基于强跟踪滤波器的电力系统频率测量算法

频率在电力系统保护与控制、电能质量监测等领域都起到了关键作用。建立了谐波和噪声干扰下的电压信号的复数状态空间描述,提出了基于强跟踪滤波器(Strong Tracking Filter,STF)的电力系统频率测量算法。解决了扩展复数卡尔曼滤波(Extended Complex Kalmanfilter,ECKF)算法在算法收敛后,系统状态发生突变的情况下需要重置误差协方差阵来重新跟踪这些变化的问题,进一步提高了其动态跟踪速度。通过与鲁棒型扩展复数卡尔曼滤波(Robust Extended Complex Kalman Filter,RECKF)算法的对比仿真表明,STF测频算法在迅速跟踪电压频率、幅值和相位变化的同时又能够保持较低的跟踪误差。     

基于Sigma点卡尔曼滤波器的电力频率跟踪新算法

通过变换,首先将三相电压信号转换成一复电压信号,再利用一种复数型Sigma点卡尔曼滤波(CSPKF)算法以改进对发生谐波畸变和随机噪声干扰的电力系统电压信号的频率进行动态估计和跟踪的过程。理论证明,CSPKF算法与现有的复数型扩展卡尔曼滤波(ECKF)算法相比具有更佳的跟踪精度和稳定性。此外,CSPKF算法还成功解决了所有卡尔曼滤波算法都必须面对的当算法收敛后,系统参数发生突变的情况下需要重置误差协方差矩阵来重新跟踪这些变化的问题,进一步提高了其跟踪速度。对几种暂态电力信号模型的算法仿真表明,CSPKF算法具有优异的动态跟踪性能,迅速跟踪频率和幅值变化的同时又保持了较低的跟踪误差。     

基于容积卡尔曼滤波的配电网状态估计

针对配电网节点数多、维数高的特点,传统扩展卡尔曼滤波(Extended Kalman Filter,EKF)因线性化程度制约已难以满足配电网状态估计要求。为克服EKF线性化过程引入的误差,以及提升高阶系统估计性能,将不需要对非线性系统函数线性化的容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法引入到配电网状态估计中,并利用三阶球面—径向规则生成容积点来近似系统函数的非线性分布。通过对三相不平衡电网进行算例仿真表明,CKF算法相较于EKF算法不仅具有更高的估计精度,且在算法的数值稳定性与算法效率方面都要优于EKF算法。     

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计...     

基于改进的RBAUKF的电力频率跟踪新算法

将电力系统的三相电压信号构造成一复信号,然后利用改进的RBAUKF算法对发生谐波和随机噪声干扰的电力系统电压信号进行动态估计和频率跟踪。针对电力系统中充满谐波畸变和随机噪声干扰,而复数型扩展卡尔曼滤波(ECKF)只是对非线性映射本身做某种线性近似等问题,在基于无迹卡尔曼滤波(UKF)算法的基础上,提出改进的无迹卡尔曼滤波(RBAUKF)的估计算法,并与复数型扩展卡尔曼滤波做了相应比较。经过对几种暂态电力系号模型的仿真试验表明,改进的RBAUKF在计算复杂度和估计精度上都优于ECKF。     

伺服系统惯量辨识技术(四) 扩展卡尔曼滤波器

<正>1引言扩展卡尔曼滤波器(Extended Kalman Filter,EKF)是一种最优随机状态估计器,具备平滑噪声和较强地抗干扰能力,当系统出现测量噪声时,依旧可以对系统状态进行准确估计。基于扩展卡尔曼滤波的惯量辨识方法通过将电机转速和转动惯量看成滤波器的状态变化量,滤波器输出即可得到惯量的辨识结果。     

电力系统动态状态估计的研究现状和展望

综述了电力系统动态状态估计DSE(Dynamic State Estimation)的研究现状,对目前常用的DSE方法作了简明对比。。描述了基于扩展卡尔曼滤波EKF(Extended Kalman Filter)算法的DSE数学模型,并介绍了3类改进算法,用以提高EKF算法的自适性性、鲁棒性和准确性。针对不良数据的检测和辨识,在简要分析传统量测量残差检测和突变检测方法优缺点的基础上,又介绍了一些新的理论。总结了外部网络模型等值的一些观点。最后,提出了DSE研究中几个方面的构想以供参考。     

基于强跟踪卡尔曼算法的油色谱数据滤波

变压器油色谱的在线监测技术在实际中广泛应用,然而,在变压器运行及油色谱数据测量过程中,各种随机因素的存在都可能引入误差,导致油色谱数据的不准确,从而影响监测系统的正确判断。提出建立变压器油色谱的强跟踪卡尔曼滤波(Strong Tracking Extended Kalman Filter,STEKF)模型,不仅能够给出更为准确的油色谱数据以及预测未来的运行状态,还具有较强的鲁棒性和突变状态跟踪能力。     

基于参数跟踪的感应电机转速与磁链强跟踪滤波估计方法

针对感应电机高性能矢量控制中的转速与磁链估计问题,提出了一种包含参数跟踪的转速与磁链联合估计强跟踪滤波(STF)方法.考虑电机参数变化及模型不确定性,采用粒子群迭代学习动态优化算法实现对感应电机参数的在线跟踪,修正的STF算法用于实现对感应电机转速与转子磁链的联合估计.仿真结果表明,包含参数跟踪的STF算法能够有效实现对感应电机转速与转子磁链的高性能估计;与扩展卡尔曼滤波算法相比,包含参数跟踪的STF算法在估计精度、跟踪速度和稳定性方面得到大幅度提高,并且能够快速跟踪突变状态,尤其在低速段仍能保持较好的估计性能,有效提高了状态估计精度和模型鲁棒性.     

基于双向DC/AC变换器的混合储能系统动态控制策略

针对风电和光伏并网发电系统的功率波动问题,研究了一种基于双向DC/AC变换器的混合储能系统的动态控制策略。对含有超级电容器与蓄电池组的混合储能系统,通过双闭环控制器对变换器内部的电压电流进行控制,把波动变化较快的电流分量分配给超级电容器,由蓄电池来响应波动变化较慢的电流分量。同时,控制系统将超级电容器的电压稳定在预设范围内。基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)对蓄电池的荷电状态(State of Charge, SOC)进行控制,使其SOC值稳定在安全范围内并延长了蓄电池的使用寿命。通过仿真实验,验证了控制方法的有效性。     

基于动态工况下电池SOC估算的研究分析

锂离子电池作为电动汽车常用的动力源,电池荷电状态(State of Charge,SOC)直接反映了电动汽车的运行安全状态,因此准确估算电池SOC具有重要意义。通过采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法原理,建立戴维宁(Thevenin)等效电路模型,并结合Matlab算法程序的方法对动态工况下的电池SOC进行估算分析,验证了该EKF算法程序的准确性和可行性。估算结果表明,采用该方法对动态工况下的SOC估算具有很好的估算效果,估算精度平均可达97%。     

基于扩展集员滤波的发电机动态状态估计

为了提高电力系统机电暂态过程中发电机动态状态估计的精确性,提出了一种考虑转子角功角不等关系的发电机动态模型。在此基础上,进一步提出采用适合非线性滤波问题的扩展集员滤波（Extended Set Membership filter,ESMF）算法对动态模型进行求解。以IEEE 9节点系统为例,对基于ESMF和扩展卡尔曼滤波（Extended Kalman filter,EKF）的状态估计方法进行仿真比较,仿真结果表明,ESMF方法能有效地实时估计电力系统机电暂态过程中发电机功角轨迹,且精度更高。     

基于伪量测自适应插值策略的发电机动态状态估计

随着智能电网建设的推进,同步相量测量单元(phasor measurement unit,PMU)技术逐步成熟并大量应用于电力系统中。针对扩展卡尔曼滤波(extended Kalman filter,EKF)线性化误差和噪声鲁棒性的缺陷,提出一种基于伪量测自适应插值策略的插值强跟踪扩展卡尔曼滤波(interpolation strong tracking extended Kalman filter,ISTEKF)方法。该方法通过在EKF中引入强跟踪理论和基于有限状态机的伪量测自适应插值策略,有效提高了估计精度和噪声鲁棒性。仿真结果表明,所提方法相比于EKF和插值扩展卡尔曼滤波(interpolation extended Kalman filter,IEKF)具有更好的估计精度和鲁棒性。     

基于EKF的无位置传感器永磁同步电动机控制系统

本文研究了基于扩展卡尔曼滤波(Extended Kalman Filter—EKF)的无位置传感器永磁同步电动机控制系统。以永磁同步电动机矢量控制系统为基础,建立了基于EKF的转子位置和转速估算模型。针对"无穷大转动惯量"假设进行了分析,提出了相应修正措施。仿真结果表明该方法是有效的。     

基于误差补偿的UKF动态状态估计

当前广域测量系统(Wide Area Measurement System,WAMS)和数据监控及采集系统(Supervisory Control and Data Acquisition,SCADA)组成了状态估计数据采集的混合量测系统,使得基于混合量测数据兼容方案的电力系统实时在线估计成为可能。传统无迹卡尔曼滤波(Unscented Kalman Filter,UKF)动态状态估计由于预测步精度不足和后验校正步纠偏能力有限,已不能满足电力系统对状态估计精度的要求。为此,文章从误差补偿思想出发,引入基于布雷顿秩1的拟牛顿算法作为UKF估计后验校正步的误差补偿,提出了基于误差补偿的UKF新算法应用于动态状态估计。通过IEEE 30节点系统上的仿真分析,验证了该算法在控制估计误差上的有效性和具有良好的抗差性能。     

基于强跟踪滤波算法的异步电机参数自适应无速度传感器控制

在异步电机四阶模型的基础上增加机械和转矩方程,并引入负载转矩和转子电阻为状态变量,得到七阶非线性模型.利用强跟踪滤波(STF)算法实现电机状态和转子电阻的同时估计,通过仿真比较了STF和扩展Kalman滤波(EKF)算法的估计性能.结果表明,STF算法能有效估计电机状态及辨识转子电阻,并且具有比EKF算法更理想的估计性能,同时能满足极低速和零速下的估计要求,从而在电机的整个工作范围内实现转子电阻自适应的状态估计.     

计及零注入约束的电力系统动态状态估计

已有的动态状态估计大多数都没考虑系统的约束条件,状态估计结果无法满足潮流方程。为此,提出计及零注入约束的电力系统动态状态估计模型,并利用投影无迹卡尔曼滤波(projected unscented Kalman filter,PUKF)算法求解。采用无迹变换技术处理非线性方程,避免了线性化误差;采用投影估计法将状态量估计值投影到约束表面,使估计结果严格满足约束条件。以IEEE-30节点系统为算例进行仿真分析,并将计及零注入约束的PUKF算法与不考虑约束的扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行比较,结果表明基于PUKF的计及零注入约束的动态状态估计较不考虑约束的动态状态估计,具有更好的状态估计、量测滤波、约束满足和不良数据检测性能。     

电力系统自适应基波提取与频率跟踪算法

传统的电网频率跟踪算法一般依赖于调整所选电网模型的响应速度或精度来增强电力系统异常情况下的稳定性,为减小电网谐波或噪声对频率测量的影响,提出了一种自适应基波提取与频率跟踪算法。该算法通过对电网状态的预估,获得电网频率与电压幅值的估计值,用于实时更新无限冲击响应滤波器系数,实现电网的白适应基波提取,同时还给出了滤波器在系数切换时快速稳定的方法,在此基础上,引入鲁棒扩展卡尔曼滤波算法,实现对基波频率的精确跟踪。仿真和实测结果表明,该算法响应速度快,测量精度高,可有效抑制电网噪声对频率跟踪结果的影响,且算法复杂度较低,可以满足电力系统实时应用的要求。     

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。     

强跟踪自适应CKF及其在动力定位中应用

针对容积卡尔曼滤波(cubature Kalman filter,CKF)在动力定位系统存在不良测量及船舶运动模型不确定时滤波精确度下降甚至发散的问题,提出一种强跟踪自适应CKF算法。利用新息协方差匹配原理,建立对系统的不良测量具有鲁棒性的自适应CKF。基于强跟踪滤波(strong tracking filter,STF)的理论框架和自适应CKF算法,构建强跟踪自适应CKF,该算法克服了标准强跟踪滤波的理论局限性,兼具STF与自适应CKF的优点,在系统存在模型不确定性及不良测量时具有良好的鲁棒性和滤波精确度。通过仿真验证了所建算法的有效性。