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。     

基于粒子滤波算法的发电机机电暂态过程动态状态估计

广域测量系统(WAMS)作为一种测量手段,不可避免地存在测量误差。为了获得更优的控制策略和分析结果,有必要对实际量测数据进行滤波处理后再应用。文中提出了一种对实际量测数据进行动态滤波估计的新方法,在发电机二阶动态方程的基础上,建立了发电机动态状态估计模型。考虑到模型的非线性,文中应用粒子滤波(PF)算法。为解决计算占用空间和计算量较大、样本退化的问题,在基本PF算法的基础上引入序列采样重要性重采样(SIR)方法。同时,还应用扩展卡尔曼滤波(EKF)算法进行了状态估计并将结果与文中所提方法进行了对比分析。为了定量评估估计效果,建立了基于估计路径相似性的评价指标。最后,通过对CEPRI 7节点系统的仿真计算,表明基于PF的估计结果与实际结果相关性较高、与真实值的均方根误差小,优于EKF的估计结果,有效减小了误差数据的影响。     

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。