-
在电力系统潮流计算刚刚出现时，普遍运用高斯--赛德尔迭代法来进行潮流计算。随着电力系统的复杂化，牛顿--拉夫逊法和PQ分解法也应运而生，逐步占据主要地位。随着计算机的普及和人工智能理论的发展，遗传算法、人工神经网络、模糊算法也逐渐被引入了潮流计算之中[10]。25332
- 上一篇：有限时间跟随一致性国内外研究现状
- 下一篇：电压监测国内外研究现状和发展趋势
2. 状态估计发展历程
“电力系统状态估计”指的是根据已经测量出的电力系统的各个参数信息，估计出当前电力系统的潮流状态。在电力 中运用的初期研究中，早在1960年左右，在负荷预报中已经采用了卡尔曼滤波法。随着科学家不断的深入研究实时潮流，在电力系统中普遍地使用状态估计来进行潮流计算[10]。论文网
美国电力公司AEP的J.F.Dopazo等人提出的是包含在最小二乘法中的量测变换状态估计法，它的特点有：仅使用支路潮流量测值，计算速度快、占用内存少和程序设计简单，虽然也有节点注入型量测量的困难的缺点，但在实际中并不妨碍计算，在1975年就投入了实际运行，由于长时间的实践，在运行经验上十分丰富。在相同时间，在美国电力系统BPA最早开展了卡尔曼逐次估计算法的是R.E.Larson和A.S.Debs等人，采用对角化的状态估计误差协方差矩阵，是由于较高文数的电力系统状态估计量的存在。虽然节省计算内存和提高速度，但因此使收敛性能和估计质量降低,进而妨碍了实际中的应用，导致无法广泛运用[10]。
随后，许多国家(包括许多欧美、澳洲、苏联)的电力公司都派出学者在电力系统状态估计方面展开深入的研究。将状态估计最早应用在实际电力生产中的是挪威Tokke水利局在小型电力网络中的设计的状态估计程序[10]。
随着电力系统状态估计的发展，越来越注重提高实测数据与状态估计之间的配合。当前，越来越多的学者致力于这方面的研究工作，使得电力系统状态估计法不断完善。早在1960年左右，就有学者提出利用卡尔曼滤波法建立动态状态估计器；并且为了提高模型的精度，越来越多的新方法被引进到状态估计中，如倾斜因子和状态预测等方法。然而，卡尔曼滤波法所耗费的计算代价太大，难以适应在线状态估计的应用要求[10]。