基于广域测量信息的电力系统解列研究的中期报告本次研究基于广域测量（WAMS）信息，探讨了电力系统的解列问题。主要研究内容包括两部分：一、基于WAMS的电力系统状态估计电力系统状态估计是解决解列问题的重要手段之一。本研究首先在IEEE14节点系统中构建了WAMS，并采集系统中各个节点的电压和相角数据。然后，利用基于粒子群优化的扩展卡尔曼滤波（PSO-EKF）算法对系统状态进行估计。在算法的实现过程中，我们考虑到了现实系统中节点信息的不完整性，采用卡尔曼滤波方法进行状态估计。上述算法在仿真实验中的效果表明，在考虑了节点信息的不完整性的情况下，PSO-EKF算法比传统的EKF算法表现更为优异，能够更加精确地估计系统状态。二、基于WAMS的电力系统解列系统解列是解决电力系统故障问题的重要手段之一。本研究中，我们首先考虑了基于WAMS的电力系统传统解列方法。具体地，我们通过分析电力系统中各个节点的电压相角特征，采用最小二乘法的方法进行解列。仿真结果表明，该传统方法能够较为准确地解出系统故障。然而，由于电力系统之间耦合程度的加深，传统的解列方法难以应对更为复杂的故障。因此，本研究尝试提出一种基于WAMS的数据驱动解列方法。具体地，我们首先对故障区域内的多个节点进行聚类分析，确定出若干群体，并对每个群体利用极大似然估计方法进行零阶模型构建。然后，我们采用基于梯度下降法的最小二乘算法对群体间的信息进行传递，进一步更新解列结果。仿真结果表明，该方法相对于传统方法能够更为准确地解出故障。