不确定量测下发电机动态状态估计性能分析

相量测量单元（PMU）中随机误差不可避免,在实际电网系统中PMU量测数据可能出现延时、重新排序甚至丢失等不确定情况。为准确估计电力系统机电暂态过程中的状态信息,首先建立量测丢失下的发电机动态状态估计模型;然后在某实际电网系统算例中分别采用无迹混合滤波（UMF）、粒子滤波（PF）和所提出的改进粒子滤波（IPF）3种算法对发电机动态状态估计模型进行了仿真试验。仿真结果表明：在不确定量测系统下,改进的IPF算法的滤波性能和抗差性能优于UMF与PF算法,更适用于不确定量测下发电机动态状态估计。     

基于容积卡尔曼滤波的发电机动态状态估计

同步相量测量单元(phasor measurement unit,PMU)能够对动态过程中同步发电机功角进行直接量测,但随机误差`PMU存在量测误差,从而对应用造成不良后果。提出一种机电暂态过程中发电机动态状态估计新方法。基于发电机四阶动态方程建立了发电机动态状态估计模型;给出了过程噪声误差计算方法;由于动态状态估计模型为非线性,进而提出基于容积卡尔曼滤波(cubature Kalman filter,CKF)的动态状态估计方法,利用球面-径向规则生成Cubature点,通过发电机动态方程对Cubature点进行变换,得到发电机状态量预报值。仿真分析利用某实际大区域电网同时实现了基于CKF和无迹卡尔曼滤波(unscented Kalman filter,UKF)的动态状态估计。对这两种方法的估计性能指标进行对比分析,结果表明CKF法状态估计效果和计算效率均优于UKF法状态估计。     

基于EKPF的机电暂态过程动态状态估计

根据暂态期间发电机的转子动态特性建立了动态状态估计（DSE）模型,针对扩展卡尔曼滤波（EKF）一阶线性化导致的滤波精度下降甚至滤波发散问题,结合粒子滤波（PF）提出了一种基于扩展卡尔曼粒子滤波（EKPF）的机电暂态过程动态估计方法,采用重采样策略选择粗糙采样以防止样本退化。利用WSCC三机九节点系统实现了EKF、无迹卡尔曼滤波（ＵＫＦ）和EKPF 3种算法的DSE,仿真结果说明了EKPF算法的有效性,且暂态期间其估计效果明显优于另2种方法。     

基于鲁棒容积卡尔曼滤波器的发电机动态状态估计

同步相量测量单元(PMU)能够对电力系统动态过程中发电机功角进行直接量测。然而,坏数据有可能导致状态估计准确度下降甚至失效。提出了一种基于鲁棒性容积卡尔曼滤波(CKF)的机电暂态过程发电机动态状态估计方法。在CKF中构造时变多维观测噪声尺度因子,根据量测新息对PMU量测误差进行调整,使得量测量能够对状态量预报值进行准确修正。给出了时变多维观测噪声尺度因子的具体构造方法。针对滤波增益求逆发生奇异的问题,提出解决方案,对鲁棒CKF动态状态估计过程进行说明。仿真结果表明该方法能够有效抑制量测坏数据对动态状态估计的影响。     

基于连续-离散容积信息滤波的发电机状态估计方法

针对机电暂态过程中发电机动态状态难以精确估计问题，提出一种基于连续-离散容积信息滤波的动态状态估计方法。首先建立能准确刻画发电机实际运行动态的连续 离散状态估计模型，然后利用1.5阶泰勒展开将随机微分方程转换为随机差分方程并根据三阶球半径容积规则对状态预测值进行精确计算，最后利用测量值对预测状态进行修正得到精确状态估计值。四机两区发电机系统的仿真结果表明，相较于传统发电机状态估计方法，文中方法不仅具有更高的估计精度、更强的鲁棒性和可接受的计算开销，而且具有易扩展于分布式电力系统状态估计的灵活性。     

一种估计同步发电机功角的新方法

功角是表征同步发电机运行状态和电力系统稳定性的重要参量，该文提出一种测量同步发电机功角的新方法，它利用发电机输出电压、电流的交流采样值和部分机组参数来估计功角，克服了传统电气计算方法在机组暂态过程中因受参数时变、磁饱和影响导致测量精度低的缺点。阐述了测量算法的推导和实现步骤，并将方法集成到同步相量测量单元(PMU)中；通过动态模拟试验验证方法的有效性，与脉冲方法实测的结果进行了比较。试验表明，提出的方法在系统稳态和暂态过程中都能获得满意的估计精度。由于方法仅依赖于电气量采样，易于实现，且成本远低于采用非电气传感器的测量方法。     

发电机无功功率与机端电压对系统暂态功角稳定性的影响

阐述了系统暂态功角稳定的物理意义,运用扩展等面积法则（EEAC）理论详细分析了发电机的无功功率和机端电压水平对电力系统暂态功角稳定性的影响。指出提高领先群机组的无功出力和机端电压水平有利于电力系统的暂态功角稳定;而提高余下群机组的无功出力和电压水平则不利于电力系统的暂态功角稳定。通过安徽电网实例仿真计算对结论的正确性进行了论证。     

基于自适应容积卡尔曼滤波的双馈风力发电机动态状态估计

对风电机组进行状态监测,可以研究风电机组运行规律,对含风电电力系统的分析与控制具有重要意义。提出一种基于自适应容积卡尔曼滤波(adaptivecubatureKalman filter, ACKF)的双馈风力发电机(doublyfedinduction generator,DFIG)动态状态估计方法。根据容积数值积分的原则,构建具有相同权值的容积点,经过DFIG非线性状态方程的传递,计算状态变量和误差协方差阵的预测值,利用量测量进行滤波修正,同时引入自适应技术,通过Sage-Husa估值器来实时估计过程噪声协方差,以建立DFIG动态状态估计模型。在含DFIG的改进四机两区系统进行算例分析,并与扩展卡尔曼滤波(extended Kalman filter,EKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)进行性能比较,验证了所提状态估计算法的准确性和鲁棒性。     

基于扩展卡尔曼滤波的同步相量测量数据计算

同步相量测量单元(phasor measurement unit,PMU)对硬件滤波后采样得到的离散数据仍然存在一些随机噪声信号,会影响同步相量测量计算精度。因此,针对PMU信号采集系统提出了一种扩展卡尔曼滤波(extended Kalman filter,EKF)方法实现对三相电压和电流正弦信号的实时状态估计,以提高动态相量信号的计算精度。首先,建立了考虑幅值和相位为时变情况的电力系统三相正弦信号的状态空间模型,然后给出了同步相量数据的动态EKF计算方法和步骤,最后,在MATLAB平台上进行仿真分析,验证了动态EKF滤波方法的有效性。     

基于无迹粒子滤波算法的发电机动态状态估计

同步相量测量单元(PMU)能够直接获取发电机动态过程中的功角等量测数据,由于实际的量测数据中含有随机噪声,为了得到更精确的发电机状态信息,有必要对量测数据进行滤波处理。提出一种基于无迹粒子滤波(UPF)的发电机动态状态估计新方法。首先,该方法基于发电机四阶动态方程建立了发电机动态状态估计模型,其次,在粒子滤波(PF)的框架下,该方法采用无迹卡尔曼滤波(UKF)求解PF的重要性密度函数,且在生成预测粒子的过程中使用了最新的量测信息,使得粒子的分布更加接近真实状态的后验概率分布。最后,通过美国西部系统协调委员会(WSCC)3机9节点系统和某实际电网系统的算例测试,将所提算法与UKF及PF的性能进行了对比。仿真结果表明,UPF在估计精度及对噪声的鲁棒性方面均优于PF与UKF。     

卡尔曼滤波理论在电力系统中的应用综述

现代电力系统中,由于可再生能源输出功率、负荷变化以及其他随机过程的存在,使得系统状态参数中往往混杂着噪声,因此有必要采取适当的方法,从随机干扰的观测信号中提取有效的系统状态参数。首先对卡尔曼滤波基本理论进行了介绍,给出了卡尔曼滤波的基本过程。然后主要综述卡尔曼滤波及其扩展形式在电力系统短期负荷预测、动态状态估计、电能质量分析、继电保护、风电场风速预测、电机状态和参数估计等方面的应用。最后给出了卡尔曼滤波在电力系统中应用的相关结论及其未来发展趋势。     

A New Fast and Efficient Artificial Neural Network Based State Estimator Incorporated into a Linear Optimal Regulator for Power System Control Enhancement

Abstract—Fast and accurate state estimation has a crucial role in practical implementation of state feedback-based controllers. But most of the states are not accessible or economically feasible to measure and must be estimated. Although such controllers are normally designed offline, their dynamic performance is evaluated online. Hence, having high speed with acceptable accuracy is an essential feature for estimators. In this article, a state estimator based on an artificial neural network incorporated into a linear optimal regulator is introduced. First, an extended Kalman filter is designed, then an estimator based on a proposed feed-forward neural network structure is elaborated after much effort on promising neural network structures. Different neural networks are trained using the data collected from the extended Kalman filter, and a qualified and shapeable alternative for the extended Kalman filter in reducing its drawbacks is obtained. The optimum structure is identified when minimum state estimation error is achieved. Significant speed and sufficient accuracy are the main advantages of the proposed structure to be used online for state estimation. Dynamic performance of the system equipped with the linear optimal regulator plus different estimators is examined and compared to a single-machine/infinite-bus power system in MATLAB (The MathWorks, Natick, Massachusetts, USA).     

考虑参数不确定性影响的发电机动态状态估计方法

噪声统计特性和模型参数的不确定性,会严重影响动态状态估计的精度。针对该问题,文中提出了一种基于H∞容积卡尔曼滤波(HCKF)的动态状态估计新方法。首先,建立发电机动态状态估计模型;其次,依据H∞滤波理论构造模型不确定性约束准则,并在容积卡尔曼滤波(CKF)中依据该准则计算更新估计误差协方差阵,抑制参数不确定性对状态估计精度的影响;最后,通过对IEEE 10机39节点系统和某实际大区域电网系统的算例测试,将所提方法与CKF方法和改进插值扩展卡尔曼滤波(IEKF)方法的估计性能进行对比。算例仿真结果表明,HCKF方法在估计精度和对模型不确定性的鲁棒性方面较CKF和IEKF方法均有所提高,能够有效抑制模型不确定性对发电机动态状态估计的影响。     

扩展卡尔曼滤波在动态负荷参数辨识中应用

采用扩展卡尔曼滤波算法建立由动态负荷和静态负荷组成的综合负荷数学模型,并列出了其转子运动方程、状态方程和输出方程,其中动态负荷由等值的异步电机表示,静态负荷由恒定导纳并联组成。通过动模试验,取得给定负荷在系统扰动时的电压、电流数据。根据所建立数学模型的输入、输出值,用扩展卡尔曼滤波算法辨识其中的待定参数。参数初值设置为真值的2～7倍,辨识结果误差为2%～3%。分析结果表明,扩展卡尔曼滤波可在短时间内收敛,能正确地辨识出系统参数,且稳定性好。结论表明扩展卡尔曼滤波可以用于电力系统参数辨识,为电力系统状态估计、负荷建模提供了有效方法。     

基于扩展卡尔曼滤波的风速估计算法研究

风场信息是机载大气数据系统故障情况下重构大气数据的基础,飞机对所处的风场的感知对飞行器的安全飞行具有重要意义。目前机载风速测量通常是基于惯性导航系统或GPS提供的地速与大气数据系统提供的真空速计算法,由于真空速的测量滞后以及测量误差,直接计算的风速不能满足飞机使用要求。利用高空风场以水平风为主的大气特点,建立风场估计模型,以水平风速的东向及北向分量作为状态向量,以机载大气数据系统压力传感器提供的动压为量测量,通过构建扩展卡尔曼滤波器的方法实现外部风场的精确估算。在此基础上对虚拟大气数据系统提供的风场信息进行分析,验证此估计算法的可行性和有效性。仿真结果表明,该方法可获得较高的风速估算精度,并具有良好的稳定性,为飞机高空飞行提供精确的外部风场信息备份。     

基于模糊自适应扩展卡尔曼滤波器的异步电动机无速度传感器控制

针对传统扩展卡尔曼滤波器(EKF)固定的噪声协方差矩阵在观测感应电动机转速时不能同时满足系统动态和静态下精确估计的问题,提出了一种模糊自适应调整噪声协方差的方法。该方法可以根据状态鉴别器输出状态,经模糊自适应调整噪声协方差矩阵参数,解决了系统在动态和静态时对噪声协方差矩阵中不同参数需求的问题。仿真表明所提模糊自适应EKF转速估计精度更高,有效地提高了系统的抗干扰能力。     

无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)的不足,将不需要对非线性系统函数进行线性化的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法引入电力系统动态状态估计,采用生成Sigma点数量最少的比例最小偏度单形采样策略进行无迹变换.以IEEE14系统为算例,仿真结果表明引入UKF后,估计结果的精度有所提高,但算法的效率较低,且数值稳定性较差.进一步引入平方根形式的UKF(square root UKF,SRUKF)模型,IEEE 14及IEEE 30测试系统的仿真结果证明:在不需要大量牺牲计算时间的同时,算法的数值稳定性得到了改善.表明SRUKF的引入对动态状态估计方法的改进是有效的.     

动态传输下基于改进卡尔曼滤波的电力计量计费数据状态估计

电力计量计费数据是电力营销业务公平公正实施的重要基础,具有数量总量大、通信方式多样等特点。为更加合理地利用通信资源并提升数据的可靠性,提出了一种动态传输下的改进扩展卡尔曼滤波方法用于电力计量计费数据的动态状态估计。首先,利用动态传输策略有选择地将区域电力计量计费数据传输到用户用电信息采集平台。然后,提出了一种改进扩展卡尔曼滤波方法,对电力计量计费数据进行动态状态估计,该算法利用不确定项表示线性化误差,在保证状态估计精度的基础上提高了计算速度。最后,用标准的IEEE-33配电网用户电表数据案例验证了该算法的可行性。     

多采样率EKF软测量在汽车状态估计中的应用

由于多采样率数字控制系统具有许多单采样率数字控制系统所不具备的优点,在深入研究多采样率数字控制系统和EKF算法的基础上,提出一种基于输入多采样率EKF的软测量算法,并将其应用于汽车的横摆角速度、质心侧偏角和纵向车速的估计。通过Carsim和Matlab／Simulinkl联合仿真与蒙特卡罗实验,结果表明该算法有利于获取更多的输入量信息,提高状态估计器的性能,比单采样率EKF算法的估计精度高10％～40％。     

混合量测下基于UKF的电力系统动态状态估计

针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在收敛速度慢、鲁棒性差的缺点,采用一种新的非线性方法——无迹卡尔曼滤波(UKF)法进行电力系统动态状态估计。UKF法由于使用了无迹变换,避免了线性化误差的引入和雅可比矩阵的计算,相比EKF法有更高的估计精度和稳定性。广域测量系统(WAMS)能够提供相量信息,具有精度高、全网严格同步等优点。因此,将WAMS量测数据和数据采集与监控(SCADA)系统量测数据相结合,形成应用混合量测的电力系统动态状态估计。仿真表明,UKF法相比EKF法能够更准确地估计动态系统中的状态量,WAMS信息的引入进一步提高了动态状态估计的性能。