CN111695082A - 智能配电网抗差动态状态估计方法 - Google Patents
智能配电网抗差动态状态估计方法 Download PDFInfo
- Publication number
- CN111695082A CN111695082A CN202010610767.1A CN202010610767A CN111695082A CN 111695082 A CN111695082 A CN 111695082A CN 202010610767 A CN202010610767 A CN 202010610767A CN 111695082 A CN111695082 A CN 111695082A
- Authority
- CN
- China
- Prior art keywords
- measurement
- state
- model
- pmu
- dynamic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 230000003068 static effect Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000005562 fading Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims 1
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid 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
- 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
- Y04S10/40—Display of information, e.g. of data or controls
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种智能配电网抗差动态状态估计方法,根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型并通过静态抗差状态估计获得初始值,然后在一个SDADA量测周期内,获取μM‑PMU的量测,并根据获取时间生成对应的量测模型并经动态滤波后进行状态预测,得到抗差动态状态估计结果。本发明将静态抗差状态估计引入两周期动态状态估计中,并且建立了两周期数据融合方法,能够有效利用SCADA数据进行抗差估计,并利用估计结果关联前后两周期的数据。
Description
技术领域
本发明涉及的是一种智能电网控制领域的技术,具体是一种两周期数据关联的智能配电网抗差动态状态估计方法。
背景技术
配电网作为电力系统“发输配用”中直接面向电力用户的环节,其运行的安全性、经济性非常重要。配电网的安全经济运行依赖实时、可靠、完整的配电网运行状态数据。由于量测装置误差或故障、通信系统误码、潜在的数据攻击等原因,配电网控制中心得到的数据往往存在误差或坏数据,因此需要配电网状态估计对数据进行预处理,从而提高数据的精度和数量。其中动态状态估计依靠前后两个时间断面的量测数据进行迭代式估计,能够同时提供系统状态的估计值和预报值。
随着微型PMU(μM-PMU)在配电网中逐渐配置,μM-PMU和SCADA构成了长短两周期的采样模式,综合利用μM-PMU和SCADA的数据对电力系统进行动态状态估计是目前业界的需求和热点。现有的两周期或多周期状态估计方法无法利用SCADA提供的冗余信息提高抗差性能,并且在前后两个长周期内没有进行数据关联,数据利用效率不足。
发明内容
本发明针对现有技术存在的上述不足,提出一种智能配电网抗差动态状态估计方法,将静态抗差状态估计引入两周期动态状态估计中,并且建立了两周期数据融合方法,能够有效利用SCADA数据进行抗差估计,并利用估计结果关联前后两周期的数据。
本发明是通过以下技术方案实现的:
本发明涉及一种智能配电网抗差动态状态估计方法,根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型并通过静态抗差状态估计获得初始值,然后在一个SDADA量测周期内,获取μM-PMU的量测,并根据获取时间生成对应的量测模型并经动态滤波后进行状态预测,得到抗差动态状态估计结果。
所述的根据获取时间生成对应的量测模型是指:当获得的量测时间为SCADA采样时刻时,利用μM-PMU和SCADA量测量共同形成全量测模型,并依次进行进行静态抗差状态估计、动态滤波内部量更新和关联两周期数据;当获得的量测时间为μM-PMU的量测时刻时,根据μM-PMU量测量形成线性量测模型。
所述的根据获取时间生成对应的量测模型,当获得量测时间为一个周期内的SCADA采样时刻时,通过SCADA、μM-PMU采样数据共同进行状态估计,并进行动态滤波内部量更新;当获得量测时间为第一个μM-PMU采样时刻时,进行动态滤波。
所述的根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型,具体包括:①构建静态方程和动态方程:其中:x为系统动态过程的状态变量,包括动态负荷模型中的有功、无功状态量或VSM模型中的虚拟角速度,即x=[P0,i,Q0,i,ωi];y为系统的代数变量,包括系统节点的电压幅值或者电流幅值,即y=[Vm,i,Va,i,Im,i,Ia,i,Pi,Qi];u为系统中的扰动,包括新能源发电出力或负荷功率的随机波动,即ΔPi,ΔQi,为系统的静态方程,为系统的动态方程;②构建状态转移方程为xk+1=f(xk)+wk,其中:wk为扰动向量。
所述的静态抗差状态估计,通过建立静态抗差状态估计模型并利用内点法求解抗差估计问题得到最优解,该静态抗差状态估计模型为:其中:J(x)为优化目标函数,x为系统状态量,ri为残差向量中的第i个元素,wi为对应的权重。对应的约束为直角坐标系变量和极坐标系变量之间的二次约束关系,与残差向量的定义约束,Lδ为预设抗差损失函数,所得的最优解对应系统各状态量的最优估计值。
所述的抗差损失函数,采用绝对值损失函数、Huber损失函数或Pseudo-Huber损失函数,其中:绝对值损失函数为Lδ(e)=|e|,Huber损失函数为Pseudo-Huber损失函数为其中:r为残差向量,δ为可调整的参数,通常可取1.5。
所述的利用μM-PMU和SCADA量测量共同形成全量测模型是指:其中:μM-PMU和SCADA量测变量的集合h(x)为所形成的全量测模型,具体为从系统的状态变量至量测变量的函数映射,v为量测误差,为量测量中直角坐标系变量和极坐标系变量之间的二次约束关系。
所述的动态滤波,包括针对全量测模型的内部量更新和针对线性量测模型的滤波更新。
所述的针对全量测模型的内部量更新具体包括:
③预测协方差矩阵更新:其中:为所在时刻动态滤波中的预测协方差矩阵,xk+1|k为系统状态量的预测值,χi,k+1|k为UT变换后的Sigma点集,为UT变换得到的对应协方差权重。Qk为噪声的协方差给矩阵。
所述的针对线性量测模型的滤波更新,具体包括:
a)计算自方差矩阵和互方差矩阵:根据xk+1|k和Pk+1|k得到Sigma点集{ξi,k},通过量测函数h(·)得到传递后的Sigma点{yi,k+1},计算自方差矩阵和互方差矩阵:
d)修正预测协方差矩阵:根据xk+1|k和再次计算Sigma点集其中:{χi}为所需的Sigma点集,采用对称采样策略生成,L为总采样点数,为对应的各Sigma采样点均值权重,为对应的各Sigma采样点方差权重。取得Sigma点集{χi}后,变换后的均值与方差为:
所述的状态预测,具体包括:
一、预测步:构造预设Sigma点集{χi,k},基于无迹卡尔曼滤波,对下一个时刻的状态变量进行预测:其中:xk+1|k为预测的下一个μM-PMU采样时刻的状态变量,Pk+1|k为预测的误差协方差矩阵,Qk为模型误差协方差。
二、更新自方差矩阵和互方差矩阵预测值:根据xk+1|k与Pk+1|k构造新的Sigma点集{ξi,k}得到:其中:为量测量预测均值,Sk+1为自方差矩阵,Ck+1为互方差矩阵,得到下一个采样时刻系统的状态变量、代数变量,即抗差动态状态估计结果。
技术效果
本发明整体解决了现有SCADA量测和新型μM-PMU量测二者采样间隔不同,常规多采样周期的状态估计技术对于前后两个周期的数据利用不足。
与现有技术相比,本发明针对全量测模型的内部量更新和针对线性量测模型的滤波更新,采用了抗差估计,综合利用了前后两个采样周期的数据,有效利用静态抗差状态估计的估计结果,受不良数据影响显著降低,动态估计效果更好。
附图说明
图1为本发明方法架构图;
图2为本发明方法流程图;
图3为实施例IEEE 33节点系统接线图;
图4为实施例无坏数据时估计结果示意图;
图5为实施例存在坏数据时的估计结果示意图。
具体实施方式
如图1和图2所示,为本实施例涉及一种两周期数据关联的智能配电网动态状态估计方法,包括如下步骤:
步骤1)获取系统各项参数和量测配置情况,构建系统静态模型和动态模型;进行一次静态抗差状态估计获得初始值;
步骤2)当量测时间同时包括μM-PMU又有SCADA的采样时,利用μM-PMU和SCADA量测量共同形成全量测模型,转步骤3);否则根据μM-PMU量测量形成线性量测模型;若该步为一个周期内的第一个μM-PMU采样时刻,转步骤5);
步骤3)进行静态抗差状态估计;转步骤4);
步骤4)进行动态滤波内部量更新,关联两周期数据;转步骤5);
步骤5)进行动态滤波,转步骤6);
步骤6)根据动态模型进行状态预测。
本实施例以图3所示的IEEE 33节点系统为例,当量测正常、不存在坏数据时,使用本方法进行状态估计后得到状态预测值与常规加权最小二乘法实现的状态估计对比,如图4所示,其中WLS代表常规加权最小二乘法状态估计,Robust代表本方法。
随机选取2%的SCADA量测,将其设定为真值5倍以模拟存在坏数据场景,估计结果如图5所示,其中WLS代表常规加权最小二乘法状态估计,Robust代表本方法。如图可见,系统存在坏数据时,最小二乘法受到粗差影响显著,电压幅值与电压相角均出现了较大误差,粗差对本方法影响较小,有效抑制了坏数据对状态估计造成的不利影响。
经过具体实际实验,在IEEE33节点标准测试系统下,抗差估计中δ=1.5,SCADA量测噪声标准差为0.01p.u.,μM-PMU量测噪声标准差为0.001p.u.设置下,能够得到的实验数据是:电压幅值误差最大值为9.70×10-4p.u.。
与现有技术相比,本方法通过综合SCADA量测数据和μM-PMU量测数据,并综合前后两周期的数据,能够更好地对系统状态进行估计。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种智能配电网抗差动态状态估计方法,其特征在于,根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型并通过静态抗差状态估计获得初始值,然后在一个SDADA量测周期内,获取μM-PMU的量测,并根据获取时间生成对应的量测模型并经动态滤波后进行状态预测,得到抗差动态状态估计结果;
所述的根据获取时间生成对应的量测模型是指:当获得的量测时间为SCADA采样时刻时,利用μM-PMU和SCADA量测量共同形成全量测模型,并依次进行进行静态抗差状态估计、动态滤波内部量更新和关联两周期数据;当获得的量测时间为μM-PMU的量测时刻时,根据μM-PMU量测量形成线性量测模型;当获得量测时间为一个周期内的SCADA采样时刻时,通过SCADA、μM-PMU采样数据共同进行状态估计,并进行动态滤波内部量更新;当获得量测时间为第一个μM-PMU采样时刻时,进行动态滤波。
2.根据权利要求1所述的智能配电网抗差动态状态估计方法,其特征是,所述的根据智能配电网的各项参数和量测配置情况构建系统静态模型和动态模型,具体包括:①构建静态方程和动态方程:其中:x为系统动态过程的状态变量,包括动态负荷模型中的有功、无功状态量或VSM模型中的虚拟角速度,即x=[P0,i,Q0,i,ωi];y为系统的代数变量,包括系统节点的电压幅值或者电流幅值,即y=[Vm,i,Va,i,Im,i,Ia,i,Pi,Qi];u为系统中的扰动,包括新能源发电出力或负荷功率的随机波动,即ΔPi,ΔQi,为系统的静态方程,为系统的动态方程;②构建状态转移方程为xk+1=f(xk)+wk,其中:wk为扰动向量。
7.根据权利要求1或6所述的智能配电网抗差动态状态估计方法,其特征是,所述的动态滤波,包括针对全量测模型的内部量更新和针对线性量测模型的滤波更新;
所述的针对全量测模型的内部量更新具体包括:
③预测协方差矩阵更新:其中:为所在时刻动态滤波中的预测协方差矩阵,xk+1|k为系统状态量的预测值,χi,k+1|k为UT变换后的Sigma点集,为UT变换得到的对应协方差权重;Qk为噪声的协方差给矩阵;
所述的针对线性量测模型的滤波更新,具体包括:
a)计算自方差矩阵和互方差矩阵:根据xk+1|k和Pk+1|k得到Sigma点集{ξi,k},通过量测函数h(·)得到传递后的Sigma点{yi,k+1},计算自方差矩阵和互方差矩阵:
d)修正预测协方差矩阵:根据xk+1|k和再次计算Sigma点集 其中:{xi}为所需的Sigma点集,采用对称采样策略生成,L为总采样点数,为对应的各Sigma采样点均值权重,为对应的各Sigma采样点方差权重;取得Sigma点集{xi}后,变换后的均值与方差为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610767.1A CN111695082A (zh) | 2020-06-30 | 2020-06-30 | 智能配电网抗差动态状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610767.1A CN111695082A (zh) | 2020-06-30 | 2020-06-30 | 智能配电网抗差动态状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695082A true CN111695082A (zh) | 2020-09-22 |
Family
ID=72484552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010610767.1A Pending CN111695082A (zh) | 2020-06-30 | 2020-06-30 | 智能配电网抗差动态状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695082A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905891A (zh) * | 2022-12-19 | 2023-04-04 | 上海交通大学 | 基于pmu数据的配电网运行方式与关键影响因素识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120136643A1 (en) * | 2010-05-24 | 2012-05-31 | Washington State University | Systems and methods for global voltage security assessment in power systems |
CN104166060A (zh) * | 2014-08-15 | 2014-11-26 | 国家电网公司 | 一种考虑大规模风电接入的抗差状态估计方法 |
US20170146585A1 (en) * | 2015-11-25 | 2017-05-25 | Hitachi, Ltd. | Estimating the locations of power system events using pmu measurements |
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 |
CN107565553A (zh) * | 2017-09-19 | 2018-01-09 | 贵州大学 | 一种基于ukf的配电网抗差动态状态估计方法 |
CN110247396A (zh) * | 2019-07-17 | 2019-09-17 | 国网山东省电力公司青岛供电公司 | 基于自适应抗差无迹卡尔曼滤波的配电网状态估计方法及系统 |
CN110417009A (zh) * | 2019-07-29 | 2019-11-05 | 天津大学 | 基于不同采样周期数据的配电网混合抗差状态估计方法 |
CN110676940A (zh) * | 2019-10-21 | 2020-01-10 | 国网上海市电力公司 | 一种提高参数辨识精度的配电网pmu配置方法及系统 |
-
2020
- 2020-06-30 CN CN202010610767.1A patent/CN111695082A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120136643A1 (en) * | 2010-05-24 | 2012-05-31 | Washington State University | Systems and methods for global voltage security assessment in power systems |
CN104166060A (zh) * | 2014-08-15 | 2014-11-26 | 国家电网公司 | 一种考虑大规模风电接入的抗差状态估计方法 |
US20170146585A1 (en) * | 2015-11-25 | 2017-05-25 | Hitachi, Ltd. | Estimating the locations of power system events using pmu measurements |
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 |
CN107565553A (zh) * | 2017-09-19 | 2018-01-09 | 贵州大学 | 一种基于ukf的配电网抗差动态状态估计方法 |
CN110247396A (zh) * | 2019-07-17 | 2019-09-17 | 国网山东省电力公司青岛供电公司 | 基于自适应抗差无迹卡尔曼滤波的配电网状态估计方法及系统 |
CN110417009A (zh) * | 2019-07-29 | 2019-11-05 | 天津大学 | 基于不同采样周期数据的配电网混合抗差状态估计方法 |
CN110676940A (zh) * | 2019-10-21 | 2020-01-10 | 国网上海市电力公司 | 一种提高参数辨识精度的配电网pmu配置方法及系统 |
Non-Patent Citations (6)
Title |
---|
DEWEI XU 等: "Robust Fusion Estimation of Asynchronous Hybrid Measurement in Power System", 《2019 IEEE 3RD INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE (CIEEC)》 * |
TIANTIAN LIANG 等: "State Estimation for Sampled-Data Descriptor Nonlinear System:A Strong Tracking Unscented Kalman Filter Approach", 《HINDAWI》 * |
YANG YU 等: "A Joint Filter Approach for Reliable Power System State Estimation", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
张宏伟 等: "基于无迹卡尔曼滤波的配网状态估计", 《电子质量》 * |
梁辰 等: "基于混合量测状态估计的保护隐性故障检测系统", 《水电能源科学》 * |
赵少华 等: "两级线性迭代策略下的混合状态估计的研究", 《电子测量与仪器学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905891A (zh) * | 2022-12-19 | 2023-04-04 | 上海交通大学 | 基于pmu数据的配电网运行方式与关键影响因素识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133406B (zh) | 一种电力系统静态电压稳定域边界的快速搜索方法 | |
CN104777426B (zh) | 一种基于无迹变换强跟踪的发电机动态状态估计方法 | |
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 | |
CN110543720B (zh) | 基于sdae-elm伪量测模型的状态估计方法 | |
CN108155648A (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN111415059B (zh) | 一种实用模型机构建及在线应用方法 | |
CN107831448A (zh) | 一种并联型电池系统的荷电状态估计方法 | |
CN115932702A (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 | |
CN116047308A (zh) | 一种基于pid控制与dekf的锂电池soc估算方法 | |
CN110428185B (zh) | 基于伪量测模型的电-热互联综合能源系统抗差状态估计方法 | |
CN102280877B (zh) | 一种多量测断面的电力系统不良支路参数辨识方法 | |
CN111695082A (zh) | 智能配电网抗差动态状态估计方法 | |
Pei et al. | Optimized EKF algorithm using TSO-BP neural network for lithium battery state of charge estimation | |
Xia et al. | Outlier reconstruction based distribution system state estimation using equivalent model of long short-term memory and Metropolis-Hastings sampling | |
CN117039890A (zh) | 面向网络攻击检测的配电网预测辅助区间状态估计方法 | |
CN109193639B (zh) | 一种电力系统抗差估计方法 | |
CN115603320A (zh) | 一种基于广域量测数据的实时感知与在线评估方法及系统 | |
CN111273212B (zh) | 数据驱动的电量传感器误差在线评测闭环改进方法、系统及介质 | |
CN115048857A (zh) | 一种基于cnn的暂稳极限传输功率的确定方法 | |
Rojek | Hybrid neural networks as prediction models | |
CN103390251A (zh) | 一种电力系统状态估计的量测量权重设置方法 | |
CN109327026B (zh) | 一种低压配电网区间状态估计方法 | |
CN110705186A (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200922 |
|
WD01 | Invention patent application deemed withdrawn after publication |