基于ANN伪量测建模的配电网状态估计

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (17): 253-256.

基于ANN伪量测建模的配电网状态估计

张明光，张钰

兰州理工大学电气工程与信息工程学院，兰州 730050

出版日期:2016-09-01 发布日期:2016-09-14

Distribution network state estimation based on artificial neural network for pseudo measurement modeling

ZHANG Mingguang, ZHANG Yu

School of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China

Online:2016-09-01 Published:2016-09-14

摘要/Abstract

摘要： 针对配电网状态估计实时量测数量的不足，提出了一种基于ANN伪量测建模的配电网状态估计算法。该方法采用人工神经网络网络（ANN），将部分实时量测数据作为神经网络的输入，产生较为精确的负荷伪量测数据。此外，应用高斯混合模型对产生伪量测的误差进行分解拟合，从而获得负荷伪量测的权重。最后，将获得的伪量测及其权重输入到状态估计模块中，实现了配电网的状态估计。通过英国标准配网系统（UKGDS）中16节点模型的仿真结果表明，该算法提高了配电网状态估计的精度，具有一定的现实意义和理论价值。

关键词: 配电网, 状态估计, 人工神经网络, 高斯混合模型, 伪量测

Abstract: Considering the lack of real-time measurements, an Artificial Neural Network（ANN） for pseudo measurement modeling based state estimation algorithm is proposed for distribution networks. In the proposed approach, pseudo measurements are generated from a few real measurements using artificial neural networks. In addition, the Gaussian mixture model is used to decompose errors of pseudo measurements and produce its weight. This algorithm considerably improves the accuracy of computation. Test results for UKGDS 16-bus test system are presented to show the value of the algorithm proposed on both practice and theory.

Key words: distribution network, state estimation, artificial neural network, Gaussian mixture model, pseudo measurement

张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.

ZHANG Mingguang, ZHANG Yu. Distribution network state estimation based on artificial neural network for pseudo measurement modeling[J]. Computer Engineering and Applications, 2016, 52(17): 253-256.

[1]	张鑫，张席. 优先状态估计的双深度Q网络[J]. 计算机工程与应用, 2021, 57(8): 78-83.
[2]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[3]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[4]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[5]	薛文龙，于炯，郭志琦，李梓杨. 基于特征融合卷积神经网络的端到端加密流量分类[J]. 计算机工程与应用, 2021, 57(18): 114-121.
[6]	徐正凤，曾维理，羊钊. 航空器轨迹预测技术研究综述[J]. 计算机工程与应用, 2021, 57(12): 65-74.
[7]	张驰，郭媛，黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.
[8]	文达，崔双喜，樊小朝，降国俊. 考虑源荷互动的主动配电网两层优化调度[J]. 计算机工程与应用, 2021, 57(10): 259-265.
[9]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[10]	李杰其，胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19.
[11]	张文婧，陈治亚，冯芬玲，李万. 基于稀疏理论的DAE在公路事故伤亡预测应用[J]. 计算机工程与应用, 2019, 55(7): 241-247.
[12]	周伯阳. 自适应RaptorQ编码改进配电网LTE通信的可靠性[J]. 计算机工程与应用, 2019, 55(3): 76-82.
[13]	贾兵兵，曹辉，秦驰杰. 基于SGMM和DNN结合提高音素识别率的研究[J]. 计算机工程与应用, 2019, 55(24): 117-121.
[14]	李永攀，门锟，吴俊阳. 基于低秩模型的电力状态数据异常检测[J]. 计算机工程与应用, 2019, 55(16): 255-258.
[15]	陈超. 高斯混合模型结合加权似然的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(12): 124-131.