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。     

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.     

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...     

电力系统动态状态估计的研究现状和展望

综述了电力系统动态状态估计DSE(Dynamic State Estimation)的研究现状,对目前常用的DSE方法作了简明对比。。描述了基于扩展卡尔曼滤波EKF(Extended Kalman Filter)算法的DSE数学模型,并介绍了3类改进算法,用以提高EKF算法的自适性性、鲁棒性和准确性。针对不良数据的检测和辨识,在简要分析传统量测量残差检测和突变检测方法优缺点的基础上,又介绍了一些新的理论。总结了外部网络模型等值的一些观点。最后,提出了DSE研究中几个方面的构想以供参考。     

基于改进自适应UKF算法的中压配电网鲁棒动态状态估计方法

针对中压配电网缺少实时量测、伪量测精度较低以及现有的动态状态估计（dynamic state estimation,DSE）方法均采用恒定系统处理状态过程噪声的问题,提出了一种基于改进自适应无迹卡尔曼滤波（unscented kalman filter,UKF）算法的中压配电网鲁棒DSE方法。首先,利用中压配电网变压器低压侧的智能电表量测和变压器模型,推导出等效中压量测以增强中压配网量测冗余度;然后,借鉴信号处理技术对系统状态过程噪声的协方差矩阵实时更新并融入UKF算法,以减轻状态预测和量测滤波的不确定性;最后,基于15节点中压配电网进行仿真。仿真结果表明：所提方法能够有效地进行中压配电网的动态状态估计,获取更为精确的态势感知信息。     

相关量测下处理时延的电力系统动态状态更新法

精确的量测系统模型是电力系统动态状态估计准确性的重要保证。利用修正量测协方差矩阵可更准确地表示实际量测系统的特性,在基于修正协方差的量测模型基础上提出了处理量测时延问题的电力系统动态状态更新法。利用当前动态估计值反推得到时延量测断面下的状态估计值,通过估计值间的协方差及交叉协方差矩阵计算,结合当前量测值重新滤波得到状态更新值。IEEE 14节点算例仿真结果表明,负荷波动较小时采用该方法对于提高动态估计精度具有一定效果;负荷波动较大时采用基于状态反推简化模型的动态状态更新法,能够有效降低动态状态估计值误差,提高估计精度。     

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。     

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.     

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。     

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动态状态估计

针对目前广域量测量无法单独进行状态估计的问题,引入部分SCADA功率量测与广域量测一起构成混合量测系统,提出了基于混合量测的动态状态估计算法。该算法采用扩展卡尔曼滤波算法实现状态预测与滤波,并能利用精度高和短期更新的广域量测数据去提高状态滤波效果。仿真分析表明,当广域量测在混合量测数据所占比例逐渐增加以及广域量测更新周期缩短后,状态预测和滤波结果精度均会有明显提高。