CN104795819B - 一种基于强跟踪集员估计的电力系统状态估计方法 - Google Patents
一种基于强跟踪集员估计的电力系统状态估计方法 Download PDFInfo
- Publication number
- CN104795819B CN104795819B CN201510238105.5A CN201510238105A CN104795819B CN 104795819 B CN104795819 B CN 104795819B CN 201510238105 A CN201510238105 A CN 201510238105A CN 104795819 B CN104795819 B CN 104795819B
- Authority
- CN
- China
- Prior art keywords
- estimation
- ellipsoid
- state
- algorithm
- power system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于强跟踪集员估计的电力系统状态估计方法,包括以下步骤:获取滤波目标信号,提取滤波目标信号特征;建立连续三次采样正弦波电压的等式关系模型,从而得到相应的状态方程、观测方程,以及离散滤波目标信号;根据集员估计算法递推规则,采用最优定界椭球估计算法,得到集员估计的离散算法公式;引入强跟踪的思想,改进扩展集员估计算法,对离散滤波目标信号进行滤波和状态估计,并考虑电力信号参数突变时相应的状态估计结果。本发明引入有效的扩展集员估计算法进行状态估计,解决了在不确定噪声分布特性条件下的状态估计问题。提出的强跟踪扩展集员估计算法,提高了电力系统中幅值和频率等电气参数突变的工况的跟踪能力。
Description
技术领域
本发明属于电力系统领域,涉及一种基于强跟踪集员估计的电力系统状态估计方法。
背景技术
电力系统中常采用数据采集监控(Supervisory Control And DataAcquisition,SCADA)系统和能量管理系统(Energy Management system,EMS)以确保电网运行在理想的状态,保障系统的经济安全运行。状态估计基于电网的结构、参数以及实时量测为SCADA/EMS的应用分析软件提供当前电网的状态。它是整个网络分析应用软件的核心和基础,在整个SCADA/EMS系统中占有重要的地位。状态估计的结果被控制中心用来进行突发情况分析,最优潮流计算,负荷调度等等。
在实际电网中,远方的量测数据要经过很多环节才能到达电力系统调度中心。由于经济原因,硬件检测设备不能遍布系统的所有测量节点,量测数据只是整个系统中的一部分,再加上,远动数据在测量、传送、转换的过程中,受到设备的限制和外界的干扰,实际调度中心接收的数据或多或少的带有误差,有些甚至是和测量值差别很大的坏数据。由于以上原因,远动装置传递的数据有时不能满足调度中心的要求,即使采用硬件滤波和改良编码的方法,也只能起到很小的作用。如果将远动装置传来的生数据直接使用,对于EMS的决策结果会产生难以预料的后果,而大量的远动数据不可能由人工进行处理,因此有必要在远动装置和数据库之间加入状态估计这一环节。
电力系统的安全经济运行要求现代化的调度系统要求能迅速、准确、全面的掌握电力系统的实时运行状态,分析和预测系统的运行趋势,对运行中出现的各种问题给出相应的对策,并对下一步的决策提供实时、准确的运行数据。研究有效的电力系统状态方法,获得有关电力系统状况全面、可靠和精确的信息,具有重要且深远的意义。
电力系统状态估计发展到今天,算法得到很大的发展,在估计准则、解方程组的技术、优化方法、提高估计效率等方面衍生出许多新技术、新理论,80年代末到现在,提出了电力系统状态估计正交变换法、Hachtel法、最优步长因子法、快速分解法,保留非线性法,神经网络法,新息图法、内点算法WLAV状态估计、等效电流变换法、抗差算法、支持向量机回归法等电力系统状态估计新算法。动态状态估计模型主要利用扩展卡尔曼滤波(ExtendedKalman Filter,EKF)理论所建立。然而,EKF理论本身是经由系统上的量测值、网络参数及状态变量的预测值,利用加权最小二乘法的模式,进行滤波运算,以推导出系统的最佳状态值,该模型本身常受系统的负荷动态模式影响,其预报和估计的精度难以令人满意。然而以卡尔曼滤波为代表的基于随机噪声假设的估计方法,如极大似然法等,都要求噪声的统计特性(如概率密度函数)已知或至少部分特性已知。这类估计方法具有以下缺陷[13]:
1)由于实验设计和先验知识的不充分,特别是当数据长度较小的情况下,有关噪声的概率密度函数和自相关函数的特征描述会存在一定程度的偏差,并且有时噪声的特征描述并不总依赖于先验知识;
2)如果噪声并非本质上随机的,则很难对噪声的统计假设是否与实际情况相符合给出一个合理的评价;
3)只有当测量数据足够大时才能验证有关模型估计的渐进特性是否与实际情况相一致。
因此,目前需要一种能够克服上述缺陷,又满足在线应用的实时性和有效性,并能提供快速准确的状态估计的方法。
发明内容
为解决电力系统状态估计方法存在的上述缺点,本发明的目的在于提供一种基于强跟踪集员估计的电力系统状态估计方法。此算法利用三次采样正弦波关系模型对信号的平滑能力,从噪声的不确定性和电力系统的非线性出发,充分考虑噪声的边界条件,引入扩展集员估计,提高估计的可信度。改进现有扩展集员估计,提出强跟踪扩展集员估计算法,以提高电力系统中幅值和频率等电气参数突变的工况的跟踪能力。在状态估计中引入物理约束的处理,考虑采样电压(电流)状态量的物理特性,提高估计的精度。
为达到上述目的,本发明提供如下技术方案:
一种基于强跟踪集员估计的电力系统状态估计方法,包括以下步骤:
步骤一:获取滤波目标信号,提取滤波目标信号特征;
步骤二:建立滤波模型,此模型为连续三次采样正弦波电压的等式关系模型,从而得到相应的状态方程、观测方程,以及离散滤波目标信号;
步骤三:根据集员估计算法递推规则,采用最优定界椭球估计算法,得到集员估计的离散算法公式;
步骤四:利用强跟踪的思想,改进扩展集员估计算法,得到强跟踪集员估计算法;
步骤五:对离散滤波目标信号进行滤波和状态估计,得到估计结果,并考虑电力信号参数突变时相应的状态估计结果。
本发明的有益技术效果在于:本发明中从噪声的不确定性和电力系统的非线性出发,充分考虑噪声的边界条件,对比现有的几类扩展集员估计算法,经理论分析与数值实验,引入有效的扩展集员估计算法,解决在不确定噪声分布特性条件下的状态估计问题。引入扩展集员估计,提高估计的可信度。改进现有扩展集员估计,提出强跟踪扩展集员估计算法,以提高电力系统中幅值和频率等电气参数突变的工况的跟踪能力。在状态估计中引入物理约束的处理,考虑采样电压(电流)状态量的物理特性,提高估计的精度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述状态估计方法的流程图
图2为椭球集员估计算法流程图
图3为扩展集员估计算法的方框图
图4为强跟踪扩展集员估计方法的算法流程图
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
发明中采用扩展集员估计进行状态估计,提高估计的可信度。并将现有的扩展集员估计进行改进,提出强跟踪扩展集员估计算法,以提高电力系统中幅值和频率等电气参数突变的工况的跟踪能力。在状态估计中引入物理约束的处理,考虑采样电压(电流)状态量的物理特性,提高估计的准确度。
图1为本发明所述状态估计方法的流程图。如图所示,该状态估计算法包括如下五个步骤,步骤一:获取滤波目标信号,提取滤波目标信号特征;步骤二:建立滤波模型,此模型为连续三次采样正弦波电压的等式关系模型,从而得到相应的状态方程、观测方程,以及离散滤波目标信号;步骤三:根据集员估计算法递推规则,采用最优定界椭球估计算法,得到集员估计的离散算法公式;步骤四:利用强跟踪的思想,改进扩展集员估计算法,得到强跟踪集员估计算法;步骤五:对离散滤波目标信号进行滤波和状态估计,得到估计结果,并考虑电力信号参数突变时相应的状态估计结果。
由于本发明针对的是电力系统的状态估计,则步骤一中获取滤波目标信号具体步骤为,通过电压互感器获取电力系统中的电压信号,并将该信号调制为弱电信号制,从而得到滤波目标信号y。所述的滤波目标信号特征,首先需明确的一点便是该信号中混有附加噪声或谐波信号,电力系统中噪声具有多变且难以预测的特点,且通常不满足高斯白噪声的假设,而噪声的边界通常是我们唯一能够得到的信息。其次,该滤波目标信号的特征还包括,该信号可以为单相或者三相非线性正弦波电压或电流信号。
在本实施例中,步骤二采用的具体内容为:
1)首先将连续非线性的电力系统失真信号转换为离散时间信号yk;
2)根据滤波目标信号的特征,采用连续三个采样时刻的电压等式关系构建滤波模型,如下所示:
考虑电力系统电压或电流采样后的离散时间信号描述为以下形式:
yk=Acos(kωTs+φ)+vk (2)
其中:yk为瞬时信号值;A为信号幅值;k为采样时刻;Ts为采样周期;ω为弧频率;φ为相位;vk为附加噪声(假设为未知但有界的噪声,)。
建立如下的状态模型和观测模型
在本实施例中,所采用最优外定界椭球状态估计的集员估计算法步骤如图2所示,具体过程如下:
1)假设已计算出k-1时刻包含状态集合Θ(k-1)的椭球E(k-1);
2)由当前时刻新的数据y(k)和有界测量回归向量ΦT(k),计算约束集合S(k);
3)计算k时刻的状态集合Θ(k),其中利用准则函数来最优化参
数以得到包含参数真值的最优外定界椭球集合E(k)。
图3是扩展集员估计算法的示意图,在本实施例中,针对电力系统的非线性特点,采用的是扩展的集员估计算法。与集员估计算法相比,扩展集员估计算法针对非线性系统,线性化状态模型和量测模型,每一次更新过程都充分考虑噪声的边界条件,将线性化余项和噪声相结合构成新的伪噪声,并采用区间算法,得到线性化余项可能存在的区域为正交多胞形盒子,进而得到更新椭球,最终得到估计椭球。
递推算法包括时间更新和测量更新两个过程。
a.时间更新过程:
1)初始化状态椭球E(xk,Pk/k),其中xk为椭球中心,Pk/k为椭球半径;
2)将状态方程xk+1按式(5)线性化:
其中:
3)考虑过程噪声边界条件和线性化余项R2(*),计算正交多胞形盒子Γk;
其中:
4)计算包含椭球Ek和盒子Γk的最小容积椭球,得到时间更新椭球
根据最小化椭球容积准则,得到参数pi。
b.测量更新过程:
1)线性化测量方程yk+1;
其中:
2)考虑测量噪声边界条件和线性化余项R2(*),计算正交多胞形盒子Λk+1;
3)计算包含时间更新椭球Ek+1/k和盒子Λk+1的最小容积椭球,得到估计值可能存在的约束集合Sk+1;
4)椭球Ek+1中心即为估计值椭球半径Pk/k为估计值可能存在的范围。
图4为强跟踪扩展集员估计方法的算法流程图。针对电力系统参数多变,常有参数突变的情况,而现有的扩展集员估计算法在参数突变情况下跟踪情况不理想,跟踪速度缓慢,精度不高。本实施例将以非线性系统下的扩展集员状态估计算法为基础,提出强跟踪扩展集员估计算法。有效的解决电力系统各参数(如频率,幅值,相位等)发生突变以及同时突变时,集员估计的跟踪效果不理想的缺点,提高了估计的精度。
如图4所示,在计算强跟踪集员估计滤波器时,最大区别在于时间更新椭球计算过程中引入次优渐消因子λk+1,时间更新椭球的形状矩阵计算方法转换成保证每一步递推过程中,保持了不同时刻的残差序列εk+1处处正交;其工程意义在于,当存在模型不确定性或者电力信号参数突变时,在线更新椭球半径Pk+1/k,强迫系统输出残差序列保持相互正交,对状态时变系统具有自适应能力和鲁棒性,使得系统在达到稳态后的缓变或突变具有很强的跟踪能力。
次优渐消因子λk+1的在线计算方法为:
Nk+1=Vk+1-βRk+1(19)
式中,tr[·]为求矩阵迹的算子,Vk+1为实际输出残差序列的协方差矩阵,
式中,0≤ρ≤1为遗忘因子,一般取β≥1为一个选定的弱化因子,引入此弱化因子的目的是使得状态估计值更加平滑,其数值通过计算机仿真,由式(23)所示的准则确定:
式中,L为仿真步数,n为状态变量个数。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种基于强跟踪集员估计的电力系统状态估计方法,其特征在于,包括以下步骤:
步骤一:获取滤波目标信号,提取滤波目标信号特征;通过电压互感器获取电力系统中的电压信号,并将该信号调制为弱电信号制,从而得到滤波目标信号y;
步骤二:建立滤波模型,此模型为连续三次采样正弦波电压的等式关系模型,从而得到相应的状态方程、观测方程,以及离散滤波目标信号:
1)首先将连续非线性的电力系统失真信号转换为离散时间信号yk,
2)根据滤波目标信号的特征,采用连续三个采样时刻的电压等式关系构建滤波模型,
包括状态模型和观测模型
其中:k为采样时刻;Ts为采样周期;ω为弧频率;vk为附加噪声,是对k时刻状态估计值,是对k时刻电力信号的估计值;
3)当谐波和衰减直流分量导致信号失真时,建模所采用的等式关系以及构建得到的模型都需改变;
步骤三:根据集员估计算法递推规则,采用最优定界椭球估计算法,得到集员估计的离散算法公式:
1)假设已计算出k-1时刻包含状态集合Θ(k-1)的椭球Ek-1,
2)由当前时刻新的数据yk和有界测量回归向量ΦT(k),计算约束集合S(k),
3)计算k时刻的状态集合Θ(k),其中利用准则函数来最优化参数以得到包含参数真值的最优外定界椭球集合Ek;
步骤四:利用强跟踪的思想,改进扩展集员估计算法,得到强跟踪集员估计算法,
扩展集员估计算法具体包括时间更新和测量更新两个过程:
时间更新过程的具体过程为:1)初始化状态椭球E(xk,Pk/k),其中xk为椭球中心,Pk/k为椭球半径;2)将状态方程xk+1线性化,3)考虑过程噪声边界条件和线性化余项R2(*),计算正交多胞形盒子Γk,4)计算包含椭球Ek和盒子Γk的最小容积椭球,得到时间更新椭球Ek+1/k;测量更新的具体过程为:1)线性化测量方程yk+1,2)考虑测量噪声边界条件和线性化余项R2(*),计算正交多胞形盒子Λk+1,3)计算包含时间更新椭球Ek+1/k和盒子Λk+1的最小容积椭球,得到量测更新椭球Ek+1,4)椭球Ek+1中心即为k时刻状态估计值椭球半径为估计值存在的范围;
强跟踪集员估计算法具体为:在集员估计算法的基础上,在递推状态计算时间更新椭球Ek+1/k(xk+1/k,Pk+1/k)时,引入次优渐消因子λk+1,保证每一步递推过程中,保持了不同时刻的残差 序列处处正交;其工程意义在于,当存在模型不确定性或者电力信号参数突变时,在线更新椭球半径Pk+1/k,强迫系统输出残差序列保持相互正交,对状态时变系统具有自适应能力和鲁棒性,使得系统在达到稳态后的缓变或突变具有很强的跟踪能力;
步骤五:对离散滤波目标信号进行滤波和状态估计,得到估计结果,并考虑电力信号参数突变时相应的状态估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510238105.5A CN104795819B (zh) | 2015-05-11 | 2015-05-11 | 一种基于强跟踪集员估计的电力系统状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510238105.5A CN104795819B (zh) | 2015-05-11 | 2015-05-11 | 一种基于强跟踪集员估计的电力系统状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104795819A CN104795819A (zh) | 2015-07-22 |
CN104795819B true CN104795819B (zh) | 2017-05-10 |
Family
ID=53560433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510238105.5A Expired - Fee Related CN104795819B (zh) | 2015-05-11 | 2015-05-11 | 一种基于强跟踪集员估计的电力系统状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104795819B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372649B (zh) * | 2016-08-18 | 2020-07-24 | 衢州学院 | 基于量化的集值卡尔曼滤波方法 |
CN110226097B (zh) * | 2017-03-03 | 2022-07-05 | 康奈可关精株式会社 | 观测器增益的设定方法 |
CN107611964A (zh) * | 2017-09-12 | 2018-01-19 | 重庆大学 | 一种基于扩展集员滤波的电力系统状态估计方法 |
CN108507593B (zh) * | 2018-04-09 | 2020-04-28 | 郑州轻工业学院 | 一种惯性导航系统误差模型的降维rts椭球集员平滑方法 |
CN110457863B (zh) * | 2019-08-23 | 2021-02-19 | 江南大学 | 基于椭球收缩滤波的风力发电机桨距子系统参数估计方法 |
CN111507591B (zh) * | 2020-04-07 | 2021-03-19 | 山东科技大学 | 电力系统状态确定方法、装置、计算机介质及存储介质 |
CN113188444B (zh) * | 2021-05-06 | 2023-01-13 | 上海航天测控通信研究所 | 激光测量系统不确定度测试实验与计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941072A (zh) * | 2014-05-06 | 2014-07-23 | 重庆大学 | 一种基于实数强跟踪滤波的电力信号突变参数测量方法 |
CN103995180A (zh) * | 2014-06-13 | 2014-08-20 | 重庆大学 | 一种考虑不等式约束的电力系统频率估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008253076A (ja) * | 2007-03-30 | 2008-10-16 | Hitachi Ltd | 電力系統の状態推定方法 |
-
2015
- 2015-05-11 CN CN201510238105.5A patent/CN104795819B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941072A (zh) * | 2014-05-06 | 2014-07-23 | 重庆大学 | 一种基于实数强跟踪滤波的电力信号突变参数测量方法 |
CN103995180A (zh) * | 2014-06-13 | 2014-08-20 | 重庆大学 | 一种考虑不等式约束的电力系统频率估计方法 |
Non-Patent Citations (1)
Title |
---|
增广集员状态估计算法研究及应用;王晓敏;《中国优秀硕士学位论文全文数据库》;20120515(第5期);正文第1-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104795819A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104795819B (zh) | 一种基于强跟踪集员估计的电力系统状态估计方法 | |
CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
CN110336377B (zh) | 一种基于云计算的智能配电系统 | |
CN103577710B (zh) | 基于分数阶upf的航空功率变换器故障预测方法 | |
CN103424654B (zh) | 一种敏感设备电压暂降敏感度的评估方法 | |
WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
CN107016235A (zh) | 基于多特征自适应融合的设备运行状态健康度评估方法 | |
CN103941072B (zh) | 一种基于实数强跟踪滤波的电力信号突变参数测量方法 | |
CN107565553A (zh) | 一种基于ukf的配电网抗差动态状态估计方法 | |
CN102968529B (zh) | 一种供水管网模型计算结果不确定性区间的量化方法 | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN104992164B (zh) | 一种动态振荡信号模型参数辨识方法 | |
CN101615794A (zh) | 基于无迹变换卡尔曼滤波的电力系统动态状态估计方法 | |
CN106443285A (zh) | 基于总体最小二乘法的多谐波源谐波责任量化分析方法 | |
CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
CN108333426A (zh) | 基于傅氏算法的电力系统频率测量方法 | |
CN107565559A (zh) | 一种配电网负荷谐波贡献评估的分段有界约束优化方法 | |
CN104833852A (zh) | 一种基于人工神经网络的电力系统谐波信号估计测量方法 | |
CN110687791B (zh) | 一种基于改进自适应调频模态分解的非线性振荡检测方法 | |
CN107611964A (zh) | 一种基于扩展集员滤波的电力系统状态估计方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN105068035A (zh) | 一种电压互感器误差水平动态检测方法及系统 | |
CN104537233A (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN108089095B (zh) | 一种电网低频振荡参数预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20180511 |
|
CF01 | Termination of patent right due to non-payment of annual fee |