CN103593565B - 结构风险最小化的加权最小二乘电力系统状态估计方法 - Google Patents
结构风险最小化的加权最小二乘电力系统状态估计方法 Download PDFInfo
- Publication number
- CN103593565B CN103593565B CN201310567014.7A CN201310567014A CN103593565B CN 103593565 B CN103593565 B CN 103593565B CN 201310567014 A CN201310567014 A CN 201310567014A CN 103593565 B CN103593565 B CN 103593565B
- Authority
- CN
- China
- Prior art keywords
- matrix
- branch road
- node
- measurement
- risk minimization
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 70
- 239000000243 solution Substances 0.000 claims description 9
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 102000020897 Formins Human genes 0.000 claims 1
- 108091022623 Formins Proteins 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于结构风险最小化的加权最小二乘电力系统状态估计方法,该方法针对电力系统状态估计的量测数目有限的特点,从统计学习理论出发,提出基于结构风险最小化的加权最小二乘估计模型,可在最小化残差的范数的同时最小化状态变量的置信区间;并给出了该方法的详细求解过程。该方法符合统计学习理论中的结构风险最小化思想,在有限量测条件下可得到更接近于状态变量真值的估计结果,具有良好的工程应用前景。
Description
技术领域
本发明属于电力系统调度自动化领域,具体涉及一种基于结构风险最小化的加权最小二乘(Structural Risk Minimization Based Weighted Least Squares,SWLS)电力系统状态估计方法。
背景技术
电力系统状态估计是能量管理系统(Energy Management System,EMS)的基础和核心组成部分。高性能的状态估计(State Estimator,SE)可为EMS提供准确可靠的实时运行数据,是EMS各项高级应用正常运行的保证。现在几乎每一个大型的电网调度中心都装设了状态估计软件,SE已成为保证电网安全、可靠运行必不可少的环节。
目前,在国内外应用最为广泛的状态估计方法是加权最小二乘法(WeightedLeast Squares,WLS)。WLS模型简洁,求解容易,收敛性能好。WLS的理论基础是传统统计学的经验风险最小化思想(Empirical Risk Minimization,ERM),即当样本(量测量)数目趋近于无穷大时,状态变量估计值以概率逼近于状态变量真值。但是在实际工程中,量测量的数目毕竟是有限的,此时基于ERM思想的WLS方法从理论上并不能保证估计性能。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。统计学习理论是有限样本时的最佳学习理论,统计学习理论认为有限样本时更为合理的建模方法是结构风险最小化思想(Structural Risk Minimization,SRM)。将SRM思想运用于解决状态估计问题在理论更具合理性。基于SRM思想进行状态估计建模就是要在最小化残差表示的某种范数的同时,最小化状态变量的置信区间。
为此,本发明的目的在于提出一种有限量测数据条件下更为合理的电力系统状态估计方法,即基于结构风险最小的电力系统状态估计方法。
为了实现上述目的,根据本发明的实施例的结构风险最小化的加权最小二乘电力系统状态估计方法,可以包括以下步骤:A.在电力系统中形成网络模型,并提出基于结构风险最小化的加权最小二乘估计模型为Min S(x)=kp[z-h(x)]TR-1[z-h(x)]+tr([HT(x)R-1H(x)]-1),其中:S(x)代表状态估计学习模型的结构风险,x代表状态变量,kp>0为常数参数,z∈Rm为量测矢量,包括节点电压幅值量测、支路有功和无功量测、节点注入有功和无功量测,h为量测表达式,tr(·)代表矩阵的迹,为雅可比矩阵;B.计算所述雅可比矩阵H(x(k))及增益矩阵G(x(k))=HT(x(k))R-1H(x(k)),其中k为迭代计数;C.对所述增益矩阵G(x(k))进行因子分解,并计算矩阵A=[A1,A2,…,An]T∈Rn,Ai=tr(G-1(x)BiG-1(x))∈R(i=1,2,…,n),所述矩阵A为求解所述基于结构风险最小化的加权最小二乘估计模型过程中的中间运算物理量;D.根据所述矩阵A,计算HT(x(k))R-1[z-h(x(k))]+A/kp;E.根据步骤C得到的所述增益矩阵G(x(k))的因子式,计算Δx(k);F.判断Δx(k)是否收敛,如果收敛则输出状态变量估计值结果,如果不收敛则更新x(k+1)=x(k)+Δx(k),k=k+1然后转至步骤B。
根据本发明实施例的结构风险最小化的加权最小二乘电力系统状态估计方法,符合统计学习理论中的结构风险最小化思想,在有限量测条件下可得到更接近于状态变量真值的估计结果,具有良好的工程应用前景。
另外,根据本发明实施例的结构风险最小化的加权最小二乘电力系统状态估计方法还可以具有如下附加技术特征:
在本发明的一个实施例中,所述步骤A具体包括:将网络中所有的线路和变压器等效为π型支路ij,记ys=1/(rij+jxij)=gs+jbs为π型支路ij的串联电纳,rij+jxij为π型支路ij的串联阻抗值,bc为π型支路ij的接地电纳,其中,若π型支路ij为变压器支路,则bc=0且k为理想变压器的变比,若π型支路ij为普通线路,则k=1,并联的多条支路等效为一条支路;在等效后的电路中,记gij=gs/k,bij=bs/k,gsi=(1-k)gs/k2,bsi=(1-k)bs/k2+bc/2,gsj=(k-1)gs/k,bsj=(k-1)bs/k+bc/2;计算节点导纳矩阵Y=G+jB,G和B分别为节点导纳矩阵的实部和虚部。
在本发明的一个实施例中,所述雅可比矩阵元素包括:电压幅值量测对应的雅可比矩阵元素、支路功率量测对应的雅可比矩阵元素以及注入功率量测对应的雅可比矩阵元素。
在本发明的一个实施例中,所述步骤C具体包括以下步骤:C1.采用数值方法求G(x(k))的逆矩阵G-1(x(k));C2.计算矩阵元素,其中;C3.计算Ai=tr(G-1(x)BiG-1(x))(i=1,2,…,n)以得到A=[A1,A2,…,An]T(i=1,2,…,n)。
在本发明的一个实施例中,所述步骤D中的公式HT(x(k))R-1[z-h(x(k))]+A/kp中,z为量测矢量,h(x)的表达式如下:电压幅值量测对应h(x):第i个电压幅值量测对应的h(x)元素为vi=vi;支路功率量测对应h(x):支路ij的有功和无功量测对应的h(x)元素为其中,Pij和Qij分别为节点i流向节点j的支路有功和无功;注入功率量测对应h(x):节点i的注入有功和注入无功量测对应的h(x)元素为
其中,Pi和Qi分别为节点i的注入有功和注入无功,Gij+jBij为节点导纳矩阵中的对应元素。
在本发明的一个实施例中,根据步骤C得到的所述增益矩阵G(x(k))的因子式,求解下式以得到Δx(k):
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的基于结构风险最小化的加权最小二乘电力系统状态估计方法的流程示意图;
图2为π型支路的示意图;
图3为π型支路等值电路的示意图;
图4为典型的两节点电力系统状态估计算例的示意图;
图5为1000次试验由EWLS和SWLS得到的解的散布图;
图6为10000次试验由EWLS和SWLS得到的解的散布图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明涉及一种基于SRM准则的WLS模型(SWLS),该模型符合统计学习理论中的SRM思想,在有限量测条件下可得到更接近于状态变量真值的估计结果。
以下首先给出传统的基于ERM准则的WLS模型(Empirical Risk MinimizationBased Weighted Least Squares,EWLS),即传统的WLS状态估计模型;然后给出SWLS的模型;
最后详细推导了SWLS的求解方法,并给出了求解步骤。
(1)模型
现有技术中基于ERM准则的EWLS模型如下所示
Min J(x)=[z-h(x)]TR-1[z-h(x)] (1)式中:z∈Rm为量测矢量,一般包括支路功率量测、节点注入功率量测和节点电压幅值量测等,PMU量测中还包括相角量测,m为量测量的总个数;x∈Rn为包括所有节点电压幅值和相角(参考节点相角除外)的状态变量,n=2N-1,N为网络中节点的总数目;h:Rn→Rm为状态变量到量测矢量的非线性映射,即量测表达式。
EWLS模型(1)的迭代求解公式如下式所示
G(x(k))Δx(k+1)=HT(x(k))R-1[z-h(x(k))] (2)
式中:,G(x(k))=HT(x(k))R-1H(x(k))为增益矩阵(信息矩阵);Δx(k +1)=x(k+1)-x(k)。
EWLS模型在收敛时,可得状态估计的误差方差矩阵为
式中:x为状态变量的真值;为EWLS得到的状态变量的估计值,即式(2)收敛时得到的状态变量;G(x)=HT(x)R-1H(x)。
状态估计误差方程阵[HT(x)R-1H(x)]-1的对角元表示状态变量的误差方差。
基于SRM准则的状态估计一般模型如式(4)所示
式中:S(x)代表状态统计学习模型的结构风险;x代表状态变量;Φ(m/h)代表状态变量的置信区间;k用来衡量置信区间与经验风险的比例;zi和hi分别为z和h的第i个分量。
将模型(5)应用于WLS时,基于此,可得如下模型
Min S(x)=kp[z-h(x)]TR-1[z-h(x)]+tr([HT(x)R-1H(x)]-1) (5)
式中:tr(·)代表矩阵的迹;kp>0为某一常数参数。
模型(5)即为基于SRM准则的WLS模型,即SWLS,S(x)中的第一项用残差的加权平方和代表经验风险,与常规WLS(EWLS)相同;第二项用所有变量的误差方差之和代表状态变量的置信区间。kp代表经验风险占结构风险的比例,kp随着量测量数目的增大而增大;kp趋近于无穷大时,模型(5)等价于基于EWLS;kp趋近于0时,模型(5)的意义是仅仅最小化状态变量的置信区间。
(2)SWLS模型的求解方法
为了求得最优值,模型(5)必须满足一阶最优条件,其中涉及对矩阵的逆进行求导的运算。
令A(x)∈Rn×n为可逆矩阵,x为标量,则有则模型(5)中的第二项对状态变量x(x∈Rn)的第i(i=1,2,…,n)个分量xi的导数为
式中:
根据基本公式则式(6)等号右边的两项满足
tr(G-1(x)BiG-1(x))=tr((G-1(x))2Bi) (8)
由于G-1(x)=[G-1(x)]T,因此(G-1(x))2=[(G-1(x))2]T,结合式(7)和式(8),可得
将式(9)代入式(6),可得
令Ai=tr(G-1(x)BiG-1(x))∈R(i=1,2,…,n),A=[A1,A2,…,An]T∈Rn,则有
至此,对模型(5)中等号右边第2项的求导完成。为取得最优值,模型(5)须满足下面的一阶最优条件
式(12)可改写为下面的等价形式
kpHT(x)R-1[z-h(x)]+A=0 (13)
令g(x)=kpHT(x)R-1[z-h(x)]+A=0,将g(x)进行泰勒级数展开,可得
g(x)=g(x(k))+K(x(k))(x-x(k))+…=0 (14)
式中:
忽略式(14)中的高阶项,可得如下迭代求解公式
在迭代公式(15)中忽略了这一项,其原因在于一方面的求解比较困难;另一方面是忽略后不影响收敛时的状态变量估计值。
式(15)为SWLS模型(5)的迭代求解公式。注意到当样本数目趋近于无穷大时,kp等于无穷大,其迭代等同于常规WLS(EWLS)的迭代求解公式。
(3)模型的求解步骤
图1是本发明的方法的流程示意图。如图1所示,可以包括以下步骤:
A.在电力系统中形成网络模型,并提出基于结构风险最小化的加权最小二乘估计模型为Min S(x)=kp[z-h(x)]TR-1[z-h(x)]+tr([HT(x)R-1H(x)]-1),其中式中:S(x)代表状态估计学习模型的结构风险,x代表状态变量,kp>0为常数参数,z∈Rm为量测矢量,包括节点电压幅值量测、支路有功和无功量测、节点注入有功和无功量测,h为量测表达式,tr(·)代表矩阵的迹,为雅可比矩阵。
B.计算雅可比矩阵H(x(k))及增益矩阵G(x(k))=HT(x(k))R-1H(x(k)),其中k为迭代计数。
C.对增益矩阵G(x(k))进行因子分解,并计算矩阵A=[A1,A2,…,An]T∈Rn,Ai=tr(G-1(x)BiG-1(x))∈R(i=1,2,…,n),矩阵A为求解基于结构风险最小化的加权最小二乘估计模型过程中的中间运算物理量。
D.根据矩阵A,计算HT(x(k))R-1[z-h(x(k))]+A/kp。
E.根据步骤C得到的增益矩阵G(x(k))的因子式,计算Δx(k)。
F.判断Δx(k)是否收敛,如果收敛则输出状态变量估计值结果,如果不收敛则更新x(k+1)=x(k)+Δx(k),k=k+1然后转至步骤B。
根据本发明实施例的基于结构风险最小化的加权最小二乘电力系统状态估计方法,符合统计学习理论中的结构风险最小化思想,在有限量测条件下可得到更接近于状态变量真值的估计结果,具有良好的工程应用前景。
为使本领域技术人员更好地理解本发明,对SWLS模型(5)的求解步骤阐述如下:
Step1:电力系统中的状态变量包括除参考节点外的所有节点的电压幅值和相角,记为x(k),即其中N为网络中节点的总数目,节点1为参考节点;置迭代计数器k=0;令x(k)为平启动状态变量,即假设所有节点的电压幅值为1,所有节点的相角为0弧度;
Step2:计算雅可比矩阵H(x(k))及增益矩阵G(x(k));
Step2包括:A形成网络模型;B计算雅可比矩阵及增益矩阵;
其中,A包括:网络中任一支路(线路或变压器支路)的π型支路如图2所示,图3中是图2的等效电路。在图2和图3中记ys=1/(rij+jxij)=gs+jbs为π型支路ij的串联电纳,rij+jxij为π型支路ij的串联阻抗值,bc为π型支路ij的接地电纳,其中,若π型支路ij为变压器支路,则bc=0且k为理想变压器的变比,若π型支路ij为普通线路,则k=1;在图3中,记gij=gs/k,bij=bs/k,gsi=(1-k)gs/k2,bsi=(1-k)bs/k2+bc/2,gsj=(k-1)gs/k,bsj=(k-1)bs/k+bc/2;计算节点导纳矩阵Y=G+jB,G和B分别为节点导纳矩阵的实部和虚部;
B电力系统SE中的量测量主要包括节点电压幅值量测vi,支路功率量测Pij,Qij,节点注入功率量测Pi和Qi,所有的量测量记为z;量测量的真值记为h(x),雅可比矩阵定义为,雅可比矩阵的各元素如下(在第k次迭代中,仅选用x(k)代替x即可):
1)电压幅值量测对应的雅可比矩阵元素
对于电压幅值量测,其对应的雅可比矩阵元素为
2)支路功率量测对应的雅可比矩阵元素
对于支路功率量测,其对应的雅可比矩阵元素为
3)注入功率量测对应的雅可比矩阵元素
对于注入功率量测,其对应的雅可比矩阵元素为
形成H(x(k))之后,计算G(x(k))=HT(x(k))R-1H(x(k))。
Step3:对增益矩阵G(x(k))进行因子分解,由公式(10)和(11)计算矩阵A;
其中,矩阵A中的各元素的计算步骤如下:
1)采用数值方法求G(x(k))的逆矩阵G-1(x(k));
2)计算矩阵元素其中各元素
的数值如下(相当于海森矩阵元素):
(1)电压幅值量测对应的雅可比矩阵元素对x的导数
(2)支路功率量测对应的雅可比矩阵元素对x的导数
3)计算Ai=tr(G-1(x)BiG-1(x))(i=1,2,…,n),以得到A=[A1,A2,…,An]T(i=1,2,…,n)。
以上三步中用到x时需用x(k)代替;
Step4:计算HT(x(k))R-1[z-h(x(k))]+A/kp;
其中,z为量测矢量,h(x)的表达式如下(在第k次迭代中,仅选用x(k)代替x即可):
1)电压幅值量测对应h(x)
第i个电压幅值量测对应的h(x)元素为
vi=vi;
2)支路功率量测对应h(x)
支路ij(i、j分别为支路两端节点)的有功和无功量测对应的h(x)元素为
其中,Pij和Qij分别为节点i流向节点j的支路有功和无功。
3)注入功率量测对应h(x)
节点i的注入有功和注入无功量测对应的h(x)元素为
其中,Pi和Qi分别为节点i的注入有功和注入无功,Gij+jBij为节点导纳矩阵中的对应元素。
Step5:利用Step3得到的G(x(k))的因子式求解式(15),得到Δx(k);
Step6:判断|Δx(k)|≤ε是否成立,若成立,则转Step8;否则,转Step7;
Step7:更新状态变量为x(k+1)=x(k)+Δx(k),k=k+1,转Step2;
Step8:输出状态变量估计值,END。
为使本技术领域人员更好地理解本发明,下面结合图4-6列举实施例做进一步说明。
图4为典型的两节点电力系统状态估计算例的示意图。其中节点1(Bus1)是参考节点,节点2(Bus2)的电压幅值和相角待估计(其状态变量的真值为v2=1,θ2=-π/6≈-0.5236)。测试中在潮流的基础上叠加高斯分布的随机数来模拟量测量。图4中同时给出了支路参数(r和x分别表示线路的电阻和电抗)、潮流真实值(Pij表示从节点i流向节点j潮流的真值)以及其中一组量测值(括号内的数值)。
在测试时,电压幅值量测、支路有功和注入有功量测以及支路无功和注入无功量测中相对噪声的标准差分别是0.01p.u.、0.02p.u.和0.03p.u.(相对噪声的意思是噪声幅值与对应量测量真值的比值)。分别独立进行1000次和10000次试验(测试中kp=104),由EWLS和SWLS得到的解的散布图分别如图5和图6所示。
在图5和图6中,v2表示节点2节点幅值的估计值,θ2表示节点2电压相角的估计值。由图3和图4可见,当不含不良数据时,SWLS得到的状态变量的散布区间小于EWLS得到的散布区间,显示了SWLS的优越性。
根据以上测试结果,可对广为应用的EWLS进行改造以改进其估计性能。即首先利用EWLS进行估计,并利用估计辨识法进行不良数据的辨识;待不良数据被全部辨识出来时,可用SWLS再次进行估计,即可得到更为可信的估计结果。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种结构风险最小化的加权最小二乘电力系统状态估计方法,其特征在于,包括以下步骤:
A.在电力系统中形成网络模型,并提出基于结构风险最小化的加权最小二乘估计模型为Min S(x)=kp[z-h(x)]TR-1[z-h(x)]+tr([HT(x)R-1H(x)]-1),其中:S(x)代表状态估计学习模型的结构风险,x代表状态变量,kp>0为常数参数,z∈Rm为量测矢量,包括节点电压幅值量测、支路有功和无功量测、节点注入有功和无功量测,h为量测表达式,tr(·)代表矩阵的迹,为雅可比矩阵;
B.计算所述雅可比矩阵H(x(k))及增益矩阵G(x(k))=HT(x(k))R-1H(x(k)),其中k为迭代计数;
C.对所述增益矩阵G(x(k))进行因子分解,并计算矩阵A=[A1,A2,…,An]T∈Rn,Ai=tr(G-1(x) BiG-1(x))∈R,i=1,2,…,n,所述矩阵A为求解所述基于结构风险最小化的加权最小二乘估计模型过程中的中间运算物理量;
D.根据所述矩阵A,计算HT(x(k))R-1[z-h(x(k))]+A/kp;
E.根据步骤C得到的所述增益矩阵G(x(k))的因子式,求解下式以得到Δx(k):
其中,Δx(k)=-K-1(x(k))g(x(k)),
F.判断Δx(k)是否收敛,如果收敛则输出状态变量估计值结果,如果不收敛则更新x(k+1)=x(k)+Δx(k),k=k+1然后转至步骤B。
2.根据权利要求1所述的方法,其特征在于,所述步骤A具体包括:
将网络中所有的线路和变压器等效为π型支路ij,记ys=1/(rij+jxij)=gs+jbs为π型支路ij的串联导纳,rij+jxij为π型支路ij的串联阻抗值,bc为π型支路ij的接地电纳,其中,若π型支路ij为变压器支路,则bc=0且k为理想变压器的变比,若π型支路ij为普通线路,则k=1,并联的多条支路等效为一条支路;
在等效后的电路中,记gij=gs/k,bij=bs/k,gsi=(1-k)gs/k2,bsi=(1-k)bs/k2+bc/2,gsj=(k-1)gs/k,bsj=(k-1)bs/k+bc/2;
计算节点导纳矩阵Y=G+jB,G和B分别为节点导纳矩阵的实部和虚部。
3.根据权利要求2所述的方法,其特征在于,所述雅可比矩阵元素包括:电压幅值量测对应的雅可比矩阵元素、支路功率量测对应的雅可比矩阵元素以及注入功率量测对应的雅可比矩阵元素。
4.根据权利要求3所述的方法,其特征在于,所述步骤C具体包括以下步骤:
C1.采用数值方法求G(x(k))的逆矩阵G-1(x(k));
C2.计算矩阵元素
C3.计算Ai=tr(G-1(x)BiG-1(x)),i=1,2,…,n,以得到A=[A1,A2,…,An]T。
5.根据权利要求4所述的方法,其特征在于,所述步骤D中的公式HT(x(k))R-1[z-h(x(k))]+A/kp中,z为量测矢量,h(x)的表达式如下:
电压幅值量测对应h(x):第i个电压幅值量测对应的h(x)元素为vi=vi;
支路功率量测对应h(x):支路ij的有功和无功量测对应的h(x)元素为
其中,Pij和Qij分别为节点i流向节点j的支路有功和无功;
注入功率量测对应h(x):节点i的注入有功和注入无功量测对应的h(x)元素为其中,Pi和Qi分别为节点i的注入有功和注入无功,Gij+jBij为节点导纳矩阵中的对应元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310567014.7A CN103593565B (zh) | 2013-11-14 | 2013-11-14 | 结构风险最小化的加权最小二乘电力系统状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310567014.7A CN103593565B (zh) | 2013-11-14 | 2013-11-14 | 结构风险最小化的加权最小二乘电力系统状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103593565A CN103593565A (zh) | 2014-02-19 |
CN103593565B true CN103593565B (zh) | 2017-02-22 |
Family
ID=50083702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310567014.7A Expired - Fee Related CN103593565B (zh) | 2013-11-14 | 2013-11-14 | 结构风险最小化的加权最小二乘电力系统状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103593565B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808122A (zh) * | 2015-04-20 | 2015-07-29 | 国家电网公司 | 一种基于统计学习理论的xlpe电缆局部放电信号估计方法 |
CN108649574A (zh) * | 2018-06-15 | 2018-10-12 | 华北电力大学 | 一种基于三种量测数据的配电网快速状态估计方法 |
CN111507591B (zh) * | 2020-04-07 | 2021-03-19 | 山东科技大学 | 电力系统状态确定方法、装置、计算机介质及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599643A (zh) * | 2009-04-23 | 2009-12-09 | 清华大学 | 一种基于指数型目标函数的电力系统抗差状态估计方法 |
CN102801162A (zh) * | 2012-08-23 | 2012-11-28 | 清华大学 | 一种两阶段线性加权最小二乘电力系统状态估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3514944B2 (ja) * | 1997-05-22 | 2004-04-05 | 三菱電機株式会社 | 電力系統シミュレータ |
-
2013
- 2013-11-14 CN CN201310567014.7A patent/CN103593565B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599643A (zh) * | 2009-04-23 | 2009-12-09 | 清华大学 | 一种基于指数型目标函数的电力系统抗差状态估计方法 |
CN102801162A (zh) * | 2012-08-23 | 2012-11-28 | 清华大学 | 一种两阶段线性加权最小二乘电力系统状态估计方法 |
Non-Patent Citations (2)
Title |
---|
基于最小二乘法的电力系统状态估计算法研究;肖腾蛟 等;《世界科技研究与发展》;20091231;第31卷(第6期);第1091-1094页 * |
基于蒙特卡洛法和最小二乘支持向量机的复杂电力系统可靠性评估;王景辰 等;《华东电力》;20130531;第41卷(第5期);第1001-1004页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103593565A (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103944165B (zh) | 一种大电网参数辨识估计方法 | |
CN101599643B (zh) | 一种基于指数型目标函数的电力系统抗差状态估计方法 | |
CN104778367B (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 | |
CN103532137B (zh) | 一种三相四线低压配电网的状态估计方法 | |
CN103678931B (zh) | 基于精确量测负荷数据的变电站覆盖区域能效评估方法 | |
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 | |
CN104600697B (zh) | 一种计及温度影响的拟直流最优潮流方法 | |
CN105512502B (zh) | 一种基于残差归一化的权函数最小二乘状态估计方法 | |
CN103593565B (zh) | 结构风险最小化的加权最小二乘电力系统状态估计方法 | |
CN102508086B (zh) | 一种t形连接电力线路的参数估计方法 | |
CN103886193A (zh) | 一种电力系统模糊自适应抗差估计方法 | |
CN106786493A (zh) | 一种多馈入直流相互作用因子的实用计算方法 | |
CN104037759B (zh) | 电力系统注入转移分布因子的抗差最小二乘估计方法 | |
CN103593566B (zh) | 混合二次规划形式的电力系统综合状态估计方法 | |
CN104362638B (zh) | 基于相量量测单元量测的电网聚合的关键节点电压调控方法 | |
CN108075480A (zh) | 一种交直流系统的状态估计方法及系统 | |
CN105490269A (zh) | 基于wams量测的多区域电力系统状态估计方法及系统 | |
CN106385035A (zh) | 一种计及充电电容的直流潮流计算方法 | |
CN107257130A (zh) | 基于区域量测解耦的低压配电网损耗计算方法 | |
CN106786536B (zh) | 考虑外网扩展Ward等值的状态估计方法 | |
CN102280877B (zh) | 一种多量测断面的电力系统不良支路参数辨识方法 | |
CN104239716A (zh) | 一种基于参数偏差灵敏度的电网设备参数识别与估计方法 | |
CN103838962B (zh) | 一种计及pmu量测的分步线性状态估计方法 | |
CN105787604B (zh) | 一种输配协同的配网态势快速感知方法 | |
CN105514978B (zh) | 一种混合整数二次规划形式的抗差状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 Termination date: 20171114 |