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／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。     

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。     

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。     

基于时序数据相关性挖掘的WAMS/SCADA数据融合方法

在电力系统多运行方式的背景下,研究WAMS/SCADA等量测数据融合是解决大电网在线稳定分析的关键点之一。为此,基于理论分析,从2者数据相关性角度研究了WAMS/SCADA相关性系数,提出了基于时序数据相关性挖掘的WAMS/SCADA数据融合方法。通过构建Pearson相关性系数,对WAMS/SCADA的相关性进行评估;运用广义EM算法对量测数据曲线时差问题进行函数模型求解;在考虑量测权值的情况下对量测有效性进行分析。结果表明:对3种不同数据进行状态估计后,经过数据融合后的曲线结果在系统稳定时段与出现扰动时段均保持平稳;基于时序数据相关性融合法所得到的状态估计曲线变化趋势与其他算法相同,混合量测状态估计结果误差5%。IEEE 118节点母线系统算例的仿真结果验证了上述方法的有效性与稳定性。     

基于WAMS/SCADA混合量测和离散粒子群优化算法的PMU优化配置

当前应用于状态估计的量测数据由广域测量系统(wide area measurement system, WAMS)和数据监控及采集系统(supervisory control and data acquisition,SCADA)采集, WAMS向量测量单元(phasor measurement unit,PMU)的优化配置问题成为研究的重点。本文在分析WAMS/SCADA混合量测数据成分、时间断面、精度、刷新频率4个方面差异的基础上,实现了混合量测数据的有效兼容,提出了一种基于无迹卡尔曼滤波(unscented kalman filter, UKF)动态状态估计和离散粒子群优化(discrete particle swarm optimization, DPSO)算法的PMU优化配置方案。采用该方案下的混合量测数据进行UKF动态状态估计,很好地提高了状态估计精度。在IEEE39节点系统上模拟日负荷变化验证了该PMU配置方案的有效性。     

考虑输入量不良数据的发电机动态状态估计方法

近年来,基于同步相量测量单元(PMU)量测数据的发电机动态状态估计得到广泛研究.然而,现场运行的PMU受多种因素的影响,可能导致作为状态估计输入量的发电机机端电压或电流量测相量存在不良数据,对状态估计产生影响.针对该问题,提出了一种考虑输入量不良数据的发电机动态状态估计方法.在输入量不良数据对动态状态估计影响分析的基础...     

基于Vondrak分区插值的WAMS/SCADA混合量测状态估计数据频率兼容性方案

针对当前应用于状态估计的广域测量系统(Wide Area Measurement System,WAMS)和数据监控及采集系统(Supervisory Control and Data Acquisition,SCADA)数据频率兼容问题,在分析WAMS/SCADA混合量测数据差异的基础上,提出了一种可行的解决混合量测数据频率兼容的方案。文章基于数据挖掘理念和Vondrak分区插值算法,对SCADA节点依据数据相关度划分插值区域,各分区内采用同一PMU节点的最优平滑系数进行Vondrk插值,得到WAMS测量时刻的SCADA拟量测数据,应用于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)动态状态估计。该方案不仅可以增补SCADA拟量测数据,提高量测数据和状态估计精度,有效控制系统负荷快速变化时的估计误差,还可以实现系统故障前后全网母线电压波动的可观测。通过在IEEE 118节点系统上模拟日负荷变化和故障过程的仿真分析,验证了该频率兼容方案的有效性。     

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。     

基于混合量测的电力系统线性动态状态估计算法

针对当前电力系统中广域测量系统（WAMS）和数据采集与监控（SCADA）系统并存的现状,利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。该算法采用Holt两参数线性指数平滑技术,结合线性定常系统Kalman滤波原理,实现了系统状态的预测和估计。该算法具有常数雅可比矩阵,从而大大减少了动态状态估计的计算时间,保证了动态状态估计的计算精度。通过IEEE14节点系统的仿真结果,验证了该算法的有效性和优越性。     

广东电网WAMS增强SCADA状态估计研究

SCGM（1,1）模型是灰色预测理论在传统GM（1,1）上的进一步发展。文中首次将单变量的SCGM（1,1）模型应用于中长期电力负荷预测,分别阐述了简化SCGM（1,1）模型、均值SCGMMV（1,1）模型、拓广SCGMa0（1,1）模型的原理和特点,并应用于实例。同时将精度较高的后两种模型和GM（1,1）模型进行固定权值和变权组合,进一步提高预测结果的精确度和可靠性。计算结果证明该方法预测准确,可靠性高,抗干扰性强,是中长期负荷预测新工具之一。     

基于混合量测的电力系统状态估计混合算法

研究了相量量测装置(PMU)相量量测和监控与数据采集(SCADA)量测混合使用时的数据匹配问题,提出了利用状态量转换预测得到预报系统状态和预报节点注入电流向量的方法。在此基础上,提出了应用PMU实时相量量测和预报节点注入电流向量的线性静态状态估计算法,以及应用PMU实时相量量测和预报系统状态的线性动态状态估计算法。文中将这2种算法与传统状态估计算法相结合,组成了状态估计混合算法,保证了状态估计的计算精度。该混合算法有效减少了状态估计的计算时间,对PMU的量测配置也没有严格的要求,具有很好的通用性。最后采用IEEE30节点系统对该方法进行了验证。     

基于广域测量系统的状态估计研究综述

广域测量系统（WAMS）的逐步发展给电力系统在线分析方法提供了一个新思路。针对WAMS测量精度高、具有同步相量测量功能以及数据传输快等特点，分别从引入高精度节点电压相量量测的状态估计算法、引入高精度支路电流相量量测的算法、引入全部WAMS量测的算法以及其他与WAMS状态估计相关的问题等4个方面，介绍了目前引入WAMS量测的各种状态估计算法；并详细分析了各种算法的优缺点和适用范围，从工程应用出发研究其可行性，对部分算法给出了改进措施。讨论了WAMS的不良数据检测与辨识问题、相量测量装置（PMU）的最优配置问题以及基于PMU的动态状态估计和谐波状态估计等与WAMS状态估计相关的其他问题。     

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。     

综合智能电力系统动态监视平台及其应用

提出基于虚拟中心数据库的多数据源综合智能电力系统动态监视平台,该平台基于虚拟中心库实现不同应用系统的界面统一和数据共享,而不需对数据进行大量的转移和复制;采用考虑电力系统数据特点的高效无损数据压缩技术,提高平台对海量数据的实时存储和处理能力.并以该平台为基础开发基于PMU动态测量数据的各种电力系统监视和分析应用功能,主要包括低频振荡监视、电压稳定监视、电网设备参数识别和发电机组并网特性评估等应用功能.这些功能实现过程中,可以借助虚拟数据平台从其他监视和分析系统获取所需的数据,例如EMS或动态安全分析系统,分析结果也可以方便地与其他系统共享.     

广域相量测量技术发展现状与展望

总结了基于相量测量单元(PMU)的电力系统广域测量系统(WAMS)在中国的发展应用现状,介绍了智能电网调度控制系统(简称"D5000系统")中WAMS、数据采集与监控(SCADA)系统,以及保护与故障信息系统的图模库一体化整合,以及多调度中心WAMS数据的按需共享。分析了目前PMU/WAMS进一步推广过程中,在电磁暂态现象分析、实时广域控制、海量数据传输和处理以及强迫振荡检测和控制等方面遇到的技术难题。从扩展PMU应用领域、解决海量数据传输和处理问题、提高WAMS本身应用问题分析能力、提高PMU本身的质量和动态量测性能等几个方面为PMU/WAMS的下一步发展方向提出了建议。