近期，我校杏福登录平台青年教师渠博岗博士在新型电力系统智能感知方面的两项研究工作在国际顶级期刊IEEE Transactions on Industrial Informatics和IEEE/CAA Journal of Automatica Sinica上发表🔺，合作单位包括东华大学、伦敦布鲁奈尔大学、东北石油大学等🤰🏽⇾。该研究得到了国家自然科学基金面上项目和青年项目以及上海市白玉兰人才计划浦江项目的资助。
研究成果一“Adaptive decentralized state estimation for multi-machine power grids under measurement noises with unknown statistics” 发表在IEEE Transactions on Industrial Informatics上, 该期刊是计算机科学领域的顶级期刊（SCI一区Top, IF: 11.7）（DOI：10.1109/TII.2024.3485791）。
随着可再生能源的渗透以及各类随机性负荷的接入，电网的运行条件与场景日趋复杂，这也使得传统的控制与优化方案更为依赖对系统内部状态的准确感知与了解。作为揭示系统内部行为的重要手段🧑🏿🍼，状态估计理论与技术受到了极大的关注🧝🏼♀️。然而现有电力系统状态估计方法多假设测量噪声为已知统计特性的高斯分布，而实验表明实际电力系统中噪声可能服从非高斯分布且统计特性未知，这就使得已有的状态估计算法无法继续推广和应用。
针对上述问题，本文提出一种自适应动态状态估计算法，利用滑动窗口数据和高斯混合模型等技术🧑🏽🎄，有效解决了多机电力系统在未知统计测量噪声下的状态估计问题。具体地🤜🏼，在同步发电机建模方面，采用模型解耦技术实现了发电机与整个电网的解耦🦿，为算法的分布式部署奠定了基础。在未知测量噪声统计学特性的刻画方面⚠️，利用滑动窗口内的连续测量值及核密度估计方法构建了基础高斯混合模型🤾🏽♂️，随后采用Wasserstein距离准则驱动的模糊聚类算法进一步减少了基础高斯混合模型的元素数量🥨，有效降低了模型复杂度🤛🏼。基于上述模型，进一步在容积卡尔曼滤波算法的框架下设计了状态估计算法🕴，实现了对噪声统计特性的自适应。基于IEEE 39节点系统的测试结果表明所提算法不仅能够准确揭示测量噪声的统计学分布🦹🏽♀️，同时也能够准确估计同步发电机的状态。
研究成果二“Anomaly-resistant decentralized state estimation under minimum error entropy with fiducial points for wide-area power systems” 发表在IEEE/CAA Journal of Automatica Sinica上, 该期刊是自动化领域的顶级期刊（SCI一区Top, IF: 15.3）（DOI：10.1109/JAS.2023.123795）。
为了更好感知复杂工况下电力系统的状态，进一步提高态势感知、实时控制和安全评估能力👩👦👦，状态估计算法越来越受到了工业界及学术界的关注。需要指出的是当前的分布式状态估计算法大多只是将测量数据进行了区域划分🦩，并未从物理层面对系统进行分布式建模。此外，现有的状态估计算法大多在最小均方误差的框架下开展，无法应对异常测量数据的影响。
针对上述挑战🧙🏻♂️，本文梳理了准稳态电力系统的机理及传感测量模型，将原系统划分为不重叠的局部系统并建立相应数学与测量模型，针对局部系统互联产生的边缘测量也构建了模型🏊🏼♀️。基于此分布式模型，考虑异常信息，在无迹卡尔曼滤波框架下提出基于含基准点的最小误差熵准则（MEEF）的抗异常分散式状态估计方法👋，其融合了最小误差熵和最大相关熵准则，克服了最小误差熵的平移性以确保误差趋近于0。局部估计器设计分预测和更新部分，其中预测部分利用无迹变换生成Sigma 点，经状态转移和测量函数计算预测状态👩🏻🦰、协方差矩阵等🙏🏿。在更新部分🚅，采用统计线性化构建增广模型★，并基于MEEF准则设计成本函数，通过固定点迭代求解得到局部估计并转换为信息形式,之后利用边界测量递归更新局部估计并保证收敛🚵🏽♀️🧑🏽🎤。基于IEEE 14节点系统的测试结果表明所提分布式算法精度与集中式较为接近👭🏼，且所提方法对异常和不良数据抵抗性强、计算效率高。
杏福登录平台 渠博岗 供稿
2025年2月17日