随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利...随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。展开更多
随着现代电力系统的迅猛发展,电网结构和运行方式日益复杂,对状态估计的实时性和准确性也提出了更高的要求。为此,该文提出一种基于深度神经网络的电力系统快速状态估计,通过相关性分析筛选出该状态估计模型的输入量测集,进一步利用海...随着现代电力系统的迅猛发展,电网结构和运行方式日益复杂,对状态估计的实时性和准确性也提出了更高的要求。为此,该文提出一种基于深度神经网络的电力系统快速状态估计,通过相关性分析筛选出该状态估计模型的输入量测集,进一步利用海量历史数据建立基于深度神经网络的状态估计模型。当电力系统的实时量测更新时,将强相关量测输入已建立的状态估计模型中快速获得系统状态的估计结果。通过在IEEE标准系统和某实际省网进行算例仿真表明,所提方法的估计精度和鲁棒性均优于传统加权最小二乘(weighted least square,WLS)和加权最小绝对值估计(weighted least absolute value,WLAV);并且该方法的在线计算时间受系统规模影响较小,由实际省网的仿真结果可知,其计算效率较WLS和WLAV分别提升1.43和27.2倍。展开更多
文摘随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。
文摘随着现代电力系统的迅猛发展,电网结构和运行方式日益复杂,对状态估计的实时性和准确性也提出了更高的要求。为此,该文提出一种基于深度神经网络的电力系统快速状态估计,通过相关性分析筛选出该状态估计模型的输入量测集,进一步利用海量历史数据建立基于深度神经网络的状态估计模型。当电力系统的实时量测更新时,将强相关量测输入已建立的状态估计模型中快速获得系统状态的估计结果。通过在IEEE标准系统和某实际省网进行算例仿真表明,所提方法的估计精度和鲁棒性均优于传统加权最小二乘(weighted least square,WLS)和加权最小绝对值估计(weighted least absolute value,WLAV);并且该方法的在线计算时间受系统规模影响较小,由实际省网的仿真结果可知,其计算效率较WLS和WLAV分别提升1.43和27.2倍。
