CN103326358A - 基于同步相角测量装置的电力系统动态状态估计方法 - Google Patents

Abstract

本发明涉及电力系统运行与控制技术领域。本发明公开了一种基于同步相角测量装置的电力系统动态状态估计方法。本发明的技术方案包括步骤：A、读取电力系统当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵；B、根据电力系统网络拓扑结构建立等效电路，配置电力系统量测函数和PMU，系统的量测包括节点电压幅值量测、节点电流幅值量测、节点功率注入量测和节点潮流量测；C、在扩展卡尔曼滤波基础上对系统进行动态状态估计；D、收敛条件判断。本发明中PMU的引入能够为系统提供实时准确的电压、相角等量测信息，保证系统获得更高的量测冗余度，进而提高状态估计的精度。具有鲁棒性好，状态估计精度高，收敛性好的特点。

Description

基于同步相角测量装置的电力系统动态状态估计方法

技术领域

本发明涉及电力系统运行与控制技术，特别涉及一种基于同步相角测量装置(PMU)的鲁棒电力系统动态状态估计方法。

背景技术

电力系统状态估计是能量管理系统和在线决策稳定控制系统的重要组成部分，其主要功能是从含有误差的遥测数据中获得系统当前状态的最佳估计，为电力系统实现在线分析和控制功能提供电网实时工况。随着互联电网规模的不断扩大，能源配置格局的初步形成，加之电力市场改革的稳步推进、新能源不断发展，中国电网结构日益庞大，运行方式日趋复杂，保障电网安全经济运行面临着巨大的挑战。传统的电力系统静态状态估计可以为电力系统调度中心提供电网的实时运行状态，然而分析和预测系统的运行趋势，对运行中发生的各种问题提出相应的对策则离不开兼备预测功能的动态状态估计。

目前，电力系统状态估计的量测数据主要源于数据采集与监控系统(SCADA)，一般包括节点注入功率、支路功率和节点电压幅值等，这些数据每2秒传送一次，但是由于这些系统的量测信息往往都是通过远动装置传送到调度中心，而远动装置的误差及传送过程中各个环节的误差使得迭代求解出来的电压、相角等状态量的精度难以得到保证。近年来，基于全球卫星定位系统的PMU逐步应用于电力系统中，它具有采集量测数据快、能测量相角信息，并且量测数据精度比SCADA高等优点。

另一方面，目前的电力系统状态估计方法中静态状态估计的研究最多，电力系统动态状态估计研究正在成为热点，然而目前大多数电力系统动态状态估计方法都是考虑采用卡尔曼滤波或者卡尔曼滤波的改进形式，并没有有效解决电力系统状态估计的量测函数非线性、量测数据量大、鲁棒性不好等问题。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于PMU的鲁棒电力系统动态状态估计方法，利用来自SCADA和PMU的量测数据实时快速地追踪预测电网各节点运行状态(电压幅值和相角)。

本发明解决所述技术问题采用的技术方案是，基于同步相角测量装置的电力系统动态状态估计方法，其特征在于，包括以下步骤：

A、读取电力系统当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵；

B、根据电力系统网络拓扑结构建立等效电路，配置电力系统量测函数和PMU，系统的量测包括节点电压幅值量测、节点电流幅值量测、节点功率注入量测和节点潮流量测；

C、在扩展卡尔曼滤波基础上对系统进行动态状态估计

一个电力系统的状态可以由一个包含一系列复杂电压幅值和相角的n维状态向量x来表示，系统通常使用状态估计每隔几分钟或者一定的采样间隔更新一次状态；在已知量测z_k后，系统在第k次采样时的状态x_k由下式表示：

z_k=h(x_k)+v_k

其中，h(·)表示m维非线性函数向量；v_k是服从正态分布的随机白噪声，即v_k～N(0,R_k)，R_k是量测误差的方差；

对系统进行动态状态估计，主要包括参数辨识、状态预测和状态滤波：

参数辨识：电力系统运行状态的变化可由以下线性化的准稳态模型来描述：

x_k+1=F_kx_k+G_k+w_k

其中，F_k,G_k是n维非零对角动态模型参数矩阵；F_k是状态转移矩阵；G_k是控制向量；w_k是服从正态分布的随机白噪声，即w_k～N(0,Q_k)，Q_k是系统模型误差的方差；参数F_k,G_k由Holt’s两参数线性指数平滑法求得；

状态预测：一个含n节点系统的状态

和协方差矩阵M_k+1预测结果为：

${\tilde{x}}_{k+1}=F_k{\hat{x}}_k+G_k$

$M_{k+1}=F_k{P}_k{F}_k^T+Q_k$

其中，

是一个(2n-1)×1维状态向量的估计值,P_k是误差协方差关联矩阵；

状态滤波：假设已经获得一组电力系统的实时量测值z_k，则通过对预测的状态向量

进行滤波可得到新的状态估计向量

因此在k+1时刻，状态估计的目标函数为：

$J_k\left(x\right)={[z-h\left(x\right)]}^T{R}^{-1}[z-h\left(x\right)]+[x-\tilde{x}]M^{-1}[x-\tilde{x}]$

其中，R为量测误差矩阵，W=R^-1是一个对角权重矩阵，它的对角元素由每个量测的标准差决定；

D、收敛条件判断

若

算法收敛，输出各个节点剔除不良数据之后系统更准确的电压幅值和相角，否则转步骤C。

具体的，步骤B中，所述节点功率注入量测包括有功功率注入量测和无功功率注入量测；所述节点潮流量测包括有功潮流量测和无功潮流量测。

具体的，步骤B中，所述等效电路为π型等效电路。

进一步的，步骤C中，R=S；

其中S_k为新的量测误差矩阵S中的第k个元素，W_k为对角权重矩阵W的第k个元素。

本发明的有益效果是，鲁棒性好。本发明通过引入新的量测权重函数有助于遏制负荷突变、切机、拓扑错误等突变对系统的冲击，进一步提高系统的鲁棒性，此外，该方法还具有抵御不良数据的能力。状态估计精度高，收敛性好。本发明中PMU的引入能够为系统提供实时准确的电压、相角等量测信息，并且能够保证系统获得更高的量测冗余度，增强不良数据辨识及拓扑错误辨识能力，进而提高状态估计的精度。指数权重函数以及EKF递归的求解目标函数能保证系统具有较好的收敛性能。应用前景好。本发明具有动态追踪预测系统运行状态的能力，能够为控制决策中心进行经济调度、安全评估和其它相关的高级应用提供数据支持，满足未来智能电网发展要求。

附图说明

图1是本发明流程图；

图2是本发明所采用的不含变压器支路的π型等效电路量测计算图；

图3是本发明所采用的变压器支路π型等效电路量测计算图；

图4是本发明实施例IEEE14测试图；

图5是各个节点相角测试结果；

图6是各个节点电压幅值测试结果；

图7是系统鲁棒性测试结果。

具体实施方式

下面结合附图对本发明的技术方案进行详细描述。

本发明的基于同步相角测量装置的电力系统动态状态估计方法，流程如图1所示，包括以下步骤：

(1)电网数据的读取

在本步骤中，网络数据读取包括电力系统当前的网络参数和拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵。

(2)系统量测和PMU配置

系统的量测包括节点电压幅值量测、电流幅值量测、功率注入量测和潮流量测，下面将对典型π型等效电路的相关量测所采用的量测函数进行说明。

图2中不含变压器支路时节点的有功注入和无功注入、有功潮流注入和无功潮流注入、电流幅值量测函数如下：

节点i的有功注入P_i和无功Q_i注入量测函数分别为：

$P_i=V_i\underset{j\∈N_i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})$ 和 $Q_i=V_i\underset{j\∈N_i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}});$

节点i到j的有功潮流注入P_ij和无功潮流注入Q_ij量测函数分别为：

$P_{\mathrm{ij}}=V_i^2(g_{\mathrm{si}}+g_{\mathrm{ij}})-V_i{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+b_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})$ 和 $Q_{\mathrm{ij}}=V_i^2(b_{\mathrm{si}}+b_{\mathrm{ij}})-V_i{V}_j(g_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}}+b_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}});$

节点i到j的线路电流幅值I_ij为：

$I_{\mathrm{ij}}=\frac{\sqrt{P_{\mathrm{ij}}^2+Q_{\mathrm{ij}}^2}}{V_i}$

图3中含变压器支路时节点的有功和无功功率注入、有功和无功潮流注入、电流幅值量测函数如下：

节点i的有功注入P_i和无功Q_i注入量测函数分别为：

$P_i=V_i\underset{j\∈N_i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})$ 和 $Q_i=V_i\underset{j\∈N_i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}});$

节点i到j的有功潮流注入P_ij和无功潮流Q_ij量测函数分别为：

$P_{\mathrm{ij}}=-\frac{1}{K}{V}_i{V}_j{b}_T\sin {\mathrm{\θ}}_{\mathrm{ij}};$

$Q_{\mathrm{ij}}=-\frac{1}{K^2}{V}_i^2{b}_T+\frac{1}{K}{V}_i{V}_j{b}_T\cos {\mathrm{\θ}}_{\mathrm{ij}};$

$P_{\mathrm{ji}}=\frac{1}{K}{V}_i{V}_j{b}_T\sin {\mathrm{\θ}}_{\mathrm{ij}};$

$Q_{\mathrm{ij}}=-V_i^2{b}_T+\frac{1}{K}{V}_i{V}_j{b}_T\cos {\mathrm{\θ}}_{\mathrm{ij}};$

其中，V_i和V_j分别为节点i和j的电压幅值；节点i和j之间的相角差θ_ij=θ_i-θ_j，θ_i和θ_j分别为节点i和j的相角；N_i为连接到节点i的节点数量；G_ij+jB_ij为导纳矩阵的第i行第j列元素；g_ij+jb_ij节点i到j间的序导纳；g_si+jb_si节点i到j间的并联导纳；K为变压器非标准变比；b_T为变压器标准侧的电纳。

PMU配置原则

为了保证整个系统的可观测性，本发明采用已有的一种系统可观测性PMU最优配置方法来配置系统的PMU。

(3)电力系统动态状态估计

在电力系统量测及PMU配置后，本步将在扩展卡尔曼滤波(EKF)基础上对系统进行动态状态估计。

一个电力系统的状态可以由一个包含一系列复杂电压幅值和相角的n维状态向量x来表示，系统通常使用状态估计每隔几分钟或者一定的采样间隔更新一次状态。

在已知量测z_k后，系统在第k次采样时的状态x_k可由下式表示：

z_k=h(x_k)+v_k

其中，h(·)表示m维非线性函数向量；v_k是服从正态分布的随机白噪声，即v_k～N(0,R_k)，R_k是量测误差的方差。

扩展卡尔曼滤波(EKF)基础上的系统不良数据检测与辨识主要包含3个主要的阶段：参数辨识、状态预测和状态滤波，下面将分别进行详细的说明：

参数辨识：电力系统运行状态的变化可由以下线性化的准稳态模型来描述：

x_k+1=F_kx_k+G_k+w_k

其中，F_k,G_k是n维非零对角动态模型参数矩阵；F_k是状态转移矩阵；G_k是控制向量；w_k是服从正态分布的随机白噪声，即w_k～N(0,Q_k)，Q_k是系统模型误差的方差，它通常被假设为一个对角元素全是10^-6的对角矩阵；参数F_k,G_k可由Holt’s两参数线性指数平滑法所求得。

状态预测：一个含n节点系统的状态

和协方差矩阵M_k+1预测结果为：

${\tilde{x}}_{k+1}=F_k{\hat{x}}_k+G_k$

$M_{k+1}=F_k{P}_k{F}_k^T+Q_k$

其中，

是一个(2n-1)×1维状态向量的估计值，P_k是误差协方差关联矩阵；n是节点数量，n为正整数。

状态滤波：假设已经获得一组电力系统的实时量测值z_k,则通过对预测的状态向量进行滤波可得到新的状态估计向量

因此在k+1时刻，状态估计的目标函数为：

$J_k\left(x\right)={[z-h\left(x\right)]}^T{R}^{-1}[z-h\left(x\right)]+[x-\tilde{x}]M^{-1}[x-\tilde{x}]$

其中，R为量测误差矩阵，W=R^-1是一个对角权重矩阵，它的对角元素由每个量测的标准差决定。例如，如果量测值的误差满足高斯分布，那么权重矩阵的对角元素就是相对应量测值标准差的倒数。

在本发明中，为了增强算法的鲁棒性，引入一个新的量测权重函数

其中S_k为新的量测误差矩阵S中的第k个元素，W_k为对角权重矩阵W的第k个元素，此时有W=S^-1。该权重函数引入有如下优点：

在正常的稳态运行情况下，量测误差很小，接近于0，量测权重就为相对应量测值标准差的倒数，不需要我们对量测函数作较大的调整；

在系统的量测遭受比较大的扰动，比如负荷突变、切机、不良数据注入等而造成量测误差发生较大的变化时，指数函数将有助于减少这些突变对系统的冲击，从而使不可预测的突变对系统的冲击的影响得到遏制，进一步提高系统的鲁棒性；

PMU的量测精度本来就比SCADA精度高很多，量测误差不论是在正常稳态还是系统遭受不可预测的突变时，都可以保持在较低的水平，进而保证PMU的量测值权重相比于SCADA中的量测权重高很多，并且量测权重更稳定，更利于系统动态运行的监测和控制。

当目标函数最小时有：

${\frac{\∂J_k\left(x\right)}{\∂x}|}_{x=\hat{x}}=0$

经过整理有可得k+1时刻系统的状态：

${\hat{x}}_{k+1}={\tilde{x}}_{k+1}+K_{k+1}[z_{k+1}-h\left({\tilde{x}}_{k+1}\right)]$

其中增益矩阵、与K_k+1相关的矩阵如下所示：

$H=\frac{\∂h\left(x\right)}{\∂x}$

$P_k={\left\{\right[I-K_k{H}_k]M_k{[I-K_k{H}_k]}^T+K_k{R}_k{K}_k^T\}|}_{x=\tilde{x}}$

上式中，I为单位矩阵；P_k为误差协方差矩阵。

由此，利用参数辨识、状态预测和状态滤波，动态状态估计器就可根据已知的量测z₀,z₁,...,z_k估计出系统的运行状态。

(4)收敛条件判断

若

算法收敛，输出各个节点的电压幅值和相角，否则转步骤3。

实施例

步骤1：电网数据的读取

在本步骤中，电网数据的读取包括电力系统当前的网络参数、拓扑结构和线路阻抗，并由此形成节点导纳矩阵和支路-节点关联矩阵。

步骤2：系统量测和PMU配置

根据电力系统网络拓扑结构建立等效电路，配置电力系统量测函数和PMU，系统的量测包括节点电压幅值量测、节点电流幅值量测、节点功率注入量测和节点潮流量测。

以图4所示IEEE14系统量测配置为例，共有4个PMU分别安装在节点2、6、7、9上，其中在节点2上的PMU可以测量2-4、2-3的相角和节点2的电压；在节点6上的PMU测量6-11、6-12、6-13的相角和节点6的电压值；在节点7上的PMU测量7-9、7-4、7-8的相角和节点7的电压值；在节点9上的PMU测量9-10、9-14的相角和节点9的电压值；所有的相角值都用度数表示，所有的电压量测值都是在真实的潮流计算结果上加了一个均值为零，方差为0.01的高斯随机误差;此外，系统各个节点的有功和无功功率注入量测、有功和无功潮流注入功率量测、电流幅值量测可由相关量测函数计算得到。

步骤3：动态状态估计

在电力系统量测及PMU配置后，本步将在扩展卡尔曼滤波基础上对系统进行动态状态估计。

一个电力系统的状态可以由一个包含一系列复杂电压幅值和相角的n维状态向量x来表示，系统通常使用状态估计每隔几分钟或者一定的采样间隔更新一次状态。在已知观测的量测z_k后，系统在第k次采样时的状态x_k可由下式表示：

z_k=h(x_k)+v_k

其中，h(·)表示m维非线性函数向量；v_k是服从正态分布的随机白噪声，即v_k～N(0,R_k)，R_k是量测误差的方差。

扩展卡尔曼滤波基础上的系统不良数据检测与辨识主要包含3个主要的阶段：参数辨识、状态预测和状态滤波，下面将分别进行详细的说明：

参数辨识：电力系统运行状态的变化可由以下线性化的准稳态模型来描述：

x_k+1=F_kx_k+G_k+w_k

其中，F_k，G_k是n维非零对角动态模型参数矩阵；F_k是状态转移矩阵；G_k是控制向量；w_k是服从正态分布的随机白噪声，即w_k～N(0,Q_k)，Q_k是系统模型误差的方差，它通常被假设为一个对角元素全是10^-6的对角矩阵；参数F_k,G_k可由Holt’s两参数线性指数平滑法所求得。

状态预测：在这一步中，采用传统的期望理论，一个含n节点系统的状态

和协方差矩阵M_k+1预测结果为：

${\tilde{x}}_{k+1}=F_k{\hat{x}}_k+G_k$

$M_{k+1}=F_k{P}_k{F}_k^T+Q_k$

其中，

是一个(2n-1)×1维状态向量的估计值,P_k是误差协方差关联矩阵。

状态滤波：假设已经获得一组电力系统的实时量测值z_k,则通过对预测的状态向量

进行滤波可得到新的状态估计向量因此在k+1时刻，状态估计的目标函数为：

$J_k\left(x\right)={[z-h\left(x\right)]}^T{R}^{-1}[z-h\left(x\right)]+[x-\tilde{x}]M^{-1}[x-\tilde{x}]$

其中，W=R^-1，W是一个对角权重矩阵，它的对角元素由每个量测的标准差决定；例如，如果量测值的误差满足高斯分布，那么权重矩阵的对角元素就是相对应量测值标准差的倒数。

在本发明中，为了增强算法的鲁棒性，引入一个新的量测权重函数：

其中S_k为新的量测误差矩阵S中的第k个元素，W_k为原来对角权重矩阵W的第k个元素,此时新的权重矩阵应该变为W=S^-1。

当目标函数最小时有：

${\frac{\∂J_k\left(x\right)}{\∂x}|}_{x=\hat{x}}=0$

经过整理可得k+1时刻系统的状态：

${\hat{x}}_{k+1}={\tilde{x}}_{k+1}+K_{k+1}[z_{k+1}-h\left({\tilde{x}}_{k+1}\right)]$

其中增益矩阵以及与K_k+1相关的矩阵如下所示：

$H=\frac{\∂h\left(x\right)}{\∂x}$

$P_k={\left\{\right[I-K_k{H}_k]M_k{[I-K_k{H}_k]}^T+K_k{R}_k{K}_k^T\}|}_{x=\tilde{x}}$

上式中，I为单位矩阵；P_k为误差协方差矩阵。

由此，利用参数辨识、状态预测和状态滤波三步，动态状态估计器就可根据已知的量测z₀,z₁,...,z_k估计出系统的运行状态。

步骤4：收敛条件判断

若

算法收敛，输出各个节点的电压幅值和相角，否则转步骤3。

各个节点相角和电压幅值的测试结果如图5和图6所示，从图中可以看出，本发明的方法相比于常用的基于卡尔曼滤波(KF)的动态状态估计，估计精度更高，更能实时地追踪系统的运行状态；此外，本发明方法整个状态估计过程只花了0.0296秒，估计速度快。

此外，为了更好的体现本发明所提到的鲁棒性好的性能，将不良数据以下列方式注入到系统中：

(1)在第5次采样的时候，注入一个粗差为20%的生数据；

(2)在第10次采样的时候，一个生数据被误认为是零注入量测；

(3)在第20次采样的时候，注入两个粗差为20%的生数据；

定义指标： $J=\frac{\mathrm{\Σ}|{\hat{z}}_k^i-{\hat{z}}_k^i|}{\mathrm{\Σ}|z_k^i-{\tilde{z}}_k^i|}$

其中，

是第i个量测值在第k次采样时的波值；

是第i个量测值在第k次采样时的预测值；

指第i个量测值在第k次采样时的真实值。

结果如附图7所示，可以很容易的发现在第5、10和20次采样时，J发生了较大的波动，而其余情况保持平稳运行，从另一方面说明该方法具有检测不良数据的能力。

综上，本发明能利用来自SCADA和PMU的量测数据实时快速地追踪预测电网各节点运行状态(电压幅值和相角)，并且估计精度高，能够及时的检测不良数据，为控制决策中心进行经济调度、安全评估和其它相关的高级应用提供数据支持；另外本方法在负荷发生突变和系统含有不良数据时也具有较好的鲁棒性，这些特性对于未来智能电网建设具有很重要的意义。

Claims (4)

1.基于同步相角测量装置的电力系统动态状态估计方法，其特征在于，包括以下步骤：

A、读取电力系统当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵；

B、根据电力系统网络拓扑结构建立等效电路，配置电力系统量测函数和PMU，系统的量测包括节点电压幅值量测、节点电流幅值量测、节点功率注入量测和节点潮流量测；

C、在扩展卡尔曼滤波基础上对系统进行动态状态估计

一个电力系统的状态可以由一个包含一系列复杂电压幅值和相角的n维状态向量x来表示，系统通常使用状态估计每隔几分钟或者一定的采样间隔更新一次状态；在已知量测z_k后，系统在第k次采样时的状态x_k由下式表示：

z_k=h(x_k)+v_k

其中，h(·)表示m维非线性函数向量；v_k是服从正态分布的随机白噪声，即v_k～N(0,R_k)，R_k是量测误差的方差；

对系统进行动态状态估计，主要包括参数辨识、状态预测和状态滤波：

参数辨识：电力系统运行状态的变化可由以下线性化的准稳态模型来描述：

x_k+1=F_kx_k+G_k+w_k

其中，F_k,G_k是n维非零对角动态模型参数矩阵；F_k是状态转移矩阵；G_k是控制向量；w_k是服从正态分布的随机白噪声，即w_k～N(0,Q_k)，Q_k是系统模型误差的方差；参数F_k,G_k由Holt’s两参数线性指数平滑法求得；

状态预测：一个含n节点系统的状态

和协方差矩阵M_k+1预测结果为：

${\tilde{x}}_{k+1}=F_k{\hat{x}}_k+G_k$

$M_{k+1}=F_k{P}_k{F}_k^T+Q_k$

其中，

是一个(2n-1)×1维状态向量的估计值,P_k是误差协方差关联矩阵；

状态滤波：假设已经获得一组电力系统的实时量测值z_k，则通过对预测的状态向量

进行滤波可得到新的状态估计向量

因此在k+1时刻，状态估计的目标函数为：

$J_k\left(x\right)={[z-h\left(x\right)]}^T{R}^{-1}[z-h\left(x\right)]+[x-\tilde{x}]M^{-1}[x-\tilde{x}]$

其中，R为量测误差矩阵，W=R^-1是一个对角权重矩阵，它的对角元素由每个量测的标准差决定；

D、收敛条件判断

若

算法收敛，输出各个节点剔除不良数据之后系统更准确的电压幅值和相角，否则转步骤C。

2.根据权利要求1所述的基于同步相角测量装置的电力系统动态状态估计方法，其特征在于，步骤B中，所述节点功率注入量测包括有功功率注入量测和无功功率注入量测；所述节点潮流量测包括有功潮流量测和无功潮流量测。

3.根据权利要求1所述的基于同步相角测量装置的电力系统动态状态估计方法，其特征在于，步骤B中，所述等效电路为π型等效电路。

4.根据权利要求1所述的基于同步相角测量装置的电力系统动态状态估计方法，其特征在于，步骤C中，R=S；

其中S_k为新的量测误差矩阵S中的第k个元素，W_k为对角权重矩阵W的第k个元素。

Images