期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
基于改进Att-LSTNet与无迹粒子滤波融合的主动配电网预测辅助状态估计
1
作者 王玥 于越 金朝阳 《电力系统保护与控制》 EI CSCD 北大核心 2024年第8期98-110,共13页
针对传统的无迹粒子滤波(unscented particle filter,UPF)存在不准确的新息向量及未知的量测噪声协方差矩阵导致估计精度低的问题,提出一种改进Att-LSTNet与UPF融合的主动配电网预测辅助状态估计(forecasting-aided state estimation,FA... 针对传统的无迹粒子滤波(unscented particle filter,UPF)存在不准确的新息向量及未知的量测噪声协方差矩阵导致估计精度低的问题,提出一种改进Att-LSTNet与UPF融合的主动配电网预测辅助状态估计(forecasting-aided state estimation,FASE)方法。首先,采用引力搜索算法(gravitational search algorithm,GSA)对支持向量回归(support vector regression,SVR)的关键参数进行优化处理,利用历史数据建立GSA-SVR模型,并将其引入至Att-LSTNet模型的输出层,构建一种增强预测模型。然后,利用UPF中的新息向量来训练该模型,并结合孤立森林算法和箱线图法对原始新息向量进行监控和修正。最后,针对量测噪声协方差矩阵未知的情况,结合修正后的新息向量和UPF计算出未知量测噪声协方差矩阵,并进行状态估计。基于IEEE33与IEEE118节点标准配电系统的算例结果表明,所提出的方法在估计精度、泛化能力和鲁棒性等方面具有优越性。 展开更多
关键词 主动配电网 预测辅助状态估计 Att-LSTNet 无迹粒子滤波 SVR
下载PDF
基于平方根UPF的电力系统鲁棒预测状态估计
2
作者 王要强 赵楷 +2 位作者 王义 王克文 梁军 《郑州大学学报(工学版)》 CAS 北大核心 2024年第3期119-126,142,共9页
针对辅助预测状态估计器在迭代计算中会出现状态预测误差协方差矩阵不正定,导致估计精度差甚至发散的问题,提出了基于平方根UPF的电力系统鲁棒辅助预测状态估计。该方法采用两种数学方法:矩阵Cholesky分解因子更新和矩阵QR分解,引入平... 针对辅助预测状态估计器在迭代计算中会出现状态预测误差协方差矩阵不正定,导致估计精度差甚至发散的问题,提出了基于平方根UPF的电力系统鲁棒辅助预测状态估计。该方法采用两种数学方法:矩阵Cholesky分解因子更新和矩阵QR分解,引入平方根技术动态更新状态预测误差协方差矩阵以保持状态预测误差协方差矩阵的正定性。运用MATLAB进行仿真模拟测试,结果表明:IEEE 30节点系统非高斯噪声测试中,平方根UPF电压相角的均方根误差平均值为UPF相应测试值的0.09%,平方根UPF电压幅值的均方根误差平均值为UPF相应测试值的0.14%;IEEE 57节点系统非高斯噪声测试中,平方根UPF电压相角的均方根误差平均值为UPF相应测试值的0.67%,平方根UPF电压幅值的均方根误差平均值为UPF相应测试值的0.57%。所提出的平方根UPF对解决辅助预测状态估计中状态预测误差协方差矩阵不正定的问题具有很好的效果,具有更高估计精度和鲁棒性。 展开更多
关键词 电力系统 无迹粒子滤波 鲁棒辅助预测状态估计 不正定性 平方根UPF
下载PDF
基于支持向量机的电力系统状态估计多类型数据异常检测
3
作者 郭嘉辉 侯月婷 +1 位作者 丁磊 金朝阳 《国外电子测量技术》 2024年第4期152-161,共10页
为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM)的电力系统预测辅助状态估计(FASE)多类型数据异常检测方法。首先,针对传统FASE的预测准确率欠佳的问题,提出了基于极限学习机的FASE方法,并利用SVM... 为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM)的电力系统预测辅助状态估计(FASE)多类型数据异常检测方法。首先,针对传统FASE的预测准确率欠佳的问题,提出了基于极限学习机的FASE方法,并利用SVM并基于预测数据、量测数据与估计值,实现了对坏数据、负荷突变和单相接地等多种类型的数据异常检测。其次,针对惩罚因子和核函数参数会影响分类精度的问题,提出采用灰狼算法对SVM参数进行优化,在兼顾计算速度的同时提高了数据异常检测的准确率。最后,在IEEE 33和丹麦DTU 7K 47节点主动配电网系统上进行仿真测试,所提方法在正常工况下提升26.08%与26.76%,计算速度提升46.05%,在数据异常情况下准确率综合提升32.04%与29.27%,结果表明,所提方法具备较强的通用性与实时性,可以有效地检测电力系统中各种类型的数据异常,并提高状态估计的性能。 展开更多
关键词 预测辅助状态估计 异常检测 极限学习机 支持向量机 灰狼算法
下载PDF
一种鲁棒预测辅助电力系统状态估计算法 被引量:5
4
作者 卢伟 林建泉 刘柏林 《现代电力》 北大核心 2017年第4期33-39,共7页
状态实时监测与控制对于电网安全经济运行具有重要意义。提出一种鲁棒预测辅助电力系统状态估计算法,即广义最大似然-扩展卡尔曼滤波法(GM-EKF)。该算法以预测辅助状态估计为基础,由线性回归模型构建、异常值辨识、鲁棒预白化和鲁棒滤... 状态实时监测与控制对于电网安全经济运行具有重要意义。提出一种鲁棒预测辅助电力系统状态估计算法,即广义最大似然-扩展卡尔曼滤波法(GM-EKF)。该算法以预测辅助状态估计为基础,由线性回归模型构建、异常值辨识、鲁棒预白化和鲁棒滤波等过程构成。在高斯噪声分布时,GM-EKF可以有效降低异常值对估计性能的不良影响。仿真实验在多种不同测试系统中进行,且每个测试都包括正常运行、多不良数据和负荷突变3种情况,实验结果验证了GM-EKF的可行性和鲁棒性。 展开更多
关键词 预测辅助状态估计 异常值 GM估计 鲁棒
下载PDF
联合长短期记忆神经网络和粒子滤波的配电网预测辅助鲁棒状态估计方法 被引量:16
5
作者 夏添梁 张玉敏 +3 位作者 杨明 吉兴全 尹孜阳 张旋 《高电压技术》 EI CAS CSCD 北大核心 2022年第4期1343-1355,共13页
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
关键词 数据驱动 粒子滤波 孤立森林算法 预测辅助状态估计 长短期记忆神经网络
下载PDF
基于深度学习与内核岭回归的电力系统鲁棒状态估计 被引量:12
6
作者 王泽 张玉敏 +3 位作者 吉兴全 徐波 杨明 韩学山 《高电压技术》 EI CAS CSCD 北大核心 2022年第4期1332-1342,共11页
针对电力系统状态估计中量测数据存在非高斯噪声、估计结果精度有限和时效性不高的问题,该文提出了一种结合深度学习框架与内核岭回归的电力系统预测辅助鲁棒状态估计方法。首先,根据电力系统的历史运行数据,将基于注意力机制的卷积神... 针对电力系统状态估计中量测数据存在非高斯噪声、估计结果精度有限和时效性不高的问题,该文提出了一种结合深度学习框架与内核岭回归的电力系统预测辅助鲁棒状态估计方法。首先,根据电力系统的历史运行数据,将基于注意力机制的卷积神经网络与长短期记忆神经网络相结合构建预测模型。其次,通过支持向量机来检测异常与缺失数据,实现数据分类,并基于改进的预测模型,在量测异常情况下输出状态量;再次,使用内核岭回归模型建立量测量与状态量的非线性映射函数,对含有非高斯噪声的量测量进行滤波;最后,在IEEE 118节点和IEEE 300节点测试系统上进行数值仿真,结果表明本文所提方法具有较高的精确性和鲁棒性。 展开更多
关键词 注意力机制 辅助预测鲁棒状态估计 内核岭回归 卷积神经网络 长短期记忆神经网络
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部