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。     

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。     

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。     

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。     

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。     

同步发电机参数在线辩识系统

提出一种同步电机在线参数辨识新方法：同步发电机状态空间离散模型的非线性规划辩识方法。该方法利用在线测量的同步发电机动态过程的离散采样数据进行计算，直接得出同步电机的待求参数。     

动态传输下基于改进卡尔曼滤波的电力计量计费数据状态估计

电力计量计费数据是电力营销业务公平公正实施的重要基础,具有数量总量大、通信方式多样等特点。为更加合理地利用通信资源并提升数据的可靠性,提出了一种动态传输下的改进扩展卡尔曼滤波方法用于电力计量计费数据的动态状态估计。首先,利用动态传输策略有选择地将区域电力计量计费数据传输到用户用电信息采集平台。然后,提出了一种改进扩展卡尔曼滤波方法,对电力计量计费数据进行动态状态估计,该算法利用不确定项表示线性化误差,在保证状态估计精度的基础上提高了计算速度。最后,用标准的IEEE-33配电网用户电表数据案例验证了该算法的可行性。     

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。     

Estimating parameters of synchronous generators using square-root unscented Kalman filter

A new method to estimate the parameters of a synchronous generator using the square-root unscented Kalman filter (SRUKF) is presented in the paper. A third-order model for the parameter estimation of both round rotor and salient generators is developed first and then the SRUKF method is applied to the third-order model to perform the joint estimation of state variables and unknown generator parameters. The simulation results on a test system demonstrated the effectiveness of the proposed method in parameter recognition of a synchronous generator. The estimation processes of generator parameters steadily converge to the estimated values whereas the estimation processes of state variables are consistent with the dynamic responses in the numerical simulations.     

基于改进鲁棒自适应UKF的配电网动态状态估计方法

配电网动态状态估计中状态方程的过程噪声统计参数是未知而且时变的,因此在状态估计过程中需要在线对过程噪声统计参数进行实时估计,而且不准确的噪声参数将会导致无迹卡尔曼滤波器的滤波性能下降甚至滤波发散。文中研究了基于改进鲁棒自适应无迹卡尔曼滤波器的配电网动态状态估计方法,其噪声参数统计估值器由一个有偏的和一个无偏的估值器组成,可以提高在状态估计过程中噪声参数估计的准确性,同时确保过程噪声方差矩阵的半正定性,从而保证算法的鲁棒性。通过对IEEE 33节点系统进行仿真验证,结果表明所提方法在系统平稳运行、负荷发生剧烈变动或者初始噪声参数值设置不当的情况下,均能保证较高的状态估计精度。     

基于自适应容积卡尔曼滤波算法的电力系统动态谐波状态估计

由于传统的谐波状态估计的参数辨识算法要求噪声的协方差矩阵固定不变,而实际工程中噪声的协方差矩阵是随时间变化的,工程中存在错误的量测数据,导致传统参数辨识算法估计的谐波电流参数的准确度较低。因此,提出自适应容积卡尔曼滤波算法来提高辨识谐波电流参数的准确度。首先,针对时变噪声干扰,采用基于渐消记忆指数加权法的噪声估值器算法生成时变噪声的协方差矩阵;其次,针对错误的量测数据,采用开窗估计算法修正错误的量测数据;然后,将修正的噪声协方差矩阵和量测数据代入容积卡尔曼滤波算法中,对谐波电流参数进行估计;最后,搭建IEEE 13节点系统仿真模型,验证了自适应容积卡尔曼滤波算法在时变噪声干扰及量测数据错误情况下仍可准确地估计谐波电流参数,确保了动态谐波状态估计的准确性。     

基于自适应SRUKF算法的电力系统动态谐波状态估计

针对传统无迹卡尔曼滤波(unscented kalman filter, UKF)谐波状态估计算法存在时变噪声和异常数据时估计准确度较差的情况,提出了一种基于自适应平方根无迹卡尔曼滤波(square-root UKF, SRUKF)的电力系统谐波状态估计算法。首先,针对时变噪声干扰,引入改进的Sage-Husa噪声估计方法实时估计噪声协方差。其次,针对异常数据干扰,引入异常数据修正方法,通过修正系数来降低异常数据对状态估计结果的影响。最后,通过搭建IEEE14节点系统验证自适应SRUKF算法的估计性能,能够有效地应用于电力系统的动态谐波状态估计。仿真结果表明,该算法在时变噪声和异常数据干扰时仍具有良好的估计性能。     

基于PMU数据和时间序列模型的发电机参数识别

电力系统动态仿真的精度往往由同步发电机等元件模型及参数的精度所决定。在对同步发电机模型进行时间序列分析的基础上,提出了一套依靠同步相量测量单元对惯性时间常数、发电机转速调节常数以及涡轮调速器的时间常数等发电机动态参数进行识别的方法。该方法首先将发电机的经典模型和摇摆方程统一转换为一个时间序列模型,并利用线形参数辨识方法对此时间序列模型的参数予以辨识;最后通过求解发电机模型参数与时间序列模型参数的等式关系得到发电机的模型参数。对不同功率变化波形进行了仿真试验,按照本文方法计算得出的发电机参数与实际参数一致,验证了本文提出方法的有效性。     

扩展卡尔曼滤波在动态负荷参数辨识中应用

采用扩展卡尔曼滤波算法建立由动态负荷和静态负荷组成的综合负荷数学模型,并列出了其转子运动方程、状态方程和输出方程,其中动态负荷由等值的异步电机表示,静态负荷由恒定导纳并联组成。通过动模试验,取得给定负荷在系统扰动时的电压、电流数据。根据所建立数学模型的输入、输出值,用扩展卡尔曼滤波算法辨识其中的待定参数。参数初值设置为真值的2～7倍,辨识结果误差为2%～3%。分析结果表明,扩展卡尔曼滤波可在短时间内收敛,能正确地辨识出系统参数,且稳定性好。结论表明扩展卡尔曼滤波可以用于电力系统参数辨识,为电力系统状态估计、负荷建模提供了有效方法。     

非连续动态同步发电机组的空间正则化参数辨识方法

同步发电机组参数的正确性严重影响电力系统仿真及稳定控制结果的有效性,然而励磁和调速系统中大量非连续环节的存在,严重限制了现有在线辨识方法的高效应用。为解决该问题,提出了一种非连续动态同步发电机组的空间正则化参数辨识方法。该方法将不同状态空间下的非连续动态方程转化为统一的等效表达式,并利用简约空间内点算法对含离散化动态方程约束的参数辨识问题进行求解,从而实现参数辨识问题中对非连续动态方程的准确、高效处理。最后,大量的数值试验和实际测试结果验证了所提方法的有效性。