强劲的电力系统状态估计量是至关重要的监测和控制应用程序。基于我们的经验,我们发现的广义最大似然(GM)估计使用投影数据在文献中是一个最好的方法。多个交互是健壮的和符合坏数据,坏杠杆点,坏零注射以及某些类型的网络攻击。此外,其计算效率高,使它适合在线应用程序。除了GM-estimator击穿点的好,它有一个统计效率高在高斯或其他测量thick-tailed非高斯噪声。的原始版本GM-estimator使用SCADA测量提出了米利和他的同事在1996年[1]。其数值稳定性增强用吉文斯旋转(R2)。在(R3) GM-estimator扩展到同时估计变压器抽头位置和系统状态。坏零注射解决。在(R4),提出了GM-estimator处理创新和观察异常值以及测量动态状态估计的损失。
在这里,我们想与大家分享的Matlab代码GM-estimator所有人员。我们也邀请你们每个人测试方法和给我们你的如果你有任何的反馈。附加的代码是实现提出的GM-estimator米利(R1)。测试系统包括IEEE 14-bus 30-bus和118 -总线系统。仅包含了SCADA测量。我们有详细的代码的注释。
当你使用这段代码对你未来的研究和出版物,我们将不胜感激如果你引用的论文[R1-R4]。请让我们知道如果你有任何问题在使用这段代码。你的反馈和评论是高度赞赏。
我们也愿意承认的贡献从罗布森教授,教授科斯塔Rousseeuw教授,教授Lemos,马科斯先生。
最好的问候,
Junbo赵和人士米利
电子邮件:zjunbo@vt.edu, lmili@vt.edu
布拉德利电子和计算机工程系
弗吉尼亚理工学院和州立大学
(R1) l·米利,m . Cheniae n . Vichare和p . Rousseeuw“鲁棒状态估计基于投影统计,“IEEE反式。电力系统,11卷,没有。2、1118年- 1127年,1996页。
(R2) r·c·皮雷a·s·科斯塔l·米利”通过吉文斯旋转迭代再加权最小二乘状态估计,”IEEE反式。电力系统。,14卷,不。4、1499年- 1507年,1999页。
(R3) r·c·皮雷l·米利·a . Becon Lemos“限制电力系统状态变量的稳健估计和变压器抽头位置错误zero-injections之下,“IEEE反式。电力系统。卷,29号3,页1144 - 1152,2014年5月。
(R4) j·b·赵m .清爽的l·米利”一个健壮的迭代扩展卡尔曼滤波对电力系统动态状态估计”,IEEE反式。电力系统。,DOI: 10.1109 / TPWRS.2016.2628344,出版社。