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。     

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。     

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WAMS／SCADA混合量测的电力系统强跟踪滤波动态状态估计

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)法存在鲁棒性差、建模具有不确定性等缺点,提出一种强跟踪滤波动态状态估计算法.该算法在扩展卡尔曼滤波器中引入时变次优渐消因子,在线调整状态预报误差协方差矩阵和相应的增益矩阵,使状态估计残差方差最小.同时,引入广域测量系统(WAMS)/-数据采集与监视控制(SCADA)系统的混合量测数据,增加了系统的冗余量测,进一步提高了动态状态估计的性能.仿真结果表明,所提方法在正常情况以及负荷突变、存在坏数据、网络拓扑错误各种情况下具有较好的预测和滤波效果.     

基于WAMS的电力系统机电暂态过程动态状态估计

广域同步测量系统(wide area measurement system, WAMS)作为一种量测手段,不可避免地会存在量测误差和坏数据。如果对WAMS量测数据不进行估计而直接应用,将有可能导致采取错误的控制策略,甚至恶化系统状态,造成严重后果。针对该问题,根据WAMS实测数据,提出了一种电力系统动态过程中发电机状态变量估计的新方法。该方法将发电机转子运动方程与外部网络解耦,进而给出对WAMS实测功角轨迹进行估计的模型,提出了相应的坏数据检测和剔除方法以及整体算法流程。仿真结果表明该方法可以实时提供估计后的发电机状态信息,有效减小WAMS量测数据误差及坏数据的影响,为基于WAMS的各种动态应用与实时控制打下了基础。     

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。     

基于改进型平方根UKF算法的永磁同步电机状态估计

针对永磁同步电机驱动系统的状态估计问题,提出一种改进型平方根UKF(SRUKF)的状态估计算法.为避免增加sigma点带来的计算量大问题,依据UT变换理论,采用超球体单形采样方法,使得sigma点的数量减少,从而在与SRUKF算法估计精度相当的情况下,计算量大大减少.考虑系统的非线性,采用SRUKF估计方法研究系统的状态估计问题,避免了扩展卡尔曼滤波(EKF)产生的线性化误差.同时在滤波过程中采用Cholesky和QR分解,以协方差平方根阵代替协方差阵参加迭代运算,有效地避免了滤波器的发散,提高了滤波算法的收敛速度和稳定性.仿真表明,与EKF、SRUKF估计方法相比,该方法能减少估计过程中的计算量,提高估计精度.     

计及模型不确定性的发电机动态状态估计方法

模型不确定性会影响状态估计的精度,甚至造成严重的后果。针对该问题,提出一种计及模型不确定性的发电机动态状态估计新方法。首先,基于发电机的动态方程建立发电机动态状态估计模型,进而提出基于自适应H_∞扩展卡尔曼滤波(AHEKF)的动态状态估计方法,该方法依据H_∞滤波理论建立模型不确定性约束准则,采用自适应技术对预测误差协方差矩阵和系统噪声协方差矩阵进行动态在线调整,从而使其具有较高的估计精度和鲁棒性。最后,通过WSCC 3机9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H_∞扩展卡尔曼滤波(HEKF)算法及扩展卡尔曼滤波(EKF)算法性能进行对比。算例结果表明,AHEKF算法在估计精度及鲁棒性方面均优于HEKF和EKF算法。     

基于混合量测的电力系统动态状态估计

针对目前广域量测量无法单独进行状态估计的问题,引入部分SCADA功率量测与广域量测一起构成混合量测系统,提出了基于混合量测的动态状态估计算法。该算法采用扩展卡尔曼滤波算法实现状态预测与滤波,并能利用精度高和短期更新的广域量测数据去提高状态滤波效果。仿真分析表明,当广域量测在混合量测数据所占比例逐渐增加以及广域量测更新周期缩短后,状态预测和滤波结果精度均会有明显提高。     

基于综合预测和自适应滤波器的电力系统动态状态估计

对基于扩展卡尔曼滤波(EKF)原理的动态状态估计理论进行了深入的分析,并指出其存在的问题的此基础上,提出具有自适应能力的动态状态估计模型和算法.该模型和算法的新意主要体现在:在预测环节中,建立系统节点注入功率制约作用和系统状态自身预测融合的加权优化综合预测模型,提高了状态预估的精度;在滤波环节中,基于最小二乘支持向量机技术,建立了自适应的限定记忆动态滤波器,提高了模型的估计能力和计算速度.对山东500 kV电网进行的实际分析,充分表明了该方法的有效性.     

基于遗传算法优化的定子磁链扩展卡尔曼估计方法

定子磁链估计的精度直接关系到异步电机直接转矩控制(DTC)的控制效果,本文提出了一种基于扩展卡尔曼滤波器(EKF)的定子磁链观测方法,该方法选取DTC反馈通道中多个主要参数作为状态变量进行联合滤波估计,为保证EKF算法滤波参数的准确性,采用遗传算法(GA)对EKF中的系统噪声矩阵和测量噪声矩阵进行了优化处理.通过使用该方法设计的磁链观测器与DTC构成闭环系统进行仿真实验表明,滤波参数优化后的EKF算法更加有效地提高了磁链估计精度,从而提高DTC系统的低速控制性能.     

基于 Mahony-EKF 的无人机姿态解算算法

针对微惯性测量单元精度低和传统姿态解算方法误差较大,提出一种 Mahony 和扩展卡尔曼滤波(EKF)融合的姿态解 算算法。 首先通过 Mahony 滤波器融合陀螺仪、加速度计和磁力计数据,解算得到初步姿态四元数。 再以 Mahony 滤波器的姿态 四元数作为 EKF 的量测值,根据非重力加速度的大小,自适应正相关调节量测噪声协方差矩阵;根据陀螺仪测量的角速度信息 建立 EKF 状态方程。 最终经过 EKF 滤波后,获取无人机姿态的估计。 经过仿真实验验证,融合算法解算静态姿态角误差小于 0. 1°,解算动态姿态角误差小于 1°,均优于互补滤波算法和改进 EKF 算法。 融合算法能有效抑制陀螺仪漂移误差,滤除加速度 计测量值混有的高频噪声和抑制非重力加速度的干扰,提高姿态解算精度。     

基于AMI全量测点分区的配电网动态状态估计方法

针对传统配电网三相不平衡动态状态估计存在计算速度较慢且估计精度较低的问题,提出了一种基于高级量测体系(AMI)全量测点分区的配电网的动态状态估计方法。以AMI全量测点作为配电网分区节点,提出综合3个指标的分区目标函数对配电网进行分区,可对子区域进行完全解耦,缩小系统规模;并通过所提数据融合框架进行多尺度量测数据的融合,以远程终端单元量测周期为基准,融合量测周期较长的AMI量测数据,对非AMI量测时刻的系统状态进行跟随。提出一种基于子区域数据融合方法的高精度集合卡尔曼滤波算法,采用协方差膨胀法改进滤波发散的问题。算例仿真结果表明所提方法有效地提高了配电网动态状态估计的计算速度和估计精度。     

基于无迹粒子滤波的配电网状态估计*

配电网状态估计是配电管理系统的重要组成部分。用于状态估计的数据通常存在不同程度的随机噪声干扰,不能直接用于配电网的运行分析,为获得更为精确的配电网状态信息,必须对量测数据进行滤波处理。针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)灵活性差、滤波精度易受参数及滤波初值的制约;标准粒子滤波(Particle Filter,PF)选取重要性密度函数不合理的缺陷,文章将无迹粒子滤波(Unscented Particle Filter,UPF)算法应用于配电网状态估计。该算法将UKF和PF融合,用UKF结合最新的量测信息为PF生成重要性密度函数,将落在先验概率密度区域的粒子转移到高似然区域内,提高了PF的滤波性能。通过IEEE 33节点系统算例分析,结果表明,UPF较UKF和PF具有更好的估计性能,且灵活性强,是一种有效的状态估计方法。     

锂电池的电量估计仿真研究

锂电池的荷电状态(SOC,State-of-Charge)直接反映电池的剩余电量,是电池组管理的核心参数。然而,电池循环次数的增加、瞬间大电流、温度等因素将导致电池特性发生变化,因此使用扩展卡尔曼滤波(EKF,extended kalman filtering)对锂电池的荷电状态进行估计会引入较大的误差甚至算法发散。为了有效抑制参数扰动和系统的非线性,基于一种改进的二阶RC等效电路模型,应用粒子滤波算法(PF,particle filtering)实现了锂电池荷电状态的估计。最后,根据锂电池放电实验所得数据进行仿真,结果显示了该算法的优越性。