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。针对传统无迹卡尔曼滤波(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曼滤波(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,滤波精度更高、鲁棒性更强。     

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。     

交互式多模型七阶容积卡尔曼滤波算法

为提高非线性机动目标的跟踪精度,提出交互式多模型七阶容积卡尔曼滤波(IMM-7th CKF)算法。采用对非线性系统滤波效果更好的七阶容积卡尔曼滤波(7th CKF)作为交互式多模型(IMM)算法的子滤波器,对各模型状态进行估计,将IMM算法和7th CKF结合起来,提高对非线性机动目标的跟踪效果,最后采用典型机动目标跟踪问题验证IMM-7th CKF的跟踪性能。仿真结果表明,IMM-7th CKF相比交互式多模型容积卡尔曼滤波(IMM-CKF)和交互式多模型五阶容积卡尔曼滤波(IMM-5th CKF)具有更高的滤波精度。     

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。     

非高斯噪声下基于CKMC-CKF的发电机动态状态估计

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature KF,CKF)算法(简称CKMC-CKF算法)。首先,建立CKMC目标函数,采用2种加权局部相似度来更新噪声协方差矩阵,从而降低不良数据的权重;其次,利用线性化回归方程统一目标函数中的状态和测量误差,并通过定点迭代法获得最佳估计状态。最后,以IEEE 39节点系统为算例分析验证所提出方法的有效性。与CKF和最大熵CKF相比,CKMC-CKF在非高斯噪声环境下具有更好的估计精度和更强的鲁棒性。     

基于强跟踪容积卡尔曼滤波的永磁同步电机转子位置估计

对于电动汽车内置式永磁同步电机(IPMSM)驱动系统,转子位置的精度在高性能无传感器矢量控制中起到极其重要的作用。当电机在运行过程中受到外界干扰和系统状态突变时,传统的容积卡尔曼滤波(CKF)算法的动态响应较差,导致对转子位置的跟踪能力下降,估计精度降低,甚至引起滤波器发散。因此,本文采用强跟踪容积卡尔曼滤波(STCKF)算法,在传统的容积卡尔曼滤波的基础上引入了强跟踪滤波器(STF),进而动态改善容积卡尔曼滤波算法的估计精度和跟踪能力。在Matlab/Simulink中对改进的转子位置估计算法进行仿真分析,并且进行测功机台架实验。实验结果表明:强跟踪容积卡尔曼滤波算法响应快,跟踪能力强,估计精度相比于传统的容积卡尔曼滤波算法提高19%。     

发电机动态状态估计中的一种虚假数据注入攻击方法

精确、可靠的发电机动态状态量对电力系统的实时监测和控制至关重要。信息攻击的出现给发电机状态估计带来了新的挑战。其中,虚假数据注入(FDI)攻击通过对量测装置注入虚假数据,恶化了状态估计的精度。为此,该文提出一种针对发电机动态状态估计的FDI攻击模型。首先,采用泰勒公式将发电机量测方程线性化;其次,根据FDI攻击前后量测残差不变的原理,建立攻击向量的表达式,将其施加在量测量中,从而躲避常规的不良数据检测,成功实施FDI攻击;然后,根据攻击程度分别设定三种攻击情形,通过容积卡尔曼滤波(CKF)和抗差容积卡尔曼滤波(RCKF)对所提的三种不同情形的FDI攻击进行验证;最后,IEEE9节点系统和新英格兰16机68节点系统的仿真结果验证了所提FDI攻击的有效性。     

Modified multiplicative quaternion cubature Kalman filter for attitude estimation

In this paper, a modified multiplicative quaternion cubature Kalman filter (CKF) for attitude estimation is proposed. For high‐dimensional state estimation, the CKF that uses third‐degree spherical‐radial cubature rule can provide a more accurate estimation than the unscented Kalman filter. However, for the attitude estimation in the case of larger initial conditional errors, the results may be reversed. To take full advantage of the CKF, the Lagrange cost function method is introduced to solve the quaternion weighted mean, then, the mean is used as the reference quaternion for the measurement update in the CKF framework. The choice of the reference quaternions and the quaternion update method is different from the existing literature to avoid the algorithm from failing. In addition, the unconstrained three‐component vectors represent the attitude error quaternion in the filtering algorithm, whereas the quaternion is used to perform attitude propagation. Simulation results demonstrate the better performance of the proposed modifying filter algorithm in comparison with the multiplicative extended Kalman filter, the unscented Kalman filter, and the CKF under larger initial condition errors.     

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。     

基于自适应CKF的姿态数据融合算法

为了提高基于MEMS惯性传感器的捷联惯性导航系统姿态解算的精度,提出了一种自适应容积卡尔曼滤波（CKF）数据融合算法。该数据融合算法将姿态四元数作为系统状态,将加速度计信息和磁力计信息作为系统观测量,对系统过程噪声矩阵和观测噪声矩阵进行实时的自适应估计,解决了因系统噪声突变引起的姿态解算精度急剧下降的问题。实验结果表明,采用自适应CKF数据融合算法比单纯基于陀螺仪的捷联姿态解算精度有明显的提高,在载体动态时测得的横滚角和俯仰角误差在1°以内,航向角误差在2°以内。     

改进自适应 ADMCC-HCKF 算法及在 SINS / CNS / GNSS 中的应用

针对传统容积卡尔曼滤波器(CKF)在非高斯噪声下滤波精度下降以及传统最大相关熵(MCC)算法收敛速度较慢的问 题,提出了一种改进的自适应相关熵高阶容积卡尔曼滤波(ADMCC-HCKF)算法。 该方法依据 MCC 迭代过程的误差变化自适 应调整核宽大小,核宽能够改变核参数对输入数据的敏感性,从而提高算法收敛速度及对非高斯噪声的处理能力。 基于非高斯 噪声环境,搭建 SINS / CNS / GNSS 组合导航实验,研究结果表明,改进的 ADMCC-HCKF 算法相比传统 HCKF 和基于常规 MCC 的 HCKF 算法具有更强的鲁棒性,在降噪性能及对非高斯噪声的适应性角度均有所提升的同时,滤波精度较 HCKF 算法提高 了 9. 63%。     

基于SR-CKF的移动机器人动态目标跟踪算法

针对移动机器人在未知复杂环境中动态目标跟踪存在的数值不稳定、计算量大和精度较差等问题,提出基于平方根容积卡尔曼滤波的移动机器人动态目标跟踪算法(SR-CKF-SLAM-OT)。该算法的系统状态由地图环境特征、机器人和目标作为一个整体构成。建立目标和机器人的动态模型进行预测、数据关联和更新,在更新过程中直接传递目标状态均值和协方差矩阵的平方根因子,降低了计算的复杂度。此外,通过数据关联环节能够有效的降低伪观测值对系统状态估计的影响。仿真结果表明:相比基于EKF的动态目标跟踪算法,所提出的动态目标跟踪算法目标和机器人均方根误差分别降低了36.3%和38.2%,SR-CKF-SLAM-OT算法有效地满足了移动机器人动态目标跟踪的需求。     

基于多重渐消因子强跟踪非线性滤波的故障参数联合估计

为改进故障参数估计的精度和鲁棒性,提出基于多重渐消因子强跟踪七阶容积卡尔曼滤波(MST7thCKF)的故障参数联合估计算法。算法将故障参数扩展至状态向量,实现状态和故障参数联合滤波。然后,将多重渐消因子强跟踪滤波(MSTF)引入七阶容积卡尔曼滤波(7thCKF)的框架中,改进7thCKF在故障参数变化函数未知或者发生突变时的鲁棒性,提高故障参数的估计精度。仿真结果表明,相比MSTF均方根容积卡尔曼滤波(MSTSCKF)和7thCKF,所提算法具有更好估计精度。     

基于加权平均插值和容积卡尔曼滤波的配电网预测辅助状态估计

微型同步相量测量单元(micro synchronous phasor measurement unit,μPMU)与远程终端(remote terminal unit,RTU)为配电网提供了高精度量测数据.针对μPMU和RTU混合数据,文章采用数据填补和容积卡尔曼滤波技术,提出了配电网混合量测的预测辅助状态估计(fo...