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。     

考虑数据时延的电力系统两阶段动态状态估计方法

由于电力系统中SCADA数据和PMU数据采样频率不同,使得这两种数据存在时延。首先提出基于变点重复检测的PMU最佳缓冲长度计算方法,将SCADA数据和PMU数据统一到同一时间尺度下,然后将无迹变换与指数权函数抗差估计算法相结合,针对历史多数据断面进一步提出了两阶段无迹卡尔曼滤波鲁棒动态状态估计方法。该方法在每一断面内,首先用无迹变换和两参数指数平滑预测后的预测值与SCADA数据结合进行第一阶段滤波,然后再将滤波所得估计值与PMU数据结合进行第二阶段滤波。通过两阶段滤波,能够显著增大滤波过程中的量测冗余度,并且有效降低在混合数据滤波过程中量测精度较低的SCADA量测对精度较高的PMU量测的影响。基于IEEE-39节点标准系统对本文所提方法进行仿真,仿真结果表明,本文所提方法能够有效结合PMU数据和SCADA数据对电力系统进行动态状态估计计算,且估计精度高,鲁棒性好。     

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。     

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。     

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。     

考虑量测相关性的容积卡尔曼滤波动态状态估计

针对电力系统动态状态估计中SCADA量测量间存在相关性的实际情况,文中提出了一种考虑量测相关性的容积卡尔曼滤波动态状态估计方法。首先进行了SCADA量测相关性分析,然后基于状态转移方程推导过程噪声协方差矩阵,基于容积变换方法计算考虑SCADA量测相关性的量测误差协方差矩阵,并提出了考虑量测相关性的电力系统动态状态估计流程,每次估计实时修正量测误差协方差矩阵及过程噪声协方差矩阵。IEEE-39节点系统的仿真结果表明,相较于不考虑量测相关性的容积卡尔曼滤波算法,文中方法能够明显提高状态估计结果的精度。     

混合量测状态估计相角参考点坏数据问题的处理方法

基于相量测量单元(PMU)和数据采集与监控(SCADA)混合量测进行状态估计计算时,一旦其相角参考点上的PMU电压相角量测为坏数据,将影响其余所有相角量测引入,污染有功量的总体计算,严重影响计算精度。文中在建立混合量测状态估计计算模型的基础上,提出一种解决相角参考点坏数据问题的处理方法,改变传统状态估计将相角参考点状态量值固定且不参与迭代求解的做法,形成雅可比矩阵时增加相角参考点状态量对应列和PMU量测对应行,将相角参考点状态量同其他节点一样参与迭代求解,当相角参考点上的PMU电压相角量测为坏数据时同样能够被检测和辨识,彻底消除其对计算结果的不利影响。最后,结合电网实例验证了该方法的有效性。     

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。     

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。     

Robust State Estimation for an Electricity-GasHeat Integrated Energy System Considering Dynamic Characteristics

The data for an energy management system (EMS) in an integrated energy system (IES) is obtained through state estimation. This is then the basis for optimal scheduling, protection and control. At present, the dynamic models of gas and heat networks are rarely considered in such state estimation, and the method lacks robustness. This paper develops dynamic state estimation models for gas and heat networks, and proposes a unified method for the electricity-gas-heat network, one which takes into account robustness while ensuring accuracy. First, the state transition equations in matrix form are formulated according to finite difference models considering the dynamic characteristics of the gas and heat networks. Then, combined with a quasi-steady state model of the electric power system, a unified state estimation method and multi-time-scale measurement strategy in the Kalman filter framework are proposed. In addition, the prediction accuracies of the electric power and gas systems are improved through adaptive adjustment. The kernel density estimation method is used to adjust the measurement weights and filter out bad data to ensure robust state estimation. Finally, simulation results show that the proposed method not only can improve the estimation accu-racy by improving prediction accuracy, but also is robust to various types of bad data.     

状态估计中不良数据的混合检测辨识程序设计

设计了状态估计中不良数据的混合检测辨识通用的程序框图,并对框图进行了逐项论述说明。参照框图,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真试验,得到了在无不良数据、有不良数据、有突变量等情况下的辨识结果。验证了本文介绍的检测辨识方法及程序框图的有效性。     

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。     

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.     

Dynamic State Estimation for Microgrid Structures

Abstract

In this article, the dynamic state estimation of the islanded microgrids problem is addressed. The electrical network and energy sources are represented as a set of Nonlinear Differential Algebraic Equations, with the aim to capture the nonlinear phenomena and a novel solution, by using a variation of the Kalman Filter ad hoc for differential algebraic systems, is presented. In this representation, the state is given by the voltage phasors at each bus and the variables related to the energy sources. The proposed algorithm permits not only to effectively obtain an estimate of the state variables but also it allows to recover these variables during the microgrid transient behavior. Moreover, the estimation may be carried out using fewer measurements than those needed by conventional static estimators. The performance of the proposed dynamic state estimator is evaluated via numerical experiments using two practical microgrids containing wind power and hydroelectric generators. This novel method has been tested for load variations and wind speed changes demonstrating its capabilities and efficiency.