|
电力系统状态估计 (PSSE) 通常被表述为加权最小二乘 (WLS) 算法，并使用迭代方法（例如高斯-牛顿法）求解。 然而，由于间歇性可再生能源、低碳技术（例如电动汽车）和需求响应计划的部署，迭代方法对系统运行条件变得比以往任何时候都更加敏感。 需要适当的 PSSE 方法来避免基于 WLS 的 PSSE 计算的缺陷，以准确预测运行条件。
? ?本文提出了一种使用深度集成学习算法的数据驱动的实时 PSSE。 在所提出的方法中，使用密集残差神经网络作为基础学习器和多元线性回归器作为元学习器来制定集成学习设置。 历史测量和状态用于训练和测试模型。 训练后的模型可用于实时使用实时测量来估计电力系统状态（电压幅度和相位角）。 当前大多数数据驱动的 PSSE 方法都假设有一套完整的测量值，而实际电力系统数据采集中可能并非如此。 本文采用多元线性回归来预测缺失测量瞬间的系统状态，以辅助提出的 PSSE 技术。 在各种 IEEE 标准基准系统上进行案例研究，以验证所提出的方法。 结果表明，所提出的方法优于现有的数据驱动的 PSSE 方法技术。
? ?索引词——深度集成学习、多元线性回归、电力系统状态估计、残差神经网络。
本文提出了一种使用深度集成学习方法的数据驱动的实时 PSSE。 所提出的深度集成学习设置是通过堆叠几个并行的 ResNetD 作为基础学习器和多元线性回归作为元学习器而形成的。 在这项工作中，历史测量和状态被用来训练所提出的模型以估计电力系统状态（电压幅度和相位角）。 训练后的模型用于使用实时测量实时预测电力系统的状态。 数据驱动的 PSSE 假设有一套完整的测量值； 然而，一些实时测量可能会丢失，导致状态估计失败。 为了处理缺失测量，本文采用多元线性回归，利用历史状态预测任意时刻的缺失状态。 在各种 IEEE 基准系统中进行了几个案例研究。 案例研究表明，所提出的方法优于各种机器学习技术。
https://download.csdn.net/download/cooc89/82495045
|