基于岭估计方法的多谐波源责任划分

电网中受关注母线处的谐波电压是系统中所有谐波源共同作用的结果。在主要谐波源已知的情况下,量化这些谐波源在受关注母线处产生的谐波影响是划分谐波污染责任的前提。首先建立了多谐波源谐波责任划分的多元线性回归模型,考虑到系数矩阵病态情况下传统最小二乘估计无法得出正确结果,因此研究应用了岭估计方法。当谐波电流数据异常或者存在一定相关性时,岭估计方法避免了模型病态导致的错误结果。仿真算例验证了所述方法的有效性以及在系数矩阵病态时相对于传统最小二乘估计的优越性。     

基于抗差总体最小二乘法的电力系统谐波状态估计

介绍了谐波状态估计的数学模型及最小二乘和总体最小二乘的求解算法,综合考虑测量误差和参数误差的影响,利用总体最小二乘法进行谐波状态估计。分析了测量粗差对估计结果的影响,针对总体最小二乘法不具备抑制粗差能力的缺点,提出利用抗差总体最小二乘法进行谐波状态估计。用Matlab搭建了IEEE-14节点谐波测试系统仿真模型,在测量数据和参数矩阵中分别加入含有粗差的正态分布误差及正态分布误差,画出概率密度曲线图,并对总体最小二乘法、抗差最小二乘法和抗差总体最小二乘法进行比较,结果表明利用抗差总体最小二乘法能够得到更精确的谐波状态估计结果。     

基于广域测量和抗差最小二乘法的电力系统谐波状态估计

介绍了谐波状态估计数学模型及常用的最小二乘求解算法。针对最小二乘法抗粗差能力较差的缺点,提出利用抗差最小二乘法进行谐波状态估计。抗差最小二乘法通过等价权将抗差估计原理与最小二乘形式有机结合起来,可有效解决最小二乘法不抗御粗差的问题。利用Matlab搭建了配电网的仿真模型,获得了研究所需的谐波同步测量数据,对测量数据加入含有粗差的正态分布误差,用传统最小二乘法和抗差最小二乘法进行谐波状态估计。计算结果表明了在测量数据含有粗差的情况下,用抗差最小二乘法进行谐波状态估计其结果精度优于最小二乘法。     

基于奇异值分解的电力系统谐波状态估计

用传统最小二乘法及其改进方法进行谐波状态估计时,大都是对谐波进行非同步测量,然后求解一个大型的超定线性方程组,其估计精度不足、计算量大、状态量测量数目多且费用昂贵。提出一种基于同步相量测量的谐波状态估计,并用复数奇异值分解求解病态线性复变量方程组的方法,可在系统状态非完全可观的情况下进行有效估计,降低了对测量冗余的要求。以IEEE30节点系统为例,采用同步测量方法测量支路的谐波电流和节点的谐波电压,分别用Matlab和基于奇异值分解(SVD)的最小二乘估计程序进行仿真。结果表明,用SVD算法对系统进行谐波状态估计时较为准确。     

基于贝叶斯优化弹性网络回归的谐波状态估计方法

回归类算法在估计系统谐波状态时,谐波源间的高度相关性会引起法矩阵的病态,从而显著影响谐波估计精度。为了更加准确地估计系统谐波状态,提出一种基于贝叶斯优化弹性网络回归的谐波状态估计方法。首先,在用最小二乘法进行谐波状态估计时,将带权值的1范数和2范数同时加入惩罚函数中;另外,为了更加高效准确地估计系统谐波状态,将高斯过程和贝叶斯优化应用于1范数和2范数的权值选取;最后,在IEEE 14节点中验证了所提方法的有效性。结果表明：在谐波源间存在相关性时,所提方法仍能实现合理的谐波源定位及谐波责任划分。     

基于相量量测的电力系统谐波状态估计算法的研究

基于相量量测单元的电力系统谐波状态估计技术,可选取电力网络的节点谐波电压为状态量,支路电流、节点注入电流和节点电压相量为量测量,从而使谐波状态方程成为线性方程.本文根据这个特点,再结合量测方案的不同情况,提出了在冗余量测和基本量测时,采用便于工程实际应用的乔累斯基算法来求解线性谐波状态方程,其计算量只是高斯消元法的一半,且不用考虑选主元,大大减少了计算的时间;在量测矩阵欠定时,采用奇异值分解算法,不仅可以为欠定的状态方程提供稳定的最小二乘解,而且该算法本身具有可观性分析的功能,不需要采用其它算法进行可观性分析,从而极大地简化了谐波状态估计分析的难度.最后通过仿真程序验证了这两种算法在谐波状态估计求解问题中的有效性和可靠性.     

辨识网络拓扑错误的最小绝对值状态估计

采用最小绝对值状态估计算法辨识网络拓扑错误。在传统的最小二乘法状态估计模型中引进扩展变量和量测量,构成最小绝对值状态估计问题,进而转化为线性规划的标准形式求解。在一实际测验系统上进行了试算。     

辨识网络拓扑错误的最小绝对值状态估计

采用最小绝对值状态估计算法辨识网络拓扑错误.在传统的最小二乘法状态估计模型中引进扩展变量和量测量,构成最小绝对值状态估计问题,进而转化为线性规划的标准形式求解.在一实际测验系统上进行了试算.     

基于贝叶斯优化弹性网络回归的谐波状态估计方法

回归类算法在估计系统谐波状态时,谐波源间的高度相关性会引起法矩阵的病态,从而显著影响谐波估计精度。为了更加准确地估计系统谐波状态,提出一种基于贝叶斯优化弹性网络回归的谐波状态估计方法。首先,在用最小二乘法进行谐波状态估计时,将带权值的1范数和2范数同时加入惩罚函数中;另外,为了更加高效准确地估计系统谐波状态,将高斯过程和贝叶斯优化应用于1范数和2范数的权值选取;最后,在IEEE 14节点中验证了所提方法的有效性。结果表明：在谐波源间存在相关性时,所提方法仍能实现合理的谐波源定位及谐波责任划分。     

变频器驱动双电机谐波状态估计方法

变频器中的驱动双电机在接入电网时往往会出现谐波状态改变,造成谐波污染,产生电能问题。传统的基于最小二乘法的谐波状态估计方法的耦合关系提取困难,量测方程不稳定,因此改进了生成对抗网络,设计了新的变频器驱动双电机谐波估计方法。首先配置了变频器驱动双电机谐波量测点,根据该量测点,设计了双电机谐波状态估计网络结构,进行了网络选择和数据预处理。最后构建了谐波状态估计网络对抗模型,实现了谐波状态估计。实验结果表明,此次设计方法的真实值曲线与预估值曲线拟合度高,具有准确性,有一定的应用价值。     

提高配电网状态估计精度的量测配置优化方法

为适应配电网的智能化要求,达到提高配电网状态估计精度的目的,应用M-P广义逆矩阵和加权最小二乘问题的唯一极小最小二乘解等数学方法,推导出量测误差和状态向量估计误差之间的数学关系表达式:提出了一种新颖的量测评估和配置优化的方法.利用评估算法对待考察的量测集合进行评估后,从评估结果中选出排序靠前的量测类型和安装位置,从而得到量测装置的配置优化方案.对于算例系统,应用该方法获得的量测配置优化方案,仅需安装少量量测装置就可以提高状态估计精度在60%以上.     

基于广义岭回归的谐波阻抗分析与谐波评估法

对基于广义岭回归原理的系统谐波阻抗分析与谐波评估进行了研究。基于系统和用户的等效电路,可获得系统谐波阻抗、背景谐波和公共连接点谐波的解析表达式。利用在公共连接点同步测量得到的谐波电压、电流数据,将系统谐波阻抗和背景谐波作为广义岭回归方程的回归系数。采用广义岭估计的直接解法即可获得基于广义岭回归估计的参数,并计算出用户谐波发射水平。该方法能够克服样本中异常数据对回归系数的影响,具有比偏最小二乘法及岭估计法等更好的稳健性。运用Matlab软件进行仿真,仿真结果证明了该方法的有效性和准确性。     

基于改进Hampel抗差法的电网谐波状态估计

针对电网谐波状态的估计问题,分析了量测粗差对于估计结果的影响,建立了考虑粗差辨识的谐波状态估计数学模型,应用Hampel抗差法对量测数据进行了辨识分类,并根据谐波状态估计的特点对算法的阈值函数进行了改进,有效地解决了"残差污染"和"残差淹没"问题。仿真计算及分析结果表明,求解谐波状态估计问题时,改进Hampel抗差法能有效抑制粗差对估计结果的影响,提高了估计精度。     

基于长短期记忆网络的UKF动态谐波状态估计

传统动态谐波状态估计的卡尔曼滤波预测步通常以单位阵构建状态空间模型,同时将系统噪声协方差矩阵假设为常数阵,从而导致动态估计预测精度降低,影响动态状态估计模型的滤波性能。为了准确建立谐波状态的空间模型,提出一种基于长短期记忆网络(Long Short-Term Memory, LSTM)的时序预测方法。通过大量历史数据离线训练模拟复杂的状态转移过程,基于历史时刻的滤波估计值预测当前时刻的谐波状态量,有效提高无迹卡尔曼滤波(Unscented Kalman Filter, UKF)中预测模型精度。在改进IEEE34节点三相不平衡系统上进行了测试分析。与传统算法进行对比,结果证明所提出的方法在谐波状态估计精度和鲁棒性方面均表现更好。     

一种识别闭合开关元件信息错误的状态估计方法

广义状态估计中,为识别闭合开关元件连通片信息错误,提出虚拟开关元件概念,并以此构建不影响识别结果的最小特征电网;在模拟量测方程基础上,补充虚拟开关元件的两端电压相等约束条件,由此建立具有等式约束的最小二乘数学模型.在此基础上,给出基于概率的量测残差和拉格朗日乘子间关联的规律以及识别的准则,论证了正常情况下开关元件信息错误的识别与模拟量不良数据的识别之间互不混淆.最后,以3节点简单电力系统与烟台实际电网为例进行了计算和分析,验证了模型和算法的有效性.     

基于PMU量测的配电网稀疏估计

同步相量量测技术的应用为配电网估计如潮流雅可比矩阵估计和电压/相角-功率灵敏度估计提供了重要技术基础。针对潮流雅可比矩阵的相关性、稀疏性和对称性,提出了一种基于同步相量测量单元量测数据的潮流雅可比矩阵和灵敏度矩阵的稀疏估计方法,在较少量测下,有效估计了雅可比矩阵和灵敏度矩阵。进一步针对量测过程中出现的不良数据,引入鲁棒性更大的加权最小二乘法,提高了算法的鲁棒性。最后,通过IEEE33节点配电系统验证了方法的可行性。     

Sliding–window neural state estimation in a power plant heater line

The state estimation problem for a section of a real power plant is addressed by means of a recently proposed sliding‐window neural state estimator. The complexity and the nonlinearity of the considered application prevent us from successfully using standard techniques as Kalman filtering. The statistics of the distribution of the initial state and of noises are assumed to be unknown and the estimator is designed by minimizing a given generalized least‐squares cost function. The following approximations are enforced: (i) the state estimator is a finite‐memory one, (ii) the estimation functions are given fixed structures in which a certain number of parameters have to be optimized (multilayer feedforward neural networks are chosen from among various possible nonlinear approximators), (iii) the algorithms for optimizing the parameters (i.e., the network weights) rely on a stochastic approximation. Extensive simulation results on a complex model of a part of a real power plant are reported to compare the behaviour of the proposed estimator with the extended Kalman filter. Copyright © 2001 John Wiley & Sons, Ltd.     

基于数据驱动的潮流雅可比矩阵估计方法研究

线路元件以及拓扑结构信息不准确使得基于模型的雅可比矩阵计算结果存在一定的误差。提出了基于数据驱动的雅可比矩阵估计方法，具有不需要线路信息、不受网络拓扑结构变化影响的特点。通过设置多种“数据污染”场景，探究普通最小二乘法，完全最小二乘法，广义最小二乘法的优缺点、适用性，证明了基于数据驱动的雅可比矩阵估计方法可实现高精度的雅可比矩阵估计以及数据驱动方法在高维数据空间上的鲁棒性。