从变压器负载估计复杂的电网测量和预测的负载

文摘

提出了一种负载评估方法适用于复杂的电网(即大量网状二级网络)基于可用的网络变压器测量。该方法包括三个步骤:网络减少、负荷预测、状态估计。终端的网络数学首先减少到加载和测量分。提出了一种基于温度的负荷预测方法来解决网络再者。室外温度和功耗之间的关系进行了研究。power-temperature曲线,获得一个非线性函数,预测负荷随着温度变化。一个有效温度反映复杂天气条件(太阳辐射、湿度、雨等)介绍正确考虑影响冷却和加热设备的功耗。采用状态估计计算负载使用网络变压器测量和预测的负载。实验进行一个真正的二级网络与1040年在纽约公交车验证该方法的有效性。

1。介绍

电网是一种世界上最复杂的人工网络。负载评估一直是一个重要的问题在电力系统能源管理和操作。不同于离线研究负荷预测的目标与主要历史数据、负荷估算通常旨在获取实时负荷数据通过使用两种测量方法:实时测量和负载pseudomeasurements造成每月计费数据,每月的高峰负荷数据,变形金刚峰值负载分析,现有多元化负荷曲线(1,2]。在电力系统中,负载的可观察到的网络可以使用状态估计估计(SE)方法,广泛利用自1968年传输系统概论(3- - - - - -8]。SE的基本思想是通过冗余测量可用来计算未知(9,10]。这些测量电压、相位、功率注入,功率流,或当前变电站,发电机或变压器(11,12]。然而,所需的测量通常并不足以满足网络可观测性。

网络再者可以通过添加更多的测量或pseudomeasurements解决。额外的测量可以获得通过安装更多的监控(或米)在电子网络。安装更多的设备,将会获得更好的估计精度值。监控和数据采集(SCADA)系统(9- - - - - -15]或相量测量单元(pmu) [14- - - - - -18)通常安装提供足够的测量。然而,设备安装是不可能由于各种原因,特别是高成本。在这种情况下,pseudomeasurements,可以预测价值来源于历史数据或估计价值来源于一个数学模型,用于使网络可观测。各种技术被用来预测负荷,如支持向量回归机(19,20.),人工神经网络(21,22),杂交自组织映射和支持向量机(23,24),模糊逻辑决策方法(25),线性回归(26),而k——(27]。这些方法使用历史负荷数据和其他相关信息,例如,天气条件,训练预报员19- - - - - -23)或建立一个线性回归模型(26]。此外,基于模型的方法在28),为每个建筑结构荷载模型,用于估计负载。这方法可能会给一个很好的估计如果所有建筑类型是彻底的研究,但这是一个非常艰巨的任务一个网状的二级网络。

安装智能电表也可以帮助提供更多的信息29日,30.),及其有效性进行了测试在小网络,如网络与8负载(31日),110的房子32[],400米33]。然而,它还没有()可以安装智能电表在每个客户的连接点。

到目前为止,上述解决方案不能直接用于估计负载在大量网状二次网络(HMSN)由于以下几点:(1)HMSN是一个非常典型的复杂电力网络和一个低压网络负载是由网络辅助变压器连接。只有在变电站和网络变压器我们可以获得可用的实时测量,获得了在变电站SCADA和远程监控系统(RMS)的二级网络变压器。(2)可用的测量在分布系统并不总是足够的估计负载。这种情况是最不利时试图估计HMSN的负载,负载的测量通常并不可用。这意味着没有历史负荷测量pseudomeasurements启动状态估计过程。因此,负载估计的HMSN是一项极具挑战性的任务。这个问题促使本研究。(3)设备放置被广泛使用在高、中压水平(34- - - - - -36]。米的安装在低压级仍然是非常有限的由于高成本(31日,37]。此外,智能电表的费用也让他们在低压配电网络的普遍化。(4)计放置和负荷预测有助于估计负载分配系统。但他们主要集中在径向或弱网状系统(2,29日,30.,38- - - - - -42)由于高成本或缺乏历史数据。

不可观察的HMSN估计负载,提出了一种基于可用的网络变压器的负荷估计方法测量。主要贡献如下:(1)这是第一个试图找到一种方法来估计的一个典型的复杂电力网络(即一个HMSN)基于有限数量的变压器测量和预测负载,而不是历史负荷测量。拟议的方法包括三个步骤:减少网络负荷预测,和状态估计,是受我们的观察和分析之间的强关系的现有温度、负载消耗,和变压器测量长期调查。这种方法的优点是避免电力需求及其影响因素之间的复杂关系分析,如天气条件、建筑保温和冷却/加热系统。(2)power-temperature曲线来源于标准介绍了负荷形状预测负荷。预测的准确性是增强通过引入有效温度的概念,反映了不同的天气状况。(3)的权重因子最小二乘状态估计方法,以确保每一栋建筑提供了一个等价的贡献相对和绝对而言。这可以防止的错误集中在大或小的负载。

真正的严重网状二次网络与1040年在纽约公交车用于进行实验来验证该方法的有效性。

本文的其余部分组织如下。部分2国家要解决的问题。三个主要步骤,减少网络负荷预测和状态估计,详细的部分3- - - - - -5,分别。节6,实验结果和分析。最后,结论部分7。

2。问题陈述

低压高网状二次网络(HMSNs)经常使用在人口稠密的大都市在北美来提高可靠性。这些网络的独特特征是变压器辅助都是绑在一起的大量网状低压网络负载连接的地方。HMSNs,有很多并行路径从变电站到负载提供最大的可靠性在当前使用的分销系统配置。例如,一个典型的网络的拓扑结构如图1二级网络是高度网状,和中压配电网馈线(MV)径向和每一个包含20 - 50网络变压器。更多细节,读者被称为(16]。

为了清楚地显示HMSN的结构,图2提供了一个放大版的二级网络图1。在这个图中,所有公共汽车在网络可以分为三种类型:变压器、负载和连接总线。变压器的二次侧测量(见图2)。通过RMS,公用事业公司知道变压器的功率流在15分钟的间隔。这些测量的点可以被视为摘要发电机逆功率不能以来网络保护者(16]。分布式发电机(DGs)在网络不影响这种假设自DGs不允许推回到主的权力网络的保护者。DGs被建模为负的负荷。负载(建筑)只有测量的能量平均超过30天。问题在于这种高度不可见的系统负荷的估算的8760小时。连接巴士是公共汽车,只有路径连接在一起,没有加载或测量。一个典型的网络测量的点和成千上万的未知负载。它也有大量的连接总线和多个并行两辆公共汽车之间的连接。

有几乎没有实时或历史负荷测量以确保HMSNs的可观测性。HMSN的可观测性是指测量结果的数量小于所需的测量状态估计的数量。在这篇文章中,如图2,只有二次变压器实时测量。所有的加载和连接公共汽车没有实时测量。所以,HMSN是难以察觉的。一种方法来估计未知负载没有安装额外的米是使用信息,这可能是(1)实时测量电压、电流、功率等,从远程监控系统(RMS)的二级网络变压器每15分钟(2)每月的消费账单,测量能量平均超过一个月(3)典型负荷形状为每个建筑类型,这是几年前从测量获得的有代表性的建筑物

估计负载在这样一个难以察觉的二级网络,提出了一种基于辅助变压器的负荷估计方法测量没有安装额外的米在加载。的方法是由三个主要步骤:网络减少、负荷预测、状态估计。该方法的一个示意图如图3。首先,二级网络数学减少加载/计量点终端使它适合状态估计。随后,我们介绍一个方法来预测负荷使用可用的测量,标准负荷形状,和温度。最后,预测负荷视为pseudomeasurements和辅助变压器测量用于估计负载使用状态估计算法。

3所示。减少网络

一个真正的二级网络要复杂的多比图所示2。作为多个并行两辆公共汽车之间的输电线路是用来保证网络可靠性,许多公共汽车用于连接。有许多连接公共汽车没有测量在一个真正的二级网络。例如,有505公交车在1040总线网络连接。他们的存在大大增加负载估计的计算负担,还会导致估计失败由于大量未知的公交车。此外,许多地方网络在二级网络可以被认为是已知的负载,因为他们直接从3或4个变压器。因此,有必要减少网络负荷预测。减少网络的步骤如下:(1)合并两辆公共汽车之间的平行输电线路(2)消除连接公共汽车没有测量或负载使用Kron减少[43](3)删除网络从网络

第一和第二步骤完成数学准确。因此,网络减少不会改变状态(电压大小和角度)的公共汽车。第三步,发现网络消除,消除独立完成网络没有影响主网格。所以,不改变网络减少预测的准确性。

4所示。负荷预测

本节讨论如何预测加载在一个HMSN pseudomeasurements从可用信息。认为HMSN,可用的信息只包括变压器测量,每月客户账单,和典型负荷形状每隔15分钟,超过一年。因此,该方法适用于短期,中期,长期负荷预测。因此,负荷预测的非常有限的信息是一项具有挑战性的问题44- - - - - -46]。

为了解决这个问题,我们看看变压器测量和天气之间的关系,从一个power-temperature曲线可以预测负载,获得与负载的每月账单和典型负载的形状。像往常一样,室外温度是影响能耗的主要因素;同时,建筑类型和其他天气条件,如太阳辐射也会影响电力消费在某种程度上。反映电力消耗的实际情况,改善室外温度,称为有效温度,介绍了预测未知负载。

在本节中,我们首先介绍部分的预测方法4.1然后描述负荷预测算法部分4.2。

4.1。预测方法

要得到理想的预测结果,首先变压器的实际数据和温度进行了分析,然后功率和温度之间的数学关系称为power-temperature曲线(PTC)。使用派生的PTC和室外温度,可以预测变压器的负荷形状。然后,介绍了一个叫做有效温度天气影响因素来取代室外温度获得负荷形状相匹配与真正的变压器测量。这次调查表明预测方法的可行性和有效性。方法用于预测未知的加载下一节。

提出了预测方法的主要思想可以使用以下主要步骤描述:(1)实际数据的收集和分析变压器和室外的温度下HMSN研究(2)权力和室外温度之间的相关性分析(3)power-temperature曲线的推导(4)power-temperature曲线的验证和分析(5)整改的室外温度

详细的步骤一个接一个。

以下4.4.1。实际数据的收集和分析

变压器负载数据收集从一个真正的二级网络(16]。采样时间间隔是一小时。获得温度数据从一个天气预报网站47]。例如,我们收集和分析数据的网络变压器HMSN在2010年。图4显示了年度负荷形状和室外温度。

4.1.2。权力和室外温度之间的相关性分析

分析能力和温度之间的关系,负荷形状数据分为4种不同的类型:一天工作日,周六,周日,和国家公共假期。功耗之间的关系、温度、时间和一天的工作日如图5,一个非常明确的相关性可以观察到温度和力量。有一个山谷大约50°F (10°C),功率随着温度变化的增加或减少。这种现象也可以观察到大约在图4。电力的峰值出现在7月份的最热的一天,当空调开足马力进行生产。山谷出现在春季和秋季,当冷却和加热系统不使用。一个可以观察到从图5的力量和温度变化之间的相关性的时间。这个结果从几个原因:(1)在住宅建筑,冷却或加热系统变化的温度设置在白天;(2)在一些商业建筑,冷却和加热系统在给定的时间开启/关闭,导致快速力量增加营业时间的开头;(3)天气状况如强烈的太阳辐射或高湿度也是重要的因素,导致空调更加努力地工作在夏日午后。

根据能耗之间的关系,分析温度和时间,权力的行为与温度2点到11点是绘制在图6,分别。

4.1.3。Power-Temperature曲线的推导

它是观察从图6除了假期数据,有一个抛物线曲线分布,这可以很容易地用一个三阶多项式函数近似。这叫做power-temperature曲线(PTC)摘要和用实线,如图所示6。值得指出的是,这里的三阶多项式函数是一个适当的曲线拟技术性能和复杂性的交易从几个流行的方法,如神经网络,支持向量机,混合方法。

使power-temperature曲线易于使用,它需要规范化。根据我们的调查,这是一个不错的选择考虑的力量几乎最低温度50°F (10°C)来执行标准化,因为这个时候遭受更少的影响从冷却或加热系统。标准化的制定 在哪里P_笔名归一化功率,T是温度,t一天的时间,T_基地是底部温度,设置为50°F。

像往常一样,规范化power-temperature曲线略随网络(建筑),一天的时间,和天类型,但每个人都可以用一个三阶多项式函数近似。这也可以观察到在图7,四个网络的规范化power-temperature曲线所示。一旦获得power-temperature曲线,它可以用来预测负荷形状使用标准的日负荷形状和室外温度。

4.1.4。Power-Temperature曲线的验证和分析

测试的有效性得到power-temperature曲线,每年负荷形状是基于标准的日负荷预测的形状和温度记录在2010年。在这里,我们选择三天,3月27日,3月22日,3月28日,当温度大约50°F,作为标准天为工作日负荷形状,星期六和星期天。图8显示了比较原始和预测负荷形状。预测负荷形状非常接近原来的一个山谷,这验证的有效性power-temperature曲线。但是我们还要注意,原始之间的差异和计算负载形状略大的高峰时间,当天气状况更为复杂。这个偏差可以进一步修正,引入一个有效的温度,不仅可以反映天气条件,室外温度。

4.1.5。整改的室外温度

根据TPC的测试和分析,在高峰时间有点偏见,由于复杂的天气条件。在这个研究中,天气条件的概念与一般意义和代表集中建筑类型等多种因素的影响,建筑保温温度、太阳辐射、雨,湿度和风速。这些因素并不是由消费者自己决定,主要与天气有关。我们的名字他们天气影响因素。天气影响因素之间的关系非常复杂,因此很难得出一个明确的数学公式进行负荷预测。一些调查天气条件和负载之间的关系是(26,33基于历史数据的负载。值得注意的是,负荷的历史数据不可用在这个研究。

减少偏见,这个概念被称为有效温度反映各种天气条件介绍纠正室外温度。有效温度可以代表户外天气条件的影响加热/冷却系统的工作循环。众所周知,室内舒适条件取决于室外温度、湿度、压力、风速、日照强度、建筑保温、等等。试图使用的有效温度是由代表多少加热/冷却系统的力量会受到各种天气条件的影响。

接下来,真正的次要由整流变压器用于获得有效温度测量室外温度。获得有效温度、power-temperature曲线是首先通过多项式回归如图6,然后实际辅助变压器测量预计power-temperature曲线。因此,可以获得相应的有效温度。例如,假设图中的实线9是低温动力曲线获得,点代表一个真正的测量与权力P_一个及其相应的室外温度T_一个。点的投影点B power-temperature曲线。所以,T_B是有效的温度点。

显示有效温度的合理性,人物10比较了引入有效温度与室外温度在不同天气条件下。当很明显,有效温度接近室外温度。但当下雨,等天气条件急剧变化的室外温度将下降迅速。与室外温度,有效温度下降更顺利,保持在平均温度,更接近实际情况。图11基于有效温度显示了预测负荷形状。比较它与户外温度图8,我们可以发现有效温度生产负荷形状更接近真正的负荷状况比室外温度。

有效温度可能受随机载荷的变化或回归错误的影响。幸运的是,有许多来源获得有效温度在一个二级网络,例如,有142次级变压器HMSN考虑。这些有效温度的平均值可以很大程度上减少这种不确定性。

4.2。负荷预测算法

节4.1,该预测方法验证了变压器的实际数据。不同于变压器HMSN,负载测量不是我们可以获得各种建筑类型的典型负荷形状和月客户账单。典型负荷形状包括几天负荷形状,分别对应于不同的温度区间。这些典型负荷形状pseudomeasurements太粗糙,但他们可以用来推导PTC(列车自动控制系统),可以结合有效温度预测的负载。另一方面,当地天气状况也有类似的影响在二级变压器测量负载,因为变形金刚和建筑在一个HMSN都坐落在一个相对较小的地理区域。因此,变压器的有效温度来源于TPC也可以用来构造负荷形状的建筑物。负荷预测的步骤如下:(1)获得典型负荷形状对建筑类型和每月的账单(2)推导出动力温度曲线用节中描述的方法4.1(3)结合有效温度的PTC发现变压器的部分4.1获得归一化负荷形状(4)尺度归一化负荷形状使用每月的账单(5)计算负荷的比例加载的形状

值得指出的是,空间电力负荷预测通过考虑天气影响了电力输送系统规划(46]。在这本书中,第五章分析了电力需求的天气对电力负荷的影响,能源使用和发展方程画高峰电力传输和分配需求规划基于统计分析。第六章进一步讨论了极端天气导致用电高峰,而在这篇文章中,有两个重要的点,不同于(46):(1)二级分销网络是一个不可见的网络由于缺乏实时加载测量;(2)尽管天气历史数据可以获得一些公共网站,没有历史负荷测量除了每月的账单。二级网络认为本文总是位于“分区”,是受到“小气候的影响。”“有效温度”首先是来自二次变形金刚,然后用于负荷预测。负荷预测后,状态估计是用来获得一个更精确的估计的负载。

5。状态估计

节4,介绍了预测方法来预测负荷pseudomeasurements。与变压器测量,pseudomeasurements是近似的实际测量值,可以有效地解决HMSN如图的未被注意的问题2。如果仔细点的电压大小和角度调整以满足功率流方程,pseudomeasurements之间的偏差和实际测量可能会逐步减少。因此,在本节中,状态估计技术是用于计算负载通过调整适当的电压大小和角点的迭代。

状态估计的基本思想是使用计测量,这可能不准确或错误,估计状态向量(电压大小和角度)48- - - - - -51]。这可以制定以下最小化问题: 在哪里z_我是我^th测量,h_我相应的估计价值,米是测量的总数,x状态向量,由电压大小和角度。在一个网络N公共汽车、 。θ₁= 0选择任意参考角。

测量精度不同,每一个通常是分配一个权重因子。更精确的测量,更大的重量分配。这就是所谓的加权最小二乘(WLS)状态估计52,53),制定如下: 在哪里J(x)是目标函数和W是权重因子矩阵。这个方程是解决使用高斯牛顿迭代法。状态向量x在每个迭代中使用更新吗 在哪里H的雅可比矩阵h(x)。迭代持续到J(x)小于预设收敛性判据。详细的过程中可以找到(19]。

一旦获得状态向量,每个总线电压大小和角度,可以计算使用的负载功率流方程。开始状态估计过程的初始值x是设置为(开始): ,θ_我= 0。的结果x从上一次获得作为下次的初始值。这种技术可以大大减少计算时间。

权重矩阵W在(4)是一个对角矩阵,定义为W=诊断接头( , ,…,),相对应的权重因子吗我^th测量,将=在[19),σ的标准偏差我^th测量。

假设测量高斯分布。因此,三个标准差(±3σ关于中值占曲线下的面积的99%以上。因此,标准差(对于一个给定的误差计算54,55]: 在哪里μ_我的意思是我^th测量和%错误对应的最大误差。

像往常一样,从二次变形金刚非常准确和实时测量应该指派一个很大的权重因子,即一个标准差σ从建筑测量,而pseudomeasurements预测价值,这可能并不准确,应该分配一个权重因子。因此,设置(5)不适合这种测量。这是因为建筑二级网络总是有不同的电力需求,例如,有些需求很大,几百千瓦,而其他人则非常小,只有几千瓦。如果我们使用(5),所有建筑都得到相同的相对估计误差,但绝对不同估计错误。例如,如果相对估计误差为10%,绝对的估计错误将成为建筑与权力1 0.1和10千瓦,100千瓦,分别。减少绝对建筑与大型电力需求的估计误差,我们建议修改后的权重因子平衡绝对评估和相对误差。被定义为

之间的区别在(6),σ在(5)可以观察到在图12。很明显,增加慢于σ作为测量平均值的增加通过添加一个平方根操作。

状态估计的算法伪代码如图13,在那里z_我代表辅助变压器公交车实时测量(P,问,V)和pseudomeasurements加载公共汽车(P,问);的权重因子对应于每个测量Z_我;静态的向量 。

从图13,这种算法的计算复杂度进行了分析。WHILE循环前的步骤的时间复杂度Ο(N)。步骤(vi)和(七)时间复杂度Ο(N²)。因此,状态估计算法的时间复杂度Ο(N²)。

值得指出的是,该模型的拓扑结构被认为是准确的在这个研究。如果有缺失或错误数据的巴士,估计精度会下降。事实上,这个系统是一个不可见的网络。如果干扰来自实时测量变压器,一个相对较大的影响可能发生,由于更大的权重。另一方面,如果负载的干扰来自pseudomeasurements预测根据长期的观察,该模型对干扰不敏感,由于较小的权重。

6。实验

在本节中,一个真正的高度网状二级网络在纽约是用来测试该方法的有效性。减少网络第一次提供的结果显示其可行性。然后,给出估计错误的比较来验证修改后的加权矩阵的有效性。最后,评估结果显示。

6.1。减少网络的结果

为了说明减少网络的可行性,在纽约市的一个相对较小的网络提出了(16)作为例子进行实验。311年的原始网络由负载巴士,244变形金刚,公交车505连接,和3354年的电报部分,列在表中1。一节中描述的方法4用于减少网络。减少数量的负载巴士,变压器,连接公共汽车,和电缆部分也列在表中1。减少网络比原来简单多了。

6.2。修改后的权重因子的结果

在这一节,节中描述的仿真数据6.3用于进行实验显示修改后的权重因子的合理性在(6)。的权重因子σ在(5权重因子)和常数(变压器测量较大值和较小值pseudomeasurements)也认为做个比较。三个加权因素的结果如图所示14。

从图可以看出14修改后的权重因子在(6比权重因子)较小的绝对错误σ在(5)如图(14日)和相对误差小于因素如图14 (b)。这些结果表明,修改后的权重因子有更好的权衡相对和绝对的错误比其他两个加权因素。

6.3。估算的结果

完成负载估计为一个高度网状二次网络只有变形金刚的测量、每月的账单和典型负荷形状可用,我们遵循三个步骤见图3:网络减少、负荷预测和状态估计,获得实验结果。

我们首先获得网络减少了部分中描述的步骤3。随后,我们使用可用的标准负载形状来获得测试数据。详细的过程描述如下。

所有建筑物由客户类分类。有七个典型建筑类型:住宅、宗教、小将军,一般大,公共建筑,公共和私人,电热学校。对于每个建筑类型,我们有一个标准日负荷形状为每个季节。创造现实条件,每个建筑都应该有自己的负载状态。有三个步骤,缩放、移动和平滑,修改标准负荷形状,让它为每个建筑截然不同。扩展使用一个随机值从80%降至120%。转移是将曲线一小时之前或之后概率20%。随着时间的推移,应用平滑,防止不合理变化。新值应该在初始值不大于或小于20%。修改流程如图15。值得指出的是,第二步是只适用于住宅和小型通用服务在我们的模拟自学校和公共建筑等建筑总是有固定的开放时间,不把随机载荷。

修改后的负载结合power-temperature曲线形状,这是来自标准负荷形状,创建每年为每个建筑负荷形状。power-temperature曲线也是随机修改使数据更真实,如图16。修改曲线的最大偏差小于5%的原始曲线。每年获得建筑负荷形状是作为建筑的实时测量和发送功率流仿真工具,OpenDSS在这种情况下。通过解决功率流问题,测量每个建筑的二次变形金刚和每月的账单可以计算。这些测量是我们能实现从网络和用于状态估计。

生产测试数据组成的标准负载形状,辅助变压器测量,用于状态估计和月度账单。绝对和相对估计误差(绝对值)估计真实的负载和负载之间的公共汽车在高峰时间(2010年)7月6日下午2点,在图所示17。真正的价值参考上述模拟电力需求。这些错误属于可接受的范围,大多数负载都小相对和绝对错误。更大的绝对估计错误发生在最大的负载,但它们的相对估计误差很小。同样,小负载有小绝对比其他人估计错误,即使他们的相对估计误差有点大。图18显示了比较原始的形状(即真实价值)和估计的负荷形状为一个星期负荷与最大的估计误差。大多数公交车都不到的绝对估计错误5 MVA谷一天,不到10 MVA高峰日峰值需求时近300 MVA。

7所示。结论

本文提出了一个方法来估计难以察觉的高度网状二次网络基于变压器测量,可用标准负荷形状,和每月的账单。实验结果的一个真正的网络在纽约展示该方法的可行性和有效性在识别数以百计的负载。这项工作表明,极具挑战性的任务,负载估计高度网状的二级网络,可以成功地解决了通过引入方法包括三个步骤:网络减少、负荷预测、状态估计。我们还介绍了一种有效的温度反映了室外温度和各种天气条件下纠正重因素来平衡状态估计的绝对和相对误差。

该方法适用于评估复杂的电力负荷在大都市地区,那里的网络拓扑结构是已知的和辅助变压器安装测量。

未来的工作将集中在状态估计的改进方法中使用的负载估计,计算复杂度和估计的鲁棒性等对测量的数量,数量的州,残差的坏数据检测、测量误差、参数错误,和拓扑错误。甚至预测方法或优化技术基于膜计算可能被认为是56- - - - - -60]。

数据可用性

本文使用的数据来自一个特定的复杂电力网络。在回应读者的需求,作者将考虑共享它们。

信息披露

Haina荣是一个访问学者在纽约大学电子与计算机工程系,布鲁克林,纽约,11201年,美国。(电子邮件:ronghaina@126.com)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金(61702428,61702428,61972324),人工智能技术四川省重点实验室(2019 ryj06),四川科技项目(2018 gz0086和2018 gz0185),和新一代人工智能科学与技术(2018 gzdzx0043)四川省的主要项目。

引用

1. 美国辛格、诉Zamani和m . Baran”在线负载评估配电自动化使用AMI数据,”《2016年IEEE电力和能源学会学报大会(PESGM)美国,页1 - 5,波士顿,MA, 2016年7月。视图:出版商的网站|谷歌学术搜索
2. j .广域网和k . n .富贵墟”负荷加权最小二乘方法估计在分销网络,”IEEE电力系统,18卷,不。4、1338 - 1345年,2003页。视图:出版商的网站|谷歌学术搜索
3. f . c . Schweppe“电力系统静态状态估计,”科技。代表,页1 - 70,麻省理工学院,剑桥,妈,美国,1968年,在电力系统工程集团报告。视图:谷歌学术搜索
4. f . Schweppe j·王尔德,“电力系统静态估计,第一部分:精确模型,”IEEE电力设备和系统,不是- 89卷,不。1,第125 - 120页,1970。视图:出版商的网站|谷歌学术搜索
5. f . Schweppe d·罗,“电力系统静态状态估计,第二部分:近似模型,”IEEE电力设备和系统,不是- 89卷,不。1,第130 - 125页,1970。视图:出版商的网站|谷歌学术搜索
6. f . Schweppe“电力系统静态估计,第三部分:实现,”IEEE电力设备和系统,不是- 89卷,不。1,第135 - 130页,1970。视图:出版商的网站|谷歌学术搜索
7. d . Shirmohammadi b . Wollenberg a Vojdani et al .,“传输调度和拥塞管理在新兴能源市场结构,”IEEE电力系统,13卷,不。4、1466 - 1474年,1998页。视图:出版商的网站|谷歌学术搜索
8. f . c . Schweppe和e . j . Handschin“静态状态估计在电力系统中,“IEEE学报》,卷62,不。7,972 - 982年,1974页。视图:出版商的网站|谷歌学术搜索
9. f·f·吴”,电力系统状态估计:一项调查,”国际期刊的电力和能源系统,12卷,不。2、80 - 87年,1990页。视图:出版商的网站|谷歌学术搜索
10. j .赵g . Zhang, r . a . Jabr“健壮的网络攻击的检测状态估计使用相量测量,”IEEE电力系统,32卷,不。3、2468 - 2470年,2017页。视图:出版商的网站|谷歌学术搜索
11. j .赵g . Zhang k Das et al .,“电力系统实时监控通过PMU-based鲁棒状态估计方法,”IEEE智能电网,7卷,不。1,第309 - 300页,2016。视图:出版商的网站|谷歌学术搜索
12. j .赵和g .张”,一个健壮的普龙尼对synchrophasor测量噪声和离群值的方法,”IEEE电力系统,32卷,不。3、2484 - 2486年,2017页。视图:出版商的网站|谷歌学术搜索
13. Baran和a·w·凯利”状态估计分布的实时监控系统,”IEEE电力系统,9卷,不。3、1601 - 1609年,1994页。视图:出版商的网站|谷歌学术搜索
14. s . Meliopoulos黄r . e . Polymeneas, g . Cokkinides“分布式动态状态估计:智能电网的基本构建块,”《2015年IEEE电力能源学会学报大会美国丹佛市,页1 - 6,2015年7月。视图:出版商的网站|谷歌学术搜索
15. a . Abur和a·戈麦斯Exposito电力系统状态估计:理论和实现,马塞尔·德克,纽约,纽约,美国,2004年。
16. a·a··拉扎·m·Diaz-Aguilo et al .,“综合效应的表格和DG渗透低压电压概要的二级分销网络,”IEEE电力交付没有,卷。31日。1,第293 - 286页,2016。视图:出版商的网站|谷歌学术搜索
17. 公元前a·k·辛格和朋友”,分散的电力系统动态状态估计使用无味的转换,“IEEE电力系统卷,29号2、794 - 804年,2014页。视图:出版商的网站|谷歌学术搜索
18. f . Aminifar m . Shahidehpour m . Fotuhi-Firuzabad, s . Kamalinia“电力系统动态状态估计和同步相量测量,”IEEE仪表和测量,卷63,不。2、352 - 363年,2014页。视图:出版商的网站|谷歌学术搜索
19. e . Ceperic诉Ceperic, A .气压”策略短期负荷预测的支持向量回归机,”IEEE电力系统,28卷,不。4、4356 - 4364年,2013页。视图:出版商的网站|谷歌学术搜索
20. e·e·里德,j . Goulermas问:h . Wu”电力负荷预测基于局部加权支持向量回归,”IEEE系统,人,控制论,一部分C(应用程序和评论),40卷,不。4、438 - 447年,2010页。视图:出版商的网站|谷歌学术搜索
21. m . b . Tasre v . n . Ghate, p . p . Bedekar”每小时负荷预测为小面积使用人工神经网络,”学报2012年国际会议上的进步工程、科学和管理Nagapattinam,页379 - 385年,印度,2012年3月。视图:谷歌学术搜索
22. r . e . abdel aal“短期每小时负荷预测使用诱导的网络,”IEEE电力系统,19卷,不。1,第173 - 164页,2004。视图:出版商的网站|谷歌学术搜索
23. 美国球迷和l .陈”,短期负荷预测基于自适应混合方法,”IEEE电力系统,21卷,不。1,第401 - 392页,2006。视图:出版商的网站|谷歌学术搜索
24. j .大草原,r·莫拉莱斯a Nunez et al .,“负载估计基于自组织映射的微型智能电网"规划方法,”应用软计算53卷,第335 - 323页,2017年。视图:出版商的网站|谷歌学术搜索
25. m . Rejc和m .哑剧”短期传导损失预估斯洛文尼亚传输电力系统基于模糊逻辑的决定方法,”IEEE电力系统,26卷,不。3、1511 - 1521年,2011页。视图:出版商的网站|谷歌学术搜索
26. s . m . Moghaddas-Tafreshi和m .蒂”的线性回归研究温度敏感性分析伊朗电力负荷”《2008年IEEE国际工业技术会议,页1 - 7,成都,中国,2008年4月。视图:出版商的网站|谷歌学术搜索
27. a . Al-Wakeel j . Wu, n·詹金斯。”k——基于负载估计国内智能电表测量,”应用能源卷。194年,2017年5月,页333 - 342。视图:出版商的网站|谷歌学术搜索
28. z奥尼尔,美国Narayanan和r . Brahme”建筑,基于模型的热负荷估算”2010第四届全国Conf. IBPSA-USA学报》上美国,纽约,纽约,2010年8月。视图:谷歌学术搜索
29. k . Vasudevan c . s . r . Atla, k . Balaraman“提高状态估计的最优位置的测量设备与各级分销系统,”《2015年国际会议上力量和先进控制工程(ICPACE),页253 - 257,班加罗尔,印度,2015年8月。视图:出版商的网站|谷歌学术搜索
30. 王h和n . n .舒尔茨“修订分支current-based配电系统状态估计算法和仪表布置的影响,“IEEE电力系统,19卷,不。1,第213 - 207页,2004。视图:出版商的网站|谷歌学术搜索
31. a . abdel majeed和m·布劳恩“低压系统状态估计使用智能电表,”2012年第47国际大学电力工程研讨会论文集(UPEC),页1 - 6,伦敦,英国,2012年9月。视图:出版商的网站|谷歌学术搜索
32. d . Waeresch r . Brandalik j·乔丹,r . Bischler w·h·Wellssow n .施耐德,“线性状态估计在低压电网基于智能电表数据,”2015年IEEE埃因霍温PowerTech学报》上荷兰埃因霍温,页1 - 6,2015年6月。视图:出版商的网站|谷歌学术搜索
33. Hwang j . c . c . s . Chen, y . m . Tzeng c·w·黄和m . y .曹”客户负载特征的测定在台电负荷调查系统,”IEEE电力交付,11卷,不。3、1430 - 1436年,1996页。视图:出版商的网站|谷歌学术搜索
34. a . Ghassemian和b . Fardanesh相量NYS传播的辅助状态估计system-implemention &测试”学报2009年IEEE / PES电力系统会议和博览会美国,页1 - 8、西雅图、佤邦,2009年3月。视图:出版商的网站|谷歌学术搜索
35. a . t . Saric和r . m . Ciric“综合模糊状态估计和负载流分析在分销网络,”IEEE电力交付,18卷,不。2、571 - 578年,2003页。视图:出版商的网站|谷歌学术搜索
36. y . j . Wu他和n·詹金斯,”鲁棒状态估计量的中压配电网络,”IEEE电力系统,28卷,不。2、1008 - 1016年,2013页。视图:出版商的网站|谷歌学术搜索
37. w·h·Kersting配电系统建模和分析美国佛罗里达州波卡拉顿,CRC新闻,第二版,2006年,电力工程系列。
38. 诉Borozan和n . Rajakovic最低损失分销网络配置:分析和管理,”学报的第14届国际会展配电(涂蜡的1997 -年)分配权力》第六卷,伯明翰,英国,1997年6月。视图:出版商的网站|谷歌学术搜索
39. d·A·霍顿和g . t . Heydt线性智能配电系统状态估计公式,“IEEE电力系统,28卷,不。2、1187 - 1195年,2013页。视图:出版商的网站|谷歌学术搜索
40. Dzafic, h·t·Neisius, s . Henselmeyer“实时配电系统状态估计基于内点方法,”第17届电力系统计算程序的会议2011年8月,斯德哥尔摩,瑞典,。视图:谷歌学术搜索
41. 邓y, y, b,”一个branch-estimation-based径向分布系统状态估计方法,”IEEE电力交付,17卷,不。4、1057 - 1062年,2002页。视图:出版商的网站|谷歌学术搜索
42. 王h和n . n .舒尔茨“配电系统状态估计的负载建模算法,”学报2001年IEEE / PES输配电会议和博览会,1卷,页102 - 105,亚特兰大,乔治亚州,美国,2001年11月。视图:出版商的网站|谷歌学术搜索
43. g .克隆亚麻张量分析的网络美国新泽西州霍博肯市威利,1939年。
44. j . b . Liu Nowotarski、t .香港和r . Weron”概率负荷预测通过分位数回归平均预测姐姐,”IEEE智能电网,8卷,不。2、730 - 737年,2017页。视图:出版商的网站|谷歌学术搜索
45. w .香港、z . y .董、d·j·希尔,f·罗和y徐,“短期住宅负荷预测基于居民行为学习,”IEEE电力系统,33卷,不。1,第1088 - 1087页,2018。视图:出版商的网站|谷歌学术搜索
46. h·l·威利斯空间电力负荷预测,马塞尔·德克,纽约,纽约,美国,2002年。
47. http://www.wunderground.com/。
48. j .赵g . Zhang m . l . Scala和z王,“增强鲁棒性的估计量通过multi-innovation坏数据处理分析,“IEEE工业信息,13卷,不。4、1610 - 1619年,2017页。视图:出版商的网站|谷歌学术搜索
49. j .赵g . Zhang z . y .董,和k . p . Wong“Forecasting-aided不完美的假数据注入攻击电力系统非线性状态估计,“IEEE智能电网,7卷,不。1,6 - 8,2016页。视图:出版商的网站|谷歌学术搜索
50. j .赵g . Zhang m . La Scala z . y .咚,c . Chen和j·王,“短期国家智能电网forecasting-aided方法检测一般假数据注入攻击,”IEEE智能电网,8卷,不。4、1580 - 1590年,2017页。视图:出版商的网站|谷歌学术搜索
51. c . j .赵z . Wang Chen和g .张“健壮的电压不稳定因素,”IEEE电力系统,32卷,不。2、1578 - 1579年,2017页。视图:出版商的网站|谷歌学术搜索
52. h .美林和f . Schweppe“坏数据抑制电力系统静态状态估计,“IEEE电力设备和系统,不是- 90卷,不。6日,第2725 - 2718页,1971年11月。视图:出版商的网站|谷歌学术搜索
53. a . Monticelli”建模断路器在加权最小二乘状态估计,“IEEE电力系统,8卷,不。3、1143 - 1149年,1993页。视图:出版商的网站|谷歌学术搜索
54. p . a . Pegoraro和美国Sulis”,在配电系统状态估计的不确定性评估,”学报2011年IEEE国际会议上未来电网的智能测量(三井住友)博洛尼亚,页59 - 63年,意大利,2011年11月。视图:出版商的网站|谷歌学术搜索
55. r·辛格公元前Pal, r . b .酿造”在配电系统状态估计测量位置,”IEEE电力系统,24卷,不。2、2009年5月,页668 - 675。视图:出版商的网站|谷歌学术搜索
56. 张g . t . Wang, m . j . Perez-Jimenez”模糊膜计算:理论和应用程序”,国际期刊的计算机、通信和控制,10卷,不。6,904 - 935年,2015页。视图:出版商的网站|谷歌学术搜索
57. g . t . Wang, j .赵z, j . Wang和m . j . Perez-Jimenez“基于模糊推理的电力系统故障诊断神经飙升P系统,”IEEE电力系统,30卷,不。3、1182 - 1194年,2015页。视图:出版商的网站|谷歌学术搜索
58. h . g . Zhang荣、f .内里和m . j . Perez-Jimenez”优化强化神经P系统大概解决组合优化问题,“国际期刊的神经系统,24卷,不。5、文章ID 1440006, 2014。视图:出版商的网站|谷歌学术搜索
59. m·g . Zhang乔戈,l .锅和m . j . Perez-Jimenez”进化膜计算:一个全面的调查和新结果,“信息科学卷,279年,第551 - 528页,2014年。视图:出版商的网站|谷歌学术搜索
60. m·j·g . Zhang Perez-Jimenez, m .乔戈与膜计算实际的应用程序施普林格,柏林,德国,2017年。

版权

版权©2020 Haina荣和弗朗西斯科德莱昂。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。