CN114417558A - 基于scada和dtias量测的配电网混合历史状态估计方法 - Google Patents
基于scada和dtias量测的配电网混合历史状态估计方法 Download PDFInfo
- Publication number
- CN114417558A CN114417558A CN202111543000.2A CN202111543000A CN114417558A CN 114417558 A CN114417558 A CN 114417558A CN 202111543000 A CN202111543000 A CN 202111543000A CN 114417558 A CN114417558 A CN 114417558A
- Authority
- CN
- China
- Prior art keywords
- measurement
- dtias
- scada
- mixed
- quadratic
- 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
Images
Classifications
-
- 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
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于SCADA和DTIAS量测的配电网混合历史状态估计方法,包括以下步骤:S1:从SCADA系统和DTIAS系统读取并同步混合量测;S2:建立混合量测统一模型;S3:利用无迹卡尔曼滤波(UKF)算法和强跟踪滤波器(STF)处理混合测量统一模型得到预测协方差矩阵;S4:进行配电网混合历史状态估计,得到估计结果。本发明的实质性效果包括:引入DTIAS量测以增加配网量测的冗余度,该方法根据对DTIAS和SCADA量测进行匹配并同步;构建统一的二次型多源异步量测模型,建立二次型等式约束,将估计问题描述为二次约束二次估计问题,实现对多源异步量测统一建模,最终引入强跟踪滤波器以改善估计算法的性能。
Description
技术领域
本发明涉及电力系统配电网系统分析应用领域,特别涉及基于SCADA和DTIAS量测的配电网混合历史状态估计方法。
背景技术
状态估计是电网分析和态势感知的基础,对电网系统的安全稳定运行非常重要,是获 取电力系统状态的最直接有效的途径。SCADA(Supervisory Control And DataAcquisition)系统, 即数据采集与监视控制系统,SCADA系统是以计算机为基础的DCS与电力自动化监控系统。 目前配电网SCADA实时量测冗余度较低,导致系统不可观或者存在不可观区域。配变信息 采集系统(DTIAS)提供低压侧的三相电压幅值、三相有功/无功功率或者高压侧的线电压幅 值、三相总有功/无功功率等,量测具有固定的上送周期,通常15分钟冻结一次测量值,带 有时间戳。在历史状态估计应用场景下如线损分析中,将智能公专变信息采用系统采用的相 关数据与SCADA量测融合为统一量测,是提高状态估计的可观测性和精度的有效方法。混 合量测主要的问题是数据不兼容、量测异步异构等,但目前对量测兼容性问题的研究目前并 不多。
发明内容
针对现有技术中混合量测数据不兼容,处理效率低下的问题,本发明提供了基于SCADA和DTIAS量测的配电网混合历史状态估计方法,通过引入DTIAS量测,实现对多源 异步量测的统一建模,满足配网状态估计的要求,计算精度和计算效率都比传统方法有了显著的提升,解决了数据不兼容的问题。
以下是本发明的技术方案。
基于SCADA和DTIAS量测的配电网混合历史状态估计方法,包括以下步骤:
S1:从SCADA系统和DTIAS系统读取并同步混合量测;
S2:建立混合量测统一模型;
S3:利用无迹卡尔曼滤波(UKF)算法和强跟踪滤波器(STF)处理混合测量统一模型得到 预测协方差矩阵;
S4:进行配电网混合历史状态估计,得到估计结果。
本方法通过引入DTIAS量测,实现对多源异步量测的统一建模,满足配网状态估计的 要求,计算精度和计算效率都比传统方法有了显著的提升。
作为优选,步骤S1的过程包括:
S11:从SCADA系统读取所在地区过去一个或多个时间周期的电网模型、量测数据;从DTIAS 读取所在地区过去一个或多个时间周期的设备标识和其对应的带时标的量测数据;
S12:对SCADA系统的量测数据和DTIAS系统量测通过电力设备标识进行匹配,即将DTIAS 系统量测通过其设备标识-设备全名匹配到SCADA系统电网模型中;
S13:量测断面匹配,将DTIAS每一时标的量测对应到SCADA量测数据中,其相关度最大, 引入Spearman相关系数:
式中:ρn为配变信息采集系统与SCADA量测中同类型量测的相关系数,ρm为不同类型量测 的相关系数,n为同类型量测个数,m为不同类型量测个数,di与Dj分别对应元素的等级差数 与等效等级差数,W1(k)与W2(k)为对应权值,其值为量测方差的倒数;
S14:通过计算混合量测的相关度,匹配相关度最大的混合量测,将DTIAS量测对齐至相关 度最大的SCADA量测,实现对配变信息采集系统量测的匹配;
S15:利用插值方法补齐DTIAS量测,假设x1(k)为原始采样序列,期望的同步采样周期为5, 期望同步序列x2(i)中第i个同步采样点在实际采样序列中的下标为:
式中:INT[]为取整算式;t为实际采样序列与同步采样序列始端时间差,由于通过相关度计 算SCADA量测已与某一配变信息采集系统量测实现同步,因此t取0;Ts为实际采样周期; 在获取ki后,就可根据ki与ki+1点的实际采样值得到同步序列x2(i):
通过插值方法补齐DTIAS量测后,使得每一个SCADA断面都有对应的DTIAS量测,保证 任一断面的数据都包含了混合量测。
作为优选,步骤S2的过程包括:在直角坐标系下建立混合量测模型,将混合量测描述为二次型,那么节点i的状态变量可表示为xi=[ei,fi],主要包括以下子步骤:
S21:建立节点i电压幅值量测模型:
S22:建立节点i注入有功与无功量测模型:
式中:i,j∈N;N为电力系统节点集合;Gij、Bij分别为支路i-j的电导与电纳;
S23:建立支路i-j电流幅值量测:
S24:建立支路有功与无功量测:
式中:gij和bij为支路i-j对应的电导与电纳;
S25:建立注入电流为零的零注入节点,添加等式约束:
S26:混合量测方程便可统一描述为如下二次约束二次估计形式:
式中:f(xk)、h(x)、g(x)均为二次及以下的多项式函数向量。在电力系统中k为离散时间, xk为系统在k时刻的状态变量,zk为对应状态的观测信号,wk为k时刻系统过程噪声序列,vk为k时刻系统观测噪声序列。
作为优选,步骤S3包括:
STF通过在状态预测协方差矩阵Pk+1|k中引入渐消因子λk+1,从而实现自适应调整增益矩阵; 一步预测协方差为:
Pk+1|k=λk+1FkPk|kFk T+Qk (18)
渐消因子λk+1≥1,其具体数值通过以下方法确定:
新息向量的协方差矩阵Vk+1计算方法如下:
式中:0<ρ<1为遗忘因子,通常取0.95;
对于非线性系统中,Nk+1和Mk+1可以由下式计算:
本发明的实质性效果包括:引入DTIAS量测以增加配网量测的冗余度,该方法根据对 DTIAS和SCADA量测进行匹配并同步;构建统一的二次型多源异步量测模型,建立二次型等式约束,将估计问题描述为二次约束二次估计问题,实现对多源异步量测统一建模,最终引入强跟踪滤波器以改善估计算法的性能。本方法通过引入DTIAS量测,实现对多源异步量测的统一建模,满足配网状态估计的要求,计算精度和计算效率都比传统方法有了显著的提 升。
附图说明
图1是本发明实施例的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例,对本技术 方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全 部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所 获得的所有其他实施例,都属于本发明保护的范围。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先 后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成 任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合,对于 相同或相似的概念或过程可能在某些实施例不再赘述。
实施例:
基于SCADA和DTIAS量测的配电网混合历史状态估计方法,包括如图1所示的以下步骤:
S1:从SCADA系统和DTIAS系统读取并同步混合量测;
主要包括以下子步骤:
1)读取混合量测:从SCADA系统读取过去一天(或者其它周期例如一月、一年)所在地 区的电网模型、量测数据(1或者五分钟为存盘周期);从DTIAS读取过去一天或者其它周期例如一月、一年)的设备标识和其对应的带时标的量测数据(周期15分钟)。
2)对SCADA系统的量测数据和DTIAS系统量测通过电力设备标识进行匹配,即将DTIAS系统量测通过其设备标识-设备全名匹配到SCADA系统电网模型中。
式中:ρn为配变信息采集系统与SCADA量测中同类型量测的相关系数,ρm为不同类型量测 的相关系数,n为同类型量测个数,m为不同类型量测个数,di与Dj分别对应元素的等级差数 与等效等级差数,W1(k)与W2(k)为对应权值,其值为量测方差的倒数。
通过计算混合量测的相关度,匹配相关度最大的混合量测,将DTIAS量测对齐至相关 度最大的SCADA量测,实现了对配变信息采集系统量测的匹配,
4)插值补齐DTIAS量测。由于配变信息采集系统量测存盘周期更长,因此匹配后,部分 SCADA量测断面是缺失DTIAS量测的,利用插值方法补齐DTIAS量测,假设x1(k)为原始采样序列,期望的同步采样周期为5,那么期望同步序列x2(i)中第i个同步采样点在实际采样序列中的下标为:
式中:INT[]为取整算式;t为实际采样序列与同步采样序列始端时间差,由于通过相关度计 算SCADA量测已与某一配变信息采集系统量测实现同步,因此t取0;Ts为实际采样周期。 在获取ki后,就可根据ki与ki+1点的实际采样值得到同步序列x2(i):
这样通过插值方法补齐DTIAS量测后,使得每一个SCADA断面都有对应的DTIAS量测, 从而保证任一断面的数据都包含了混合量测。
S2:建立混合量测统一模型;
在直角坐标系下建立混合量测模型,将混合量测描述为二次型,那么节点i的状态变量可表 示为xi=[ei,fi],主要包括以下子步骤:
(1)建立节点i电压幅值量测模型:
(2)建立节点i注入有功与无功量测模型:
式中:i,j∈N;N为电力系统节点集合;Gij、Bij分别为支路i-j的电导与电纳。
(3)建立支路i-j电流幅值量测:
(4)建立支路有功与无功量测:
式中:gij和bij为支路i-j对应的电导与电纳。
(5)建立注入电流为零的零注入节点,添加等式约束:
(6)混合量测方程便可统一描述为如下二次约束二次估计形式:
式中:f(xk)、h(x)、g(x)均为二次及以下的多项式函数向量。在电力系统中k为离散时间, xk为系统在k时刻的状态变量,zk为对应状态的观测信号,wk为k时刻系统过程噪声序列,vk为k时刻系统观测噪声序列。
S3:利用无迹卡尔曼滤波(UKF)算法和强跟踪滤波器(STF)处理混合测量统一模型得到预测协方差矩阵;
前面生成了混合量测的二次约束二次估计模型,利用无迹卡尔曼滤波(UKF)算法通过近似概 率密度分布来处理二次非线性函数,在计算增益矩阵时代入量测方程与约束方程,即计算时 导入前面生成的二次约束二次估计模型。UKF滤波过程主要包括状态预测和滤波更新两步, 本方法在滤波更新时引入强跟踪滤波器(Strong Tracing Filter,STF)来提高KF的计算性能和 稳定性。
STF通过在状态预测协方差矩阵Pk+1|k中引入渐消因子λk+1,从而实现自适应调整增益 矩阵。那么一步预测协方差为:
渐消因子λk+1≥1,其具体数值通过以下方法确定:
新息向量的协方差矩阵Vk+1计算方法如下:
式中:0<ρ<1为遗忘因子,通常取0.95。
对于非线性系统中,Nk+1和Mk+1可以由下式计算:
将STF引入UKF后,不仅保留了STF对增益矩阵的修正功能,同时由于UT过程使得STF 无需再计算雅可比矩阵,有效地减少了算法计算量。
S4:进行配电网混合历史状态估计,得到估计结果。
本方法通过引入DTIAS量测,实现对多源异步量测的统一建模,满足配网状态估计的 要求,计算精度和计算效率都比传统方法有了显著的提升。
通过在三种不同时延水平下分别进行50次仿真验证,求取仿真结果的平均值,实现 对所提出的同步化方法的有效性验证,表1展示了三种时延水平下的仿真结果。
表1不同时延水平下各算法的精确度效果对比
可以看出,当时延水平较低时,即时延为0或0.05s时,各算法的效果相近,这是由于在正常 状态下,系统状态一般不会发生突变,只会随时间发生缓慢变化,因此在低时延水平下,因 为异步问题所引入的量测噪声较小,对结果的影响较小。当时延水平上升至0.5s以上时,由 状态变化所引入的异步噪声逐渐增大,各算法的效果均有所降低,可以看出,通过同步化方 法量测同步中,使得本算法虽然效果下降,但随着时延增大而稳定在一个较高的水平;而常 规方法1与常规方法2的效果持续下降。
(2)计算效率分析:
为了验证QCQE-AUKF的计算效率,统计第一次估计时间及100次估计总时间,分别进行50 次第一次估计与100次估计,分别对50次验证过程所用时间取平均值,对比本文方法与传统 方法1和常规方法2之间的计算效率,三种不同算法的计算用时如表2所示。
表2三种算法计算效率对比
从上中可以看出,仅考虑首次估计时间时,本文所用时间相比常规方法更长,这是由于本文 在估计过程中还进行了异步量测同步、混合量测统一模型建立以及预测协方差修正,导致单 次估计时间较长;但由于建立了混合量测统一模型,在后续的估计过程中,若系统模型未发 生变化,便不需再计算量测模型,进而可省略估计过程中涉及到的雅可比矩阵的求解计算所 花费的时间。因此可以看出,在100次估计总时间中,本文方法所用时间低于常规方法。
在本申请所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方 式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以 存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对 现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该 软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等) 或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括: U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟 悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在 本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (4)
1.基于SCADA和DTIAS量测的配电网混合历史状态估计方法,其特征在于,包括以下步骤:
S1:从SCADA系统和DTIAS系统读取并同步混合量测;
S2:建立混合量测统一模型;
S3:利用无迹卡尔曼滤波(UKF)算法和强跟踪滤波器(STF)处理混合测量统一模型得到预测协方差矩阵;
S4:进行配电网混合历史状态估计,得到估计结果。
2.根据权利要求1所述的基于SCADA和DTIAS量测的配电网混合历史状态估计方法,其特征在于,步骤S1的过程包括:
S11:从SCADA系统读取所在地区过去一个或多个时间周期的电网模型、量测数据;从DTIAS读取所在地区过去一个或多个时间周期的设备标识和其对应的带时标的量测数据;
S12:对SCADA系统的量测数据和DTIAS系统量测通过电力设备标识进行匹配,即将DTIAS系统量测通过其设备标识-设备全名匹配到SCADA系统电网模型中;
S13:量测断面匹配,将DTIAS每一时标的量测对应到SCADA量测数据中,其相关度最大,引入Spearman相关系数:
式中:ρn为配变信息采集系统与SCADA量测中同类型量测的相关系数,ρm为不同类型量测的相关系数,n为同类型量测个数,m为不同类型量测个数,di与Dj分别对应元素的等级差数与等效等级差数,W1(k)与W2(k)为对应权值,其值为量测方差的倒数;
S14:通过计算混合量测的相关度,匹配相关度最大的混合量测,将DTIAS量测对齐至相关度最大的SCADA量测,实现对配变信息采集系统量测的匹配;
S15:利用插值方法补齐DTIAS量测,假设x1(k)为原始采样序列,期望的同步采样周期为5,期望同步序列x2(i)中第i个同步采样点在实际采样序列中的下标为:
式中:INT[]为取整算式;t为实际采样序列与同步采样序列始端时间差,由于通过相关度计算SCADA量测已与某一配变信息采集系统量测实现同步,因此t取0;Ts为实际采样周期;在获取ki后,就可根据ki与ki+1点的实际采样值得到同步序列x2(i):
通过插值方法补齐DTIAS量测后,使得每一个SCADA断面都有对应的DTIAS量测,保证任一断面的数据都包含了混合量测。
3.根据权利要求1所述的基于SCADA和DTIAS量测的配电网混合历史状态估计方法,其特征在于,步骤S2的过程包括:在直角坐标系下建立混合量测模型,将混合量测描述为二次型,那么节点i的状态变量可表示为xi=[ei,fi],主要包括以下子步骤:
S21:建立节点i电压幅值量测模型:
S22:建立节点i注入有功与无功量测模型:
式中:i,j∈N;N为电力系统节点集合;Gij、Bij分别为支路i-j的电导与电纳;
S23:建立支路i-j电流幅值量测:
S24:建立支路有功与无功量测:
式中:gij和bij为支路i-j对应的电导与电纳;
S25:建立注入电流为零的零注入节点,添加等式约束:
S26:混合量测方程便可统一描述为如下二次约束二次估计形式:
式中:f(xk)、h(x)、g(x)均为二次及以下的多项式函数向量;在电力系统中k为离散时间,xk为系统在k时刻的状态变量,zk为对应状态的观测信号,wk为k时刻系统过程噪声序列,vk为k时刻系统观测噪声序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111543000.2A CN114417558A (zh) | 2021-12-16 | 2021-12-16 | 基于scada和dtias量测的配电网混合历史状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111543000.2A CN114417558A (zh) | 2021-12-16 | 2021-12-16 | 基于scada和dtias量测的配电网混合历史状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417558A true CN114417558A (zh) | 2022-04-29 |
Family
ID=81267728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111543000.2A Pending CN114417558A (zh) | 2021-12-16 | 2021-12-16 | 基于scada和dtias量测的配电网混合历史状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417558A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415383A (zh) * | 2023-06-12 | 2023-07-11 | 南京师范大学 | 基于改进ukf的电热气耦合网络状态估计方法、系统 |
-
2021
- 2021-12-16 CN CN202111543000.2A patent/CN114417558A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415383A (zh) * | 2023-06-12 | 2023-07-11 | 南京师范大学 | 基于改进ukf的电热气耦合网络状态估计方法、系统 |
CN116415383B (zh) * | 2023-06-12 | 2023-09-12 | 南京师范大学 | 基于改进ukf的电热气耦合网络状态估计方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gjerden et al. | Hydrothermal scheduling in Norway using stochastic dual dynamic programming; a large-scale case study | |
JP2023525946A (ja) | 単一の負荷ジャンプに基づいて測定領域の誤差解析を行う方法及びシステム、記憶媒体 | |
CN108074015A (zh) | 一种风电功率超短期预测方法及系统 | |
CN111293686A (zh) | 基于armax系统辨识的电力系统惯量实时评估方法 | |
CN110781449B (zh) | 用于台区线损计算的用户数据缺失的估计方法 | |
CN109633479A (zh) | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 | |
JP6032486B2 (ja) | 電力管理システム、電力管理方法 | |
CN111914205A (zh) | 台区理论线损计算方法、装置和日负荷曲线计算方法 | |
CN109711662B (zh) | 一种基于多源数据融合的电网抗差状态估计方法 | |
CN115618654B (zh) | 超差电能表的识别方法及装置 | |
CN114417558A (zh) | 基于scada和dtias量测的配电网混合历史状态估计方法 | |
CN112698218A (zh) | 一种电池健康状态获取方法及装置、存储介质 | |
CN109991470A (zh) | 一种组串式光伏逆变器转换效率的确定方法及系统 | |
CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
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 | |
CN114114135A (zh) | 基于功率曲线还原积分的错误接线电量追补计算方法 | |
CN113125967A (zh) | 一种基于温升预测的锂电池soe计算方法 | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN111999659A (zh) | 基于特征值法的磷酸铁锂电池soh估算方法及存储介质 | |
CN115564106A (zh) | 一种基于电力数据的碳排放测算方法 | |
CN114757548A (zh) | 一种采用场景构建的风电储能设备调节性能评估方法 | |
Ajoudani et al. | Modified weighted least squares method to improve active distribution system state estimation | |
CN114065118A (zh) | 一种基于指数函数的电力系统鲁棒状态估计方法 | |
CN113553538A (zh) | 一种递推修正混合线性状态估计方法 |
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 |