电力系统状态估计研究综述

电力系统状态估计是能量管理系统(EMS)的重要组成部分,其结果直接影响电网调度的智能化分析与决策。综述了电力系统状态估计的研究现状。首先,简要分析了电力系统经典静态状态估计和动态状态估计的基本功能及其发展;然后,介绍了几种目前新出现的状态估计方法,即新息图状态估计、谐波状态估计、配电网状态估计等,指出各个方法的优缺点。最后,对状态估计方法中值得研究的方面进行了展望。     

电力系统状态估计算法研究

对已有状态估计算法进行了分析,并结合实际电网的一些特点,在最小二乘法的基础上,对PQ分解法的病态线路提出了一种新的解决方法,即将电压量测量和功率、电流量测量分解开来进行计算,建立了相应的数学模型。和其它方法进行了比较,认为该方法具有收敛性好、计算速度快的优点。     

电力系统状态估计算法的缺陷探究

电力系统的常用状态估计方法有加权最小二乘法估计和快速分解状态估计等。由于受到函数局部单调性和凹凸性的影响,即使给出了离真实根很近的初值,随着每次的迭代,状态估计方法结果将离真实根越来越远。因此考虑到在对目标函数进行极值求解中可以舍弃牛顿迭代法,采用其他的(例如粒子群进化算法)最优化方法进行尝试。     

电力系统状态估计的快速分解法研究

采用基于加权最小二乘法的快速分解电力系统状态估计算法，建立了相应的数学模型。该模型具有简便快速的特点，经实例计算表明：该方法是可行有效的。     

电力系统状态估计中的不良数据辨识

文中以电力系统状态估计理论为依据,给出了一种新的不良数据检测和辨识的方法－Hyphthesis状态估计法。     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

透明存取和数据库并行操作的分布式系统模型

提出一个支持并行处理和透明存取的分布式系统模型，并讨论数据分布策略和支持为数据库并行操作的数据组织方法，这一计算模式适宜于“企业级”分布式网络信息系统的设计与建议。     

基于深度神经网络-近似线性网络混合模型的电力系统状态估计方法

为提高电力系统实时状态估计的精度和计算效率,解决电网电压波动频发、潮流分布的不确定性剧增等问题,通过提出一种基于深度神经网络和近似线性网络模型的电力系统状态估计方法,研究了其在电网的应用。该方法将混合系统量测数据通过粒子滤波算法得到样本集,利用训练样本训练所提出的混合神经网络模型,最后将测试样本输入已建立的模型中获得系统状态的估计结果。通过IEEE118节点系统进行的负载数据仿真实验表明：基于混合神经网络模型的电力系统状态估计方法不仅能快速进行海量数据训练,还能有效避免过拟合;在实时状态估计的精度和计算效率方面,相较于高斯-牛顿法均有提高。可见所提方法在电力系统实时状态估计方面具有一定的应用价值。     

一种考虑杠杆量测量的电力系统状态估计法

提出了一种考虑杠杆量测量的电力系统状态估计方法。该方法将状态估计与不良数据检测和辩识结合在一起，且采用改进的正交变换法，使其计算效率和数值的稳定性有了明显提高。经实例计算表明，该方法是可行有效的。     

电力系统广域并行处理机

从统一、系统和全局的观点出发,提出电力系统广域并行处理机的概念,研究利用广域并行计算和分布处理技术解决电力系统监控中的问题．针对电力系统的特点,建立了电力系统广域并行处理机的一般模型,进而对其运行机制和关键技术作了描述,并给出了一个应用实例     

Distributed Estimation for Sensor Networks with Channel Estimation Errors

This paper describes the effect of channel estimation error (CEE) on the performance of distributed estimations of an unknown parameter in a wireless sensor network. Both the classical and Bayesian estimators are derived to mitigate the adverse effects caused by the CEE. Power scheduling among sensors and the power ratio between the training and data transmission at each individual node are optimized by directly minimizing the final average mean squared error to compensate for the CEE. A closed-form power scheduling policy is given for a homogeneous environment, which shows that more than 50% of the power should be allocated to sensor observation transmissions. For an inhomogeneous environment, a multilevel waterfilling type solution is developed for the power scheduling among sensors for only the sum power constraint with a "cave" waterfilling solution for both the sum and individual power constraints. Simulations show that the proposed power scheduling schemes achieve better performance than the equal power scheduling scheme.