基于多源量测的主配网一体化状态估计方法与流程

1.本发明属于主配网状态评估技术领域，尤其是基于多源量测的主配网一体化状态估计方法。


背景技术：

2.电力系统状态估计是运行人员监测和管控电力系统安全可靠运行的重要工具，其主要是通过测量设备获取冗余的量测数据，利用算法实时估计系统运行状态。在电力系统状态估计求解方法的研究中应用最为广泛的是加权最小二乘法(weighted least squares，wls)，该方法以测量值与测量估计值之差的平方和最小为目标函数，并根据量测的精度赋予权重。wls方法在传统电网中，尤其是输电网的实际应用中起到了至关重要的作用，并为电力系统的高级应用提供了有效的电网运行状态数据。
3.随着电力系统的建设，大规模多元分布式电源、电动汽车等柔性负荷在配电网侧的接入，以及用户侧与电网侧的供需互动，向配电网引入强随机性与波动性的同时，使传统单电源辐射状配网逐渐转变为多电源闭环网络。运行人员对配电网侧的运行状态逐渐重视，但主配电网的复杂化给传统的状态估计方法带来了一定的困难和挑战。随着量测设备的逐渐更新，通信体系和能力的更加完备，目前电网已开始大量部署数字继电器、相量测量单元(phasormeasurement unit，pmu)、智能电子设备、自动馈线开关和电压调节器以及分布式电源的智能逆变器等设备，以提高系统的观测能力，拓宽数据的来源。此外，配电网侧高级计量基础设施(advanced metering infrastructure，ami)的不断部署，实现了定期轮询和按需读取客户间隔需求的功能，丰富了配网低压侧的量测冗余，增强了配电网络的可观测性，为主配网一体化状态估计的实现带来了机会。主配网一体化状态估计有助于从整体上为运行人员提供精确的运行数据，为决策、优化和调度等应用打下坚实基础。
4.目前针对主配网一体化的状态估计方法的改进主要集中在算法的收敛问题以及量测数据的运用两个方面。针对算法的收敛性，现有文件提出了cholesky三角分解法来提升收敛性能。现有文件从信赖域的角度为克服病态发散问题提供了解决方案。现有文件采用自适应步长的方法调高鲁棒性。但目前的方法均无法保证在不可观测系统下找到可靠的状态估计解。针对不同尺度的量测数据的混合应用，现有文件提出采用部分pmu量测数据以提高状态估计的速度与精度。现有文件结合scada和pmu量测数据，来补充量测信息。现有文件考虑配电网状态估计方法中量测数据的融合时延问题，提出了通过线性外推对配电网中的3种常用的量测数据进行有效融合的配电网状态估计方法，但尚未考虑到主网和配网不同量测的协调问题。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提出基于多源量测的主配网一体化状态估计方法，能够实现pu、scada以及ami量测数据在不同观测条件下的协同使用以及实现主配网量测交互迭代求解，有效提升了主配网估计的精确度和鲁棒性。
6.本发明是采取以下技术方案实现的：
7.基于多源量测的主配网一体化状态估计方法，包括以下步骤：
8.步骤1、输入更新的混合量测数据，上一时刻更新的量测数据以及网络参数数据，并将上一时刻更新的量测数据作为历史测量数据；
9.步骤2、计算混合量测数据中各项量测数据的残差；
10.步骤3、判断步骤1中混合量测数据的类型，并构建wls状态估计模型；
11.步骤4、根据步骤3中混合量测数据的类型以及步骤2中的各项量测数据的残差，形成鲁棒状态估计约束集或极快速状态估计约束集；
12.步骤5、根据步骤4中的残差约束集(即鲁棒状态估计约束集或极快速状态估计约束集)构建相应的商梯度系统，通过积分轨迹追踪稳定平衡点并计算当前时刻状态结果。
13.进一步的，所述步骤3中wls状态估计模型为考虑残差约束情况下的模型：
14.minj(x)＝[z-h(x)]
t
w-1
[z-h(x)]
[0015]
s.t.h
zero
(x)＝0
[0016]
|z-h(x)|-β≤0
[0017]
其中，wls状态估计模型的最小化目标函数minj(x)为加权残差平方和，x为待估计的状态变量，z为参与状态估计计算的测量向量，h(x)为待估计的状态变量计算的测量函数，为误差协方差矩阵，为量测i的标准差，h
zero
(x)为零功率注入信息的平衡方程，β为量测残差约束的边界；
[0018]
引入松弛变量将不等式约束转化为等式约束，并采用惩罚因子使得约束满足：
[0019]
minj(x,s)＝[z-h(x)]
t
w-1
[z-h(x)]
[0020]
[h
zero
(x)]
t
w-1
[h
zero
(x)] a([|z-h(x)|-β s2]
t
w-1
[|z-h(x)|-β s2])
[0021]
其中，s为松弛变量，a为惩罚因子，用于约束优化问题转化为非受限优化问题。
[0022]
进一步的，所述步骤4包括以下步骤：
[0023]
步骤4.1、量测集中刷新阶段，将scada、pmu和ami量测数据进行融合；
[0024]
步骤4.2、pmu局部刷新阶段，利用局部刷新的pmu数据确保当前状态估计的准确性，利用历史数据补充量测数据的冗余，扩大状态估计的范围，得到进行pmu局部刷新后的混合量测数据；
[0025]
步骤4.3、根据主配网分为主网与配网，其中主网的状态估计基于scada量测数据，配网的状态估计基于ami量测和pmu量测数据，主网的状态估计结果为配网的主节点提供状态更新信息，配网根据主节点的更新信息和量测的更新类型，确定步骤4.1或步骤4.2的刷新阶段，选择相应的鲁棒状态估计模型或极快速状态估计模型。
[0026]
进一步的，所述步骤4中鲁棒状态估计约束集为步骤3中混合量测数据的类型，包括scada、ami和pmu三种混合量测数据。将pmu量测作为高精度量测计算残差不等式约束添加到状态估计模型中，与scada量测和ami量测残差等式约束形成鲁棒状态估计约束集hr(y)为：
[0027][0028]
y＝(x,s)
[0029]
其中，he(x)为等式约束的集合表示，hi(x,s)为不等式约束的集合表示，x为待估计的状态变量，z
scada
为参与状态估计计算的scada测量数据，h
scada
(x)为状态变量计算的与scada量测相关的测量函数，z
ami
为参与状态估计计算的ami测量数据，h
ami
(x)为状态变量计算的与ami量测相关的测量函数，z
pmu
为参与状态估计计算的pmu测量数据，h
pmu
(x)为状态变量计算的与pmu量测相关的测量函数，β
pmu
为pmu的边界值，s为松弛变量，h
zer
o(x)为零功率注入信息的平衡方程。
[0030]
而且，所述步骤4中极快速状态估计约束集为步骤3中混合量测数据的类型，仅包括pmu量测局部刷新数据。将pmu量测局部刷新数据的残差作为等式约束，与前一更新时刻的scada量测和ami量测残差作为不等式等式约束形成极快速状态估计约束集：
[0031][0032]
y＝(x,s)
[0033]
其中，he(x)为等式约束的集合表示，hi(x,s)为不等式约束的集合表示，x为待估计的状态变量，z
scada
为参与状态估计计算的scada测量数据，h
scada
(x)为状态变量计算的与scada量测相关的测量函数，z
ami
为参与状态估计计算的ami测量数据，h
ami
(x)为状态变量计算的与ami量测相关的测量函数，z
pmu
为参与状态估计计算的pmu测量数据，h
pmu
(x)为状态变量计算的与pmu量测相关的测量函数，β
csada
为scada的边界值，β
ami
为ami的边界值,s
ami
为ami的松弛变量，h
zero
(x)为零功率注入信息的平衡方程。
[0034]
进一步的，所述当来自主网的scada量测数据更新时，主节点信息随之更新，若ami量测数据同时得到了更新，则与pmu量测数据一起构建鲁棒状态估计模型；否则采用伪量测信息补充冗余度并构建鲁棒状态估计模型。
[0035]
进一步的，所述采用伪量测信息补充冗余度并构建鲁棒状态估计模型的具体实现方法为：根据更新的scada量测数据、pmu量测数据和伪量测信息重新构建鲁棒状态估计模
型，利用伪量测形成残差不等式约束，主节点scada量测数据和pmu量测数据形成残差等式约束，构成约束集：
[0036][0037]
y＝(x,s)
[0038]
其中，he(x)为等式约束的集合表示，hi(x,s)为不等式约束的集合表示，x为待估计的状态变量，z
scada
为参与状态估计计算的scada测量数据，h
scada
(x)为状态变量计算的与scada量测相关的测量函数，z
ami
为参与状态估计计算的ami测量数据，h
ami
(x)为状态变量计算的与ami量测相关的测量函数，z
pmu
为参与状态估计计算的pmu测量数据，h
pmu
(x)为状态变量计算的与pmu量测相关的测量函数，z
pseudo
为参与状态估计计算的伪测量数据，h
pseudo
(x)为状态变量计算的与伪量测相关的测量函数，β
pseudo
为伪量测残差约束的边界值，s为松弛变量，h
zero
(x)为零功率注入信息的平衡方程。
[0039]
进一步的，所述步骤5的具体实现方法为，根据步骤4得到的约束集(即鲁棒状态估计约束集或极快速状态估计约束集)构建商梯度系统为：
[0040][0041]
y＝(x,s)
[0042]
其中，qh(y)为商梯度系统，y为待估计的状态变量与松弛变量的集合，x为待估计的状态变量，s为待估计的松弛变量，为误差协方差矩阵，为量测i的标准差，he(x)为商梯度系统中等式约束的集合表示，dhe(x)为等式约束集合的雅克比矩阵，hi(x,s)为商梯度系统中不等式约束的集合表示，dhi(x,s)为不等式约束集合的雅克比矩阵，a为惩罚因子，根据构建的商梯度系统并通过积分轨迹追踪稳定平衡点并计算当前时刻状态估计结果。
[0043]
本发明的优点和积极效果是：
[0044]
本发明基于动力学系统的状态估计算法能够全局收敛的特性，实现了pmu量测数据、scada量测数据以及ami量测数据在不同观测条件下的协同使用。其中，本发明为有效地实现混合量测的状态估计，提出了局部刷新的极快速状态估计模型和鲁棒状态估计模型，以应对pmu量测的局部刷新场景和不同类型量测的混合刷新场景。通过这两种模型的有效结合与协调配合，进一步提出了主配网一体化的状态估计方法，实现主配网量测交互迭代求解，有效地提升了主配网估计的精确度和鲁棒性。
附图说明
[0045]
图1为本发明融合scada、pmu、ami量测等多源数据的配电网高精度鲁棒状态估计示意图；
[0046]
图2为本发明主配网一体化估计中主网和配网量测和估计相互交互示意图；
[0047]
图3为本发明ieee-33节点系统布置量测视图；
[0048]
图4为本发明负荷曲线；
[0049]
图5为本发明一小时的估计曲线；
[0050]
图6为本发明一分钟的估计曲线；
[0051]
图7为本发明ieee-14节点主网算例图；
[0052]
图8为本发明ieee-33节点配网算例图；
[0053]
图9为本发明光伏出力曲线；
[0054]
图10为本发明状态估计误差对比图；
[0055]
图11为本发明节点8的状态追踪情况。
具体实施方式
[0056]
以下结合附图对本发明做进一步详述。
[0057]
基于多源量测的主配网一体化状态估计方法，如图1和图2所示，包括以下步骤：
[0058]
步骤1、输入更新的混合量测数据，上一时刻更新的量测数据以及网络参数数据，并将上一时刻更新的量测数据作为历史测量数据。
[0059]
步骤2、计算混合量测数据中各项量测数据的残差。
[0060]
步骤3、判断步骤1中混合量测数据的类型，并构建wls状态估计模型。
[0061]
wls状态估计模型为考虑残差约束的情况下的模型：
[0062]
min j(x)＝[z-h(x)]
t
w-1
[z-h(x)]
[0063]
s.t.h
zero
(x)＝0
[0064]
|z-h(x)|-β≤0
[0065]
其中，wls状态估计模型的最小化目标函数minj(x)为加权残差平方和，x为待估计的状态变量，z为参与状态估计计算的测量向量，h(x)为待估计的状态变量计算的测量函数，为误差协方差矩阵，为量测i的标准差，其由测量设备精度决定，h
zero
(x)为零功率注入信息的平衡方程，β为量测残差约束的边界。
[0066]
为求解上述含约束优化问题，通常会通过引入松弛变量将不等式约束转化为等式约束，并采用惩罚因子使得约束尽量满足：
[0067]
minj(x,s)＝[[z-h(x)]]
t
w-1
[[z-h(x)]]
[0068]
[[h
zero
(x)]]
t
w-1
[[h
zero
(x)]]
[0069]
a([[z-h(x)-β s2]]
t
w-1
[[z-h(x)-β s2]])
[0070]
其中，s为松弛变量，a为惩罚因子。
[0071]
步骤4、根据步骤3中混合量测数据的类型以及步骤2中的各项量测数据的残差，形成鲁棒状态估计约束集或极快速状态估计约束集。
[0072]
本步骤包括以下步骤：
[0073]
步骤4.1、量测集中刷新阶段，将scada、pmu和ami量测数据进行融合；
[0074]
步骤4.2、pmu局部刷新阶段，利用局部刷新的pmu数据确保当前状态估计的准确性，利用历史数据补充量测数据的冗余，扩大状态估计的范围，得到进行pmu局部刷新后的混合量测数据；
[0075]
步骤4.3、根据主配网分为主网与配网，其中主网的状态估计基于scada量测数据，配网的状态估计基于ami量测和pmu量测数据，主网的状态估计结果为配网的主节点提供状态更新信息，配网根据主节点的更新信息和量测的更新类型，确定步骤4.1或步骤4.2的刷新阶段，选择相应的鲁棒状态估计模型或极快速状态估计模型。
[0076]
考虑到从不同测量系统所获得测量的刷新频率是不同的，将基于动力学系统的状态估计模型分为两种，分别为鲁棒状态估计模型和极快速状态估计约束集。若同时采集到scada，ami和pmu三种混合量测数据时，构建鲁棒状态估计模型，实现高精度全局估计，将pmu量测作为高精度量测计算残差不等式约束添加到状态估计模型中，与scada量测和ami量测残差等式约束形成鲁棒状态估计约束集hr(y)：
[0077][0078]
y＝(x,s)
[0079]
其中，he(x)为等式约束的集合表示，hi(x,s)为不等式约束的集合表示，x为待估计的状态变量，z
scada
为参与状态估计计算的scada测量数据，h
scada
(x)为状态变量计算的与scada量测相关的测量函数，z
ami
为参与状态估计计算的ami测量数据，h
ami
(x)为状态变量计算的与ami量测相关的测量函数，z
pmu
为参与状态估计计算的pmu测量数据，h
pmu
(x)为状态变量计算的与pmu量测相关的测量函数，β
pmu
为pmu的边界值，s为松弛变量，h
zer
o(x)为零功率注入信息的平衡方程。
[0080]
若步骤3中混合量测数据的类型仅包括pmu量测局部刷新数据，将pmu量测局部刷新数据的残差作为等式约束，与前一更新时刻的scada量测和ami量测残差作为不等式等式约束形成极快速状态估计约束集：
[0081]
[0082]
y＝(x,s)
[0083]
其中，he(x)为等式约束的集合表示，hi(x,s)为不等式约束的集合表示，x为待估计的状态变量，z
scada
为参与状态估计计算的scada测量数据，h
scada
(x)为状态变量计算的与scada量测相关的测量函数，z
ami
为参与状态估计计算的ami测量数据，h
ami
(x)为状态变量计算的与ami量测相关的测量函数，z
pmu
为参与状态估计计算的pmu测量数据，h
pmu
(x)为状态变量计算的与pmu量测相关的测量函数，β
csada
为scada的边界值，β
ami
为ami的边界值,s
ami
为ami的松弛变量，h
zero
(x)为零功率注入信息的平衡方程。
[0084]
在考虑主配网一体化模型时，由于主网的量测类型和更新频率与配网的量测不尽相同，在考虑主配网之间的配合时需要对量测的混合设置进一步细化。当仅有配网的pmu量测更新时，配网状态估计需要负荷的伪量测信息来提高冗余度并扩大估计范围，而当配网主节点上的scada量测在尚未更新时，需采用前一时刻的数据，故在此采用极快速状态估计模型更为契合。当来自主网的scada量测更新时，主节点信息随之更新，若ami量测同时得到了更新，则将pmu量测作为高精度量测构建鲁棒状态估计模型；否则，需采用伪量测信息补充冗余度。此时根据更新的scada量测、pmu量测和伪量测信息重新构建鲁棒状态估计模型，即利用伪量测形成残差不等式约束，主节点scada量测和pmu量测作为高精度量测形成残差等式约束，从而构成约束集：
[0085][0086]
y＝(x,s)
[0087]
其中，he(x)为等式约束的集合表示，hi(x,s)为不等式约束的集合表示，x为待估计的状态变量，z
scada
为参与状态估计计算的scada测量数据，h
scada
(x)为状态变量计算的与scada量测相关的测量函数，z
ami
为参与状态估计计算的ami测量数据，h
ami
(x)为状态变量计算的与ami量测相关的测量函数，z
pmu
为参与状态估计计算的pmu测量数据，h
pmu
(x)为状态变量计算的与pmu量测相关的测量函数，z
pseudo
为参与状态估计计算的伪测量数据，h
pseudo
(x)为状态变量计算的与伪量测相关的测量函数，β
pseudo
为伪量测残差约束的边界值，s为松弛变量，h
zero
(x)为零功率注入信息的平衡方程。
[0088]
上述的鲁棒状态估计模型和极快速状态估计模型的不同之处在于，针对采集量测不同的特性，采用不同的建模方式。在鲁棒状态估计中，由于pmu量测是高精度量测，则为此类量测设置较小的残差边界值，使其保持状态估计结果的准确性以保证状态估计质量。而在极快速状态估计中，所采集到的实时量测只有pmu量测，pmu保证局部的状态估计准确性的同时，将前一更新时刻的scada和ami作为伪量测，为其设置较大的残差边界值作为对全局估计范围的补充。由于极快速状态估计模型中，为与历史量测相关的残差不等式约束设
置边界较大值，并以前一时刻的状态估计值作为初点，即可快速通过轨迹追踪到当前状态估计解，因此称其为极快速估计模型。
[0089]
步骤5、根据步骤4中的残差约束集构建相应的商梯度系统，通过积分轨迹追踪稳定平衡点并计算当前时刻状态结果。
[0090]
本步骤中的积分环节具有全局收敛性。根据步骤4中的约束集构建商梯度系统为：
[0091][0092]
其中，dh(y)是h(y)的雅可比矩阵。y则表示待估计的状态变量与松弛变量的集合，x为待估计的状态变量，s为待估计的松弛变量。wls状态估计模型通常利用高斯-牛顿迭代的算法进行求解，也可采用内点法求解，但即便引入了惩罚因子，高精度量测残差约束仍然不能严格满足。为了保证状态估计的结果严格满足约束要求，应用一种基于非线性动力学系统方法的状态估计算法。对该算法的基本原理进行介绍：
[0093]
传统的加权最小二乘状态估计模型中，最小化目标函数为加权残差平方和，其表示为：
[0094]
minj(x)＝[z-h(x)]
t
w-1
[z-h(x)]
[0095]
将准确的零注入信息作为等式约束，并考虑高精度测量，即pmu量测作为残差不等式约束添加到加权最小二乘模型中，其具体表示为：
[0096]
min j(x)＝[z-h(x)]
t
w-1
[z-h(x)]
[0097]
s.t.h
zero
(x)＝0
[0098]
|z-h(x)|-β≤0
[0099]
对上述的加权最小二乘模型中的不等式约束添加松弛变量，产生以下广义的等式约束集：
[0100][0101]
y＝(x,s)
[0102]
进一步对上述约束集构建步骤5的商梯度系统。下面为构建状态估计解与商梯度系统的求解关系提供相关的定理。
[0103]
定理：当每一个加权因子根据量测的测量精度设定时，商梯度系统的退化稳定平衡流形将对应如下能量函数的局部最小值：
[0104]
e(y)＝h(y)
t
w-1
h(y)
[0105]
由此可以看出，上式与传统加权最小二乘状态估计模型中的目标函数是等价的。则可以状态估计解通过构造如下形式的商梯度系统来求解：
[0106][0107]
y＝(x,s)
[0108]
商梯度系统的退化稳定平衡流形与含约束的加权最小二乘状态估计的局部最优
解等价，因此，对状态估计的残差约束集构建相应的商梯度系统，即可通过追踪商梯度系统的退化稳定平衡流形的方式，实现通过轨迹追踪获得不同量测条件下的状态估计解，此外，由于商梯度系统中不包含对雅克比矩阵求逆的步骤，在量测不可观的情况下仍然可以保证得到状态估计解，这也是基于动力学系统的状态估计模型的特点之一。
[0109]
构建与步骤4约束集相应的商梯度系统并通过积分轨迹追踪稳定平衡点并计算当前时刻状态估计结果。
[0110]
根据上述基于多源量测的主配网一体化状态估计方法，分为两种情景，分别对混合量测状态估计方法和主配网一体化状态估计进行测试，以说明本发明的效果。
[0111]
情景1下，在改进的ieee-33节点系统上对混合量测的状态估计方法进行测试以验证其有效性，其中scada和pmu量测的详细布点如图3所示。在ieee-33节点系统的基础上，在8、14、18、21、2、32等7个节点接入采集周期为300ms的pmu量测，设置该类量测的随机噪声的标准差为0.0001；在1、4、10、12、16、26和29节点配置scada量测，采集周期为6s，量测类型包括各节点的注入功率及支路功率，该类量测的随机噪声的标准差为0.01；各负荷节点均配置ami量测，采集周期为15min，量测类型包括各居民用户的电能、有功功率与无功功率，该类量测的随机噪声标准差为0.03。该情景中，首先考虑一小时尺度的状态估计，负荷波动设置为随时间在区间[0.8，1.2]之间变化，其中负荷节点4的变化曲线如图4所示。在此运行条件下，对比以下两种状态估计方案：
[0112]
方案一：当配网中仅有pmu量测更新时，采用本发明提出的极快速状态估计；当pmu量测和scada量测更新时，直接将scada量测、pmu量测与伪量测混合使用，并采用本发明提出的鲁棒状态估计；当pmu量测、scada量测和ami量测更新时，将pmu量测作为高精度量测，利用鲁棒状态估计进行计算。
[0113]
方案二：当仅有pmu量测更新时，采用wls-高斯牛顿法并结合pmu量测和负荷伪量测进行状态估计；当pmu量测和scada量测更新时，将scada量测、pmu量测和伪量测混合使用，采用wls-高斯牛顿法状态估计；当pmu量测、scad a量测和ami量测更新时，wls-高斯牛顿法状态估计根据不同的量测精度设置权重，进行混合状态估计计算。
[0114]
图5为一小时的估计误差对比结果，图6为一分钟的对比结果。从图5可以看出，在一小时内混合ami、scada和pmu不同时间更新的量测条件下，所提出状态估计方法(方案一)的估计结果的误差均低于方案二，因此具有更好的应用效果。由图6可知，在一分钟内仅有scada和pmu更新的量测条件下，所提状态估计方案在scada刷新的间隙中保持较好的估计精度，相较于常规的基于高斯牛顿的wls方法更具优势。
[0115]
情景2下，采用由主网的ieee-14节点和配网的ieee-33节点联结而成的主配网系统，如图7和图8所示，验证所提出的主配网一体化状态估计方法的有效性。此外，分别在配网的8，14，21节点布置光伏电站，该光伏电站出力随着日照强度的变化而变化，其中节点8的24小时光伏出力如图9所示。由于配电网的负荷性质较为复杂，运行人员对系统中此类节点状态信息的准确性有很高的要求。其中，主网的主要量测是scada量测，配网的主要量测为ami和pmu量测。主网的每个节点均布置有scada量测。配网ami和pmu的布置位置与上一算例相同，不同的是主节点的状态信息来自主网scada量测的估计结果。本情景下将所提出的主配网一体化状态估计方法与集中式状态估计方法进行对比，具体的执行方案如下：
[0116]
方案一：配网运行状态估计时，主节点的量测更新为主网的估计信息，当配网中仅
有pmu量测更新时，采用极快速状态估计；当配网中的pmu量测和am i更新时，将pmu量测作为高精度量测，利用鲁棒状态估计进行计算。在主网运行状态估计时，若主网的scada量测得到更新，则利用配网状态估计的结果对主网提供结果校验，完成主配网交互。
[0117]
方案二：采用集中式的状态估计方法，利用主配网的量测，通过基于高斯牛顿的wls方法进行状态估计。为保证系统的冗余度，在ami更新的间隙，利用随机误差服从高斯分布(标准差设置为0.08)的负荷伪量测数据进行状态估计。
[0118]
在24小时的时间尺度下，方案一与方案二的状态估计结果对比如图10所示，可以看出，本发明所提方法的估计精度远高于一般的状态估计方法。此外，所提出的方法对配网中连接光伏电站的节点8的电压幅值的估计结果如图11所示。电压幅值的估计值与真值差距较小，有助于实现实时状态追踪，能够提供准确的光伏节点的状态信息。
[0119]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。