With the increasing penetration of distributed generators in the smart grids, having knowledge of rapid real-time electromechanical dynamic states has become crucial to system stability control. Conventional Supervisory Control and Data Acquisition (SCADA)-based dynamic state estimation (DSE) techniques are limited by the slow sampling rates, while the emerging phasor measurement units (PMUs) technology enables rapid real-time measurements at network nodes. Using generator bus terminal voltages, we propose a hybrid-learning DSE (HL-DSE) algorithm to estimate the synchronous machine rotor angle and speed in real time. The HL-DSE takes the power system model into account and trains neuroestimators with real-time data in an online manner. Compared with traditional DSE methods, the HL-DSE overcomes limitations by using a data-driven approach in conjunction with the physical power system model. The time efficiency, accuracy, convergence, and robustness of the proposed algorithm are tested under noises and fault conditions in both small- and large-scale test systems. Simulation results show that the proposed HL-DSE is much more computationally efficient than widely used Kalman filter (KF)-based methods while maintaining comparable accuracy and robustness. In particular, HL-DSE is over 100 times faster than square-root unscented KF (SR-UKF) and 80 times faster than extended KF (EKF). The advantages and challenges of the HL-DSE are also discussed.

中文翻译：

---

一种多机电力系统在线动态状态估计的混合学习算法。

随着分布式发电机在智能电网中的渗透率不断提高，具有快速实时机电动态状态的知识已成为系统稳定性控制的关键。基于常规监督控制和数据采集（SCADA）的动态状态估计（DSE）技术受到采样率低的限制，而新兴的相量测量单元（PMU）技术可实现网络节点的快速实时测量。使用发电机母线端子电压，我们提出了一种混合学习DSE（HL-DSE）算法，以实时估算同步电机的转子角度和速度。HL-DSE考虑了电源系统模型，并以在线方式用实时数据训练神经估计器。与传统的DSE方法相比，HL-DSE通过结合物理电源系统模型使用数据驱动方法来克服局限性。在噪声和故障条件下，无论是在小型还是大型测试系统中，都对所提出算法的时间效率，准确性，收敛性和鲁棒性进行了测试。仿真结果表明，所提出的HL-DSE比广泛使用的基于Kalman滤波器（KF）的方法具有更高的计算效率，同时保持了相当的精度和鲁棒性。特别是，HL-D​​SE的速度是平方根无香味KF（SR-UKF）的100倍以上，是扩展KF（EKF）的80倍。还讨论了HL-DSE的优点和挑战。该算法的鲁棒性和鲁棒性分别在小型和大型测试系统中的噪声和故障条件下进行了测试。仿真结果表明，所提出的HL-DSE比广泛使用的基于Kalman滤波器（KF）的方法具有更高的计算效率，同时保持了相当的精度和鲁棒性。特别是，HL-D​​SE的速度是平方根无香味KF（SR-UKF）的100倍以上，是扩展KF（EKF）的80倍。还讨论了HL-DSE的优点和挑战。该算法的鲁棒性和鲁棒性分别在小型和大型测试系统中的噪声和故障条件下进行了测试。仿真结果表明，所提出的HL-DSE比广泛使用的基于Kalman滤波器（KF）的方法具有更高的计算效率，同时保持了相当的精度和鲁棒性。特别是，HL-D​​SE的速度是平方根无香味KF（SR-UKF）的100倍以上，是扩展KF（EKF）的80倍。还讨论了HL-DSE的优点和挑战。HL-DSE比无根KF（SR-UKF）快100倍，比扩展KF（EKF）快80倍。还讨论了HL-DSE的优点和挑战。HL-DSE比无根KF（SR-UKF）快100倍，比扩展KF（EKF）快80倍。还讨论了HL-DSE的优点和挑战。