检索规则说明:AND代表“并且”;OR代表“或者”;NOT代表“不包含”;(注意必须大写,运算符两边需空一格)
检 索 范 例 :范例一: (K=图书馆学 OR K=情报学) AND A=范并思 范例二:J=计算机应用与软件 AND (U=C++ OR U=Basic) NOT M=Visual
作 者:张玉敏 张涌琛 叶平峰 吉兴全 石春友 蔡富东 李一宸 ZHANG Yumin;ZHANG Yongchen;YE Pingfeng;JI Xingquan;SHI Chunyou;CAI Fudong;LI Yichen(College of Electrical Engineering and Automation,Shandong University of Science and Technology,Qingdao 266590,China;Shandong Senter Electronic Co.,Ltd.,Zibo 255088,China;College of Energy Storage Technology,Shandong University of Science and Technology,Qingdao 266590,China)
机构地区:[1]山东科技大学电气与自动化工程学院,山东青岛266590 [2]山东信通电子股份有限公司,山东淄博255088 [3]山东科技大学储能技术学院,山东青岛266590
出 处:《中国电力》2024年第9期156-168,共13页Electric Power
基 金:山东省自然科学基金资助项目(ZR2023QE181,ZR2022ME219,ZR2021QE117);中国博士后面上资助项目(2023M734092)。
摘 要:针对配电网量测信息存在强非高斯噪声时会大幅干扰基于深度学习的状态估计模型滤波精度的问题,提出了一种基于集合经验模态分解的增强核岭回归状态估计方法。首先,使用集合经验模态分解筛除量测信息中的多数噪声数据,保障了后续滤波对数据可靠性的要求。然后,通过构建增强核岭回归状态估计模型,建立了量测信息与估计残差之间的映射关系,输入量测信息后可以得到估计结果与估计残差。最后,在标准IEEE 33节点与某市78节点系统上进行数值仿真,结果证明了该方法在强非高斯噪声干扰下具有较高的精确性和鲁棒性。Addressing the significant interference in the filtering accuracy of deep learning-based state estimation models caused by strong non-Gaussian noise in distribution network measurement information,an enhanced kernel ridge regression state estimation method based on ensemble empirical mode decomposition is proposed.Firstly,the ensemble empirical mode decomposition is utilized to filter out most of the noise data in the measurement information,ensuring the reliability of data for subsequent filtering.Subsequently,an enhanced kernel ridge regression state estimation model is constructed to establish a mapping relationship between measurement information and estimation residuals.By inputting the measurement information,the estimation results and estimation residuals can be obtained.Finally,numerical simulations are conducted on the standard IEEE 33-node system and a city-level 78-node system,demonstrating that the proposed method exhibits high accuracy and robustness under the interference of strong non-Gaussian noise.
关 键 词:配电系统 状态估计 核岭回归 非高斯噪声 集合经验模态分解
分 类 号:TM73[电气工程—电力系统及自动化]
正在载入数据...
正在载入数据...
正在载入数据...
正在载入数据...
正在载入数据...
正在载入数据...
正在载入数据...
正在链接到云南高校图书馆文献保障联盟下载...
云南高校图书馆联盟文献共享服务平台 版权所有©
您的IP:18.191.36.245