基于遗传算法的电力系统自适应卡尔曼滤波动态状态估计

针对卡尔曼滤波动态状态估计中Holts'两参数均为常数,在电力系统运行状态变化时易产生较大的预测误差的不足,提出采用指数平滑法对参数进行动态调整。该方法在预测步中利用遗传算法来动态确定参数大小,实现了预测参数的自适应优化。最后,对IEEE14节点系统进行仿真计算,与传统方法进行比较,结果表明本文方法具有明显的优势。     

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。     

基于自适应差分进化算法的电力系统动态状态估计

提出一种基于自适应差分进化算法的电力系统状态动态估计方法。动态估计包括预测和滤波2个阶段。在预测阶段,利用布朗双指数平滑方法预测下一个时间间隔的状态;在滤波阶段,利用预测阶段获得的预测状态,基于自适应差分进化算法对目标函数进行寻优,通过优化算法提高预测精度,从而减小状态预测的误差。仿真结果表明：所提方法具有较小的估计误差,对坏数据具有较好的抑制能力。     

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计...     

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。     

基于超短期负荷预测的电力系统动态状态估计

在常规动态状态估计的基础上,引入高精度的超短期负荷预测数据,将预测的节点注入功率作为滤波步的输入,实现了系统状态的实时跟踪预测。仿真表明,基于超短期负荷预测的电力系统动态状态估计算法提高了动态状态估计的计算精度．具有一定的现实意义和理论价值。     

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。     

基于动态分区和多估计准则的电力系统自适应鲁棒状态估计

随着当前智能电网技术的高速发展,电力系统的组成和运行方式愈发复杂,对状态估计的鲁棒性和实时性也产生了更高的需求.为此,提出一种基于动态分区和多估计准则的电力系统自适应鲁棒状态估计.通过模糊c均值聚类筛选出系统中的可疑量测集,进而根据可疑量测的空间分布实现系统动态分区.考虑到不同估计器各自的特点和适应性,针对可疑量测区域...     

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。     

基于主成分分析和最小二乘支持向量机的电力系统状态估计

电力系统状态估计在能量管理系统中起着非常重要的作用,作者提出了基于主成分分析和最小二乘支持向量机的状态估计方法。首先对由量测量组成的初始样本进行主成分分析,对初始样本进行数据压缩和特征提取,消除数据间的相关性,提取出包含初始样本足够信息的主成分,然后将提取出的主成分作为最小二乘支持向量机的输入,降低了样本空间的维数。算例结果表明了所提出方法能有效地提高电力系统状态估计的精度。     

基于动态分区的电网状态估计方法

针对传统固定分区方法无法反映电网运行拓扑结构发生的变化,导致其计算效率不高,提出一种新的动态分区方法,基于电网运行物理拓扑结构,逐一搜索出所有辐射状网络分区、仅存在唯一电气连接线路的分区和仅存在唯一电气连接节点的分区,并在此基础上提出一种基于边界节点状态量灵敏度协调的整体状态估计方法。通过两个算例验证该方法能够快速响应电网拓扑变化,降低某区域中量测数据误差对其他区域状态估计结果的影响,提高了电网状态估计的整体准确率。     

基于相量量测的电力系统线性状态估计

分析了相量量测装置的量测误差情况,指出了相量量测参与状态估计计算的必要性。在完全使用相量量测的情况下,给出了基于直角坐标系的实数形式的电力系统线性量测方程和相应的线性静态状态估计算法。对负荷预报加潮流计算的系统状态预报方法进行改进,通过对误差协方差阵计算公式的推导与简化,提出了新的预报误差协方差阵计算公式,并将其与线性量测方程相结合,提出了基于相量量测的线性动态状态估计算法。最后讨论了线性状态估计算法的使用条件,并采用IEEE30节点系统对提出的算法进行了验证。     

基于PMU的分布式电力系统动态状态估计新算法

随着电力系统的发展,区域电网互联,形成更大的系统。各区域电网相对独立,且有各自相对独立的调度中心。为适应这种分区管理模式,状态估计应采用分布式并行算法。在动态估计扩展Kalman滤波算法的基础上,结合搭接式分布并行算法,提出了一种基于相量测量单元(PMU)的分布式电力系统动态状态估计新算法。该算法利用少量PMU测点,真正实现各子系统的并行计算,避免了原算法进行串行等待的过程。并结合量测数据预处理、对雅可比矩阵加权等方法,加快了计算速度,提高了数值精度和稳定性。最后给出了IEEE 14节点的仿真结果,验证了该算法的有效性及优越性。