基于最小二乘状态估计和模糊神经的中长期负荷预测

可靠准确的中长期电力负荷预测可以使电力公司和发电公司更好地分配配电网络,并有助于在可再生能源并网时提高对电力系统的保护稳定性。为此,提出一种基于加权最小二乘状态估计和模糊神经网络的中长期电力负荷预测方案。基于最小二乘状态估计得到的潮流信息和来自神经网络得到的预测负荷作为模糊神经网络的输入,借由模糊神经网络生成高质量的中长期电力负荷预测结果,最后在IEEE 30总线系统上进行验证和评估。试验结果表明,所提方案可以实现平均绝对百分比误差低于2.55%,比单独的最小二乘状态估计法和模糊神经网络法拥有更低的平均绝对百分比误差。

基于状态估计的电网支路参数估计方法

正确的电网参数是电网安全稳定预警和控制决策的必要基础,研究实用的电网支路参数的估计方法具有重要的现实意义。扩展状态估计法是一种有代表性的参数估计方法,在该算法的实际应用中,发现支路参数不可估计或者估计结果不合理的现象时有发生。该文以IEEE9系统和中国某实际电网为算例,对扩展状态估计法的性能进行深入研究,找到该方法存在的数值稳定性和局部最优性问题。继而提出一种基于Tabu搜索策略的参数估计方法,经IEEE9标准系统和实际电网算例验证,具有良好的数值稳定性和全局寻优能力,在实际电网得到在线应用。

基于奇异值分解的电力系统谐波状态估计

用传统最小二乘法及其改进方法进行谐波状态估计时,大都是对谐波进行非同步测量,然后求解一个大型的超定线性方程组,其估计精度不足、计算量大、状态量测量数目多且费用昂贵。提出一种基于同步相量测量的谐波状态估计,并用复数奇异值分解求解病态线性复变量方程组的方法,可在系统状态非完全可观的情况下进行有效估计,降低了对测量冗余的要求。以IEEE30节点系统为例,采用同步测量方法测量支路的谐波电流和节点的谐波电压,分别用Matlab和基于奇异值分解(SVD)的最小二乘估计程序进行仿真。结果表明,用SVD算法对系统进行谐波状态估计时较为准确。

基于主从分裂法的交直流混合状态估计

直流输电技术的快速发展迫切要求提出实用的交直流混合状态估计方法。该文将交流系统看成主系统,将直流系统看成从系统,提出了交直流混合状态估计的一种新方法,即主从分裂法。该方法自然地将整个电力网络的状态估计问题分解成交流估计和直流估计两个子问题,通过主从分裂迭代,可获得严格的全局状态估计解。其中,交流系统和直流系统可以采用不同的状态估计算法,只需对调度中心现有状态估计软件进行少量修改,即可实现交直流混合状态估计。理论分析和数值试验结果均表明了新方法的实用性、正确性和良好的收敛性。