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。     

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。     

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。     

基于容积粒子滤波的配电网状态估计

高精度的状态估计是配电网安全稳定运行的基础。粒子滤波(Particle Filter,PF)选取重要性密度函数不准确以及卡尔曼框架下滤波方法对非线性系统滤波精度有限的问题,把容积粒子滤波(Cubature Particle Filter,CPF)引入配电网状态估计中。鉴于容积卡尔曼滤波(Cubature Kalman Filter,CKF)在状态更新阶段融入了最新量测,因此在粒子滤波框架下,利用CKF算法设计PF的重要性密度函数,采样获得的带权值粒子更加逼近真实后验分布,提高了状态估计精度。在三相不平衡配电网中进行仿真分析,结果表明,CPF算法比UKF滤波精度高。     

基于自适应容积卡尔曼滤波的主动配电网状态估计

有效的状态估计算法是确保电力系统安全、稳定、经济运行的前提条件。针对传统无迹卡尔滤波(unscented Kalman filter,UKF)参数选取难、灵活性差、高阶系统滤波精度低等缺陷,将数值稳定性较好的容积卡尔曼滤波(cubature Kalman filter,CKF)算法引入到配电网进行动态状态估计,并与改进后的自适应无迹卡尔滤波(Adaptive unscented Kalman filter,AUKF)算法进行对比,仿真分析表明CKF算法较AUKF算法具有较高的滤波精度以及较好的数值稳定性。该算法在系统负荷发生突变时滤波精度有所下降,为此进一步提出了自适应容积卡尔曼滤波(Adaptive cubature Kalman filter, ACKF)算法以改善状态估计性能。对三相不平衡电网进行算例仿真表明：ACKF算法相比较于CKF算法而言,滤波精度更高、鲁棒性更强。     

基于平方根容积卡尔曼滤波的发电机动态状态估计

发电机动态状态估计是电力系统动态安全分析的重要内容。针对容积卡尔曼滤波(CKF)在迭代中协方差阵不对称或非正定导致的估计精度下降甚至滤波发散问题,利用平方根滤波(SRF)能确保协方差阵非负定和数值稳定性方面的优势,提出基于平方根容积卡尔曼滤波(SRCKF)的发电机动态状态估计方法,并给出了计算步骤。最后,利用仿真系统和实际系统比较了SRCKF、CKF和无迹卡尔曼滤波(UKF)三种算法的估计性能,证明了SRCKF算法能够解决CKF滤波中因协方差阵非正定导致的滤波发散问题;同时SRCKF算法在计算效率、滤波精度和数值稳定性方面均优于CKF和UKF算法。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法。在模型参数辨识的基础上,构建了系统状态方程以及量测方程;随后,研究了无迹卡尔曼滤波算法及其自适应调整策略。根据仿真结果可知,该算法估计的电池SOC最大误差小于2.13%,估算精度及收敛速度均好于传统无迹卡尔曼滤波算法。     

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.     

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。     

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。     

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。     

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。     

考虑量测坏数据的发电机动态状态估计方法

随着相量测量单元(PMU)的广泛应用,基于PMU的发电机动态状态估计的研究越来越受到重视。如果存在量测坏数据,动态状态估计的滤波效果会受到严重的影响。首先介绍了一种基于无迹卡尔曼滤波(UKF)的发电机动态状态估计方法。然而,由于PMU数据的质量不高,为解决坏数据的问题,推导残差方程得出时变的阈值,再通过一种迭代检测的方法确定坏数据的测点位置。对于坏数据对应的量测,算法将其剔除后重新进行一次估计,以修正估计结果。算例结果表明,该方法能有效抑制量测坏数据对发电机动态状态估计的影响。     

基于容积粒子滤波的配电网动态状态估计

配电网中分布式电源的渗透率逐渐升高,为确保配电网安全稳定的运行,需要对配电网运行状态进行准确的感知。针对容积卡尔曼滤波(Cubature Kalman Filter, CKF)算法对强非线性非高斯系统滤波精度有限、标准粒子滤波(Particle Filter, PF)选取重要性密度函数不准确的问题,提出了基于容积粒子滤波(Cubature Particle Filter, CPF)的配电网动态状态估计模型：利用CKF算法设计PF的重要性密度函数。既克服了CKF算法要求噪声为高斯分布的限制又保留了PF算法的强抗干扰能力。仿真结果表明,在高斯噪声和非高斯噪声下,CPF算法比CKF算法滤波精度更高、更灵活。     

基于插值H_∞扩展卡尔曼滤波的发电机动态状态估计

动态状态估计对于电力系统的监测和稳定性分析具有重要意义。相量测量单元(phasormeasurementunit,PMU)具备高采样率和同步数据,在动态状态估计中得到了广泛的应用。然而,由于PMU量测数据存在随机噪声,无法直接作为调度和控制的参考数据。基于此,该文提出一种基于插值H∞扩展卡尔曼滤波(interpolationH∞extendedKalman filter,IHEKF)的发电机动态状态估计方法。该方法在扩展卡尔曼滤波(extended Kalman filter,EKF)的基础上,利用自适应插值技术提高估计精度,并进一步采用H∞理论提高对噪声的鲁棒性。算例结果表明,IHEKF无论是在估计精度上还是在对噪声的鲁棒性能上较EKF均有所提高。     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

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。