成本。
为了达成上述目的,本发明的解决方案是:
一种基于信息熵评估的PMU优化配置方法,包括如下步骤:
步骤1,输入电力***的网络参数信息、伪量测数据及FTU量测数据,其中,伪量测数据为网络中所有节点的注入功率,根据负荷数据库中的历史数据预测得到;FTU量测数据包括FTU所在线路首端节点的电压幅值和线路的支路潮流量;
步骤2,初始化PMU安装集合B为空集,即在初始阶段时网络中无PMU装置;初始化PMU候选集合C,此时集合C包括网络中所有节点;设置网络要求的确定性状态估计精度;
步骤3,根据网络参数信息、伪量测数据及FTU量测数据,在网络中无PMU装置的情况下,利用两点估计法进行网络的概率状态估计计算,得到网络状态量的统计数据,统计数据包括节点电压幅值和相位的均值、标准差和方差数据,计算无PMU配置下的网络信息熵值E0;
步骤4,在安装集合B配置PMU的情况下,对候选集合C里的所有节点分别装有PMU的情况下,利用两点估计法进行网络的概率状态估计计算,并进行信息熵计算,得到网络信息熵值Ei,i∈C,计算各节点下的信息熵变化值ΔEi;
并根据下式选出信息熵值变化最大的节点k,作为PMU的下一个安装节点:
此时令E0=Ek,将节点k从候选集合C中除去,并加入到安装集合B中;
步骤5,在安装集合B配置PMU的情况下,对网络进行确定性状态估计计算,并判断估计结果是否满足相应的确定性状态估计精度要求,若不满足,则转入步骤4,否则进入步骤6;
步骤6,安装集合B即为基于信息熵评估的PMU优化配置结果,输出优化配置结果。
上述步骤1中,网络参数信息包括线路参数、网络拓扑结构和节点个数N。
上述步骤3中,根据下式的信息熵评估公式计算无PMU配置下的网络信息熵值E0:
上述步骤4中,根据下式计算各节点下的信息熵变化值:
ΔEi=E0-Ei i=1,2,...,Nc
式中,Nc为候选集合C里的节点数;
并根据下式选出信息熵值变化最大的节点k,作为PMU的下一个安装节点:
此时令E0=Ek,将节点k从候选集合C中除去,并加入到安装集合B中。
上述步骤3和步骤4中,利用两点估计法进行网络的概率状态估计计算,通过在不确定变量均值两侧确定两个值,将单个的概率状态估计方程分解成若干个子方程,对于选定的不确定变量取均值两侧的值代替它,同时其他不确定量在均值取值,各运行一次确定性潮流计算;若***中存在m个不确定变量,则需要运行2m次确定性的状态估计计算,将2m次确定性的状态估计结果进行统计分析,从而得到概率状态估计下的网络状态量的均值、标准差和方差。
上述步骤5中,对网络进行确定性状态估计计算的过程是:
将量测量表征如下:
z=z0+v
其中,z为量测量的量测值,z0为量测量实际值,v为量测误差;量测量实际值z0在状态估计中由下式的量测方程计算得到:
式中,x为***的状态变量,即节点电压幅值和相位;
V(x)、P(x)、Q(x)分别表示节点的电压幅值、注入有功功率、注入无功功率;
PL(x)、QL(x)分别表示线路的有功、无功潮流数据;
J(x)=[z-h(x)]TR-1[z-h(x)]
式中,R-1为量测量的权重矩阵;
采用上述方案后,本发明与其它PMU优化布点方案相比,结合了电力***中的负荷历史数据库中的信息以及现有的量测设备,充分利用了已有的数据信息,并与PMU的高精度、强实时性数据共同实现相应的状态估计精度要求。利用信息熵理论来评估网络的不确定度,并对节点进行信息熵的排序和筛选,从大量节点中选出部分节点作为PMU的安装节点集合,能够大幅度减少PMU的布置数量,有效降低PMU优化配置的成本,实现量测配置的经济性与高效性。
本发明将香农的信息熵理论与电力***中的状态估计相结合,利用两点估计法对网络进行概率状态估计计算,并利用信息熵理论对网络状态进行不确定评估,对网络中的所有节点进行排序和筛选,最终得到满足一定状态估计精度的节点集合,作为PMU的优化配置结果。
附图说明
图1是本发明的流程图。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
本发明提供一种基于信息熵评估的PMU优化配置方法,在进行PMU优化布点中,结合负荷历史数据库信息和FTU量测信息,利用信息熵来评估网络的不确定度并进行节点的排序和筛选,最终从网络中大量节点中选取部分节点作为PMU的安装节点集合,满足状态估计精度要求,从而降低网络优化配置的成本。
如图1所示,是本发明的流程图,包括如下步骤:
步骤1,输入电力***的网络参数信息、伪量测数据及FTU量测数据,所述网络参数信息包括线路参数、网络拓扑结构、节点个数N等;其中,伪量测数据为网络中所有节点的注入功率,根据负荷数据库中的历史数据预测得到;FTU量测数据包括FTU所在线路首端节点的电压幅值和线路的支路潮流量;
步骤2,初始化PMU安装集合B为空集,即在初始阶段时网络中无PMU装置;初始化PMU候选集合C,此时集合C包括网络中所有节点;设置网络要求的确定性状态估计精度;
步骤3,根据网络参数信息及伪量测数据和FTU量测数据,在网络中无PMU装置的情况下,利用两点估计法进行网络的概率状态估计计算,得到网络状态量的统计数据,统计数据包括节点电压幅值和相位的均值、标准差和方差数据,并根据下式的信息熵评估公式计算无PMU配置下的网络信息熵值E0:
步骤4,若PMU安装在节点a上,PMU能够获得节点a及其相邻节点的电压幅值和相位信息、节点a的注入有功、无功功率以及与节点a相连的线路潮流信息,基于PMU的信息(包括安装集合B和节点a处的PMU装置得到的量测数据),并结合伪量测数据和FTU量测数据,利用两点估计法进行网络的概率状态估计计算得到网络状态量,并用信息熵公式评估PMU配置在节点a下的网络状态量,此时能够得到网络的信息熵值。
在安装集合B配置PMU的情况下,并对网络候选集合C里的所有节点分别装有PMU的情况下,利用两点估计法进行网络的概率状态估计计算,并进行信息熵计算,得到网络信息熵值Ei(i∈C),根据下式计算各节点下的信息熵变化值:
ΔEi=E0-Ei i=1,2,...,Nc
式中,Nc为候选集合C里的节点数;
并根据下式选出信息熵值变化最大的节点k,作为PMU的下一个安装节点:
此时令E0=Ek,将节点k从候选集合C中除去,并加入到安装集合B中;
步骤5,在安装集合B配置PMU的情况下,对网络进行确定性状态估计计算,并判断估计结果是否满足相应的确定性状态估计精度要求。若不满足,则转入步骤4,否则进入步骤6;
步骤6,安装集合B即为基于信息熵评估的PMU优化配置结果,输出优化配置结果。
所述步骤3和步骤4中,利用两点估计法进行网络的概率状态估计计算,两点估计法通过在不确定变量均值两侧确定两个值,将单个的概率状态估计方程分解成若干个子方程,对于选定的不确定变量取均值两侧的值代替它,同时其他不确定量在均值取值,各运行一次确定性潮流计算。若***中存在m个不确定变量(在状态估计中,不确定变量即指量测量),则需要运行2m次确定性的状态估计计算。将2m次确定性的状态估计结果进行统计分析,从而得到概率状态估计下的网络状态量的均值、标准差和方差等信息。
所述步骤5中,对网络进行确定性状态估计计算的过程在于:
由于电力***中的量测设备及信息传输***中存在不可避免的扰动因素,根据量测设备测量得到的量测量存在一定的误差,因而量测量表征如下:
z=z0+v
其中,z为量测量的量测值,z0为量测量实际值,v为量测误差;量测量实际值z0在状态估计中由下式的量测方程计算得到:
式中,x为***的状态变量,即节点电压幅值和相位;
V(x),P(x),Q(x)分别表示节点的电压幅值、注入有功功率、注入无功功率;
PL(x)、QL(x)分别表示线路的有功、无功潮流数据;
J(x)=[z-h(x)]TR-1[z-h(x)]
式中,R-1为量测量的权重矩阵;
综合上述,本发明一种基于信息熵评估的PMU优化配置方法,根据配电网中所有节点的伪量测数据,并且利用网络中已存在的FTU设备得到实际的量测数据,基于伪量测和FTU量测数据利用两点估计法进行网络的概率状态估计计算。通过信息熵评估程序对网络的状态量进行不确定性评估和排序,每一轮筛选出能使网络不确定度降低最多的一个节点,在此节点上安装PMU装置,经过多轮筛选直至满足相应的状态估计精度要求,最终从网络中的所有节点中选出部分节点作为PMU装置的安装节点集合,此集合即为基于信息熵评估的PMU优化配置方法的配置结果。本发明通过信息熵评估方法选出的PMU优化配置集合,可以满足相应的确定性状态状态估计精度要求。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.一种基于信息熵评估的PMU优化配置方法,其特征在于包括如下步骤:
步骤1,输入电力***的网络参数信息、伪量测数据及FTU量测数据,其中,伪量测数据为网络中所有节点的注入功率,根据负荷数据库中的历史数据预测得到;FTU量测数据包括FTU所在线路首端节点的电压幅值和线路的支路潮流量;
步骤2,初始化PMU安装集合B为空集,即在初始阶段时网络中无PMU装置;初始化PMU候选集合C,此时集合C包括网络中所有节点;设置网络要求的确定性状态估计精度;
步骤3,根据网络参数信息、伪量测数据及FTU量测数据,在网络中无PMU装置的情况下,利用两点估计法进行网络的概率状态估计计算,得到网络状态量的统计数据,统计数据包括节点电压幅值和相位的均值、标准差和方差数据,计算无PMU配置下的网络信息熵值E0;
步骤4,在安装集合B配置PMU的情况下,对候选集合C里的所有节点分别装有PMU的情况下,利用两点估计法进行网络的概率状态估计计算,并进行信息熵计算,得到网络信息熵值Ei,i∈C,计算各节点下的信息熵变化值ΔEi;
并根据下式选出信息熵值变化最大的节点k,作为PMU的下一个安装节点:
此时令E0=Ek,将节点k从候选集合C中除去,并加入到安装集合B中;
步骤5,在安装集合B配置PMU的情况下,对网络进行确定性状态估计计算,并判断估计结果是否满足相应的确定性状态估计精度要求,若不满足,则转入步骤4,否则进入步骤6;
步骤6,安装集合B即为基于信息熵评估的PMU优化配置结果,输出优化配置结果。
2.如权利要求1所述的一种基于信息熵评估的PMU优化配置方法,其特征在于:所述步骤1中,网络参数信息包括线路参数、网络拓扑结构和节点个数N。
5.如权利要求1所述的一种基于信息熵评估的PMU优化配置方法,其特征在于:所述步骤3和步骤4中,利用两点估计法进行网络的概率状态估计计算,通过在不确定变量均值两侧确定两个值,将单个的概率状态估计方程分解成若干个子方程,对于选定的不确定变量取均值两侧的值代替它,同时其他不确定量在均值取值,各运行一次确定性潮流计算;若***中存在m个不确定变量,则需要运行2m次确定性的状态估计计算,将2m次确定性的状态估计结果进行统计分析,从而得到概率状态估计下的网络状态量的均值、标准差和方差。
6.如权利要求1所述的一种基于信息熵评估的PMU优化配置方法,其特征在于:所述步骤5中,对网络进行确定性状态估计计算的过程是:
将量测量表征如下:
z=z0+v
其中,z为量测量的量测值,z0为量测量实际值,v为量测误差;量测量实际值z0在状态估计中由下式的量测方程计算得到:
式中,x为***的状态变量,即节点电压幅值和相位;
V(x)、P(x)、Q(x)分别表示节点的电压幅值、注入有功功率、注入无功功率;
PL(x)、QL(x)分别表示线路的有功、无功潮流数据;
J(x)=[z-h(x)]TR-1[z-h(x)]
式中,R-1为量测量的权重矩阵;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810165037.8A CN108270219B (zh) | 2018-02-28 | 2018-02-28 | 一种基于信息熵评估的pmu优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810165037.8A CN108270219B (zh) | 2018-02-28 | 2018-02-28 | 一种基于信息熵评估的pmu优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108270219A CN108270219A (zh) | 2018-07-10 |
CN108270219B true CN108270219B (zh) | 2020-12-08 |
Family
ID=62774545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810165037.8A Active CN108270219B (zh) | 2018-02-28 | 2018-02-28 | 一种基于信息熵评估的pmu优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108270219B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN115693668B (zh) * | 2023-01-05 | 2023-05-12 | 国网上海市电力公司 | 一种基于熵权理想度排序的配电网pmu多目标优化布点方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615789A (zh) * | 2008-06-23 | 2009-12-30 | 上海申瑞电力科技股份有限公司 | 广域量测***追踪状态估计方法 |
KR101243216B1 (ko) * | 2011-12-29 | 2013-03-13 | 한전케이디엔주식회사 | 광역 전력계통 감시 제어시스템 |
CN104269867A (zh) * | 2014-09-19 | 2015-01-07 | 华中科技大学 | 一种节点扰动功率转移分布均衡度分析方法 |
CN105701568A (zh) * | 2016-01-11 | 2016-06-22 | 华北电力大学 | 一种启发式的配电网状态估计量测位置快速优化方法 |
CN107611963A (zh) * | 2017-09-01 | 2018-01-19 | 东南大学 | 一种考虑停电损失系数的pmu优化配置方法 |
-
2018
- 2018-02-28 CN CN201810165037.8A patent/CN108270219B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615789A (zh) * | 2008-06-23 | 2009-12-30 | 上海申瑞电力科技股份有限公司 | 广域量测***追踪状态估计方法 |
KR101243216B1 (ko) * | 2011-12-29 | 2013-03-13 | 한전케이디엔주식회사 | 광역 전력계통 감시 제어시스템 |
CN104269867A (zh) * | 2014-09-19 | 2015-01-07 | 华中科技大学 | 一种节点扰动功率转移分布均衡度分析方法 |
CN105701568A (zh) * | 2016-01-11 | 2016-06-22 | 华北电力大学 | 一种启发式的配电网状态估计量测位置快速优化方法 |
CN107611963A (zh) * | 2017-09-01 | 2018-01-19 | 东南大学 | 一种考虑停电损失系数的pmu优化配置方法 |
Non-Patent Citations (2)
Title |
---|
Optimal placement of PMUs using Greedy Algorithm and state estimation;Varsha Jaiswal等;《2016 IEEE 1st International Conference on Power Electronics, Intelligent Control and Energy Systems(ICPEICES)》;20170216;第1-5页 * |
计及PMU的状态估计精度分析及配置研究;王克英;《中国电机工程学报》;20010830;第21卷(第8期);第29-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108270219A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN107194055B (zh) | 考虑电转气装置的电-气互联***可靠性建模及其评估方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
AU2013201595B2 (en) | Method and apparatus for harmonic state estimation in power system | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力***风险评估方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN103872681A (zh) | 一种基于主配网一体化的在线实时合环方法 | |
CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
Xiaoqing et al. | Phase identification of LV distribution network with smart meter data | |
CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
CN106786531B (zh) | 一种配电终端优化配置方法 | |
CN105514984B (zh) | 一种即插即用的非侵入式负荷分解装置 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN108270219B (zh) | 一种基于信息熵评估的pmu优化配置方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN113805138A (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
CN112132283A (zh) | 一种基于遗传算法的非信号注入式户变拓扑关系识别方法 | |
CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN114268112B (zh) | 基于相量测量单元优化配置的静态电压稳定裕度预测方法 |
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 |