CN113489072B - 一种考虑支路功率伪量测的配电网状态估计方法 - Google Patents

一种考虑支路功率伪量测的配电网状态估计方法 Download PDF

Info

Publication number
CN113489072B
CN113489072B CN202110755989.7A CN202110755989A CN113489072B CN 113489072 B CN113489072 B CN 113489072B CN 202110755989 A CN202110755989 A CN 202110755989A CN 113489072 B CN113489072 B CN 113489072B
Authority
CN
China
Prior art keywords
measurement
pseudo
power
active
load
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
Application number
CN202110755989.7A
Other languages
English (en)
Other versions
CN113489072A (zh
Inventor
韩平平
张楠
陈思远
丁静雅
仇茹嘉
程石
潘丽珠
高博
徐斌
黄道友
张征凯
康健
毛荀
夏兆俊
尚宝
葛江红
孟康
王桢
王鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Hefei University of Technology
Original Assignee
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd, Hefei University of Technology filed Critical Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Priority to CN202110755989.7A priority Critical patent/CN113489072B/zh
Publication of CN113489072A publication Critical patent/CN113489072A/zh
Application granted granted Critical
Publication of CN113489072B publication Critical patent/CN113489072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑支路功率伪量测的配电网状态估计方法，该方法包括：1、根据实际配电网负荷数据计算各支路历史功率数据；2、利用人工神经网络搭建基于支路功率和负荷节点注入功率的伪量测模型；3、依据误差大小确定输入状态估计的伪量测集合和伪量测权重集合；4、根据实时量测获得当前时刻伪量测，并将实时量测、伪量测、虚拟量测和量测权重作为输入进行状态估计。本发明能利用支路功率实时量测，有效减小支路功率伪量测与节点注入功率伪量测的建模误差，在满足配电网状态估计可观性要求的基础上提高状态估计结果的准确度。

Description

一种考虑支路功率伪量测的配电网状态估计方法
技术领域
本发明涉及一种考虑支路功率伪量测的配电网状态估计方法，属于电力***监测、分析和控制技术领域。
背景技术
近年来，越来越多的分布式电源和主动负荷规模化接入配电网，使得电网运行状态因源荷两端不确定性加剧而频繁变化，亟需及时准确的数据完成电网的实时监测与控制。状态估计是获取***完整实时数据的关键手段，但目前配电网还存在着因量测配置不足而难以满足状态估计可观性要求的问题，在低压配电台区该问题更为严峻。在现有配电网状态估计可观性研究中，一般通过量测配置优化和伪量测建模两种手段保证配电网状态估计可观性。基于配电网规模较大、节点众多的结构特点，并考虑到建设成本和建设难度，一些配电***即使通过优化量测配置也难以满足状态估计可观度要求，因此研究高精度伪量测建模方法至关重要。
现有配电网状态估计伪量测多是建立在历史样本数据之上，利用统计学知识或者人工智能方法进行短期负荷预测获得。但这类方法所得到的伪量测值均为预测数据，难以实现对电力***状态变化的准确跟踪。研究表明，基于历史负荷功率、对历史时刻量测值与当前时刻量测值进行非线性曲线拟合的方法可以获得当前时刻更加精确的负荷节点注入功率伪量测值。该方法多是利用人工神经网络可以模拟人脑结构进行非线性映射的特性来完成非线性曲线的拟合。由于不含预测数据，该方法还可实时跟踪***变化。配电网中除负荷节点注入功率数据外，其他类型数据同样存在缺失情况。这些数据对于满足状态估计可观性、提高状态估计精度同样具有重要作用，如支路功率、节点电压等。其中，支路功率量测相较于其他量测对于提高配电网状态估计可观度贡献更大。目前已公开的专利中，多是建立负荷节点注入功率伪量测模型，对配电网支路功率伪量测建模的研究较少，且尚没有综合考虑支路功率伪量测和负荷节点注入功率伪量测的研究，限制了状态估计可观度的提升，并在一定程度上影响了状态估计结果的精度。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种考虑支路功率伪量测的配电网状态估计方法，以期能够有效减小支路功率伪量测与节点注入功率伪量测的建模误差，提升状态估计可观度，从而有效提高状态估计计算结果的准确度。
本发明解决技术问题采用如下技术方案：
本发明一种考虑支路功率伪量测的配电网状态估计方法的特点在于，包括以下步骤：
步骤1、采集配电台区的网架结构、线路长度、线路型号、台区出口电压幅值量测和用户历史负荷数据，并根据所采集的数据，利用前推回代法计算线路潮流，从而得到各支路历史有功功率与历史无功功率；
步骤1.1、根据所述配电台区的网架结构对线路节点进行编号，总节点数设为n，通过所述线路长度和线路型号计算各支路的电阻与电抗，由所述用户历史负荷数据确定各负荷节点的历史注入有功功率和历史注入无功功率，设负荷节点的数目为b，虚拟节点的数目为a，令初始时刻t＝1；
步骤1.2、在当前t时刻，给所述配电台区中所有节点的初始电压进行赋值，其中，第i节点的初始电压记为Ui,0 (t)，所述初始电压Ui,0 (t)的幅值为当前t时刻台区出口电压幅值，且相角为0；i∈[1,n]；
令迭代次数k＝1；令当前t时刻第k次迭代中各节点的电压{Ui,k (t)|i∈[1,n]}为当前t时刻的初始电压{Ui,0 (t)|i∈[1,n]}；
步骤1.3、基于当前t时刻第k次迭代中各节点的电压{Ui,k (t)|i∈[1,n]}和当前t时刻负荷节点的历史注入有功功率和历史注入无功功率，由所述配电台区的网架结构的末端逐步向始端进行计算，得到当前t时刻第k次迭代中各支路的有功功率和无功功率；
步骤1.4、基于所述当前t时刻第k次迭代中各支路的有功功率和无功功率，由所述配电台区的网架结构的始端逐段向末端进行计算，得到所述当前t时刻第k+1次迭代中各节点新的电压{Ui,k+1 (t)|i∈[1,n]}；
步骤1.5、判断第k次和第k+1次迭代过程中各节点电压幅值差是否满足收敛条件，若满足，则执行步骤1.6，否则，将k+1赋值给k后，转到步骤1.3；
步骤1.6、利用当前t时刻各节点新的电压{Ui,k+1 (t)|i∈[1,n]}和当前t时刻负荷节点的历史注入有功功率和历史注入无功功率计算当前t时刻各支路的有功功率和无功功率；
步骤1.7、判断t是否达到所设定的阈值，若达到，则执行步骤2，否则，将t+1赋值给t，转步骤1.2；
步骤2、选择人工神经网络模型和训练函数，将具有功率量测支路的有功功率值作为输入，建立未配置量测支路有功功率和负荷节点注入有功功率的伪量测模型，将具有功率量测支路的无功功率值作为输入，建立未配置量测支路无功功率和负荷节点注入无功功率的伪量测模型，并分别计算各伪量测历史时刻的平均绝对误差和平均相对误差；
步骤2.1、根据所述配电台区的实际配置情况，找出所述具有功率量测的支路，设所述具有功率量测的支路数目为m，选择BP神经网络作为伪量测模型，并利用Levenberg-Marquardt算法来训练所述训练模型的权值和阈值；
步骤2.2、将m条具有功率量测支路的历史有功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出n-m-1条未配置量测支路的历史有功功率的伪量测值，并与n-m-1条未配置量测支路的历史有功功率值进行比较，以不断调整所述伪量测模型的权值，直至未配置量测支路的有功伪量测误差达到收敛标准为止，并输出最终的未配置量测支路有功伪量测误差；
根据所述最终的未配置量测支路有功伪量测误差，分别求出所述未配置量测支路历史时刻伪量测的有功平均绝对误差和有功平均相对误差，得到的未配置量测支路有功平均相对误差矩阵记为
Figure BDA0003147500780000031
其中，
Figure BDA0003147500780000032
表示第n-m-1条未配置量测支路有功平均相对误差；
步骤2.3、将m条具有功率量测支路的历史有功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出b个负荷节点的历史注入有功功率的伪量测值，并与b个负荷节点的历史注入有功功率值进行比较，以不断调整所述伪量测模型的权值，直至负荷有功伪量测误差达到收敛标准为止，并输出最终的负荷有功伪量测误差；
根据所述最终的负荷有功伪量测误差，分别求出所述负荷节点历史时刻伪量测的有功平均绝对误差和有功平均相对误差，得到的负荷节点有功平均相对误差矩阵记为
Figure BDA0003147500780000033
其中，
Figure BDA0003147500780000034
表示第b个负荷节点有功平均相对误差；
步骤2.4、将m条具有功率量测支路的历史无功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出n-m-1条未配置量测支路的历史无功功率的伪量测值，并与n-m-1条未配置量测支路的历史无功功率值进行比较，以不断调整所述伪量测模型的权值，直至未配置量测支路的无功伪量测误差达到收敛标准为止，并输出最终的未配置量测支路无功伪量测误差；
根据所述最终的未配置量测支路无功伪量测误差，分别求出所述未配置量测支路历史时刻伪量测的无功平均绝对误差和无功平均相对误差，得到的未配置量测支路无功平均相对误差矩阵记为
Figure BDA0003147500780000035
其中，
Figure BDA0003147500780000036
表示第n-m-1条未配置量测支路无功平均相对误差；
步骤2.5、将m条具有功率量测支路的历史无功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出b个负荷节点的历史注入无功功率的伪量测值，并与b个负荷节点的历史注入无功功率值进行比较，以不断调整所述伪量测模型的权值，直至负荷无功伪量测误差达到收敛标准为止，并输出最终的负荷无功伪量测误差；
根据所述最终的负荷无功伪量测误差，分别求出所述负荷节点历史时刻伪量测的无功平均绝对误差和无功平均相对误差，得到的负荷节点无功平均相对误差矩阵记为
Figure BDA0003147500780000041
其中，
Figure BDA0003147500780000042
表示第b个负荷节点无功平均相对误差；
步骤3、依据各个平均相对误差确定输入状态估计的伪量测集合，依据各个平均绝对误差确定各伪量测权重；
步骤3.1、将未配置量测支路有功平均相对误差矩阵EP、负荷节点有功平均相对误差矩阵ZP、未配置量测支路无功平均相对误差矩阵EQ和负荷节点无功平均相对误差矩阵ZQ中的元素进行组合并按照数值大小进行升序排序，形成新的误差矩阵E，在所述误差矩阵E中，每个元素对应一个伪量测，定义变量并初始化j＝2×b；
步骤3.2、构建输入状态估计的伪量测集合F并初始化为空集；
将所述误差矩阵E中前j个元素对应的伪量测放于所述伪量测集合F中，将所述伪量测集合F中的伪量测、m条具有功率量测支路的有功功率量测和无功功率量测、台区出口侧电压幅值量测和全部虚拟节点量测作为所述配电台区的量测体系；
步骤3.3、对所述配电台区的量测体系进行基于数值法的可观性分析，判断在当前量测体系下的配电台区是否可观，若可观，则记录当前的伪量测集合F，并执行步骤3.4，否则，令j＝j+1，转步骤3.2；
步骤3.4、提取所述误差矩阵E中前j个元素对应伪量测的平均绝对误差，分别求j个平均绝对误差的平方的倒数并作为所述伪量测集合F中各伪量测对应的权重；
步骤4、根据实时量测值获得当前测量时刻的伪量测值，将所述实时量测值、所述伪量测值、所述虚拟节点的量测值和量测权重输入状态估计；
步骤4.1、计算所述m条具有量测配置支路的实时潮流真值，并叠加服从高斯分布的随机噪声，从而生成当前测量时刻的有功功率实时量测值和无功功率实时量测值，根据高斯分布的方差确定所述m条具有功率量测支路的有功功率和无功功率的权重，并设所述虚拟节点的量测权重为1；
步骤4.2、计算所述台区出口电压幅值量测的实时潮流真值，并叠加服从高斯分布的随机噪声，从而生成当前测量时刻的台区出口电压幅值实时量测值，根据高斯分布的方差确定所述台区出口电压幅值量测的权重；
步骤4.3、将当前测量时刻的有功功率实时量测值和无功功率实时量测值分别输入所述伪量测模型中，生成当前测量时刻所述n-m-1条未配置量测支路与所述负荷节点的有功功率伪量测和无功功率伪量测；
步骤4.4、从当前测量时刻所述n-m-1条未配置量测支路与所述负荷节点的有功功率伪量测和无功功率伪量测中提取所述伪量测集合F中各元素对应的伪量测值，构成当前测量时刻的输入状态估计的伪量测值集合F’；
步骤4.5、初始化状态估计，包括：以节点电压x为状态变量，并设定状态变量x的初始值、收敛精度和最大迭代次数，将所述虚拟节点的量测值、所述当前时刻的有功功率实时量测值和无功功率实时量测值、所述台区出口电压幅值实时量测值以及所述输入状态估计的伪量测值集合F’组成状态估计量测矩阵z；
步骤4.6、根据所述状态变量x，通过量测函数计算各实时量测值、虚拟节点的量测值和伪量测值的计算值矩阵h(x)和雅可比矩阵H(x)；
步骤4.7、由所述各实时量测值的权重、虚拟节点的量测权重和各伪量测对应的权重组成权重矩阵R，并利用式(1)计算状态修正量矩阵Δx：
Δx＝[HT(x)RH(x)]-1HT(x)R[z-h(x)] (1)
步骤4.8、选出状态修正量矩阵Δx中的最大值Δxmax，并判断是否满足收敛条件，若满足，则结束计算，输出所述状态变量x，否则，将x+Δx赋值给x，转步骤4.5。
与已有技术相比，本发明有益效果体现在：
1、本发明将实时和历史量测数据同时作为BP神经网络的输入，并利用Levenberg-Marquardt算法来提高迭代收敛速度和保证数值稳定性，分别对支路有功功率、支路无功功率、负荷节点注入有功功率和负荷节点注入无功功率进行伪量测建模，有效提高了伪量测模型的精度，并使伪量测中不含预测数据，有利于对***状态的实时跟踪。
2、本发明综合考虑了支路功率伪量测和负荷节点注入功率伪量测，从神经网络的输出中挑选平均相对误差较小且满足状态估计可观性要求的伪量测构成输入状态估计的伪量测值集合，相比于传统的基于负荷节点注入功率伪量测模型，该方法丰富了伪量测类型，减小了输入状态估计的伪量测的误差，有效提高了配电网状态估计的可观度和计算结果准确度。
附图说明
图1为本发明方法流程图；
图2为本发明实施例***图；
图3为BP神经网络结构图；
图4a为本发明实施例神经网络输出支路有功功率伪量测与支路有功功率真值对比图；
图4b为本发明实施例神经网络输出支路无功功率伪量测与支路无功功率真值对比图；
图4c为本发明实施例神经网络输出负荷节点有功功率伪量测与负荷节点有功功率真值对比图；
图4d为本发明实施例神经网络输出负荷节点无功功率伪量测与负荷节点无功功率真值对比图；
图5a为本发明方法与基于负荷功率伪量测建模方法的状态估计输出电压幅值绝对误差对比图；
图5b为本发明方法与基于负荷功率伪量测建模方法的状态估计输出电压相角绝对误差对比图。
具体实施方式
本实施例中，一种考虑支路功率伪量测的配电网状态估计方法，选择安徽省北部某低压配电台区进行伪量测建模和状态估计，具体过程如下：
步骤1、采集所选配电台区的网架结构、线路长度、线路型号、台区出口电压幅值量测和用户历史负荷数据，并根据所采集的数据，利用前推回代法计算线路潮流，从而得到各支路历史有功功率与历史无功功率，具体步骤如下：
步骤1.1、根据所选配电台区网架结构对线路节点进行编号并标注量测位置与量测类型，如图2所示，可知总节点数为23，总支路数为22，节点1表示配网变压器，即配电网出口处，节点9～12、14～15、18～23为负荷节点，与用户直接相连，通过线路长度和线路型号构建线路阻抗矩阵，由用户历史负荷数据确定各负荷节点的历史注入有功功率和历史注入无功功率，其中历史数据选取一年的数据(采样间隔为15min)，该配电台区中，负荷节点数目为12，虚拟节点数目为10，令初始时刻t＝1；
步骤1.2、在当前t时刻，给配电台区中所有节点的初始电压进行赋值，其中，第i节点的初始电压记为Ui,0 (t)，初始电压Ui,0 (t)的幅值为当前t时刻台区出口电压幅值，且相角为0；i∈[1,n]；
令迭代次数k＝1；令当前t时刻第k次迭代中各节点的电压{Ui,k (t)|i∈[1,n]}为当前t时刻的初始电压{Ui,0 (t)|i∈[1,n]}；
步骤1.3、基于当前t时刻第k次迭代中各节点的电压{Ui,k (t)|i∈[1,n]}和当前t时刻负荷节点的历史注入有功功率和历史注入无功功率，由配电台区的网架结构的末端逐步向始端进行计算，得到当前t时刻第k次迭代中各支路的有功功率和无功功率；
步骤1.4、基于当前t时刻第k次迭代中各支路的有功功率和无功功率，由配电台区的网架结构的始端逐段向末端进行计算，得到当前t时刻第k+1次迭代中各节点新的电压{Ui,k+1 (t)|i∈[1,n]}；
步骤1.5、判断第k次和第k+1次迭代过程中各节点电压幅值差是否满足收敛条件，若满足，则执行步骤1.6，否则，将k+1赋值给k后，转到步骤1.3；
步骤1.6、利用当前t时刻各节点新的电压{Ui,k+1 (t)|i∈[1,n]}和当前t时刻负荷节点的历史注入有功功率和历史注入无功功率计算当前t时刻各支路的有功功率和无功功率；
步骤1.7、判断t是否达到所设定的阈值，若达到，则执行步骤2，否则，将t+1赋值给t，转步骤1.2；
步骤2、选择人工神经网络模型和训练函数，将具有功率量测支路的有功功率值作为输入，建立未配置量测支路有功功率和负荷节点注入有功功率的伪量测模型，将具有功率量测支路的无功功率值作为输入，建立未配置量测支路无功功率和负荷节点注入无功功率的伪量测模型，并分别利用式(1)和式(2)计算各伪量测历史时刻的平均绝对误差MAD和平均相对误差MRE：
Figure BDA0003147500780000071
Figure BDA0003147500780000072
式(1)和式(2)中，n表示历史时刻数；yi表示在i时刻人工神经网络的输出；gi表示在i时刻量测的真实值；
具体步骤如下：
步骤2.1、由图1所示配电台区实际配置情况，可知具有功率量测的支路为4条，分别为支路1-2、支路4-5、支路5-6和支路5-16，选择BP神经网络作为训练模型，所用模型结构如图3所示，并利用Levenberg-Marquardt(L-M)算法来训练模型的权值和阈值，L-M算法是梯度下降法和高斯-牛顿法的结合；
步骤2.2、将4条具有功率量测支路的历史有功功率值作为伪量测模型的输入，通过伪量测模型输出18条未配置量测支路的历史有功功率的伪量测值，并与18条未配置量测支路的历史有功功率值进行比较，以不断调整伪量测模型的权值，直至未配置量测支路的有功伪量测误差达到收敛标准为止，并输出最终的未配置量测支路有功伪量测误差；
根据最终的未配置量测支路有功伪量测误差，分别利用式(1)和式(2)求出未配置量测支路历史时刻伪量测的有功平均绝对误差和有功平均相对误差，得到的未配置量测支路有功平均相对误差矩阵记为
Figure BDA0003147500780000081
其中，
Figure BDA0003147500780000082
表示第18条未配置量测支路有功平均相对误差；
步骤2.3、将4条具有功率量测支路的历史有功功率值作为伪量测模型的输入，通过伪量测模型输出12个负荷节点的历史注入有功功率的伪量测值，并与12个负荷节点的历史注入有功功率值进行比较，以不断调整伪量测模型的权值，直至负荷有功伪量测误差达到收敛标准为止，并输出最终的负荷有功伪量测误差；
根据最终的负荷有功伪量测误差，分别利用式(1)和式(2)求出负荷节点历史时刻伪量测的有功平均绝对误差和有功平均相对误差，得到的负荷节点有功平均相对误差矩阵记为
Figure BDA0003147500780000083
其中，
Figure BDA0003147500780000084
表示第12个负荷节点有功平均相对误差；
步骤2.4、将4条具有功率量测支路的历史无功功率值作为伪量测模型的输入，通过伪量测模型输出18条未配置量测支路的历史无功功率的伪量测值，并与18条未配置量测支路的历史无功功率值进行比较，以不断调整伪量测模型的权值，直至未配置量测支路的无功伪量测误差达到收敛标准为止，并输出最终的未配置量测支路无功伪量测误差；
根据最终的未配置量测支路无功伪量测误差，分别利用式(1)和式(2)求出未配置量测支路历史时刻伪量测的无功平均绝对误差和无功平均相对误差，得到的未配置量测支路无功平均相对误差矩阵记为
Figure BDA0003147500780000085
其中，
Figure BDA0003147500780000086
表示第18条未配置量测支路无功平均相对误差；
步骤2.5、将4条具有功率量测支路的历史无功功率值作为伪量测模型的输入，通过伪量测模型输出12个负荷节点的历史注入无功功率的伪量测值，并与12个负荷节点的历史注入无功功率值进行比较，以不断调整伪量测模型的权值，直至负荷无功伪量测误差达到收敛标准为止，并输出最终的负荷无功伪量测误差；
根据最终的负荷无功伪量测误差，分别利用式(1)和式(2)求出负荷节点历史时刻伪量测的无功平均绝对误差和无功平均相对误差，得到的负荷节点无功平均相对误差矩阵记为
Figure BDA0003147500780000087
其中，
Figure BDA0003147500780000088
表示第12个负荷节点无功平均相对误差；
步骤3、依据各个平均相对误差确定输入状态估计的伪量测集合，依据各个平均绝对误差确定各伪量测权重；
具体步骤如下：
步骤3.1、将未配置量测支路有功平均相对误差矩阵EP、负荷节点有功平均相对误差矩阵ZP、未配置量测支路无功平均相对误差矩阵EQ和负荷节点无功平均相对误差矩阵ZQ中的元素进行组合并按照数值大小进行升序排序，形成新的误差矩阵E，在误差矩阵E中，每个元素对应一个伪量测，定义变量并初始化j＝2×b；
步骤3.2、构建输入状态估计的伪量测集合F并初始化为空集；
将误差矩阵E中前j个元素对应的伪量测放于伪量测集合F中，将伪量测集合F中的伪量测、m条具有功率量测支路的有功功率量测和无功功率量测、台区出口侧电压幅值量测和全部虚拟节点量测作为配电台区的量测体系；
步骤3.3、对配电台区的量测体系进行基于数值法的可观性分析，判断在当前量测体系下的配电台区是否可观，若可观，执行步骤3.4，否则，令j＝j+1，转步骤3.2；
步骤3.4：记录此时的伪量测集合F：F＝{P9，Q9，P7-8，Q7-8，P6-7，Q6-7，P3-4，Q3-4，P8-23，Q8-23，P2-3，Q2-3，P3-12，Q3-12，P17-20，Q17-20，P15，Q15，P12，Q12，P19，Q19，P23，Q23，P16-19，Q16-19，P13-15，Q13-15，P4-13，Q4-13，P16-17，Q16-17，P6-21，Q6-21，P13-14，Q13-14，P8-9，Q8-9，P11，Q11，P2-11，Q2-11，P7-22，Q7-22}；
步骤3.5、提取误差矩阵E中前j个元素对应伪量测的平均绝对误差，分别求j个平均绝对误差的平方的倒数并作为伪量测集合F中各伪量测对应的权重；
步骤4、根据实时量测值获得当前测量时刻的伪量测值，将实时量测值、伪量测值、虚拟节点的量测值和量测权重输入状态估计；
具体步骤如下：
步骤4.1、计算4条具有量测配置支路的实时潮流真值，并叠加服从高斯分布的随机噪声，从而生成当前测量时刻的有功功率实时量测值和无功功率实时量测值，其中，各量测高斯分布的标准差设为量测真值的5％，均值设为0，各功率实时量测的权重取值为高斯分布方差的倒数，虚拟节点的量测权重设为1。
步骤4.2、计算台区出口电压幅值量测的实时潮流真值，并叠加服从高斯分布的随机噪声，从而生成当前测量时刻的台区出口电压幅值实时量测值，其中，该量测高斯分布的标准差设为量测真值的5％，均值设为0，该实时量测的权重取值为高斯分布方差的倒数；
步骤4.3、将当前测量时刻的有功功率实时量测值和无功功率实时量测值分别输入伪量测模型中，生成当前测量时刻18条未配置量测支路与12个负荷节点的有功功率伪量测和无功功率伪量测，在图4a-图4b中分别列出了支路有功、支路无功、负荷节点有功、负荷节点无功的伪量测值与真值的对比图，由图可知，本发明所用伪量测建模方法具有较高的精度，且支路功率伪量测相较于负荷节点功率伪量测具有更小的误差；
步骤4.4、从当前测量时刻18条未配置量测支路与12个负荷节点的有功功率伪量测和无功功率伪量测中提取伪量测集合F中各元素对应的伪量测值，构成当前测量时刻的输入状态估计的伪量测值集合F’，各伪量测值见表1所示：
表1本发明实施例输入状态估计伪量测值
量测类型 有功(W) 无功(Var) 量测类型 有功(W) 无功(Var)
支路2-3 2054.60 1148.04 支路16-19 263.39 115.36
支路3-4 1870.91 1016.33 支路17-20 175.55 100.90
支路6-7 509.43 204.58 支路6-21 285.38 96.33
支路7-8 389.40 251.28 支路7-22 94.22 86.92
支路8-9 283.98 102.45 支路8-23 143.87 67.23
支路2-11 610.34 158.20 负荷节点9 230.57 100.11
支路3-12 217.15 144.62 负荷节点11 595.50 131.24
支路4-13 517.04 358.87 负荷节点12 208.38 135.92
支路13-14 273.76 212.31 负荷节点15 264.34 151.37
支路13-15 242.18 165.58 负荷节点19 259.35 106.46
支路16-17 244.26 158.21 负荷节点23 129.48 75.24
步骤4.5、初始化状态估计，包括：以节点电压x为状态变量，并设定各节点电压幅值初始值为243V，电压相角初始值为0，收敛精度为0.00001，最大迭代次数为100，将虚拟节点的量测值、当前时刻的有功功率实时量测值和无功功率实时量测值、台区出口电压幅值实时量测值以及输入状态估计的伪量测值集合F’组成状态估计量测矩阵z；
步骤4.6、根据状态变量x，通过量测函数计算各实时量测值、虚拟节点的量测值和伪量测值的计算值矩阵h(x)和雅可比矩阵H(x)；
步骤4.7、由各实时量测值的权重、虚拟节点的量测权重和各伪量测对应的权重组成权重矩阵R，并利用式(3)计算状态修正量矩阵Δx：
Δx＝[HT(x)RH(x)]-1HT(x)R[z-h(x)] (3)
步骤4.8、选出状态修正量矩阵Δx中的最大值Δxmax，并判断是否满足收敛条件，若满足，则结束计算，输出状态变量x，否则，将x+Δx赋值给x，转步骤4.5；
对比本发明所提方法和基于负荷功率伪量测建模方法的状态估计结果，本发明所提方法各节点状态估计输出电压幅值绝对误差之和为0.1927V，输出电压相角绝对误差之和为0.2802度，基于负荷功率伪量测建模方法各节点状态估计输出电压幅值绝对误差之和为0.2268V，输出电压相角绝对误差之和为0.2869度，图5a和图5b分别绘出了状态估计输出电压幅值绝对误差对比图和输出电压相角绝对误差对比图，另外，在低压配电网中线路阻抗小，电压有较小扰动就会对其他物理量的计算产生较大的影响，综上分析可知，本发明所提方法相较于基于负荷功率伪量测建模方法，能有效提高状态估计结果的精度。

Claims (1)

1.一种考虑支路功率伪量测的配电网状态估计方法，其特征在于，包括以下步骤：
步骤1、采集配电台区的网架结构、线路长度、线路型号、台区出口电压幅值量测和用户历史负荷数据，并根据所采集的数据，利用前推回代法计算线路潮流，从而得到各支路历史有功功率与历史无功功率；
步骤1.1、根据所述配电台区的网架结构对线路节点进行编号，总节点数设为n，通过所述线路长度和线路型号计算各支路的电阻与电抗，由所述用户历史负荷数据确定各负荷节点的历史注入有功功率和历史注入无功功率，设负荷节点的数目为b，虚拟节点的数目为a，令初始时刻t＝1；
步骤1.2、在当前t时刻，给所述配电台区中所有节点的初始电压进行赋值，其中，第i节点的初始电压记为Ui,0 (t)，所述初始电压Ui,0 (t)的幅值为当前t时刻台区出口电压幅值，且相角为0；i∈[1,n]；
令迭代次数k＝1；令当前t时刻第k次迭代中各节点的电压{Ui,k (t)|i∈[1,n]}为当前t时刻的初始电压{Ui,0 (t)|i∈[1,n]}；
步骤1.3、基于当前t时刻第k次迭代中各节点的电压{Ui,k (t)|i∈[1,n]}和当前t时刻负荷节点的历史注入有功功率和历史注入无功功率，由所述配电台区的网架结构的末端逐步向始端进行计算，得到当前t时刻第k次迭代中各支路的有功功率和无功功率；
步骤1.4、基于所述当前t时刻第k次迭代中各支路的有功功率和无功功率，由所述配电台区的网架结构的始端逐段向末端进行计算，得到所述当前t时刻第k+1次迭代中各节点新的电压{Ui,k+1 (t)|i∈[1,n]}；
步骤1.5、判断第k次和第k+1次迭代过程中各节点电压幅值差是否满足收敛条件，若满足，则执行步骤1.6，否则，将k+1赋值给k后，转到步骤1.3；
步骤1.6、利用当前t时刻各节点新的电压{Ui,k+1 (t)|i∈[1,n]}和当前t时刻负荷节点的历史注入有功功率和历史注入无功功率计算当前t时刻各支路的有功功率和无功功率；
步骤1.7、判断t是否达到所设定的阈值，若达到，则执行步骤2，否则，将t+1赋值给t，转步骤1.2；
步骤2、选择人工神经网络模型和训练函数，将具有功率量测支路的有功功率值作为输入，建立未配置量测支路有功功率和负荷节点注入有功功率的伪量测模型，将具有功率量测支路的无功功率值作为输入，建立未配置量测支路无功功率和负荷节点注入无功功率的伪量测模型，并分别计算各伪量测历史时刻的平均绝对误差和平均相对误差；
步骤2.1、根据所述配电台区的实际配置情况，找出所述具有功率量测的支路，设所述具有功率量测的支路数目为m，选择BP神经网络作为伪量测模型，并利用Levenberg-Marquardt算法来训练所述伪量测模型的权值和阈值；
步骤2.2、将m条具有功率量测支路的历史有功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出n-m-1条未配置量测支路的历史有功功率的伪量测值，并与n-m-1条未配置量测支路的历史有功功率值进行比较，以不断调整所述伪量测模型的权值，直至未配置量测支路的有功伪量测误差达到收敛标准为止，并输出最终的未配置量测支路有功伪量测误差；
根据所述最终的未配置量测支路有功伪量测误差，分别求出所述未配置量测支路历史时刻伪量测的有功平均绝对误差和有功平均相对误差，得到的未配置量测支路有功平均相对误差矩阵记为
Figure FDA0003891135440000021
其中，
Figure FDA0003891135440000022
表示第n-m-1条未配置量测支路有功平均相对误差；
步骤2.3、将m条具有功率量测支路的历史有功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出b个负荷节点的历史注入有功功率的伪量测值，并与b个负荷节点的历史注入有功功率值进行比较，以不断调整所述伪量测模型的权值，直至负荷有功伪量测误差达到收敛标准为止，并输出最终的负荷有功伪量测误差；
根据所述最终的负荷有功伪量测误差，分别求出所述负荷节点历史时刻伪量测的有功平均绝对误差和有功平均相对误差，得到的负荷节点有功平均相对误差矩阵记为
Figure FDA0003891135440000023
其中，
Figure FDA0003891135440000024
表示第b个负荷节点有功平均相对误差；
步骤2.4、将m条具有功率量测支路的历史无功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出n-m-1条未配置量测支路的历史无功功率的伪量测值，并与n-m-1条未配置量测支路的历史无功功率值进行比较，以不断调整所述伪量测模型的权值，直至未配置量测支路的无功伪量测误差达到收敛标准为止，并输出最终的未配置量测支路无功伪量测误差；
根据所述最终的未配置量测支路无功伪量测误差，分别求出所述未配置量测支路历史时刻伪量测的无功平均绝对误差和无功平均相对误差，得到的未配置量测支路无功平均相对误差矩阵记为
Figure FDA0003891135440000025
其中，
Figure FDA0003891135440000026
表示第n-m-1条未配置量测支路无功平均相对误差；
步骤2.5、将m条具有功率量测支路的历史无功功率值作为所述伪量测模型的输入，通过所述伪量测模型输出b个负荷节点的历史注入无功功率的伪量测值，并与b个负荷节点的历史注入无功功率值进行比较，以不断调整所述伪量测模型的权值，直至负荷无功伪量测误差达到收敛标准为止，并输出最终的负荷无功伪量测误差；
根据所述最终的负荷无功伪量测误差，分别求出所述负荷节点历史时刻伪量测的无功平均绝对误差和无功平均相对误差，得到的负荷节点无功平均相对误差矩阵记为
Figure FDA0003891135440000031
其中，
Figure FDA0003891135440000032
表示第b个负荷节点无功平均相对误差；
步骤3、依据各个平均相对误差确定输入状态估计的伪量测集合，依据各个平均绝对误差确定各伪量测权重；
步骤3.1、将未配置量测支路有功平均相对误差矩阵EP、负荷节点有功平均相对误差矩阵ZP、未配置量测支路无功平均相对误差矩阵EQ和负荷节点无功平均相对误差矩阵ZQ中的元素进行组合并按照数值大小进行升序排序，形成新的误差矩阵E，在所述误差矩阵E中，每个元素对应一个伪量测，定义变量并初始化j＝2×b；
步骤3.2、构建输入状态估计的伪量测集合F并初始化为空集；
将所述误差矩阵E中前j个元素对应的伪量测放于所述伪量测集合F中，将所述伪量测集合F中的伪量测、m条具有功率量测支路的有功功率量测和无功功率量测、台区出口侧电压幅值量测和全部虚拟节点量测作为所述配电台区的量测体系；
步骤3.3、对所述配电台区的量测体系进行基于数值法的可观性分析，判断在当前量测体系下的配电台区是否可观，若可观，则记录当前的伪量测集合F，并执行步骤3.4，否则，令j＝j+1，转步骤3.2；
步骤3.4、提取所述误差矩阵E中前j个元素对应伪量测的平均绝对误差，分别求j个平均绝对误差的平方的倒数并作为所述伪量测集合F中各伪量测对应的权重；
步骤4、根据实时量测值获得当前测量时刻的伪量测值，将所述实时量测值、所述伪量测值、所述虚拟节点的量测值和量测权重输入状态估计；
步骤4.1、计算所述m条具有量测配置支路的实时潮流真值，并叠加服从高斯分布的随机噪声，从而生成当前测量时刻的有功功率实时量测值和无功功率实时量测值，根据高斯分布的方差确定所述m条具有功率量测支路的有功功率和无功功率的权重，并设所述虚拟节点的量测权重为1；
步骤4.2、计算所述台区出口电压幅值量测的实时潮流真值，并叠加服从高斯分布的随机噪声，从而生成当前测量时刻的台区出口电压幅值实时量测值，根据高斯分布的方差确定所述台区出口电压幅值量测的权重；
步骤4.3、将当前测量时刻的有功功率实时量测值和无功功率实时量测值分别输入所述伪量测模型中，生成当前测量时刻所述n-m-1条未配置量测支路与所述负荷节点的有功功率伪量测和无功功率伪量测；
步骤4.4、从当前测量时刻所述n-m-1条未配置量测支路与所述负荷节点的有功功率伪量测和无功功率伪量测中提取所述伪量测集合F中各元素对应的伪量测值，构成当前测量时刻的输入状态估计的伪量测值集合F’；
步骤4.5、初始化状态估计，包括：以节点电压x为状态变量，并设定状态变量x的初始值、收敛精度和最大迭代次数，将所述虚拟节点的量测值、所述当前时刻的有功功率实时量测值和无功功率实时量测值、所述台区出口电压幅值实时量测值以及所述输入状态估计的伪量测值集合F’组成状态估计量测矩阵z；
步骤4.6、根据所述状态变量x，通过量测函数计算各实时量测值、虚拟节点的量测值和伪量测值的计算值矩阵h(x)和雅可比矩阵H(x)；
步骤4.7、由所述各实时量测值的权重、虚拟节点的量测权重和各伪量测对应的权重组成权重矩阵R，并利用式(1)计算状态修正量矩阵Δx：
Δx＝[HT(x)RH(x)]-1HT(x)R[z-h(x)] (1)
步骤4.8、选出状态修正量矩阵Δx中的最大值Δxmax，并判断是否满足收敛条件，若满足，则结束计算，输出所述状态变量x，否则，将x+Δx赋值给x，转步骤4.5。
CN202110755989.7A 2021-07-05 2021-07-05 一种考虑支路功率伪量测的配电网状态估计方法 Active CN113489072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755989.7A CN113489072B (zh) 2021-07-05 2021-07-05 一种考虑支路功率伪量测的配电网状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755989.7A CN113489072B (zh) 2021-07-05 2021-07-05 一种考虑支路功率伪量测的配电网状态估计方法

Publications (2)

Publication Number Publication Date
CN113489072A CN113489072A (zh) 2021-10-08
CN113489072B true CN113489072B (zh) 2022-12-06

Family

ID=77939926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755989.7A Active CN113489072B (zh) 2021-07-05 2021-07-05 一种考虑支路功率伪量测的配电网状态估计方法

Country Status (1)

Country Link
CN (1) CN113489072B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828489B (zh) * 2023-02-22 2023-05-12 中国电力科学研究院有限公司 基于关键量测布点位置搜索的感知设备部署方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969198A (zh) * 2010-09-30 2011-02-09 河海大学 考虑负荷静态特性的电力***状态估计方法
CN105633956A (zh) * 2016-02-19 2016-06-01 河海大学 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101383511B (zh) * 2008-10-10 2010-08-04 清华大学 基于数据采集***量测数据的电力***状态估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969198A (zh) * 2010-09-30 2011-02-09 河海大学 考虑负荷静态特性的电力***状态估计方法
CN105633956A (zh) * 2016-02-19 2016-06-01 河海大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Yubin Wang ; Mingchao Xia ; Qifang Chen ; Fangjian Chen ; Xiaonan Ya.Fast State Estimation of Power System based on Extreme Learning Machine Pseudo-Measurement Modeling.《2019 IEEE Innovative Smart Grid Technologies - Asia (ISGT Asia)》.2019, *
基于支路有功功率的配电网拓扑辨识方法;刘迪 等;《电力工程技术》;20210531;第92-98页 *
基于脉冲神经网络伪量测建模的配电网三相状态估计;黄蔓云 等;《电力***自动化》;20160825;第38-43+82页 *

Also Published As

Publication number Publication date
CN113489072A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN107818395B (zh) 一种基于测量不确定度的电能表误差迭代计算方法
CN108199375A (zh) 基于同步相量量测的智能配电网拓扑辨识方法
CN110619432B (zh) 一种基于深度学习的特征提取水文预报的方法
CN108155648B (zh) 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
CN106324521B (zh) 一种联合估计动力电池***参数与荷电状态的方法
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
CN104836223B (zh) 电网参数错误与不良数据协同辨识与估计方法
CN107658881A (zh) 基于戴维南等值方法的电压稳定临界点判断方法
CN107016622B (zh) 一种含大用户用水信息的城市供水管网节点需水量反演方法
CN115932702B (zh) 基于虚拟标准器的电压互感器在线运行校准方法及装置
CN111798491A (zh) 一种基于Elman神经网络的机动目标跟踪方法
CN112926265A (zh) 基于遗传算法优化神经网络的大气多孔探针测量校准方法
CN110346005B (zh) 基于深度学习的科里奥利质量流量计数字信号处理方法
CN113489072B (zh) 一种考虑支路功率伪量测的配电网状态估计方法
CN112488874A (zh) 一种数据驱动的配电网络拓扑估计与线路参数辨识方法
CN106208050B (zh) 一种基于pmu的电网支路静态参数检测辨识方法
CN107634516A (zh) 一种基于灰色‑马尔可夫链的配网状态估计方法
CN109754013A (zh) 一种基于无迹卡尔曼滤波的电力***混合量测融合方法
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN110880757B (zh) 基于最优分区的主动配电网分布式区间状态估计方法
CN115000947A (zh) 基于智能电表量测的配电网拓扑结构与线路参数辨识方法
CN113991711B (zh) 一种光伏电站储能***容量配置方法
CN110532731B (zh) 一种电压暂降凹陷域快速计算方法
CN112113146A (zh) 供水管网管道粗糙系数和节点需水量同步自适应校核方法
CN114239796A (zh) 一种基于扩展卡尔曼滤波的电力***状态估计方法

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