论文部分内容阅读
随着社会经济的发展,人们对电力系统安全可靠运行的要求越来越高。状态估计作为能量管理系统的核心功能之一,其性能的好坏直接或间接的影响着实时数据库的建立、计算软件的精度和结果的可靠性。而负荷预测是电力系统经济调度中的一项重要内容,短期负荷预测的精度直接会影响到系统安全经济运行和供电质量。因此对负荷预测、状态估计以及两者有机结合的进一步研究,具有较高的理论意义和实际价值。在大量研究国内外文献基础上,本文主要从以下两个方面开展研究工作:(1)针对目前采用最小二乘支持向量机进行电力系统短期负荷预测时,运用混沌粒子群算法选取参数不能完全解决早熟,导致精度下降的问题,基于Logistic函数提出一种粒子惯性权重模型对现有混沌粒子群算法权重调节方式进行改进。把提出的惯性权重模型、适应度方差和平均粒矩引入混沌粒子群算法中增强其寻优能力。将改进混沌粒子群算法用于最小二乘支持向量机的电力系统短期负荷预测方法中。用华东某地区实际电网的历史负荷数据和气象数据验证方法的可行性和有效性。(2)针对目前电力系统状态估计方法没有深入考虑非高斯分布的量测误差的问题,并且没有有效利用量测量的预测数据、历史量测数据等现有数据的问题。本文提出一种计及非高斯误差的电力系统状态估计方法。首先提出电力系统的期望估计(Power System Expectation Estimation,PSEE),使状态估计本身能够进一步利用负荷预测数据、自身参数和历史负荷数据;其次改进了投影统计(Projection Statistics,PS)提出了自适应投影统计(Adaptive Project Statistics,APS),使其在面对不同维数的雅克比矩阵时能够进行微调;然后设计计及非高斯误差修正的APS-LH型广义极大似然估计,使所提的方法能够应对状态估计中存在的非高斯误差问题。最后用IEEE14、30、57节点算例论证本文所提方法的有效性和优越性。