基于自适应稀疏伪谱逼近新方法的随机潮流计算

提出基于自适应稀疏伪谱逼近新方法(newadaptive sparse pseudospectral approximation method,NA-SPAM)的随机潮流计算新方法。该方法的基本过程如下:首先提出基于Nataf-Margin变换的相关随机变量独立化处理方法,并以命题及推论的形式证明了该变换是有效的并且能够最大程度地保持NA-SPAM的计算效率;然后通过在NA-SPAM中用Kronrod-Patterson嵌套积分序列代替传统的高斯积分序列提出了嵌套NA-SPAM,以减少NA-SPAM所需的积分点和计算量;最后将Nataf-Margin变换和嵌套NA-SPAM结合为综合NA-SPAM,实现了随机潮流快速且准确的计算,得到系统状态量的期望、方差以及概率密度。用基于IEEE-9、IEEE-118节点系统的算例验证了综合NA-SPAM的有效性,以及其相比于经典伪谱SCM、LHS和MCM的计算效率优势。     

基于自适应差分进化算法的电力系统动态状态估计

提出一种基于自适应差分进化算法的电力系统状态动态估计方法。动态估计包括预测和滤波2个阶段。在预测阶段,利用布朗双指数平滑方法预测下一个时间间隔的状态;在滤波阶段,利用预测阶段获得的预测状态,基于自适应差分进化算法对目标函数进行寻优,通过优化算法提高预测精度,从而减小状态预测的误差。仿真结果表明：所提方法具有较小的估计误差,对坏数据具有较好的抑制能力。     

基于压缩感知的自适应V2V稀疏信道估计算法

针对传统信道估计算法对稀疏性约束不强,导致信道估计性能下降,进而影响通信质量等问题,着重对车到车(vehicle to vehicle V2V)信道估计进行研究,提出了基于基扩展模型(base expansion model, BEM)的稀疏度自适应匹配追踪(sparsity adaptive matching pursuit, SAMP)信道估计算法。该算法将信道估计问题转变为对BEM系数的稀疏重构,通过SAMP获得BEM的系数,再利用反馈结果进行迭代,进而实现最优的信道估计。仿真结果表明,与最小二乘(least square, LS)、线性最小均方误差(linear minimum mean square error, LMMSE)和正交匹配追踪(orthogonal matching pursuit, OMP)信道估计算法比较,该算法在V2V信道下可以显著提高正交频分复用(orthogonal frequency division multiplexing, OFDM)系统的均方误差和误码率性能。     

基于自适应SRUKF算法的电力系统动态谐波状态估计

针对传统无迹卡尔曼滤波(unscented kalman filter, UKF)谐波状态估计算法存在时变噪声和异常数据时估计准确度较差的情况,提出了一种基于自适应平方根无迹卡尔曼滤波(square-root UKF, SRUKF)的电力系统谐波状态估计算法。首先,针对时变噪声干扰,引入改进的Sage-Husa噪声估计方法实时估计噪声协方差。其次,针对异常数据干扰,引入异常数据修正方法,通过修正系数来降低异常数据对状态估计结果的影响。最后,通过搭建IEEE14节点系统验证自适应SRUKF算法的估计性能,能够有效地应用于电力系统的动态谐波状态估计。仿真结果表明,该算法在时变噪声和异常数据干扰时仍具有良好的估计性能。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应免疫粒子群优化算法的配电网状态估计

考虑了配电网中的一些设备如分布式发电机的非线性特性和配电网的量测配置特点,结合粒子群优化算法(PSO)的特点,提出了采用自适应免疫PSO算法来进行配电网状态估计.该算法解决了配电网状态估计中的非线性特性,引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法,克服了基本PSO算法容易陷入局部最优解的缺点,增强了全局搜索能力,而且收敛速度和精度都很理想.算例证实了算法的有效性,并通过和基本粒子群算法比较显示其优越性.     

基于自适应免疫粒子群优化算法的配电网状态估计

考虑了配电网中的一些设备如分布式发电机的非线性特性和配电网的量测配置特点,结合粒子群优化算法(PSO)的特点,提出了采用自适应免疫PSO算法来进行配电网状态估计。该算法解决了配电网状态估计中的非线性特性,引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法,克服了基本PSO算法容易陷入局部最优解的缺点,增强了全局搜索能力,而且收敛速度和精度都很理想。算例证实了算法的有效性,并通过和基本粒子群算法比较显示其优越性。     

基于自适应免疫粒子群优化算法的配电网状态估计

针对配电网中分布式发电机等设备的非线性特性和配电网量测配置特点,结合粒子群优化算法(PSO)的特点.提出了采用自适应免疫PSO算法进行配电网状态估计的思路.该算法引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法.解决了配电网状态估计中的非线性问题,克服了基本PSO算法容易陷入局部最优解的缺点,不仅增强了全局搜索能力,而且获得了理想的收敛速度和精度.算例证实了该算法的有效性,与基本粒子群算法的比较,显示了其优越性.     

基于自适应容积卡尔曼滤波算法的电力系统动态谐波状态估计

由于传统的谐波状态估计的参数辨识算法要求噪声的协方差矩阵固定不变,而实际工程中噪声的协方差矩阵是随时间变化的,工程中存在错误的量测数据,导致传统参数辨识算法估计的谐波电流参数的准确度较低。因此,提出自适应容积卡尔曼滤波算法来提高辨识谐波电流参数的准确度。首先,针对时变噪声干扰,采用基于渐消记忆指数加权法的噪声估值器算法生成时变噪声的协方差矩阵;其次,针对错误的量测数据,采用开窗估计算法修正错误的量测数据;然后,将修正的噪声协方差矩阵和量测数据代入容积卡尔曼滤波算法中,对谐波电流参数进行估计;最后,搭建IEEE 13节点系统仿真模型,验证了自适应容积卡尔曼滤波算法在时变噪声干扰及量测数据错误情况下仍可准确地估计谐波电流参数,确保了动态谐波状态估计的准确性。     

基于自适应无迹卡尔曼滤波的配电网状态估计

随着大量分布式电源和电动汽车接入配电网,DG出力难以预测以及负荷监控复杂是配电网运行管理的难题。针对传统无迹卡尔曼滤波预测误差大,且容易受不良数据影响的问题,利用新息向量构造了自适应因子,提出自适应无迹卡尔曼滤波(Adaptive Unscented Kalman Filter,AUKF)算法对配电网进行状态估计。当系统负荷突变以及量测存在不良数据时,利用自适应因子对相应的预测协方差矩阵进行在线修正,减小了预测误差对估计精度的影响。在三相不平衡配电网中进行仿真分析,结果表明,AUKF算法比UKF估计精度高、鲁棒性强,验证了所提算法的有效性。     

基于LDA模型的稀疏消息传递算法

潜在狄利克雷分配(LDA)是一种流行的非监督式降维工具,被广泛的应用于文本挖掘和信息检索领域。消息传递算法在效率和准确率上都明显优于LDA模型的其他近似推理算法。本文提出稀疏限定的消息传递算法,采用基于L1范数和L2范数的方法度量向量的稀疏度,并在迭代过程中投影单词在主题上的概率分布到稀疏空间,从而得到更加准确的单词语义表示。实验结果表明提出的稀疏消息传递算法在文本聚类和分类准确率上胜过了消息传递,吉布斯采样以及非负矩阵分解算法。     

状态估计模型在自适应重合闸中的应用

自适应重合闸基于微机保护基础，因此能直接处理相关的数字及开入量，它通过对系统状态的预测判别而采用相应的自适应对策，可以最大限度地使重合闸对系统的影响变小。文章主要论述了自适应重合闸中自适应状态估计模型及预测算法，从理论角度给出了它们的数学表达式。     

基于权函数的电力系统状态估计算法

提出基于权函数的电力系统状态估计算法,该方法较好地综合了加权最小二乘法（ＷＩ－Ｓ）和加权最小绝对值（ＷＬＡＶ）两种估计方法的优点,仅需对应用广泛的ＷＬＳ软件作很少的修改即可实现该算法。在求解迭代过程中,以残差变化最作为加速因子,修正权函数,减少了迭代次数,加快了算法的计算速度,用ＩＥＥＥ３０和ＩＥＥＥ１１８节点系统验证了此方法的优越性。     

基于动力学系统的状态估计算法

状态估计的收敛性是电网在线实时监测和控制的关键问题,常用的高斯-牛顿最小二乘算法在系统出现严重的拓扑错误以及存在不可观状态变量时难以收敛。针对这一问题,本文提出基于动力学系统的状态估计算法,通过构造商梯度动力系统,使其退化的稳定平衡流形与状态估计的最小二乘解对应,然后追踪该动力学系统的轨迹从而得到原状态估计问题的解。本文从非线性动力学系统理论出发,证明了该商梯度动力学系统是渐近稳定的,从而保证了算法的收敛性。最后用IEEE 14节点和IEEE 118节点算例对算法进行测试,验证了该算法的有效性。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

基于转移潮流的状态估计模型

传统的状态估计把量测方程作为约束条件,以量测残差的加权平方和或加权绝对值之和最小等为目标函数进行估计,因而不能直接辨识出拓扑错误.为了同时辨识拓扑错误和不良数据,文中把转移潮流方程增广为状态估计的约束条件,在目标函数中同时计及转移潮流的残差和量测残差,对已有的加权最小绝对值状态估计进行了改进,提出了可以同时辨识支路拓扑错误和不良数据的状态估计模型.文中给出了某省实际电网的计算实例.     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

基于遗传算法的电力系统自适应卡尔曼滤波动态状态估计

针对卡尔曼滤波动态状态估计中Holts'两参数均为常数,在电力系统运行状态变化时易产生较大的预测误差的不足,提出采用指数平滑法对参数进行动态调整。该方法在预测步中利用遗传算法来动态确定参数大小,实现了预测参数的自适应优化。最后,对IEEE14节点系统进行仿真计算,与传统方法进行比较,结果表明本文方法具有明显的优势。