电力系统状态估计的快速分解法研究

采用基于加权最小二乘法的快速分解电力系统状态估计算法，建立了相应的数学模型。该模型具有简便快速的特点，经实例计算表明：该方法是可行有效的。     

电力系统状态估计研究综述

电力系统状态估计是能量管理系统(EMS)的重要组成部分,其结果直接影响电网调度的智能化分析与决策。综述了电力系统状态估计的研究现状。首先,简要分析了电力系统经典静态状态估计和动态状态估计的基本功能及其发展;然后,介绍了几种目前新出现的状态估计方法,即新息图状态估计、谐波状态估计、配电网状态估计等,指出各个方法的优缺点。最后,对状态估计方法中值得研究的方面进行了展望。     

电力系统状态估计算法的缺陷探究

电力系统的常用状态估计方法有加权最小二乘法估计和快速分解状态估计等。由于受到函数局部单调性和凹凸性的影响,即使给出了离真实根很近的初值,随着每次的迭代,状态估计方法结果将离真实根越来越远。因此考虑到在对目标函数进行极值求解中可以舍弃牛顿迭代法,采用其他的(例如粒子群进化算法)最优化方法进行尝试。     

一种权函数状态估计新算法

提出一种权函数电力系统状态估计算法，该方法将加权最小二乘法(WLS)和加权最小绝对值(WLAV)二者之优点综合于一体，在计算过程中以残差变化量作为加速因子，修正权函数，使迭代次数明显减少，加快了算法的计算速度。用IEEE-14节点验证了此方法的优越性。     

电力系统状态估计中的不良数据辨识

文中以电力系统状态估计理论为依据,给出了一种新的不良数据检测和辨识的方法－Hyphthesis状态估计法。     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

基于混合量测技术的电力系统状态估计研究

电力系统状态估计是能量管理系统(EMS)的重要组成部分,也是电力系统在线监测、分析、控制的基础,如何快速、高效地对电网的状态信息进行预测估计已成为电力系统研究中的热点问题.该文在分析状态估计理论和广域监测的基础上,提出了一种利用电力广域测试系统(WAMS)和监测控制和数据采集(SCADA)混合量测的静态状态估计算法,此算法可以直接利用电流相量量测量,高效快速地进行电网信息的状态估计.相关的仿真和实验结果证明,这种算法具有良好的估计性能,并能够对不良数据进行有效的检测和辨识.     

最优乘子在电力系统快速分解状态估计中的应用

本文在极坐标系的快速P-Q分解状态估计算法中应用最优乘子改善收敛性及收敛速度。     

计及负荷静态特性的电力系统静态状态估计算法

在常规状态估计模型的基础上,提出了考虑负荷节点静态电压特性的电力系统静态状态估计算法。该算法利用负荷幂函数模型或多项式模型,将负荷有功、无功功率等效为以节点电压幅值为变量的方程组,构建新的零注入功率量测,利用加权最小二乘法进行状态估计,在迭代计算中修正传统的雅克比矩阵以及不平衡偏差量。4节点、IEEE-39节点系统以及实际地区电网算例的仿真结果表明,该算法提高了状态估计量精度,具有较好的实用性。     

多不良数据补偿辨识法用于电力系统状态估计

分析和比较各种不良数据检测和辨识方法和优缺点，利用综合优化法，假设试验和估计似然法，提出一种多不良数据补偿辨识的新方法，为节省内存和提高不良数据检测与辨识的计算速度，本方法把矩阵稀疏存贮和Ｔｉｎｎｅｙ－Ｗａｌｋｅｒ结点优化法结合在一起，在矩阵ＬＤＬ＾Ｔ分解中产生的填元数量少，提高了状态估计软件的实时性，通过ＩＥＥＥ－３０结点系统和天津电力系统调度中心实时试验证实了本法的有效性。     

一种考虑杠杆量测量的电力系统状态估计法

提出了一种考虑杠杆量测量的电力系统状态估计方法。该方法将状态估计与不良数据检测和辩识结合在一起，且采用改进的正交变换法，使其计算效率和数值的稳定性有了明显提高。经实例计算表明，该方法是可行有效的。     

保留非线性三相配电网状态估计

该文提出一种基于保留非线性的三相配网状态估计算法。该算法充分利用辐射配网的特点，能够适应r／x比值较大时的情况，计及了三相不平衡，适用于由功率的实时量测和伪量测建立起的基本可观、并有部分电压量测的系统。保留了非线性二阶项，同时由于雅可比矩阵恒定，二阶项易于计算，节省了机时。理论分析和实际算例表明，该算法收敛可靠，运算速度快，内存量少，量测适用性好。     

基于深度神经网络-近似线性网络混合模型的电力系统状态估计方法

为提高电力系统实时状态估计的精度和计算效率,解决电网电压波动频发、潮流分布的不确定性剧增等问题,通过提出一种基于深度神经网络和近似线性网络模型的电力系统状态估计方法,研究了其在电网的应用。该方法将混合系统量测数据通过粒子滤波算法得到样本集,利用训练样本训练所提出的混合神经网络模型,最后将测试样本输入已建立的模型中获得系统状态的估计结果。通过IEEE118节点系统进行的负载数据仿真实验表明：基于混合神经网络模型的电力系统状态估计方法不仅能快速进行海量数据训练,还能有效避免过拟合;在实时状态估计的精度和计算效率方面,相较于高斯-牛顿法均有提高。可见所提方法在电力系统实时状态估计方面具有一定的应用价值。     

电动助力转向系统及系统模型分析

汽车电动助力转向系统的基本功能是利用电机产生助力力矩帮助转向 与传统的转向系统相比该系统结构简单 ,灵活性大 ,能较好地满足汽车转向性能的要求 ;在操纵舒适性、安全性、节能等方面也充分显示了其优越性 阐述电动助力转向系统的结构和基本工作原理 ,建立了以方向盘转角为输入、转向轴扭矩为输出的线性系统数学模型 ,定量分析了系统参数对转向轻便性、跟踪性的影响 ,并给出了系统控制电路框图     

电力系统状态估计的分布式并行处理

基于传统的状态估计算法，结合等式约束优化问题，提出了在计算速度、数值精度上显著提高的分布式并行算法，且以PVM为软件平台对验证系统进行了模拟计算。结果表明了该算法的有效性。     

一种基于量测变换的快速解耦状态估计方法

提出了一种基于支路功率量测变换的快速解耦状态估计和不良数据辨识方法 ,不但保留了传统快速解耦状态估计的优点 ,而且可以很好地处理大 R/X比值和存在单个或多个不良数据等问题 .算例表明方法快速有效 .