基于有限时间平均一致性的大规模电力系统分布式多智能体融合状态估计方法

本文提出一种基于有限时间平均一致性（FACA）与影响函数（IF）的分布式多智能体融合状态估计（DMFSE）方法，适用于大规模电力系统。该方法通过分区部署本地估计器，显著降低数据传输负荷，并利用广义相关熵损失（GCL）与二次函数（QF）构建优化模型，有效抑制不良数据与非高斯噪声干扰，提升估计精度与系统鲁棒性。

　　

Highlight

• •

  所提出的DMFSE方法通过结合有限时间平均一致性算法（FACA）和影响函数（IF），实现了完全分布式架构，使每个子区域能够获得全局状态估计结果，而现有分布式方法[22][30][36]仅能实现局部估计。

• •

  基于广义相关熵损失（GCL）和二次函数（QF）构建的代价函数经过专门设计与优化，可有效应对不良数据和非高斯噪声，其估计精度优于现有集中式与分布式方法[10][11][14][36][37]。

• •

  所提出的DMFSE方法支持多种连通通信网络，即使在部分通信故障时仍能保持收敛。

Conclusions

本文提出了一种新型完全分布式多智能体融合状态估计（DMFSE）方法，适用于具有多子区域的大规模电力系统。该方法基于改进的广义相关熵损失函数和二次函数，结合有限时间平均一致性算法（FACA）和影响函数（IF），实现了完全分布式运行，使得每个子区域能够独立获取全系统状态估计结果。改进的广义相关熵损失函数有效提升了算法对不良数据和非高斯噪声的鲁棒性，显著提高了估计精度和系统可靠性。