基于Kalman滤波原理的电力系统动态状态估计的研究综述

状态估计是现代EMS的重要组成部分,特别是动态状态估计,能实现实时运行状态的估计和预报功能.通过对动态估计算法Kalman滤波算法和国内外学者的一些改进算法的现状研究,分析了这些算法目前存在的主要问题.并基于此提出了Kalman滤波算法的新的改进措施,研究了方向和发展趋势.     

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。     

基于扩展卡尔曼滤波算法的电网动态状态估计

介绍了动态状态估计的卡尔曼滤波原理及扩展卡尔曼滤波(extended Kalman filter,EKF)算法,将其与估计精度和静态状态的加权最小二乘法进行比较,经过MATLAB编程对IEEE9-300节点和某215节点实际系统的测试,发现EKF算法具有明显的优势。为此,针对传统EKF算法存在的主要问题,提出基于时变噪声的改进EKF算法,使动态状态估计在系统正常情况和异常情况下的滤波精度均在理想范围内。电力系统动态状态估计对未来时刻的系统状态、运行轨迹的预测十分重要。     

基于改进Kalman滤波块状态估计方法的分布式光伏发电预测

文章基于大量历史数据,在深度学习神经网络的基础上,构建了基于各变量随时间变化的非平稳动态模型,并结合各在线实时的测量装置模型,将状态估计问题转化在Kalman滤波框架下进行;针对目前预测方法预测步数少的不足,设定较长的预测周期,并将该周期内的所有变量视为一个整体的块向量,并据此改写相适应的块状态Kalman滤波模型;建立可同时实现点点实时估计滤波器及固定预测长度的块状态预测估计滤波器;利用计算机数字仿真结果对块状态预测滤波器的有效性进行实验验证,误差比较显示,改进算法与现有的Kalman滤波方法相比,预测效果前者均好于后者。     

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。     

分数阶Kalman滤波算法回溯长度选择方法研究

提出了一种分数阶Kalman滤波算法的回溯长度选择方法。与整数阶Kalman滤波算法相比,分数阶Kalman滤波算法的精度较高,但算法的实时性较差。研究发现,在分数阶Kalman滤波算法中,影响其精度和实时性的一个重要因素是算法的回溯长度。针对这一问题,基于分数阶Kalman滤波的基本原理,研究了回溯长度对算法的估计精度及算法实时性的影响,提出了可变回溯长度的分数阶Kalman滤波算法,在保证较高精度的前提下,有效地提高了算法的实时性。仿真实验结果证明,当精度要求较高时,在相同估计精度的情况下,采用可变的回溯长度能显著提高算法的实时性。     

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。     

基于长短期记忆网络的UKF动态谐波状态估计

传统动态谐波状态估计的卡尔曼滤波预测步通常以单位阵构建状态空间模型,同时将系统噪声协方差矩阵假设为常数阵,从而导致动态估计预测精度降低,影响动态状态估计模型的滤波性能。为了准确建立谐波状态的空间模型,提出一种基于长短期记忆网络(Long Short-Term Memory, LSTM)的时序预测方法。通过大量历史数据离线训练模拟复杂的状态转移过程,基于历史时刻的滤波估计值预测当前时刻的谐波状态量,有效提高无迹卡尔曼滤波(Unscented Kalman Filter, UKF)中预测模型精度。在改进IEEE34节点三相不平衡系统上进行了测试分析。与传统算法进行对比,结果证明所提出的方法在谐波状态估计精度和鲁棒性方面均表现更好。     

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。     

基于超短期负荷预测和混合量测的线性动态状态估计

目前电力系统量测主要是广域测量系统(wide area measurement system,WAMS)和数据采集与监控系统(supervisory control and data acquisition,SCADA)混合量测并存。利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS量测组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。此外,采用高精度的母线超短期负荷预测并通过潮流计算得到预测值,实现了系统状态的实时跟踪预测。该算法减少了动态状态估计的计算时间,提高了动态状态估计的计算精度。采用IEEE14节点系统对提出的算法进行了验证。     

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。     

Distributed agent-based state estimation considering controlled coordination layer

The buses involved in re-estimation is fixed in the traditional distributed state estimation. On the one hand, if only the boundary buses were re-estimated, will lead to a high power mismatch in a short or low impedance transmission line. On the other hand, if all the buses were re-estimated again, will lead to unnecessary computational burden. To solve this problem, this paper presents a new distributed agent-based state estimation that considers controlled coordination layer. Each local agent of a subsystem is in charge of the state estimation of its own system. The global sensitivity agent is responsible for the sensitivity analysis of the entire system. The boundary bus aggregation agent determines the range of coordination layer to be re-estimated according to the state estimation deviation of each boundary bus defined in this paper. Furthermore, the observability analysis judgment theorem of the overlapped DSE and the topology analysis suitable for the bad data of boundary region are investigated. The proposed method is illustrated with the IEEE 14-bus system, and the test results for the IEEE 118-bus system are provided.     

Dynamic state estimator using ANN based bus load prediction

This paper presents an algorithm for dynamic state estimation of a power systems. The method uses ANN based bus load prediction for the prediction step in the DSE. The proposed DSE uses rectangular coordinate formulation for measurement equations. A second order dynamic state estimator which incorporates the full nonlinearities of the measurement function is used for the filtering step. The inclusion of nonlinearities makes the proposed state estimator perform better in case of sudden large changes in load/generation     

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。     

基于集合论估计的电网状态辨识(一)建模

状态估计作为电力系统分析与控制的基础,是能量管理系统的重要组成部分。文中通过对已有状态估计方法(包括最小二乘法、经典抗差估计方法以及近年来涌现的新的估计方法)的特点的研究,分析了现有研究存在的主要问题,并指出引入集合论估计可有效解决该问题,以提升估计结果可信性。基于集合论估计的基本思想,研究了基于集合论估计理论的电网状态辨识的模型。该模型可明确系统真实状态和辨识结果的关系,理论上保证了结果的可信性。文中对模型中的属性集合进行了数学描述,并提出了基于区间的解集描述,保证了模型的可求解性和可应用性。     

基于保留二次项迭代的电力系统动态状态估计算法

与电力系统静态估计不同,动态估计可以准确的跟踪系统状态,并在电力系统保护和控制中发挥重要作用。以往在做状态估计时,通常将非线性测量函数进行泰勒级数展开,舍弃二次及以上的高阶项,不可避免的造成估计误差。本文针对电力系统中的量测方程是直角坐标下电压实部和虚部的二次函数,借鉴保留非线性潮流算法中保留二次项的思想,结合无迹变换,提出基于保留二次项迭代的电力系统动态状态估计算法,该算法在卡尔曼滤波过程中进行泰勒级数展开时没有近似,精度更高。基于IEEE39节点标准系统进行仿真分析,仿真结果表明,本文所提算法是有效的,且估计精度相对不保留二次项得到了提高。     

电力系统状态估计算法研究

电力系统状态估计作为一种高及应用软件,在整个能量管理系统中起着非常重要的作用。本文在对已有状态估计方法进行分析的基础上,并考虑了实际电网的一些特点,提出了一种将电压量测量和功率、电流量测量分解开来进行计算的加权最小二乘法状态估计算法。研究了该方法在微机ＤＯＳ平台上的实现,和其他方法进行了比较,认为该方法具有收敛性好,计算速度快的优点。     

基于信息融合理论的动态状态估计探讨

从信息学这一全新的视角来看待动态状态估计问题,提出了信息融合理论在电力系统动态状态估计中的应用思路,简要介绍了信息融合理论的内容和特点,着重探讨了信息融合理论在广域测量系统、分布式系统、系统突变检测、状态与参数联合估计中应用的可能性,阐述了各自的特点和应用优势,并给出基于信息融合理论的系统状态和参数联合估计方案.     

Robust State Estimation for an Electricity-GasHeat Integrated Energy System Considering Dynamic Characteristics

The data for an energy management system (EMS) in an integrated energy system (IES) is obtained through state estimation. This is then the basis for optimal scheduling, protection and control. At present, the dynamic models of gas and heat networks are rarely considered in such state estimation, and the method lacks robustness. This paper develops dynamic state estimation models for gas and heat networks, and proposes a unified method for the electricity-gas-heat network, one which takes into account robustness while ensuring accuracy. First, the state transition equations in matrix form are formulated according to finite difference models considering the dynamic characteristics of the gas and heat networks. Then, combined with a quasi-steady state model of the electric power system, a unified state estimation method and multi-time-scale measurement strategy in the Kalman filter framework are proposed. In addition, the prediction accuracies of the electric power and gas systems are improved through adaptive adjustment. The kernel density estimation method is used to adjust the measurement weights and filter out bad data to ensure robust state estimation. Finally, simulation results show that the proposed method not only can improve the estimation accu-racy by improving prediction accuracy, but also is robust to various types of bad data.