CN108173284A - 有源配电网状态估计方法及系统 - Google Patents
有源配电网状态估计方法及系统 Download PDFInfo
- Publication number
- CN108173284A CN108173284A CN201810021358.0A CN201810021358A CN108173284A CN 108173284 A CN108173284 A CN 108173284A CN 201810021358 A CN201810021358 A CN 201810021358A CN 108173284 A CN108173284 A CN 108173284A
- Authority
- CN
- China
- Prior art keywords
- node
- active power
- distribution network
- power distribution
- variable
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 102
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- H02J3/381—Dispersed generators
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种有源配电网状态估计方法及系统，所述方法包括：S1，根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数；S2，基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。本发明提供的有源配电网状态估计方法及系统，通过高斯混合模型和置信传播算法来解决有源配电网状态估计的问题，并采用高斯混合模型模拟分布式电源的不确定性出力，以保证估计精度，该方法无需进行可观性分析，也不需要保证整个有源配电网量测的冗余度，可以提高估计的速度和效率。
Description
技术领域
本发明涉及电气通信技术领域，更具体地，涉及有源配电网状态估计方法及系统。
背景技术
有源配电网通常是侧重于反映配电网接有分布式电源的物理特征，有源配电网状态估计则是根据配电网的量测信息并补充配电网母线负荷预测、非遥感遥测数据等伪量测数据，采用合适的算法来估计出高精度的、完整的、可靠的配电网状态。
在有源配电网状态估计中，可以选取不同物理量作为系统待求的状态变量，这些状态变量可以包括节点电压、支路电流和支路功率等。在对有源配电网的状态进行估计时常采用加权最小二乘法来实现，这种方法需要保证整个有源配电网量测的冗余度，但是由于无法保证有源配电网内每个节点都配有实时量测装置，所以需要在估计前对每个节点上的状态变量进行可观性分析后才能进行估计，这将会大大降低有源配电网状态的估计精度，以及估计的速度和效率，进而难以满足有源配电网的发展需求。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明提供了一种有源配电网状态估计方法及系统。
一方面，本发明提供了一种有源配电网状态估计方法，包括：
S1，根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数，每一节点的量测函数用于表示每一节点的量测变量与状态变量之间的关系，每一节点的状态变量包括每一节点处的电压幅值和相角；
S2，基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。
优选地，每一节点的量测变量包括：节点注入有功功率、节点注入无功功率、两节点间的支路有功功率和两节点间的支路无功功率。
优选地，所述方法还包括：
将所述有源配电网内每一状态变量均作为因子图变量节点，将所述有源配电网内每一量测变量均作为因子图因子节点，若某一状态变量为某一量测变量的自变量，则将所述某一状态变量对应的因子图变量节点与所述某一量测变量对应的因子图因子节点相连，形成因子图并将所述因子图进行显示。
优选地，所述S1中所述利用高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，具体包括：
通过多个服从高斯分布的高斯分量共同模拟所述有源配电网内分布式电源的非高斯概率分布函数，以模拟所述分布式电源的不确定性出力。
优选地，S2之前还包括：
将所述有源配电网内每一节点的量测函数中的非线性变量进行线性变换。
另一方面，本发明提供了一种有源配电网状态估计系统，包括：模拟模块和状态估计模块。其中，
模拟模块用于根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数，每一节点的量测函数用于表示每一节点的量测变量与状态变量之间的关系，每一节点的状态变量包括每一节点处的电压幅值和相角；
状态估计模块用于基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。
优选地，每一节点的量测变量包括：节点注入有功功率、节点注入无功功率、两节点间的支路有功功率和两节点间的支路无功功率。
优选地，所述系统还包括：
因子图形成模块，用于将所述有源配电网内每一节点的状态变量均作为因子图变量节点，将所述有源配电网内每一节点的量测变量均作为因子图因子节点，若某一状态变量为某一量测变量的自变量，则将所述某一状态变量对应的因子图变量节点与所述某一量测变量对应的因子图因子节点相连，形成因子图并将所述因子图进行显示。
优选地，所述模拟模块具体用于：
通过多个服从高斯分布的高斯分量共同模拟所述有源配电网内分布式电源的非高斯概率分布函数，以模拟所述分布式电源的不确定性出力。
优选地，所述系统还包括：
线性变换模块，用于将所述有源配电网内每一节点的量测函数中的非线性变量进行线性变换。
另一方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。
另一方面，本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
本发明提供的有源配电网状态估计方法及系统，通过高斯混合模型和置信传播算法来解决有源配电网状态估计的问题，并采用高斯混合模型模拟分布式电源的不确定性出力，以保证估计精度，该方法无需进行可观性分析，也不需要保证整个有源配电网量测的冗余度，可以提高估计的速度和效率。
附图说明
图1为本发明一实施例提供的一种有源配电网状态估计方法的流程示意图；
图2为图1中的置信传播算法的流程示意图；
图3为本发明另一实施例提供的一种有源配电网状态估计系统的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明提供了一种有源配电网状态估计方法，包括：
S1，根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数，每一节点的量测函数用于表示每一节点的量测变量与状态变量之间的关系，每一节点的状态变量包括每一节点处的电压幅值和相角；
S2，基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。
具体地，本发明中采用全分量高斯混合模型来模拟分布式电源的非高斯概率分布函数，具体为利用多个服从高斯分布的高斯分量共同模拟所述有源配电网内分布式电源的非高斯概率分布函数，以模拟所述分布式电源的不确定性出力。
所以，在本发明中，假设分布式电源的概率分布函数由K个高斯分布的概率分布函数的加权和表示，即：
在x∈(-∞,+∞)上对式子两边同时积分，由于0＜αi＜1、故经高斯混合模型后得到的均值和方差可由如下公式求得：
在上述实施例的基础上，所述量测变量包括：每一节点的量测变量包括：节点注入有功功率、节点注入无功功率、两节点间的支路有功功率和两节点间的支路无功功率。
具体地，有源配电网中各量测变量与各状态变量之间的关系可通过如下公式进行表示，即对应的节点注入有功功率量测函数、节点注入无功功率量测函数、支路有功功率量测函数和支路无功功率量测函数，本发明中假设有源配电网内具有N个节点：
其中，为节点i的有功注入功率，所在的公式为节点i的有功注入功率量测函数，为节点i的无功注入功率，所在的公式为节点i的无功注入功率量测函数；为节点i和节点j之间的支路有功功率，所在的公式为节点i和节点j之间的支路有功功率量测函数，为节点i和节点j之间的支路无功功率，所在的公式为节点i和节点j之间的支路无功功率量测函数。
Vi和Vj分别是节点i和节点j的电压幅值，也为状态变量，θij＝θi-θj是节点i和节点j的相角差，同样为状态变量。相角为某一节点处的相位角，相角差即为相位角之差。Gij和Bij分别为有源配电网内节点导纳矩阵中第i行第j列的导纳对应的实部和虚部；gij和bij为节点i和节点j之间的支路电导和电纳，bsi为节点i对地电纳。
由于有源配电网内并不是每一节点均设置有量测装置，即只有部分节点设置有量测装置，这样的节点被称为量测节点。量测装置可以预测出一时间段内量测节点的量测变量的量测值，量测值通常为量测变量在每一时间段内取值的均值。通常量测装置是基于高斯混合模型实现的，所以也可以知道量测值的概率密度分布函数。
将所述有源配电网内各量测节点的量测变量的量测值进行拟合，得到所述有源配电网内每一节点的量测变量的量测值，每一节点的量测变量的量测值与该节点的状态变量之间的关系即为每一节点的量测函数。
在上述实施例的基础上，所述方法还包括：
在完成S1后，构建因子图并将得到的因子图进行显示，具体方法为：将所述有源配电网内每一节点的状态变量均作为因子图变量节点，将所述有源配电网内每一量测变量均作为因子图因子节点，若某一状态变量为某一量测变量的自变量，则将所述某一状态变量对应的因子图变量节点与所述某一量测变量对应的因子图因子节点相连，最后可形成因子图。本实施例中构建因子图的目的是使有源配电网中状态变量与量测变量之间的关系更加直观的表现出来。
将一个具有多个变量的全局函数分解为几个局部函数的积以此来构建的双向图即为因子图。因子图一般由三部分组成：代表状态变量xi的变量节点、代表量测变量fi的因子节点、以及连接状态变量xi和量测变量fi的边线。为了将因子图应用到所述有源配电网的母线/支路模型中，每一个状态变量都看作一个变量节点，每一个量测变量都看作一个因子节点。通过量测函数来确定变量节点和因子节点之间的关系，如果某一状态变量是一个量测变量的自变量，那么相应的变量节点与因子节点相连。
在上述实施例的基础上，S2之前还包括：
将所述有源配电网内每一节点的量测函数中的非线性变量进行线性变换。
具体地，非线性变量通常是指量测函数中具有的三角函数，以及电压幅值的平方，由于高斯置信传播算法的应用需要保证每一节点的量测函数是一个线性函数，即每一节点的状态变量与量测变量之间的关系为线性关系。所以本发明中采用如下变量对量测函数中的非线性变量进行线性变换：
变换后可得到：
其中，H是有源配电网内所有节点的集合，H\i是除节点i外的所有节点。
需要说明的说，本发明中假设量测装置提供的状态估计相关数据均服从高斯分布。本发明所用的方法需要以下两种类型的量测量：①直接量测量：②非直接量测量：因而，相应的因子节点为：和
在进行了以上变量替换后，就可以将置信传播算法应用到有源配电网状态估计中。
如图2为图1中的高斯置信传播算法的流程图，首先对有源配电网内的状态变量进行初始化，因子节点向变量节点传递高斯信息，然后变量节点向因子节点传递高斯信息，判断变量节点是否有直接量测值，若没有直接量测值，则将电压幅值设置为1.05，或者将相角设置为0。如果有直接量测值，则计算所有因子节点向相邻变量节点传递的高斯信息，计算所有变量节点向相邻因子节点传递的高斯信息，计算所有变量节点的均值和方差，判断所述均值是否收敛，若收敛，则输出所述均值和对应的方差，否则继续计算所有因子节点向相邻变量节点传递的高斯信息。
例如：量测节点根据直接量测值(Vi,θi)进行初始化，并将高斯信息传递给变量节点Ui。同时Ui从其他边接收到与Ui概率密度相关的高斯信息剩余的所有因子节点向变量节点传递的高斯信息之积便是从变量节点向因子节点传递的高斯信息。传递的信息结果是以高斯形式表达的，下面以高斯信息为例：
根据高斯置信传播算法的传递规则，只有接收到了所有其他的变量节点向因子节点传递的信息，才能获得某个因子节点向一个变量节点传递的信息，高斯信息的均值和方差表达式为：
至此，求得了高斯信息的均值和方差，即完成了有源配电网状态估计。
如图3所示，本发明的另一实施例提供了一种有源配电网状态估计系统，包括：模拟模块41和状态估计模块42。其中：
模拟模块41用于根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数，每一节点的量测函数用于表示每一节点的量测变量与状态变量之间的关系，每一节点的状态变量包括每一节点处的电压幅值和相角；
状态估计模块42用于基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。
在上述实施例的基础上，每一节点的量测变量包括：节点注入有功功率、节点注入无功功率、两节点间的支路有功功率和两节点间的支路无功功率。
在上述实施例的基础上，所述系统还包括：
因子图形成模块，用于将所述有源配电网内每一节点的状态变量均作为因子图变量节点，将所述有源配电网内每一节点的量测变量均作为因子图因子节点，若某一状态变量为某一量测变量的自变量，则将所述某一状态变量对应的因子图变量节点与所述某一量测变量对应的因子图因子节点相连，形成因子图并将所述因子图进行显示。
在上述实施例的基础上，所述模拟模块具体用于：
通过多个服从高斯分布的高斯分量共同模拟所述有源配电网内分布式电源的非高斯概率分布函数，以模拟所述分布式电源的不确定性出力。
在上述实施例的基础上，所述系统还包括：
线性变换模块，用于将所述有源配电网内每一节点的量测函数中的非线性变量进行线性变换。
具体地，本实施例中各模块实现的功能及操作流程与上述方法类实施例是一一对应的，本发明在此不再赘述。
另一方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的有源配电网状态估计方法。
另一方面，本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的有源配电网状态估计方法。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种有源配电网状态估计方法，其特征在于，包括：
S1，根据高斯混合模型模拟有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数，每一节点的量测函数用于表示每一节点的量测变量与状态变量之间的关系，每一节点的状态变量包括每一节点处的电压幅值和相角；
S2，基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。
2.根据权利要求1所述的方法，其特征在于，每一节点的量测变量包括：节点注入有功功率、节点注入无功功率、两节点间的支路有功功率和两节点间的支路无功功率。
3.根据权利要求1所述的方法，其特征在于，还包括：
将所述有源配电网内每一节点的状态变量均作为因子图变量节点，将所述有源配电网内每一节点的量测变量均作为因子图因子节点，若某一状态变量为某一量测变量的自变量，则将所述某一状态变量对应的因子图变量节点与所述某一量测变量对应的因子图因子节点相连，形成因子图并将所述因子图进行显示。
4.根据权利要求1所述的方法，其特征在于，所述S1中所述利用高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，具体包括：
通过多个服从高斯分布的高斯分量共同模拟所述有源配电网内分布式电源的非高斯概率分布函数，以模拟所述分布式电源的不确定性出力。
5.根据权利要求1所述的方法，其特征在于，S2之前还包括：
将所述有源配电网内每一节点的量测函数中的非线性变量进行线性变换。
6.一种有源配电网状态估计系统，其特征在于，包括：
模拟模块，用于根据高斯混合模型模拟所述有源配电网内分布式电源的不确定性出力，并确定所述有源配电网内每一节点的量测函数，每一节点的量测函数用于表示每一节点的量测变量与状态变量之间的关系，每一节点的状态变量包括每一节点处的电压幅值和相角；
状态估计模块，用于基于高斯置信传播算法，对所述有源配电网内每一节点的状态变量和每一节点的量测函数进行传递分析，以实现对所述有源配电网内所有节点的状态估计。
7.根据权利要求6所述的系统，其特征在于，每一节点的量测变量包括：节点注入有功功率、节点注入无功功率、两节点间的支路有功功率和两节点间的支路无功功率。
8.根据权利要求6所述的系统，其特征在于，还包括：
因子图形成模块，用于将所述有源配电网内每一节点的状态变量均作为因子图变量节点，将所述有源配电网内每一节点的量测变量均作为因子图因子节点，若某一状态变量为某一量测变量的自变量，则将所述某一状态变量对应的因子图变量节点与所述某一量测变量对应的因子图因子节点相连，形成因子图并将所述因子图进行显示。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1-5中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810021358.0A CN108173284B (zh) | 2018-01-10 | 2018-01-10 | 有源配电网状态估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810021358.0A CN108173284B (zh) | 2018-01-10 | 2018-01-10 | 有源配电网状态估计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108173284A true CN108173284A (zh) | 2018-06-15 |
| CN108173284B CN108173284B (zh) | 2019-11-08 |
Family
ID=62518023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810021358.0A Active CN108173284B (zh) | 2018-01-10 | 2018-01-10 | 有源配电网状态估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108173284B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11268992B2 (en) * | 2018-09-12 | 2022-03-08 | Siemens Corporation | Method and system for online multi-layered grid admittance estimation with limited data measurements |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104009472A (zh) * | 2014-06-12 | 2014-08-27 | 国家电网公司 | 一种基于协同粒子群的配电网状态估计方法 |
| CN105656031A (zh) * | 2016-02-17 | 2016-06-08 | 中国农业大学 | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 |
| CN106130029A (zh) * | 2016-08-26 | 2016-11-16 | 国电南瑞科技股份有限公司 | 大电网准稳态无功类灵敏度的分析方法 |
| CN106197408A (zh) * | 2016-06-23 | 2016-12-07 | 南京航空航天大学 | 一种基于因子图的多源导航信息融合方法 |
| CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
-
2018
- 2018-01-10 CN CN201810021358.0A patent/CN108173284B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104009472A (zh) * | 2014-06-12 | 2014-08-27 | 国家电网公司 | 一种基于协同粒子群的配电网状态估计方法 |
| CN105656031A (zh) * | 2016-02-17 | 2016-06-08 | 中国农业大学 | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 |
| CN106197408A (zh) * | 2016-06-23 | 2016-12-07 | 南京航空航天大学 | 一种基于因子图的多源导航信息融合方法 |
| CN106130029A (zh) * | 2016-08-26 | 2016-11-16 | 国电南瑞科技股份有限公司 | 大电网准稳态无功类灵敏度的分析方法 |
| CN107453357A (zh) * | 2017-08-24 | 2017-12-08 | 天津大学 | 一种基于分层求解的配电网状态估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| 扈诗扬等: "基于GaBP算法的快速潮流计算方法", 《计算机技术与自动化》 * |
| 李建平等: "因子图原理及其应用前景", 《电讯技术》 * |
| 王红等: "考虑分布式电源出力不确定性的主动配电网量测配置", 《电力系统自动化》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11268992B2 (en) * | 2018-09-12 | 2022-03-08 | Siemens Corporation | Method and system for online multi-layered grid admittance estimation with limited data measurements |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108173284B (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aly | An intelligent hybrid model of neuro Wavelet, time series and Recurrent Kalman Filter for wind speed forecasting | |
| Gopalakrishnan et al. | Global optimization of optimal power flow using a branch & bound algorithm | |
| Sjöberg et al. | Initializing Wiener–Hammerstein models based on partitioning of the best linear approximation | |
| CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
| Zhang et al. | New approach to H∞ control for Markovian jump singular systems | |
| CN107069696A (zh) | 一种电力系统状态估计的并行计算方法 | |
| Fikri et al. | Power flow analysis by numerical techniques and artificial neural networks | |
| CN114861542A (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
| Tinka et al. | Quadratic programming based data assimilation with passive drifting sensors for shallow water flows | |
| CN113489011A (zh) | 电力系统暂态稳定评估方法、装置、电子设备和存储介质 | |
| CN108173284B (zh) | 有源配电网状态估计方法及系统 | |
| Ivanov et al. | State estimation for power systems with multilayer perceptron neural networks | |
| Xiong et al. | Neural networks for transient modeling of circuits | |
| de Jongh et al. | Physics-informed geometric deep learning for inference tasks in power systems | |
| Asanov et al. | Optimal amount of information determination for power system steady state estimation | |
| Krasnopolsky | Reducing uncertainties in neural network Jacobians and improving accuracy of neural network emulations with NN ensemble approaches | |
| CN107044893B (zh) | 一种基于时域编解码的高精度动态信号传感和传输方法 | |
| Jiang et al. | A system uncertainty propagation approach with model uncertainty quantification in multidisciplinary design | |
| Algikar et al. | A robust data-driven process modeling applied to time-series stochastic power flow | |
| Goleijani et al. | An agent-based approach to power system dynamic state estimation through dual unscented kalman filter and artificial neural network | |
| Karagiannis et al. | On the Bayesian calibration of computer model mixtures through experimental data, and the design of predictive models | |
| Calatayud et al. | Dealing with variability in ecological modelling: An analysis of a random non‐autonomous logistic population model | |
| Kiffe et al. | Systematic separation of electrical power systems for hardware-in-the-loop simulation | |
| Wang et al. | A gradient-enhanced univariate dimension reduction method for uncertainty propagation | |
| Aguiar et al. | Learning Flow Functions from Data with Applications to Nonlinear Oscillators |
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 |