欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击本文完整资源下载⛳️座右铭行百里者半于九十。⛳️赠与读者‍做科研涉及到一个深在的思想系统需要科研者逻辑缜密踏实认真但是不能只是努力很多时候借力比努力更重要然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览免得骤然跌入幽暗的迷宫找不到来时的路它不足为你揭示全部问题的答案但若能解答你胸中升起的一朵朵疑云也未尝不会酿成晚霞斑斓的别一番景致万一它给你带来了一场精神世界的苦雨那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。或许雨过云收神驰的天地更清朗.......第一部分——内容介绍三相不平衡配电网静态与动态状态估计仿真研究摘要新型电力系统建设背景下配电网广泛接入分布式光伏、电动汽车两类高波动性主体使得配网三相负荷偏移程度持续加深节点电压幅值、相位呈现显著时变特征。传统加权最小二乘WLS静态状态估计仅依靠单一时刻断面量测开展求解无法利用前后时序数据的关联约束在电动汽车集中充电、光伏短时骤降等系统扰动工况下估计误差会出现明显激增标准无迹卡尔曼滤波UKF采用固定不变的量测噪声协方差矩阵难以自适应识别通信噪声、负荷突变带来的不良量测容易出现状态跟踪滞后、滤波发散等问题。为此本文以三相耦合 IEEE 33 辐射型配电网为研究对象完整计及线路相间互阻抗、对地充电电容等三相耦合参数搭建精细化配网数学模型构建融合光伏、电动汽车分时出力特性的三相前推回代潮流算法生成全时段系统真实运行状态作为仿真基准数据集系统推导六类三相量测对应的静态 WLS 完整求解框架剖析静态估计算法的固有局限性基于无迹变换理论搭建标准 UKF 动态估计模型针对突变量测干扰缺陷提出残差迹驱动的自适应无迹卡尔曼滤波AUKF改进方案通过实时计算残差与预测协方差的匹配程度动态调整量测置信度结合 M 估计方法弱化异常量测对滤波更新的干扰。本文设置平稳运行、负荷阶跃突变两类仿真场景从三相电压幅值平均误差、最大误差、相角跟踪偏差多个维度定量对比 WLS、标准 UKF、改进 AUKF 三种算法的估计性能。仿真结果证明常规平稳工况下改进 AUKF 相较另外两种算法具备小幅精度提升在大规模电动汽车充电、光伏出力剧烈波动的强扰动场景中该自适应算法能够有效抑制不良量测带来的偏差大幅降低三相电压幅值、相角的估计误差动态跟踪能力与数值稳定性更优。关键词三相不平衡配电网分布式光伏电动汽车加权最小二乘无迹卡尔曼滤波自适应滤波动态状态估计1 绪论1.1 研究背景与研究意义传统城市配电网负荷以工业、居民稳定用电为主三相不平衡程度较低运行工况长期保持平稳。随着新型电力系统落地推进配网侧分布式光伏、电动汽车渗透率持续攀升两类主体的运行特性给配网运行带来颠覆性变化。分布式光伏仅日间具备发电能力受光照强度影响出力随机波动阴天、傍晚时段会出现出力断崖式跌落电动汽车充电行为具备极强随机性通勤时段大量车辆集中接入会造成单 / 两相负荷短期激增直接加剧配网三相不对称程度造成各节点电压幅值偏移、相间相位差偏离标准 120°。配电网状态估计是配网态势感知、三相不平衡治理、故障研判、电压优化调控的底层核心支撑技术依托全网部署的各类量测终端采集数据求解全部节点各相电压幅值、相角等核心运行状态上层所有调控策略、故障分析均以状态估计结果为数据基础。若状态估计偏差过大会直接导致电压越限治理、故障定位等措施失效。现有传统估计算法存在明显适配短板单相简化模型忽略线路三相耦合效应建模误差无法消除静态 WLS 仅独立求解每个时间断面无历史状态平滑约束扰动下精度大幅下降标准 UKF 固定噪声参数无法自适应抵抗突变不良量测干扰。在此背景下构建一套完整计及三相线路耦合、适配光伏与电动汽车时序波动的自适应动态状态估计理论能够提升扰动工况下配网状态感知精度为高新能源渗透率配网在线监测、实时调控提供可靠数据支撑具备重要理论研究价值与工程应用价值。1.2 国内外研究现状1.2.1 静态加权最小二乘状态估计研究现状加权最小二乘是电力系统静态状态估计的经典基础算法自提出以来在输电网、配电网得到广泛应用。该算法以各量测设备的噪声方差作为权重系数构建加权残差平方和目标函数通过牛顿迭代法对非线性潮流量测方程逐次线性近似迭代求解目标极小值得到最优状态。针对平衡单相配网WLS 理论体系、求解流程已经十分成熟但面向三相不平衡配网时存在明显缺陷。现有大量文献为降低计算维度、缩短迭代耗时简化甚至忽略支路相间互阻抗、对地充电电容采用解耦近似模型模型本身引入固定误差同时 WLS 属于断面独立求解算法每个时刻的估计过程不关联前后时段运行信息时序仿真场景中需要逐次完整迭代计算开销偏大当系统出现充电高峰、光伏骤变等扰动单断面量测残差急剧升高无历史状态约束缓冲最终电压估计偏差会显著增大。1.2.2 卡尔曼类动态状态估计研究现状动态状态估计区别于静态算法引入时序演化模型利用连续多时刻量测数据的关联性平滑随机噪声提升动态工况跟踪效果。扩展卡尔曼滤波EKF是早期动态估计主流方案但 EKF 对潮流非线性方程做一阶泰勒截断近似三相配网潮流非线性程度高迭代过程截断误差持续累积大幅降低估计精度。无迹卡尔曼滤波UKF放弃线性近似思路采用无迹变换直接对状态均值、协方差做非线性传递规避截断误差更适配三相配网复杂量测方程。但标准 UK 存在核心缺陷量测噪声协方差矩阵为固定常数不会随实时量测质量调整。当电动汽车集中充电、通信故障造成不良量测时量测残差远大于理论预测波动范围卡尔曼增益失衡出现跟踪滞后极端工况下滤波数值发散。1.2.3 自适应卡尔曼滤波改进研究现状针对标准 UKF 噪声参数固定的短板国内外学者提出两类自适应改进思路第一类自适应方案实时修正过程噪声矩阵适配负荷缓慢漂移场景第二类基于量测残差动态调整量测噪声权重抑制异常数据影响。多数改进方案需要设置多重判断阈值、多层迭代寻优在线实时仿真场景下计算负担较重难以满足配网毫秒级感知需求。本文采用残差迹对比构造无量纲自适应修正系数无需提前预设异常判定阈值仅通过简单矩阵迹运算实现量测协方差动态修正同时搭配 M 估计指数权重进一步削弱大残差不良量测的影响计算轻量化适配配网在线实时估计场景。1.3 本文主要研究内容搭建完整三相耦合 IEEE 33 节点辐射配网数学模型完成线路阻抗、电纳参数标幺换算推导三相节点导纳矩阵标准化组装流程构建嵌入分布式光伏、电动汽车分时负荷时序的三相前推回代潮流算法生成全天 24 小时时序电压真值数据集作为所有估计算法的精度评价基准。划分节点电压幅值、电压相角、节点注入有功、节点注入无功、支路首端有功潮流、支路首端无功潮流六类三相量测建立统一非线性量测体系完整推导 WLS 迭代求解流程分析静态估计算法在扰动工况下的固有短板。建立配网电压时序随机游走状态空间模型阐述无迹变换采样机制与标准 UKF 预测、更新全流程针对负荷突变、不良量测场景设计基于残差迹判据的自适应改进策略给出自适应协方差修正、鲁棒权重构造完整实现思路。设置平稳运行、负荷阶跃突变两类对比仿真场景从 A/B/C 三相电压平均相对误差、全系统最大误差、时序跟踪曲线三个维度定量对比 WLS、标准 UKF、改进 AUKF 三种算法验证所提自适应算法的稳态精度与抗扰动鲁棒性。1.4 论文章节安排本文一共分为六个章节第一章为绪论阐述课题研究背景、意义、国内外研究现状与全文研究内容第二章搭建三相不平衡配电网基础数学模型包含标幺体系、三相耦合导纳矩阵、含新能源时序潮流模型第三章详细推导基于加权最小二乘的静态状态估计完整理论与迭代流程第四章构建标准 UKF 动态估计算法重点介绍本文残差迹自适应 AUKF 改进策略第五章设置多组仿真算例对比分析三种算法的估计性能第六章总结全文工作梳理现有不足并给出后续拓展研究方向。2 三相不平衡配电网基础数学模型2.1 系统基准与线路参数标幺换算本文仿真对象为 12.66kV 中压三相 IEEE 33 节点辐射配网为消除电压、功率量纲带来的计算差异统一采用标幺值开展全部运算选取行业通用基准容量、基准线电压。基于电压、功率基准推导阻抗基准完成每条三相支路耦合阻抗、对地电纳的标幺转换。每条三相支路并非三相互解结构存在 A-B、B-C、A-C 相间互阻抗与对地充电电容因此每条支路均采用 3×3 耦合阻抗矩阵、3×3 对地电纳矩阵完整描述电气特性。支路导纳矩阵由耦合阻抗矩阵求逆并取负得到完整表征支路两端三相电气耦合关系。2.2 三相耦合节点导纳矩阵构建仿真配网包含 33 个物理母线节点每个母线分为 A、B、C 三相独立电气节点整体电气节点总数 99 个最终形成 99 阶复数三相节点导纳矩阵矩阵实部为电导分量、虚部为电纳分量。遍历全部 32 条三相支路按照固定规则填充导纳矩阵对于任意一条支路分别对首端母线、末端母线对应的三相分块互导纳赋值满足电路互易特性同时对两端母线自导纳分块叠加支路对地半充电电纳扣除支路自身耦合导纳。逐支路循环填充后得到完整计及相间耦合、对地电容的高精度三相节点导纳矩阵规避单相解耦模型带来的建模偏差。2.3 系统状态变量定义配网待求解核心运行状态为全部节点 A、B 三相电压幅值与电压相位分别构建幅值向量、相角向量整合两类向量形成完整系统状态向量。三相理想平衡工况下A 相相位为 0B 相滞后 120°C 相超前 120°在光伏、电动汽车接入造成不平衡的实际工况中各相相位会偏离标准差值状态估计的核心目标就是求解每一时刻所有节点各相幅值、相位真实数值。2.4 含 DG、EV 时序三相前推回代潮流模型潮流计算是生成状态估计真值的核心工具依托辐射配网拓扑特性采用前推回代法求解能够精准输出全天各时刻三相电压真值作为评价估计算法优劣的基准数据。2.4.1 节点三相时序复功率模型每个母线节点的总注入复功率由三类功率叠加计算基础居民、工业负荷消耗功率、分布式光伏发出功率、电动汽车充电消耗功率。光伏出力、电动汽车充电功率均采用 24 小时分时时序数据表征日内波动特性所有功率数值统一完成标幺换算。基于节点复功率与复电压计算三相注入电流用于后续支路电流迭代求解。2.4.2 回代支路电流计算辐射配网拓扑呈现根节点1 号母线向外辐射结构所有支路电流可从末端负荷节点向根节点反向逐层累加。从最后一级末梢节点开始累加自身负荷注入电流与下游所有支路电流得到本级支路三相电流完成全支路电流回代求解。2.4.3 前推节点电压更新根节点电压固定为额定标幺值沿着辐射支路由首端向末端依次更新各节点三相电压支路电压降落由三相耦合阻抗矩阵与支路电流相乘得到不断迭代更新所有母线各相电压。2.4.4 迭代收敛判定每次迭代完成电压更新后对比前后两次迭代所有节点三相电压幅值差值当全网最大电压偏差低于极小收敛阈值时判定潮流收敛输出该时刻全部节点 A/B/C 三相电压幅值、相位存储为真值数据集。完整遍历全天 288 个 5 分钟间隔时序采样点生成完整时序真值支撑后续估计算法仿真。3 基于加权最小二乘的静态状态估计3.1 六类三相非线性量测体系结合中压配网量测终端实际部署情况划分六类可采集量测数据节点 A/B/C 三相电压幅值、节点三相电压相位、母线三相注入有功功率、母线三相注入无功功率、支路首端三相有功潮流、支路首端三相无功潮流。各类量测与系统状态电压幅值、相位之间存在非线性映射关系终端采集数据会受到传感器误差、通信噪声干扰叠加零均值高斯噪声形成实际可用量测向量。不同类型传感器测量精度存在差异依据各类量测噪声方差构建对角噪声协方差矩阵作为加权估计的权重依据。分别推导六类量测对应的解析表达式电压幅值、相位量测属于线性映射节点注入有功、无功依托三相导纳矩阵构建非线性潮流方程支路两端有功、无功潮流完整计及相间耦合与对地电容效应非线性程度更高。3.2 WLS 目标函数与迭代原理加权最小二乘算法核心思路是最小化加权量测残差平方和权重由量测噪声协方差的逆矩阵决定精度越高、噪声方差越小的量测在目标函数中权重占比越大。由于潮流量测方程高度非线性无法直接求解最优状态因此采用牛顿迭代策略在当前迭代点对量测方程做线性近似逐次修正状态变量直至收敛。3.3 量测雅可比矩阵分块构造牛顿迭代过程的核心矩阵为量测雅可比矩阵矩阵行对应各类量测列对应全部状态变量电压幅值、相位整体按照六类量测分块分别构建电压幅值偏导子矩阵、电压相位偏导子矩阵。电压量测子矩阵仅对应自身状态位置取值为 1其余位置全部为 0结构最简单节点注入有功、无功雅可比分别推导对应节点自身、其余节点电压幅值、相位的偏导表达式区分对角元素与非对角元素支路潮流雅可比完整计支路两端节点各相耦合关系推导支路有功、无功对全网所有电压幅值、相位的偏导。按照循环逻辑逐行填充完整雅可比矩阵为迭代修正量测残差提供线性近似支撑。3.4 WLS 完整迭代求解流程初始化系统状态一般取全网电压幅值 1.0、三相标准相位作为初始迭代值代入当前状态计算所有量测理论计算值求解量测残差组装分块雅可比矩阵求解信息矩阵增益矩阵计算状态修正增量更新全网电压幅值、相位判断所有状态修正量最大值是否小于收敛阈值未满足则重复 2-4 步满足则终止迭代输出当前断面估计结果。迭代收敛后可通过信息矩阵的逆矩阵得到状态估计协方差矩阵表征各相电压幅值、相位的估计不确定程度。3.5 WLS 算法固有局限性WLS 属于纯静态断面估计算法存在两处核心短板第一每个时刻独立迭代求解完全不利用上一时刻系统运行状态当负荷、光伏出现短时突变仅依靠单组带噪量测求解无历史状态平滑缓冲估计误差会大幅上升第二全天 288 个时序断面需要全部独立迭代整体仿真计算耗时较长无法满足配网实时在线感知需求。针对静态算法时序关联缺失的缺陷引入卡尔曼类动态状态估计方法。4 基于 UKF 与自适应 AUKF 的动态状态估计4.1 配网离散时序状态空间模型动态状态估计建立两套时序方程描述系统演化规律状态转移方程、量测方程。配网电压短时段内不会发生剧烈跳变采用随机游走模型描述相邻时刻状态变化过程噪声表征负荷、光伏、电动汽车带来的缓慢随机波动量测方程与第三章六类三相量测体系完全一致刻画当前状态与实时采集量测的非线性映射关系。4.2 无迹变换基础原理传统 EKF 依靠泰勒展开线性化带来固有截断误差无迹卡尔曼滤波采用无迹变换UT规避线性近似操作。基于当前状态均值与协方差生成少量 Sigma 采样点通过非线性函数直接传递采样点再由采样点重构量测均值、协方差完整保留非线性关系带来的统计特性。设置标准无迹变换控制参数计算均值、协方差两类权重系数按照标准化规则生成 2 倍状态维度加 1 个 Sigma 采样点为后续预测、更新步骤提供采样基础。4.3 标准 UKF 完整迭代流程标准 UKF 分为时间预测、量测更新两大核心步骤。时间预测步基于上一时刻后验状态生成 Sigma 点经状态转移方程传递得到下一时刻状态先验均值与先验协方差再次生成采样点代入非线性量测方程得到量测预测均值、量测协方差、状态 - 量测互协方差。量测更新步基于预测协方差求解卡尔曼增益利用实时量测与预测值的残差修正先验状态得到当前时刻后验电压幅值、相位与更新后状态协方差完成单次时序滤波计算。标准 UKF 全程采用固定量测噪声协方差无法区分正常量测与突变不良量测扰动工况下跟踪性能大幅衰减。4.4 残差迹驱动自适应 AUKF 改进方案针对标准 UKF 固定噪声矩阵的缺陷本文提出基于残差迹判据的自适应改进方法实时识别异常量测并降低其置信度。残差判定计算量测残差外积迹与预测量测协方差迹对比两者数值大小若残差迹更大判定当前存在突变量测自适应缩放因子基于两组迹的比值构造缩放系数残差显著超标时系数小于 1压缩量测协方差整体权重M 估计鲁棒权重引入指数衰减函数对量测噪声矩阵做逐元素修正残差越大的量测对应权重越低进一步削弱不良数据干扰协方差自适应修正利用缩放系数修正量测协方差、状态互协方差矩阵再基于修正后的矩阵求解卡尔曼增益完成状态更新。改进算法无需人工设置异常阈值仅增加简单矩阵运算计算成本小幅提升的同时大幅增强突变工况下的跟踪鲁棒性。4.5 AUKF 算法综合优势时序平滑能力充分利用前后时段状态关联依靠历史运行信息平滑随机量测噪声常规工况精度优于静态 WLS无非线性截断误差依托无迹变换不存在 EKF 一阶近似带来的模型偏差适配三相配网强非线性量测方程扰动自适应能力实时识别电动汽车集中充电、光伏骤变带来的不良量测自动降低异常数据权重无跟踪滞后、滤波发散问题实时计算适配仅增加迹运算、逐元素指数轻量化计算无多层循环寻优满足配网在线状态感知实时性要求。5 仿真算例与结果分析5.1 仿真基础参数与场景设计5.1 基础仿真参数仿真平台为三相 IEEE 33 节点辐射配网基准容量 10MVA基准线电压 12.66kV全天仿真时长 24 小时采样间隔 5 分钟总时序采样点 288 个分布式光伏接入 6、18 号母线电动汽车充电负荷接入 22、33 号母线各类量测叠加固定标准差高斯噪声电压量测噪声更小功率量测噪声相对更高。5.2 两类仿真对比场景场景 1平稳运行工况光伏、电动汽车全天负荷平缓小幅波动无短时阶跃扰动模拟日常正常运行状态 场景 2负荷突变工况第 25 个采样时刻引入三相负荷阶跃增量模拟通勤时段大量电动汽车集中充电、光伏快速跌落的强扰动场景。5.3 参与对比的三种估计算法WLS静态加权最小二乘状态估计UKF标准无迹卡尔曼动态状态估计AUKF本文提出残差迹自适应改进无迹卡尔曼滤波。5.2 算法定量评价指标采用两类误差指标量化三种算法的估计精度单节点各相电压幅值相对误差以真值为分母计算估计值与真值的相对偏差消除电压基准带来的影响单节点各相电压相位绝对误差直接计算估计相位与真值的差值 基于单节点误差统计全 33 条母线 A/B 三相的平均误差、全网最大误差作为横向对比依据同时选取典型母线绘制全天时序跟踪曲线直观展示动态跟踪效果。5.3 平稳工况仿真结果分析在无突变的常规平稳场景中量测仅存在小幅高斯随机噪声三种算法均能较好贴合真值但精度存在明显分层静态 WLS 无历史时序平滑全网三相电压平均相对误差、最大误差均显著高于两类动态滤波算法标准 UKF 依托时序状态平滑约束能够小幅削弱随机噪声影响整体精度优于 WLS本文 AUKF 自适应缩放因子接近 1仅做微小修正整体精度略优于标准 UKF平稳工况下具备最优估计效果。5.4 负荷突变工况仿真结果分析突变时刻系统三相负荷剧烈偏移量测残差大幅升高三种算法性能差距显著拉开WLS 仅依靠突变单断面一组量测无历史状态缓冲电压估计值出现剧烈跳变全网最大幅值相对误差接近 5%完全无法满足扰动工况感知需求标准 UKF 量测协方差固定不变无法抑制突变量测干扰滤波跟踪出现明显滞后突变后长时间存在持续估计偏差AUKF 实时识别超标残差自适应压缩不良量测权重充分利用突变前平稳时序状态约束电压幅值、相位平均误差、最大误差远低于另外两种算法曲线几乎同步跟随真值无滞后、发散现象。5.5 时序跟踪曲线对比选取 8 号母线 C 相作为典型观测对象绘制全天 288 个采样点电压幅值、相位时序曲线平稳区间三条曲线均贴近真值WLS 曲线存在持续性小幅偏离突变瞬间WLS 曲线剧烈震荡偏移标准 UKF 滞后一段距离AUKF 几乎与真值同步变化突变恢复阶段AUKF 快速收敛回真实电压数值标准 UKF 长期存在稳态偏差WLS 持续偏离基准曲线。5.6 仿真综合结论三相配网建模必须完整纳入相间耦合阻抗与对地电容若采用单相解耦简化模型会带来永久性建模误差所有估计算法精度同步下降全天平稳运行场景中UKF、AUKF 两类动态估计算法精度优于静态 WLS电动汽车集中充电、光伏出力突变等强扰动工况下本文残差迹自适应 AUKF 算法具备突出鲁棒性能够有效削弱不良量测干扰降低三相电压幅值、相位估计偏差动态跟踪性能显著优于 WLS 与标准 UKF。6 结论与展望6.1 全文研究结论完整搭建三相耦合 IEEE 33 节点辐射配网精细化数学模型完成线路参数标幺换算、三相节点导纳矩阵标准化组装构建融合光伏、电动汽车分时时序的三相前推回代潮流模型能够精准生成全天 24 小时三相电压真值数据集为各类状态估计算法仿真提供可靠基准。系统划分六类三相量测搭建静态 WLS 完整迭代求解体系剖析静态估计算法无时序约束、扰动下精度劣化的固有短板阐明动态滤波算法的必要性。基于无迹变换构建标准 UKF 动态估计模型针对突变量测缺陷设计残差迹自适应改进 AUKF无需预设异常阈值通过实时残差匹配程度动态调整量测置信度轻量化改进方案兼顾精度与计算效率。平稳、负荷突变两类仿真场景验证相较静态 WLS 与标准 UKF所提 AUKF 在常规工况小幅提升精度强扰动场景下抗干扰、动态跟踪优势突出适配高渗透率光伏、电动汽车接入的三相不平衡配网在线态势感知场景。6.2 后续研究展望丰富量测体系当前仿真仅采用电压、功率量测后续可引入三相支路电流量测提升全网量测冗余度改善末端弱可观母线的估计精度。融合不良数据检测模块将自适应缩放因子与残差卡方检测结合实现异常量测识别、自适应状态估计一体化框架同步完成不良数据剔除与状态求解。算法计算加速优化对雅可比矩阵、Sigma 点采样循环做向量化运算优化降低迭代计算耗时适配上万节点大型城市配网实时在线估计场景。联动配网调控策略将 AUKF 输出的高精度三相状态作为输入搭建状态感知 - 三相不平衡治理、光伏与电动汽车协同调压闭环控制体系实现算法工程落地应用。第二部分——运行结果部分代码plot(Z4,-r);hold onplot(Z5,--b);hold onplot(Z6,-.k);hold onlegend(红色为A相AUKF电压相角误差平均值,蓝色为B相AUKF电压相角误差平均值,黑色为C相AUKF电压相角误差平均值);xlabel(t/s);ylabel(rad%);disp(------------------------------------------------ UKF法-----------------------------------------);disp( 33节点系统 平均估计误差----------------- ----- 最大估计误差 );disp(-------------------A相-------B相--------C相---------------A相---------B相---------C相-------------- );fprintf(电压幅值|); fprintf(%16f, mean(Eukfa)); fprintf( %8.4f , mean(Eukfb));fprintf( %8.4f |, mean(Eukfc));fprintf(%18f, max(Eukfa)); fprintf( %8.4f , max(Eukfb));fprintf( %8.4f |, max(Eukfc)); fprintf(\n);fprintf(电压相角|); fprintf(%16f, mean(Aukfa)); fprintf( %8.4f , mean(Aukfb));fprintf( %8.4f |, mean(Aukfc));fprintf(%18f, max(Aukfa)); fprintf( %8.4f , max(Aukfb));fprintf( %8.4f |, max(Aukfc)); fprintf(\n);disp(-----------------------------------------------------------------------------------------------------);disp(------------------------------------------------ AUKF法-----------------------------------------);disp( 33节点系统 平均估计误差----------------- ----- 最大估计误差 );disp(-------------------A相-------B相--------C相---------------A相---------B相---------C相-------------- );fprintf(电压幅值|); fprintf(%16f, mean(EAukfa)); fprintf( %8.4f , mean(EAukfb));fprintf( %8.4f |, mean(EAukfc));fprintf(%18f, max(EAukfa)); fprintf( %8.4f , max(EAukfb));fprintf( %8.4f |, max(EAukfc)); fprintf(\n);fprintf(电压相角|); fprintf(%16f, mean(AAukfa)); fprintf( %8.4f , mean(AAukfb));fprintf( %8.4f |, mean(AAukfc));fprintf(%18f, max(AAukfa)); fprintf( %8.4f , max(AAukfb));fprintf( %8.4f |, max(AAukfc)); fprintf(\n);disp(-----------------------------------------------------------------------------------------------------);% %disp(--------------------------- State Estimation --------------------------);disp(-----------------------------------------------------------------------);disp(| Bus | Va | a-Angle | Vb | b-Angle | Vc | c-Angle |);disp(| No | pu | Degree | pu | Degree | pu | Degree |);disp(-----------------------------------------------------------------------);第三部分——参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。(文章内容仅供参考具体效果以运行结果为准)​​​​​​第四部分——本文完整资源下载资料获取更多粉丝福利MATLAB|Simulink|Python|数据|文档等完整资源获取本文完整资源下载