分布式资源大量接入使配电网运行机理愈加复杂,多类型不良数据、电网规模扩大等因素给新型配电系统的精准状态估计带来了新的技术挑战。提出一种基于自适应分区和时空变分模态分解-长短期记忆(spatiotemporal feature variational mode ...分布式资源大量接入使配电网运行机理愈加复杂,多类型不良数据、电网规模扩大等因素给新型配电系统的精准状态估计带来了新的技术挑战。提出一种基于自适应分区和时空变分模态分解-长短期记忆(spatiotemporal feature variational mode decomposition-long short term memory,SFVMD-LSTM)网络伪量测建模的新型配电系统抗差状态估计模型。在计及节点电气灵敏度的基础上,考虑不良数据分布特征,通过改进吉尔文-纽曼(Girvan and Newman,GN)分区方法克服传统GN算法在适应量测数据质量变化中的不足;利用子区域内节点多源负荷数据,提出基于SFVMD-LSTM的伪量测建模方法,提高加权最小二乘(weighted least square,WLS)估计的量测冗余度,解决传统方法状态估计精度低和抗差能力不足问题。算例仿真与结果对比分析表明,所提方法的估计精度、效率均高于传统WLS和快速解耦估计法。展开更多
文摘分布式资源大量接入使配电网运行机理愈加复杂,多类型不良数据、电网规模扩大等因素给新型配电系统的精准状态估计带来了新的技术挑战。提出一种基于自适应分区和时空变分模态分解-长短期记忆(spatiotemporal feature variational mode decomposition-long short term memory,SFVMD-LSTM)网络伪量测建模的新型配电系统抗差状态估计模型。在计及节点电气灵敏度的基础上,考虑不良数据分布特征,通过改进吉尔文-纽曼(Girvan and Newman,GN)分区方法克服传统GN算法在适应量测数据质量变化中的不足;利用子区域内节点多源负荷数据,提出基于SFVMD-LSTM的伪量测建模方法,提高加权最小二乘(weighted least square,WLS)估计的量测冗余度,解决传统方法状态估计精度低和抗差能力不足问题。算例仿真与结果对比分析表明,所提方法的估计精度、效率均高于传统WLS和快速解耦估计法。