CN113078630B - 一种基于实时量测数据的低压配电网拓扑辨识方法 - Google Patents
一种基于实时量测数据的低压配电网拓扑辨识方法 Download PDFInfo
- Publication number
- CN113078630B CN113078630B CN202011311864.7A CN202011311864A CN113078630B CN 113078630 B CN113078630 B CN 113078630B CN 202011311864 A CN202011311864 A CN 202011311864A CN 113078630 B CN113078630 B CN 113078630B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- low
- distribution network
- matrix
- 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 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 31
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000000611 regression analysis Methods 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种基于实时量测数据的低压配电网拓扑辨识方法。包括如下步骤:通过安装在分支线路处的带有测量功能的电气设备节点,采集线路分支节点的电量值,传送给安装在配电台区的智能融合终端,智能融合终端通过对各个电气设备节点测量的电量值进行计算分析、自动辨识台区低压配电网拓扑结构。本发明采用图论及约束最小二乘回归分析方法从实时电量测量数据矩阵中推断出稳态配电网络拓扑,能够实现“变压器‑低压出线‑分支箱‑表箱‑户表”五级拓扑关系的自动辨识,不需要额外安装硬件设备,是一种纯数据驱动的方法,成本低,易实现,且对电网和用户都没有影响。
Description
技术领域
本发明涉及电力系统中配电自动化领域,尤其涉及一种基于实时量测数据的低压配电网拓扑辨识方法。
背景技术
配电网的网络拓扑信息对配电网的稳定可靠运行至关重要。低压配电网拓扑辨识是实现三相不平衡治理、线损分析、故障定位、营配贯通等其他业务的基础,基础网络拓扑信息有助于可再生能源的有效整合和配电网故障的有效管理。此外,对于配电网的准确状态估计也至关重要。
现有的配电台区拓扑辨识方法大致可分为两类:①基于硬件的方法;②基于软件的方法。基于硬件的方法需要额外安装设备,成本高且效率低,比如说脉冲注入法,需要安装信号发生装置和接收装置,且容易产生谐波干扰;基于软件的方法是基于大量的量测数据进行分析而达到拓扑辨识的目的,其具有成本低、实时性高的特点,逐渐成为当前拓扑辨识的热点方法,但现有方法对数据量和数据质量的要求高,算法复杂,计算量大,无法在边缘侧计算,对通信网络和集中服务器要求高,严重时导致系统瘫痪。而且,这些方法大多数只是解决户变关系(用户台区归属问题),对于低压供电网络的各个分支箱之间的关系及分支箱和用户箱间拓扑关系没有提出解决方法,这将影响故障快速定位和台区线损准确分析。
发明内容
为了解决上述存在的问题,本发明提出了一种基于实时量测数据的低压配电网拓扑辨识方法。
本发明为实现上述目的所采用的技术方案是:一种基于实时量测数据的低压配电网拓扑辨识方法,应用图论及约束最小二乘回归分析方法从实时量测数据矩阵中推断出稳态网络拓扑。
方法具体包括:通过安装在分支线路处的带有测量功能的电气设备节点,采集线路分支节点的电量值,传送给安装在配电台区的智能融合终端,智能融合终端通过对各个电气设备节点测量的电量值进行计算分析、自动辨识台区低压配电网拓扑结构。
所述自动辨识方法包括以下步骤:
步骤1、智能融合终端读取n个节点的各自m次测量值组成量测数据矩阵。
步骤2、基于能量守恒定律,采用约束最小二乘法,求解网络中所有父节点与其余节点之间的连接关系。
步骤3、从步骤2计算出的所有父节点对应的d1,…,di,获取所有节点之间的父子映射连接关系。
所述实时量测数据形成数据矩阵Z如下:
其中,zij表示第i个节点在第j个预设间隔时刻对应的电量测量值,n是网络中的节点数,m是每个节点的预设间隔的测量值个数,为提高测量的精度,减小随机误差对测量结果的影响,充分利用随机误差的抵偿性,要求m>n-1。
所述求解网络中所有父节点与其余节点之间的连接关系包括:
步骤2-1、取位置已知的根节点向量组成父节点矩阵/>其余节点向量组成子节点矩阵/>
步骤2-2、依次从父节点矩阵中取出父节点向量/>计算父节点/>对应的di;
步骤2-3、判断父节点矩阵中所有节点向量是否都计算完成,如果是,则执行下一步,否则重复步骤2-2步;
步骤2-4、根据求解结果,获得与该层节点直接相连的下一层节点情况,将这些节点作为向量,更新父节点矩阵
步骤2-5、将中的向量从/>中去除,更新子节点矩阵/>
步骤2-6、判断子节点矩阵中是否为空,如果是,则结束流程,如果否,则重复步骤2-2步。
是通过采用带约束条件的最小二乘法表达式分别计算所有父节点对应的di,带约束条件的最小二乘法表达式为:
其中,为父节点向量,/>为由子节点向量组成的子节点矩阵,di为父节点i与其余节点j的连接关系向量,其向量元素表示为:
所述电气设备节点为低压智能开关、智能电表、相量测量单元PMU、馈线终端设备FTU或者低压分支监测单元中的任意一种。
本发明与现有技术相比具有以下优点及有益效果:
1、能够实现“变压器-低压出线-分支箱-表箱-户表”五级拓扑关系的自动辨识。
2、基于电量测量值,不用额外安装检测设备,基于纯数据驱动的方法,算法准确且占用资源较少,能够在边缘侧运行。
3、基于现有低压智能开关设备,成本低,易实现,且对电网和用户都没有影响。
附图说明
图1是本发明实施例的低压配电网拓扑示意图;
图2是本发明实施例的方法流程图;
图3是本发明实施例的配电网层次树表示示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。下面结合附图及实施例对本发明做进一步的详细说明。
配电网络拓扑结构可以分为两种类型:
辐射型配电网络:在这种网络结构中,只有一个电源供电,电源经馈线到负荷的路径是唯一的;
环网型配电网络:在这种网络结构中,连接到网络中的电源可以是多个,因此,可以使用多个电源来供给负载,以提高供电可靠性,并且这些电源和负载之间可能有多条路径。但是,在配电网每一个平稳运行的状态下,还是只能有一个电源为负载供电,所以,有源稳态网络仍然可以看作是有唯一路径的。
根据图论理论的相关知识,若两个顶点之间可以经一条边相连接,则称这两个顶点具有相邻关系,可用邻接矩阵D=[dij]表示图中所有顶点之间的连接关系。
如果将低压配电网线路上的低压智能开关节点看作顶点,将相邻两顶点之间的配电馈线看成边,这时配电网中各个节点和馈线的联结关系就可以用图的定义来描述,进而可以采用邻接矩阵表述配电网拓扑结构。在稳定运行状态下,配电网的拓扑结构属于无环有向图,其邻接矩阵是唯一的。若节点i和j之间存在一条由i指向j的边,则矩阵D中元素dij=1,其余情况元素皆为0。以图1所示的配电网拓扑结构为例,网络的邻接矩阵D为:
由此,只要获得有向图邻接矩阵,就可以推断出配电网各节点之间的连接情况,进而辨识出线路拓扑结构。
图2所示为基于实时量测数据的低压配电网拓扑辨识方法流程图,具体过程如下:
步骤1、智能融合终端读取n个节点的m次测量值组成量测数据矩阵。
N个节点为安装在线路分支处的带有测量功能的电气设备节点,可以是智能电表、相量测量单元(PMU)、馈线终端设备FTU或者低压分支监测单元等的一种,采集线路分支节点的电流值,传送给安装在配电台区的智能配变终端(TTU)。TTU运行本申请中的轻量化智能算法自动辨识台区拓扑结构。每个电气设备节点都预先设置标签,用于组网控制器根据标签确定电气设备节点的ID,定位其物理位置。
智能融合终端安装在配电台区处,n个节点为安装在线路分支处的带有测量功能的电气设备节点。m次测量值,是指每个节点间隔15分钟测量一次电量值,共计测量m次。为提高测量的精度,减小随机误差对测量结果的影响,充分利用随机误差的抵偿性,要求m>n-1。这些实时量测数据形成数据矩阵Z,如下所示:
其中,zij表示第i个节点在第j个预设间隔时刻对应的电量测量值,n是网络中的节点数,m是每个节点的测量值个数。
步骤2、基于能量守恒定律,采用约束最小二乘法,求解网络中所有父节点与其余节点之间的连接关系。
根据能量守恒定律,在无噪声测量情况下,配电网络中每一个父节点的电量值等于与该节点直接相连的所有子节点的电量值之和:
其中,κ是网络中所有父节点的集合,Ik是父节点k的所有子节点的集合。
在步骤1中获得的量测数据矩阵中,配电台区出线总开关因为安装在配电台区处,其位置是已知的,所以首先以配电台区出线总开关节点为根节点,记为1层,与之直接相连的节点记为2层,以此类推,可以将低压配电网络用层次树的形式表示,如图3所示。依据能量守恒定律,首先以位置已知的第1层节点为父节点,计算出与之相邻的第2层节点,然后以第2层节点为父节点,计算出第3层节点,依次计算,直到该层节点全部为子节点,从而可以推导出相邻两层节点之间的连接关系。
但是在实际中,测量数据并不是理想的无噪声数据,存在测量误差,为减小随机误差对测量结果的影响,充分利用随机误差的抵偿性,要求m>n-1。即理论方程的个数大于未知量的个数,因而不能采用求解线性方程组的方式直接求解,需要借助近似求解的方法获得最优解。
最小二乘法作为线性回归分析的一种重要数学手段被广泛地应用于工程实际中,带约束条件的最小二乘法表达式为:
其中,为父节点向量,λ父节点个数,/>为由子节点向量组成的子节点矩阵,di为父节点i与其余节点j的连接关系向量,其向量元素表示为:
更进一步地,通过公式(1)分别计算所有父节点对应的di的步骤包括:
(1)取位置已知的根节点向量组成父节点矩阵/>其余节点向量组成子节点矩阵/>
(2)依次从父节点矩阵中取出父节点向量/>根据公式(1)计算di,并对计算结果进行四舍五入处理;
(3)判断父节点矩阵中所有节点向量是否都计算完成,如果是,则执行下一步,否则重复(2)步;
(4)根据求解结果,获得与该层节点直接相连的下一层节点情况,将这些节点作为向量更新父节点矩阵
(5)将中的向量从/>中去除,更新子节点矩阵/>
(6)判断子节点矩阵中是否为空,如果是,则结束流程,如果否,则重复(2)步。
步骤3、从步骤2计算出的所有父节点对应的d1,…,di,就可以推断出所有节点之间的连接关系。
智能融合终端(TTU)安装在配电台区,运行上述算法,在边缘侧实现以配电台区为中心的区域低压配电网的线路拓扑自动辨识,在线路结构发生变动时,例如当现场节点掉电或故障,或人为主动式线路变化增减设备,采用本发明,可完成拓扑关系自动辨识。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种基于实时量测数据的低压配电网拓扑辨识方法,其特征在于,包括通过安装在分支线路处的带有测量功能的电气设备节点,采集线路分支节点的电量值,传送给安装在配电台区的智能融合终端,智能融合终端通过对各个电气设备节点测量的电量值进行计算分析、自动辨识台区低压配电网拓扑结构;
所述辨识方法包括以下步骤:
步骤1、智能融合终端读取n个节点的各自m次测量值组成量测数据矩阵;
步骤2、基于能量守恒定律,采用约束最小二乘法,求解网络中所有父节点与其余节点之间的连接关系;所述求解网络中所有父节点与其余节点之间的连接关系包括:
步骤2-1、取位置已知的根节点向量组成父节点矩阵/>其余节点向量组成子节点矩阵/>
步骤2-2、依次从父节点矩阵中取出父节点向量/>计算父节点/>对应的di;
步骤2-3、判断父节点矩阵中所有节点向量是否都计算完成,如果是,则执行下一步,否则重复步骤2-2步;
步骤2-4、根据求解结果,获得与该层节点直接相连的下一层节点情况,将这些节点作为向量,更新父节点矩阵
步骤2-5、将中的向量从/>中去除,更新子节点矩阵/>
步骤2-6、判断子节点矩阵中是否为空,如果是,则结束流程,如果否,则重复步骤2-2步;
步骤3、从步骤2计算出的所有父节点对应的d1,…,di,获取所有节点之间的父子映射连接关系。
2.根据权利要求1所述的一种基于实时量测数据的低压配电网拓扑辨识方法,其特征在于所述实时量测数据形成数据矩阵Z如下:
其中,zij表示第i个节点在第j个预设间隔时刻对应的电量测量值,n是网络中的节点数,m是每个节点的预设间隔的测量值个数,为提高测量的精度,减小随机误差对测量结果的影响,充分利用随机误差的抵偿性,要求m>n-1。
3.根据权利要求1所述的一种基于实时量测数据的低压配电网拓扑辨识方法,其特征在于,是通过采用带约束条件的最小二乘法表达式分别计算所有父节点对应的di,带约束条件的最小二乘法表达式为:
其中,为父节点向量,/>为由子节点向量组成的子节点矩阵,di为父节点i与其余节点j的连接关系向量,其向量元素表示为:
4.根据权利要求1所述的一种基于实时量测数据的低压配电网拓扑辨识方法,其特征在于,所述电气设备节点为低压智能开关、智能电表、相量测量单元PMU、馈线终端设备FTU或者低压分支监测单元中的任意一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311864.7A CN113078630B (zh) | 2020-11-20 | 2020-11-20 | 一种基于实时量测数据的低压配电网拓扑辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311864.7A CN113078630B (zh) | 2020-11-20 | 2020-11-20 | 一种基于实时量测数据的低压配电网拓扑辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113078630A CN113078630A (zh) | 2021-07-06 |
CN113078630B true CN113078630B (zh) | 2023-12-15 |
Family
ID=76609153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011311864.7A Active CN113078630B (zh) | 2020-11-20 | 2020-11-20 | 一种基于实时量测数据的低压配电网拓扑辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113078630B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688485B (zh) * | 2021-07-08 | 2024-02-09 | 国网山东省电力公司济宁供电公司 | 一种基于拓扑结构分层的行波装置配置方法及系统 |
CN113471971A (zh) * | 2021-08-17 | 2021-10-01 | 南方电网科学研究院有限责任公司 | 一种配电台区拓扑网络生成方法及装置 |
CN114123191A (zh) * | 2021-11-30 | 2022-03-01 | 上海电力大学 | 一种基于潮流分块回溯解析的低压配电网线路参数辨识方法 |
CN114204560A (zh) * | 2021-12-15 | 2022-03-18 | 国网上海市电力公司 | 一种中压配电网线路参数识别方法 |
CN115144741B (zh) * | 2022-06-30 | 2024-06-21 | 常熟理工学院 | 基于区块链的低压智能断路器剩余容量计算方法及系统 |
CN116628454B (zh) * | 2023-07-24 | 2023-12-08 | 北京智芯微电子科技有限公司 | 基于智慧开关的低压配电网拓扑识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015003414A1 (zh) * | 2013-07-12 | 2015-01-15 | 中国人民解放军理工大学 | 一种基于多参数认知的快速网络拓扑推断方法 |
CN110350528A (zh) * | 2019-07-22 | 2019-10-18 | 石家庄科林电气股份有限公司 | 一种低压台区拓扑自动辨识方法 |
CN110880760A (zh) * | 2019-11-29 | 2020-03-13 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种低压配电网线损与无功补偿协同优化方法 |
WO2020096677A1 (en) * | 2018-11-06 | 2020-05-14 | Siemens Aktiengesellschaft | Distribution grid admittance estimation with limited nonsynchronized measurements |
-
2020
- 2020-11-20 CN CN202011311864.7A patent/CN113078630B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015003414A1 (zh) * | 2013-07-12 | 2015-01-15 | 中国人民解放军理工大学 | 一种基于多参数认知的快速网络拓扑推断方法 |
WO2020096677A1 (en) * | 2018-11-06 | 2020-05-14 | Siemens Aktiengesellschaft | Distribution grid admittance estimation with limited nonsynchronized measurements |
CN110350528A (zh) * | 2019-07-22 | 2019-10-18 | 石家庄科林电气股份有限公司 | 一种低压台区拓扑自动辨识方法 |
CN110880760A (zh) * | 2019-11-29 | 2020-03-13 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种低压配电网线损与无功补偿协同优化方法 |
Non-Patent Citations (2)
Title |
---|
基于数据关联分析的低压配电网拓扑识别方法;杨志淳;沈煜;杨帆;乐健;宿磊;雷杨;;电测与仪表(第18期);全文 * |
辐射状配电网电流保护范围在线分析方法;黄欣;孙雁斌;;电力科学与技术学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113078630A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
US7519506B2 (en) | System and method for monitoring and managing electrical power transmission and distribution networks | |
Della Giustina et al. | Electrical distribution system state estimation: measurement issues and challenges | |
CN110880760A (zh) | 一种低压配电网线损与无功补偿协同优化方法 | |
CN112117763B (zh) | 一种低压配电网拓扑识别与参数估计方法 | |
CN108448568B (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 | |
US20040158417A1 (en) | System and method for monitoring and managing electrical power transmission and distribution networks | |
CN110299762B (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
CN103413044A (zh) | 一种基于变电站量测信息的电力系统局部拓扑估计方法 | |
CN112966219A (zh) | 识别户表与表箱关系的方法及系统、设备、介质 | |
CN111476427A (zh) | 低压台区拓扑识别方法及识别装置 | |
Leite et al. | Development of a smart grid simulation environment, part I: Project of the electrical devices simulator | |
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 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN115877312A (zh) | 一种基于台区电能量守恒的电能表信息化评价校准模型 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN114925973A (zh) | 一种基于多源数据整合的电网运行状态获取方法及系统 | |
US20230327438A1 (en) | Scalable state estimation for power distribution grid | |
Humayun et al. | Quantifying distribution system state estimation accuracies achieved by adding telemetry and operational forecasting | |
Massignan et al. | Real-time load estimation for distribution feeders | |
CN114386258A (zh) | 一种计及信息-能量耦合节点重要度的灾后孤岛划分方法 | |
Nusrat | Development of novel electrical power distribution system state estimation and meter placement algorithms suitable for parallel processing | |
Chen et al. | Multi-Stage Distribution Network PMU Optimal Placement for Improving Observability | |
Chen et al. | Metering equipment running error estimation model based on genetic optimized LM algorithm | |
Zhou et al. | Automatic identification method of topology structure of low-voltage distribution station area based on multi-point measurement data |
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 |