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。
