基于SDAE-ELM伪量测建模的高容错快速状态估计方法

摘要：

目前在电力系统中无法保证相量量测单元完全覆盖的情况下,状态估计需要采用相量量测单元(phasor measurement unit,PMU)与数据采集与监控(supervisory control and data acquisition,SCADA)混合量测进行传统非线性状态估计,但是SCADA数据精度低,含有较多不良数据,同时混合数据需要迭代求解,会导致计算效率低且存在截断误差.针对该问题,文章提出了一种基于堆叠去噪自编码器(stack denoising autoencoder,SDAE)与极限学习机(extreme learning machine,ELM)伪量测建模的电力系统高容错快速状态估计方法.其将含有不良量测的SCADA量测数据作为SDAE-ELM伪量测模型的输入,节点电压实部与虚部作为输出,根据历史数据进行训练得到伪量测值与伪量测误差模型,训练完成后得到精度较高的伪量测;将伪量测与PMU量测一起进行快速的线性状态估计.仿真结果表明,所提方法在保证估计精度的基础上,提高了计算效率,验证了所提方法的有效性.

关键词：高容错、快速、状态估计、堆叠去噪自编码器、极限学习机

所属期刊栏目：40

分类号：TM73(输配电工程、电力网及电力系统)

资助基金：2018电网安全与节能国家重点实验室开放基金FX83-18-002

在线出版日期：2019-12-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：65-72