CN110707693B - 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 - Google Patents
一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 Download PDFInfo
- Publication number
- CN110707693B CN110707693B CN201910996066.3A CN201910996066A CN110707693B CN 110707693 B CN110707693 B CN 110707693B CN 201910996066 A CN201910996066 A CN 201910996066A CN 110707693 B CN110707693 B CN 110707693B
- Authority
- CN
- China
- Prior art keywords
- state estimation
- measurement
- power distribution
- distribution network
- ami
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005192 partition Methods 0.000 title claims abstract description 47
- 238000001914 filtration Methods 0.000 title claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000013213 extrapolation Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法,包括:根据AMI全测量节点确定配电网分区规则;根据配电网分区规则获得完全解耦的配电网子区域;根据完全解耦的配电网子区域确定有静态状态估计配合使用的配电网动态状态估计架构;根据有静态状态估计配合使用的配电网动态状态估计架构确定所采用的动态和静态状态估计方法;根据完全解耦的配电网子区域、有静态状态估计配合使用的配电网动态状态估计架构和所采用的的动态与静态状态估计方法确定基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法。
背景技术
电力***状态估计是能量管理***的一个重要的组成部分,其估计方法的精度和速度对配电网的电能分配、调度和安全性分析等操作有着重要的影响。由于配电网的节点数目多、量测装置少等特点,配电网的状态估计方法和技术的应用相对于输电网还有些不成熟。
近年来,同步相量量测单元(PMU)逐渐在配电网中应用和高级量测体系(AMI)的推广,但是,输电网节点数目的庞大和不同采样周期的数据间的融合等问题还需解决。分区动态状态估计不仅可以解决节点数目庞大而造成的计算速度慢、不收敛问题,还可以预测未来***状态的变化来为配电网运行制定相应的控制策略,来保障配电网安全稳定的运行。
目前,对于配电网分区状态估计方法,常见的分区方法有基于地理位置分区、基于多代理***分区、基于网络拓扑分区等,对于边界节点一般采用搭接式和重叠式,进行状态估计时需向相邻区域传输数据,有着通信压力;常见的动态状态估计方法有扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等。EKF方法采用泰勒公式来得到近似的线性状态方程,对于配电网这种强非线性***有着较大的误差;UKF是对随机变量进行无迹变换来近似非线性变换时的均值和协方差的方法,需要选择大量参数,对参数选取的灵活性差,应用存在局限性。
综上所述,有必要发明一种完全解耦点分区下的配电网动态状态估计方法,以解决传统分区动态状态估计中的合理分区的通讯压力、不同采样周期数据间的融合及应用局限等问题,提高分区动态状态估计的频率和精度,促进分区动态估计方法在实际配电网中的应用。
发明内容
根据现有技术存在的问题,本发明公开了一种基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法,该方法采用动态和静态两种状态估计方法混合使用,可以对不同周期得量测数据进行完美融合,并且可以提高动态状态估计的频率。采用该分区方法的分区边界节点需配有AMI量测,这样可以在进行合理的分区后形成各个区域完全解耦,不需要相邻子区域间的通信,解决了通信压力限制问题,该方法的具体方案是:
根据AMI全测量节点确定配电网分区规则;
根据配电网分区规则获得完全解耦的配电网子区域;
根据完全解耦的配电网子区域确定有静态状态估计配合使用的配电网动态状态估计架构;
根据有静态状态估计配合使用的配电网动态状态估计架构确定所采用的动态和静态状态估计方法;
根据完全解耦的配电网子区域、有静态状态估计配合使用的配电网动态状态估计架构和所采用的的动态与静态状态估计方法确定基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法。
所述确定配电网分区规则时将配电网中配置AMI全量测装置的节点作为分区边界并进行非重叠式分区,将分区边界点变为了两个虚拟节点:负荷节点和零功率注入节点,其中零功率注入点作为根节点提供电压值。由于***边界条件中的各种量测数据可由由AMI量测提供,因此形成了完全解耦的配电网子区域。
根据非AMI量测周期时的AMI量测数据的估计获得动态状态估计所需的高频率AMI量测数据,具体步骤为:在AMI量测数据的采样时刻,通过远程终端单元、同步相量测量装置和高级量测体系进行混合量测的动态状态估计;在非AMI采样时刻,基于已经完成动态状态估计结果、超短期负荷预测的***状态、远程终端单元和同步相量测量装的量测值进行线性静态状态估计,将线性静态状态估计结果中对应AMI的数据部分作为非AMI采样时刻的虚拟量测;当又到达AMI量测时刻时,返回至动态状态估计过程。其中远程终端单元RTU:Remote Terminal Unit,同步相量测量装置PMU:Phasor Measurement Unit,高级量测体系AMI:Advanced Metering Infrastructure。
进一步的,采用改进的集合卡尔曼滤波方法获得动态状态估计方法,具体包括如下步骤:
根据线性外推法进行超短期负荷预测,再对得到的负荷数据进行样条插值得到周期更短的负荷数据,具体方式为通过选取k个相似日在预测时间段内的负荷,进行预处理,计算同一时刻的k天的平均值如下式所示,其中P(n,t0)、P(n,t1)和P(n,t2)为第k天t0、t1、t2时刻的负荷值,
得到预测时刻负荷值为P(t2)=P(t1)+ΔP=P(t1)+kΔt,再进行插值;
集合卡尔曼滤波的预测步为:根据潮流计算预测K+1时刻***的状态Xk+1,再对状态量施加扰动得到状态集合矩阵计算得到量测预测集合、量测预测误差协方差、量测误差协方差矩阵和交叉协方差矩阵,集合的协方差矩阵计算如下式:
其中,A,B集合矩阵,cov(A,A)被简写为cov(A);
滤波步采用如下公式计算卡尔曼增益矩阵,并进行背景场的更新;
当滤波步更新状态变量集合后,集合的均值就是本时刻的状态估计值。
进一步的,静态状态估计采用基于量测变换技术的线性状态估计,根据如下量测变换公式:
其中,是PMU量测的节点电压、支路电流、节点电压相角和支路电流相角,Ui,r、Ui,i、Iij,r、Iij,i、Ii,r、Ii,i、/>是经变换后的RTU量测的节点电压实部虚部、支路电流实部虚部、节点注入电流实部虚部以及PMU量测的节点电压实部虚部和支路电流实部虚部;
将RTU和PMU量测到的各种数据等效变换为电压和电流的实部虚部量测,采用误差传递公式得到经转换后的量测数据的误差,再以电压的实部和虚部作为状态变量,采用通过等效变换后的线性量测函数,进行最小二乘法状态估计。
与现有技术相比,本发明提出的配电网分区动态状态估计方法有以下的应用优势:
1.本发明提出一种分区的配电网动态状态估计方法,解决了配电网分支日益增多导致传统配电网状态估计串行计算方法难以满足对配电网的实时监测和安全控制问题,将规模较大的***分为几个区域进行并行计算,减小了计算量,加快了计算速度。
2.本发明采用以AMI全量测点分区进行独立分区后,各分区无需边界信息传递,解决了配电网分区所产生的通信压力问题,独立并行运算,提高状态估计运算效率。
3.本发明中采用基于改进集合卡尔曼滤波的状态估计算法,在状态预测步采用线性外推法进行超短期负荷预测并进行三次样条插值,得到预测步的***状态,相比于传统卡尔曼滤波预测步的固定参数,有更好的预测精度,并且在滤波步无需线性化状态方程,对于配电网这种强非线性***有更好的适用性。
4.本发明中对于量测周期长的AMI数据采用静态状态估计配合获得动态状态估计时刻所需要的量测数据,可以融合不同时间尺度的量测数据,尽可能地应用配电网中的各种量测装置,提高***冗余度,缩短动态状态估计的周期。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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是传统的状态估计分区规则的示意图;
图2是本发明采用的基于AMI全量测节点分区规则的示意图;
图3是本发明提出有静态状态估计配合使用的配电网动态状态估计架构图;
图4是本发明采用的基于集合卡尔曼滤波的状态估计算法的流程框图;
图5是本发明采用的基于量测变换的线性静态状态估计算法的流程框图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
如图1所示的一种基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法,具体包括如下步骤:
1)由先验知识得到***的初始状态,进而产生集合成员;
2)在有AMI量测数据的时刻进行基于集合卡尔曼滤波的混合量测动态状态估计;
3)将动态状态估计滤波步的结果作为静态状态估计所需的伪量测,进行基于量测变换技术的线性静态状态估计;
4)进行超短期负荷预测得到未来短时间内的负荷值,并进行插值;
5)将插值后的负荷值进行潮流计算到动态状态估计的预测步状态量,通过静态状态估计的结果来计算对应的AMI量测量,进行非AMI量测时刻的动态状态估计;
6)判断是否为AMI量测时刻,若是,则返回步骤2进行;反之,则返回步骤3进行。
如图1所示,所述的传统状态估计中所采用的边界区域非重叠式分区规则的主要缺点在于需对相邻子分区的边界节点信息进行交换,存在着通信限制等问题;所采用传统的边界区域重叠式分区规则的主要缺点在于对边界重叠区域进行了两次估计,需对两次估计进行处理,对估计精度影响较大,若采用融合算法则可能会增加算法复杂度,加大计算时间。
如图2所示,是本发明所述的采用AMI全量测节点分区规则是结合配电网的特有量测装置在传统分区规则上的改进过程。相对于传统非重叠式分区,本发明所采用的分区规则利用配置AMI全量测装置的节点作为边界节点,在传统边界区域非重叠式分区上进行改进,从而无需子区域相互传递信息,完全解耦独立运行,无需通信成本。相对于传统重叠式分区,又无需对重复估计的重叠节点进行二次处理,减小了运算复杂度,提高了计算效率。
如图3,是本发明所述的有静态状态估计配合使用的配电网动态状态估计架构图。图中,T表示AMI的采样周期,N表示非AMI采样周期的某个时刻。在AMI数据的采样时刻,进行基于RTU、PMU与AMI混合量测的动态状态估计,在非AMI采样时刻的X时刻,基于超短期负荷预测的***状态、动态状态估计的预测结果、RTU与PMU量测,进行线性静态状态估计,将线性静态状态估计结果中对应AMI的部分作为非AMI采样时刻AMI的虚拟量测,进行此时刻的动态状态估计。当又到达AMI量测的时刻,重新采用基于RTU、PMU与AMI混合量测的动态状态估计。线性静态状态估计的目的是为了利用SCADA和PMU量测在非AMI量测的时刻实时跟踪***节点注入量测的变化,得到此刻AMI的虚拟量测,来保持分区动态状态估计的运行。
如图4,是步骤2)中本发明所述的基于集合卡尔曼滤波的状态估计算法的流程框图。由先验知识得到配电网的初始状态,通过蒙特卡罗方法加扰动得到集合成员数为L的初始集合并计算集合均值,L的大小影响着算法的精度和速度,需反复试验得到。步骤4)中由线性外推法来进行超短期负荷预测,再对其进行样条插值得到周期更短的负荷数据,具体通过选取k个相似日在预测时间段内的负荷,进行预处理来剔除负荷突变所造成的不良影响,保证所待求的时间段内的负荷变化趋势一定,而后计算同一时刻的k天的平均值如公式(1)所示,其中P(n,t0)、P(n,t1)和P(n,t2)为第k天t0、t1、t2时刻的负荷值。
得到预测时刻负荷值为P(t2)=P(t1)+ΔP=P(t1)+kΔt,再进行插值,通过潮流计算来预测K+1时刻***每个集合成员的状态,计算得到量测预测集合、量测预测误差协方差、量测误差协方差矩阵和交叉协方差矩阵,集合的协方差矩阵计算为:
其中,A,B集合矩阵,cov(A,A)被简写为cov(A)。
基于改进集合卡尔曼滤波的动态状态估计算法为:
滤波步:
滤波步更新状态变量(背景场)集合之后,集合的均值就是本时刻的状态估计值。在这里,未将状态方程线性化,更加符合配电网的非线性特点,精度更高。
如图5,是步骤3)中本发明所采用的线性静态状态估计算法的流程框图。采用量测变换技术将RTU和PMU量测到的各种数据等效变换为电压和电流的实部虚部量测,采用误差传递公式得到经转换后的量测数据的误差,而后以电压的实部和虚部作为状态变量,采用通过等效变换后的线性量测函数,进行最小二乘法状态估计。由于量测函数是线性的,因此计算的雅克比矩阵为常数矩阵,在迭代过程中保持不变,大大减小了计算量,从而减小了计算时间。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法,其特征在于包括:
根据AMI全测量节点确定配电网分区规则;
根据配电网分区规则获得完全解耦的配电网子区域;
根据完全解耦的配电网子区域确定有静态状态估计配合使用的配电网动态状态估计架构;
根据有静态状态估计配合使用的配电网动态状态估计架构确定所采用的动态和静态状态估计方法;
根据完全解耦的配电网子区域、有静态状态估计配合使用的配电网动态状态估计架构和所采用的动态与静态状态估计方法确定基于AMI全量测点分区的集合卡尔曼滤波动态状态估计方法;
根据线性外推法进行超短期负荷预测,再对得到的负荷数据进行样条插值得到周期更短的负荷数据,具体方式为通过选取t个相似日在预测时间段内的负荷,进行预处理,计算同一时刻的t天的平均值如下式所示,其中P(n,t0)、P(n,t1)和P(n,t2)为第n天t0、t1、t2时刻的负荷值,
得到预测时刻负荷值为P(t2)=P(t1)+ΔP=P(t1)+aΔt,再进行插值,其中ΔP,Δt为负荷和时间的增量;
集合卡尔曼滤波的预测步为:根据潮流计算预测k+1时刻***的状态Xk+1,再对状态量施加扰动得到状态集合矩阵计算得到量测预测集合、量测预测误差协方差、量测误差协方差矩阵和交叉协方差矩阵,集合的协方差矩阵计算如下式:
其中,A,B集合矩阵,L为集合矩阵的集合成员数;
滤波步采用如下公式计算卡尔曼增益矩阵,并进行背景场的更新;
当滤波步更新状态变量集合后,集合的均值就是本时刻的状态估计值。
2.根据权利要求1所述的方法,其特征还在于:所述确定配电网分区规则时将配电网中配置AMI全量测装置的节点作为分区边界并进行非重叠式分区,将分区边界点变为了两个虚拟节点:负荷节点和零功率注入节点,其中零功率注入点作为根节点提供电压值。
3.根据权利要求1所述的方法,其特征还在于:根据非AMI量测周期时的AMI量测数据的估计获得动态状态估计所需的高频率AMI量测数据,具体步骤为:在AMI量测数据的采样时刻,通过远程终端单元、同步相量测量装置和高级量测体系的量测数据进行混合量测的动态状态估计;在非AMI采样时刻,基于已经完成动态状态估计结果、超短期负荷预测的***状态、远程终端单元和同步相量测量装的量测值进行线性静态状态估计,将线性静态状态估计结果中对应AMI的数据部分作为非AMI采样时刻的虚拟量测;当又到达AMI量测时刻时,返回至动态状态估计过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996066.3A CN110707693B (zh) | 2019-10-18 | 2019-10-18 | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996066.3A CN110707693B (zh) | 2019-10-18 | 2019-10-18 | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110707693A CN110707693A (zh) | 2020-01-17 |
CN110707693B true CN110707693B (zh) | 2023-06-16 |
Family
ID=69201817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910996066.3A Active CN110707693B (zh) | 2019-10-18 | 2019-10-18 | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110707693B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112990557A (zh) * | 2021-02-25 | 2021-06-18 | 国网河北省电力有限公司保定供电分公司 | 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 |
CN115616333A (zh) * | 2022-12-20 | 2023-01-17 | 国网江西省电力有限公司电力科学研究院 | 一种配电网线损预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093121A (zh) * | 2015-07-10 | 2015-11-25 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和*** |
CN106844952A (zh) * | 2017-01-20 | 2017-06-13 | 河海大学 | 基于无迹粒子滤波理论的发电机动态状态估计方法 |
CN106921156A (zh) * | 2015-12-25 | 2017-07-04 | 中国电力科学研究院 | 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 |
CN109586289A (zh) * | 2018-12-13 | 2019-04-05 | 国网山东省电力公司青岛供电公司 | 一种配电网多时间尺度递归动态状态估计方法及*** |
CN110112770A (zh) * | 2019-04-17 | 2019-08-09 | 河海大学 | 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法 |
-
2019
- 2019-10-18 CN CN201910996066.3A patent/CN110707693B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093121A (zh) * | 2015-07-10 | 2015-11-25 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和*** |
CN106921156A (zh) * | 2015-12-25 | 2017-07-04 | 中国电力科学研究院 | 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 |
CN106844952A (zh) * | 2017-01-20 | 2017-06-13 | 河海大学 | 基于无迹粒子滤波理论的发电机动态状态估计方法 |
CN109586289A (zh) * | 2018-12-13 | 2019-04-05 | 国网山东省电力公司青岛供电公司 | 一种配电网多时间尺度递归动态状态估计方法及*** |
CN110112770A (zh) * | 2019-04-17 | 2019-08-09 | 河海大学 | 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法 |
Non-Patent Citations (2)
Title |
---|
AMI量测用于配电网在线状态估计的可信度建模及分析;林佳颖;《电网技术》;20180430;第1191-1200页 * |
基于分区解耦的配电网状态估计的分布式并行计算;黄伟等;《电力***保护与控制》;20140801;第45-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110707693A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110707693B (zh) | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 | |
Della Giustina et al. | Electrical distribution system state estimation: measurement issues and challenges | |
CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
Schenato et al. | Bayesian linear state estimation using smart meters and pmus measurements in distribution grids | |
CN106921156B (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 | |
CN103632313A (zh) | 一种基于pmu数据的电网动态可观方法 | |
CN101958543B (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
Abdelaziz et al. | Power system observability with minimum phasor measurement units placement | |
CN107257130B (zh) | 基于区域量测解耦的低压配电网损耗计算方法 | |
CN108448568A (zh) | 基于多种时间周期测量数据的配电网混合状态估计方法 | |
CN105514971A (zh) | 一种适用于各种运行模式微电网的潮流计算方法 | |
CN102420427A (zh) | 一种考虑外网等值的区域电网电压稳定裕度计算方法 | |
CN112865181B (zh) | 基于端口阻抗特性的光伏逆变器参数辨识方法及装置 | |
CN113078630A (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
CN111581768A (zh) | 一种基于混合量测的配电网分布式状态估计方法 | |
CN115453193B (zh) | 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法 | |
Dubey et al. | Cost effective wide area measurement systems for smart power network | |
CN108649574A (zh) | 一种基于三种量测数据的配电网快速状态估计方法 | |
CN109560550A (zh) | 基于优化量测的电网谐波状态估计方法 | |
Yuan et al. | Graph computing based distributed fast decoupled power flow analysis | |
Li et al. | Forecasting aided distribution network state estimation using mixed μPMU-RTU measurements | |
CN114498921A (zh) | 一种基于混合量测的配电网分层分区状态估计*** | |
CN116243101A (zh) | 一种考虑大量分布式光伏发电接入配电网故障定位方法 | |
Melo et al. | Microgrid state and frequency estimation using Kalman filter: an approach considering an augmented measurement Jacobian matrix | |
Karamta et al. | A review of power system state estimation: Techniques, state-of-the-art and inclusion of FACTS controllers |
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 |