【分布鲁棒、状态估计】分布式鲁棒优化电力系统状态估计研究[几种算法进行比较](Matlab代码实现)

简介: 【分布鲁棒、状态估计】分布式鲁棒优化电力系统状态估计研究[几种算法进行比较](Matlab代码实现)

💥1 概述

文献来源:

摘要:

能源市场的自由化、可再生能源的渗透、先进的计量能力以及对情境感知的需求,都要求进行系统范围的电力系统状态估计(PSSE)。然而,由于互联的复杂性、实时监测中的通信瓶颈、区域披露政策和可靠性问题,实施集中式估计器实际上是不可行的。在这种背景下,分布式PSSE方法在一个统一且系统的框架下进行了研究。基于交替方向乘子法的新型算法被开发出来。它利用现有的PSSE求解器,尊重隐私政策,具有较低的通信负载,并且即使在缺乏局部可观察性的情况下,其收敛到集中式估计的特性也能得到保证。除了传统的最小二乘PSSE,这个分散式框架还容纳了一个强健的状态估计器。通过利用与压缩采样进展的有趣联系,后者联合估计状态并识别损坏的测量结果。这些新颖的算法在IEEE 14、118节点和4200节点的基准测试中进行了数值评估。模拟结果表明,通过几个区域间的交流,可以达到可接受的准确性,而且能够超越最大残差测试。


原文摘要:


Abstract:


Deregulation of energy markets, penetration of renewables, advanced metering capabilities, and the urge for situational awareness, all call for system-wide power system state estimation (PSSE). Implementing a centralized estimator though is practically infeasible due to the complexity scale of an interconnection, the communication bottleneck in real-time monitoring, regional disclosure policies, and reliability issues. In this context, distributed PSSE methods are treated here under a unified and systematic framework. A novel algorithm is developed based on the alternating direction method of multipliers. It leverages existing PSSE solvers, respects privacy policies, exhibits low communication load, and its convergence to the centralized estimates is guaranteed even in the absence of local observability. Beyond the conventional least-squares based PSSE, the decentralized framework accommodates a robust state estimator. By exploiting interesting links to the compressive sampling advances, the latter jointly estimates the state and identifies corrupted measurements. The novel algorithms are numerically evaluated using the IEEE 14-, 118-bus, and a 4200-bus benchmarks. Simulations demonstrate that the attainable accuracy can be reached within a few inter-area exchanges, while largest residual tests are outperformed.


电网监控基础设施现代化有两个关键问题:首先,PSSE应在互连级别执行。然而,互连可能包括数千条总线,而每个状态通常需要 2-3 次测量。还需要实时处理以及对损坏数据的弹性,这使得集中状态估计在计算上变得强大。此外,集中式方法容易受到攻击,并且在涉及政策和隐私问题时不灵活。其次,电网的分散信息处理可以在多个层次结构中执行[11]:PMU测量可以通过相量数据集中器(PDC)处理[26];传统的监控和数据采集(SCADA)测量以及PDC融合数据可以通过ISO进行汇总;最后,来自ISO的估计可以在互连级别合并。这些考虑证实了分布式PSSE和不良数据分析对于实现智能电网愿景至关重要。


第二节回顾了用于PSSE和不良数据分析的现有分布式方法。PSSE问题,其独特的要求和挑战在第三节中重点介绍。在第四节中,开发了一种新的分布式PSSE方法。基于乘法器的交替方向方法[2],实现了本地控制中心之间的系统合作,具有独特的功能:它促进了几种实用的PSSE公式;它降低了区域间信息交换的开销;无论局部可观测性或参数调整如何,都可以保证其收敛性;并且生成的算法可以由本地控制中心已经在使用的求解器执行。在此框架的基础上,第五节推导出了一个强大的去中心化估算器。与传统的两步不良数据分析不同,新方法以分散的方式实现Huber的M估计器[1],而PSSE与不良数据删除一起完成。利用引入的不良数据向量的稀疏性,新算法通过几次迭代增加了标准PSSE求解器。第六节对新颖的鲁棒去中心化算法进行了数值评估,第七节对本文进行了总结。


📚2 运行结果

2.1 算例1

导出结果图:

然后剩下的算例直接导出结果图,更清晰一点。

2.2 算例2

2.3 算例3

2.4 算例4

2.5 算例5

2.6 算例6


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


V. Kekatos and G. B. Giannakis, "Distributed Robust Power System State Estimation," in IEEE Transactions on Power Systems, vol. 28, no. 2, pp. 1617-1626, May 2013, doi: 10.1109/TPWRS.2012.2219629.


🌈4 Matlab代码、数据、文章

相关文章
|
1天前
|
人工智能 算法 数据可视化
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-2
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-2
18 0
|
1天前
|
存储 人工智能 算法
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-1
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-1
16 0
|
1天前
|
机器学习/深度学习 存储 监控
yolov5单目测距+速度测量+目标跟踪(算法介绍和代码)
yolov5单目测距+速度测量+目标跟踪(算法介绍和代码)
25 1
|
1天前
|
机器学习/深度学习 监控 算法
yolov8+多算法多目标追踪+实例分割+目标检测+姿态估计(代码+教程)
yolov8+多算法多目标追踪+实例分割+目标检测+姿态估计(代码+教程)
19 1
|
1天前
|
机器学习/深度学习 算法 测试技术
低照度增强算法(图像增强+目标检测+代码)
低照度增强算法(图像增强+目标检测+代码)
16 1
|
1天前
|
机器学习/深度学习 算法 计算机视觉
霍夫变换车道线识别-车牌字符识别代码(matlab仿真与图像处理系列第5期)
霍夫变换车道线识别-车牌字符识别代码(matlab仿真与图像处理系列第5期)
13 2
|
10天前
|
算法
MATLAB | 插值算法 | 一维interpl插值法 | 附数据和出图代码 | 直接上手
MATLAB | 插值算法 | 一维interpl插值法 | 附数据和出图代码 | 直接上手
20 0
|
10天前
|
算法
MATLAB | 插值算法 | 二维interp2插值法 | 附数据和出图代码 | 直接上手
MATLAB | 插值算法 | 二维interp2插值法 | 附数据和出图代码 | 直接上手
15 0
|
10天前
|
算法
MATLAB | 插值算法 | 二维griddata插值法 | 附数据和出图代码 | 直接上手
MATLAB | 插值算法 | 二维griddata插值法 | 附数据和出图代码 | 直接上手
21 0
|
2天前
|
机器学习/深度学习 算法
m基于深度学习的QPSK调制解调系统相位检测和补偿算法matlab仿真
m基于深度学习的QPSK调制解调系统相位检测和补偿算法matlab仿真
16 2

相关产品

  • 云迁移中心