Adaptive Dynamic State Estimation in Power Systems With Real-Time Y-Bus Matrix Estimation: A Step Toward Greater Practicality
Notice bibliographique
Résumé
Dynamic State Estimation (DSE) has become pivotal in power system regulation and real-time contingency analysis, thanks to advancements in Phasor Measurement Units (PMUs) and Wide-Area Measurement Systems (WAMS). Traditionally, DSE relies on accurate, up-to-date information regarding system topology and loads. Maintaining precise estimations of these dynamic parameters is challenging and crucial for effective control and protection actions within power grids. This paper addresses the limitations of traditional DSE methods by relaxing the assumption that the admittance (i.e., Y-bus) matrix must be provided as an input at every time step. Instead, an adaptive variable forgetting-factor Recursive Least Squares (RLS) estimator is proposed for real-time Y-bus matrix estimation. This innovative approach leverages the inverse power flow equations to dynamically estimate the reduced Y-bus while simultaneously performing state estimation. To enhance accuracy and responsiveness, the estimator is integrated with the Gauss-Newton Variable Forgetting Factor (GN-VFF), allowing for precise adjustments and efficient tracking of changes. Implemented within a batch-mode regression-based Extended Kalman Filter (EKF), the GN-VFF-enhanced Y-bus estimator bridges the gap between theoretical assumptions and practical implementation. The effectiveness of this approach is validated through various scenarios on the IEEE 14-bus test system, demonstrating its potential to improve the practicality and performance of DSE in power systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».