为了解决高比例分布式电源(distributed generation,DG)大规模并网后实时量测数目缺失、传统预测辅助状态估计方法(forecasting-aided state estimation,FASE)估计精度有限等问题,提出了基于改进Crossformer伪量测构建的主动配电网FASE...为了解决高比例分布式电源(distributed generation,DG)大规模并网后实时量测数目缺失、传统预测辅助状态估计方法(forecasting-aided state estimation,FASE)估计精度有限等问题,提出了基于改进Crossformer伪量测构建的主动配电网FASE方法。首先,基于最大信息系数法(maximal information coefficient,MIC)筛选出高相关性的输入特征,提高预测模型的精度;然后,通过全变差正则化技术(total variation regularized,TV)优化鲁棒主成分分析法(robust principal component analysis,RPCA),构建TRPCA层,并将其嵌入到Crossformer中,以填补Crossformer无法有效处理非高斯噪声的空白;最后,利用改进的预测模型进行超短期负荷预测,经潮流计算得到节点伪量测,在量测不足情况下补全缺失数据,并结合扩展卡尔曼滤波器(extended Kalman filter,EKF)进行状态估计。在IEEE 33节点和IEEE 118节点标准配电网上进行仿真测试,结果表明所提方法在估计精度和鲁棒性等方面具有一定优势,可为主动配电网FASE提供参考。展开更多
针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题,提出了一种联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测...针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题,提出了一种联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测辅助鲁棒状态估计方法(robust forecasting-aided state estimation,FASE),以实现对配电网运行状态的实时动态估计。基于配电系统的历史运行数据建立了深层LSTM预测模型,采用改进的PF构建量测和状态之间的非线性模型。针对量测缺失或异常问题,采用孤立森林异常检测技术准确识别量测信息中的异常数据。基于此,结合深层LSTM预测值经潮流计算(powerflowcalculation,PFC)得到的伪量测可实现对缺失和异常数据的替换。此外,提出的联合长短期记忆神经网络和粒子滤波的电力系统预测辅助状态估计方法(longshortterm memory-particlefilter,LSTM-PF)可以实现对拓扑结构改变后的节点状态的预测和估计。对IEEE33节点标准配电网和某市10 kV 78节点实际配电网测试系统进行了数值仿真,仿真结果表明LSTM-PF算法具有较高的精度和鲁棒性,可为配电网状态估计提供参考。展开更多
文摘为了解决高比例分布式电源(distributed generation,DG)大规模并网后实时量测数目缺失、传统预测辅助状态估计方法(forecasting-aided state estimation,FASE)估计精度有限等问题,提出了基于改进Crossformer伪量测构建的主动配电网FASE方法。首先,基于最大信息系数法(maximal information coefficient,MIC)筛选出高相关性的输入特征,提高预测模型的精度;然后,通过全变差正则化技术(total variation regularized,TV)优化鲁棒主成分分析法(robust principal component analysis,RPCA),构建TRPCA层,并将其嵌入到Crossformer中,以填补Crossformer无法有效处理非高斯噪声的空白;最后,利用改进的预测模型进行超短期负荷预测,经潮流计算得到节点伪量测,在量测不足情况下补全缺失数据,并结合扩展卡尔曼滤波器(extended Kalman filter,EKF)进行状态估计。在IEEE 33节点和IEEE 118节点标准配电网上进行仿真测试,结果表明所提方法在估计精度和鲁棒性等方面具有一定优势,可为主动配电网FASE提供参考。
文摘针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题,提出了一种联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测辅助鲁棒状态估计方法(robust forecasting-aided state estimation,FASE),以实现对配电网运行状态的实时动态估计。基于配电系统的历史运行数据建立了深层LSTM预测模型,采用改进的PF构建量测和状态之间的非线性模型。针对量测缺失或异常问题,采用孤立森林异常检测技术准确识别量测信息中的异常数据。基于此,结合深层LSTM预测值经潮流计算(powerflowcalculation,PFC)得到的伪量测可实现对缺失和异常数据的替换。此外,提出的联合长短期记忆神经网络和粒子滤波的电力系统预测辅助状态估计方法(longshortterm memory-particlefilter,LSTM-PF)可以实现对拓扑结构改变后的节点状态的预测和估计。对IEEE33节点标准配电网和某市10 kV 78节点实际配电网测试系统进行了数值仿真,仿真结果表明LSTM-PF算法具有较高的精度和鲁棒性,可为配电网状态估计提供参考。
