基于分解协调及外网浓缩等值的多代理状态估计

传统分布式状态估计中，各分区子网独立估计时未考虑相邻子网的网络模型及运行状态，而只在协调时才弥补之前忽略的信息。针对此问题，文中结合多代理理论，提出一种基于分解协调及外网浓缩等值的状态估计方法。采用搭接式分区方法实现系统分解，构建了适用于分布式状态估计的二维联盟多智能体架构;通过建立外网浓缩等值模型，各子系统能够计及相邻系统影响，即使未经外层协调，独立估计结果也能满足一定的精度要求;构建了基于黑板模型的启发式协调修正机制，加快了信息融合速度，且使得相邻系统受到来自非边界节点的影响;并根据节点状态量对注入功率的灵敏度分析实现外层迭代，避免了重复估计。IEEE14节点、30节点及118节点系统的仿真结果验证了所述算法的正确性及有效性。