基于无迹粒子滤波的配电网状态估计*

配电网状态估计是配电管理系统的重要组成部分。用于状态估计的数据通常存在不同程度的随机噪声干扰,不能直接用于配电网的运行分析,为获得更为精确的配电网状态信息,必须对量测数据进行滤波处理。针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)灵活性差、滤波精度易受参数及滤波初值的制约;标准粒子滤波(Particle Filter,PF)选取重要性密度函数不合理的缺陷,文章将无迹粒子滤波(Unscented Particle Filter,UPF)算法应用于配电网状态估计。该算法将UKF和PF融合,用UKF结合最新的量测信息为PF生成重要性密度函数,将落在先验概率密度区域的粒子转移到高似然区域内,提高了PF的滤波性能。通过IEEE 33节点系统算例分析,结果表明,UPF较UKF和PF具有更好的估计性能,且灵活性强,是一种有效的状态估计方法。     

不确定量测下发电机动态状态估计性能分析

相量测量单元（PMU）中随机误差不可避免,在实际电网系统中PMU量测数据可能出现延时、重新排序甚至丢失等不确定情况。为准确估计电力系统机电暂态过程中的状态信息,首先建立量测丢失下的发电机动态状态估计模型;然后在某实际电网系统算例中分别采用无迹混合滤波（UMF）、粒子滤波（PF）和所提出的改进粒子滤波（IPF）3种算法对发电机动态状态估计模型进行了仿真试验。仿真结果表明：在不确定量测系统下,改进的IPF算法的滤波性能和抗差性能优于UMF与PF算法,更适用于不确定量测下发电机动态状态估计。     

基于无迹粒子滤波的车载锂离子电池状态估计

传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。     

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。     

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。     

基于平方根形式的无迹卡尔曼粒子滤波的电力系统动态估计

针对无迹卡尔曼滤波(UKF)和粒子滤波(PF)状态估计精度低的缺点,把平方根形式的无迹卡尔曼粒子滤波(SR-UPF)引入到电力系统状态估计中.在该方法中,无迹卡尔曼滤波作为概率密度函数进行更新,利用Markov链蒙特卡罗方法解决重采样后粒子的匮乏问题,利用平方根形式解决状态估计的收敛速度和稳定性问题.在保障精度的情况下...     

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UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2.1％,明显优于UKF和PF算法.     

Bayesian methods for time‐varying state and parameter estimation in induction machines

This paper addresses the problem of nonlinear time‐varying state and parameter estimation of induction machines (IMs) on the basis of a third‐order electrical model. The objectives of this paper are threefold. The first objective is to propose the use of an improved particle filter (IPF) with better proposal distribution for nonlinear and non‐Gaussian state and parameter estimation. The second objective is to extend the state and parameter estimation techniques (i.e., extended Kalman filter (EKF), unscented Kalman filter (UKF), particle filter (PF), and IPF) to better handle nonlinear and non‐Gaussian processes without a priori state information, by utilizing a time‐varying assumption of statistical parameters. In this case, the state vector to be estimated at any instant is assumed to follow a Gaussian model, where the expectation and the covariance matrix are both random. The third objective is to compare the performances of EKF, UKF, PF, and IPF in estimating the states of the power process model representing the IM (i.e, the rotor speed, the rotor flux, the stator flux, the rotor resistance, and the magnetizing inductance) and their abilities to estimate some of the key system parameters, which are needed to define the IM process model. The results show that the IPF provides a significant improvement over the PF because, unlike the PF, which depends on the choice of sampling distribution used to estimate the posterior distribution, the IPF yields an optimum choice of the sampling distribution, which also accounts for the observed data. This conclusion is also supported by the experimental results. Copyright © 2014 John Wiley & Sons, Ltd.     

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。     

自适应UKF在北斗伪距定位中的研究

针对北斗伪距定中噪声统计特性未知或者不准确带来的定位精度不高问题,为减小噪声统计特性的不准确在滤波过程中对状态估计带来的影响,采用了无迹卡尔曼滤波(UKF)和噪声统计值估计器相结合的滤波方法,该方法在UKF中引入改进的噪声估计Sage-Husa算法,对系统噪声和观测噪声进行实时估计,抵抗不准确噪声在定位解算时带来的误差;最后在进行状态更新时引入一个收敛因子对每一次滤波状态进行更新,保证算法的收敛性。实验结果表明,该方法与传统的无迹卡尔曼滤波相比,在提升算法收敛速度的同时,将伪距定位的精度提高了40%左右,可用于带有时变噪声和未知噪声的定位系统中。     

基于改进Att-LSTNet与无迹粒子滤波融合的主动配电网预测辅助状态估计

针对传统的无迹粒子滤波(unscented particle filter, UPF)存在不准确的新息向量及未知的量测噪声协方差矩阵导致估计精度低的问题,提出一种改进Att-LSTNet与UPF融合的主动配电网预测辅助状态估计(forecasting-aided state estimation, FASE)方法。首先,采用引力搜索算法(gravitational search algorithm, GSA)对支持向量回归(support vector regression, SVR)的关键参数进行优化处理,利用历史数据建立GSA-SVR模型,并将其引入至Att-LSTNet模型的输出层,构建一种增强预测模型。然后,利用UPF中的新息向量来训练该模型,并结合孤立森林算法和箱线图法对原始新息向量进行监控和修正。最后,针对量测噪声协方差矩阵未知的情况,结合修正后的新息向量和UPF计算出未知量测噪声协方差矩阵,并进行状态估计。基于IEEE33与IEEE118节点标准配电系统的算例结果表明,所提出的方法在估计精度、泛化能力和鲁棒性等方面具有优越性。     

基于无迹粒子滤波的功率变换器剩余寿命预测方法

针对功率变换器难以准确建立表征其性能退化过程的物理模型,提出一种基于无迹粒子滤波的方法实现其剩余寿命预测。首先,通过分析电路关键元器件退化对电路性能的影响,选取输出电压均值作为寿命表征参数;其次,依据电路性能退化历史数据,采用无迹粒子滤波进行故障趋势建模;最后,逐步递推预测寿命特征参数值并结合电路失效阈值从而实现功率变换器剩余寿命预测。以闭环SEPIC电路为例,分析了建模数据规模对预测性能的影响,并与卡尔曼滤波方法进行对比分析,其结果验证了所提方法的有效性及准确性。     

用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法

针对动态状态估计中传统无迹卡尔曼滤波(UKF)采样方法的不足,对UKF算法进行改进,每次估计实时调节比例修正因子,提高滤波性能。动态状态估计结果精度受量测粗差影响较大,为此提出一种鲁棒无迹卡尔曼滤波(RUKF)算法,引入粗差判据检测粗差,通过增强因子来降低粗差对系统状态估计结果的影响。将RUKF算法运用于电力系统动态状态估计,仿真结果表明,该算法具有良好的估计性能及较强的鲁棒性。     

无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)的不足,将不需要对非线性系统函数进行线性化的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法引入电力系统动态状态估计,采用生成Sigma点数量最少的比例最小偏度单形采样策略进行无迹变换.以IEEE14系统为算例,仿真结果表明引入UKF后,估计结果的精度有所提高,但算法的效率较低,且数值稳定性较差.进一步引入平方根形式的UKF(square root UKF,SRUKF)模型,IEEE 14及IEEE 30测试系统的仿真结果证明:在不需要大量牺牲计算时间的同时,算法的数值稳定性得到了改善.表明SRUKF的引入对动态状态估计方法的改进是有效的.