CN104833851B - 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 - Google Patents
基于分布式相关卡尔曼滤波的电力系统谐波估计方法 Download PDFInfo
- Publication number
- CN104833851B CN104833851B CN201510203156.4A CN201510203156A CN104833851B CN 104833851 B CN104833851 B CN 104833851B CN 201510203156 A CN201510203156 A CN 201510203156A CN 104833851 B CN104833851 B CN 104833851B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtr
- mtd
- moment
- 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
- Measurement Of Resistance Or Impedance (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法,它涉及一种电力系统谐波状态估计的方法。本发明包括:(1)采集电力系统的响应信号数据z(n);(2)建立电力系统响应采样信号的状态空间模型;(3)确定邻节点间相关系数ξij的值;(4)应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值(5)提取出k时刻的谐波幅值和相位。本发明所提供的一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法充分考虑了电力系统谐波状态的特点,相比较传统的卡尔曼滤波法通信代价小,抗扰动性能好,估计精度更高,从而可以为谐波成分的消除提供更好的数据依据。本发明所提供的方法可以方便的应用于电力系统的谐波状态估计中。
Description
技术领域
本发明涉及的是一种谐波状态估计方法领域,具体涉及一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法。
背景技术
近年来,随着电力电子技术的发展,广泛使用的非线性负荷向电网中注入了大量的电力谐波,导致电网负载功率因素恶化、电压畸变、保护元件的误动作、元器件寿命减少等一系列问题。因此,对电力系统的谐波分析成为国内外学者广泛关注的热点问题,并且具有非常重要的实际意义。
早期,常用的静态谐波状态估计方法主要包括加权最小二乘估计算法和奇异值分解算法等,这些方法通常需要采集一定数量的测量数据,采用统计学计算的方法计算谐波估计值,但是由于谐波注入的时间连续性,电力系统谐波通常是动态的,静态估计方法的滞后计算影响估计的快速性和准确性。因而实时性和准确性更好的动态估计方法在谐波状态估计应用中更具优越性。
目前,基于卡尔曼滤波的谐波状态动态估计方法应用最为广泛。这既有学术论文对此做了深入的理论分析,也有实际应用的工程方法,如发明专利申请《一种基于广义卡尔曼滤波的谐波辨识方法》(CN103245831A),它将各次谐波的幅值和相位作为响应信号模型的状态变量,然后采用扩展卡尔曼滤波来进行谐波辨识,但是,该辨识方法存在以下不足:
1)将各次谐波的幅值和相位作为响应信号模型的状态变量,导致建立的电力系统响应信号的非线性状态空间模型极为复杂,从而导致计算量大,计算复杂度大大增加。
2)该方法没有考虑电网中相邻母线谐波状态是相关的这一事实,没有考虑邻居节点对谐波状态估计的修正作用,因而估计精度不可能很高。
3)当测量过程出现故障导致测量数据存在误差时,该方法的估计结果将会产生很大的偏差,抗扰动性能差。
硕士学位论文“基于卡尔曼滤波算法的动态谐波状态估计技术研究”(祝石厚,侯世英.基于卡尔曼滤波算法的动态谐波状态估计技术研究[D].重庆大学2008)作者选取所有母线谐波电压作为状态变量,部分母线谐波电压、支路谐波电流和注入谐波电流作为量测变量,应用卡尔曼滤波算法来对电网各次谐波进行动态估计。该方法的不足点主要包括:
1)该方法以线性模型和线性卡尔曼滤波作为研究对象,与电力系统的非线性特性相矛盾,从而估计精度不可能很高。
2)该方法采用的是一种全局估计的方式,需要集中采集电力系统各母线的谐波状态数据并传输到某一汇聚节点进行处理计算,对网络的通信带宽和延时要求较高,很难适用于具有大量数据采集节点的智能电网中。
3)当计算和传输过程中出现节点数据失效时,估计的结果将会产生很大的偏差,抗扰动性能差。
4)该方法也没有考虑电网中相邻母线谐波状态是相关的这一事实,没有考虑邻居节点对谐波状态估计的修正作用,因而精度也不可能很高。
发明内容
本发明的目的是为解决现有的卡尔曼滤波法对通信网络要求很高及抗扰动性能差的问题,进而提供了一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法。
本发明为解决上述技术问题采取的技术方案是:一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法,包括以下步骤:
步骤1,采集电力系统的响应信号数据z(n),响应信号数据如下:
z(n)=[Z(1) Z(2) ... Z(n)]
其中n为信号数据的个数;Z(1)、Z(2)、Z(n)为各采样时刻的电力系统响应采样信号;
步骤2,建立电力系统响应采样信号的状态空间模型
k时刻的电力系统响应采样信号Z(k)是n个频率为基频整数倍的谐波成分之和,表示为:
式中r为谐波阶次;n表示共有n次谐波;k为时刻序列;w为基波频率;Δt为相邻两时刻的时间间隔;Sr(k)指k时刻第r次谐波幅值;θr(k)表示k时刻第r次谐波相角;
状态空间状态向量X(k)=[λ1(k) λ2(k) ... λ2n-1(k) λ2n(k)]T的2n个元素为:
λ1(k)=S1(k)cosθ1(k),…λ2i-1(k)=Si(k)cosθi(k),…λ2n-1(k)=Sn(k)cosθn(k),
λ2(k)=S1(k)sinθ1(k),…λ2i(k)=Si(k)sinθi(k),…λ2n(k)=Sn(k)sinθn(k),
式中状态变量λ1(k)、λ2i-1(k)、λ2n-1(k)为相对于各次谐波旋转参考的同相分量;状态变量λ2(k)、λ2i(k)、λ2n(k)指相对于各次谐波旋转参考的正交分量;
噪声影响下包含n次谐波的电力系统响应采样信号的状态方程和量测方程为:
X(k+1)=F(k,X(k))+W(k)=X(k)+W(k),
式中Z(k)为k时刻电力系统响应采样信号的测量值;F(k,X(k))为k时刻的非线性状态转移函数;电力系统处于准稳态时,状态空间状态向量X(k)是平稳的随机过程,状态转移函数F(k,X(k))的雅克比矩阵F(k)为单位矩阵;H(k)为k时刻的测量函数;W(k)为状态转移过程噪声;V(k)为测量噪声;
步骤3,确定邻节点间相关系数ξij的值:
将电力系统中一个由n个相互连接节点组成的待测子网络视为一个节点网络系统,每条母线作为一个节点,所有与该母线直接相连的母线作为其邻居节点;引入邻居节点间相关系数ξij代表任意节点i与邻居节点j的相关程度,实际应用中,采集大量的电力系统节点i的响应信号数据序列Zi(n)与其邻居节点j的响应信号数据序列Zj(n),然后由统计学相关性分析得到k时刻节点i和j的邻节点间相关系数取均值可得本发明中电力系统相邻母线的响应信号数据是正相关的,所以ξij的值为0<ξij<1;
步骤4,应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值
设步骤3所述待测子网络节点网络系统中任意节点i的邻居节点的集合为Ni;Ji=Ni∪{i},表示节点i与其邻居节点的集合;节点i的邻居节点个数为m;节点网络系统中节点i状态方程和量测方程一般式如下:
式中Xi(k)为k时刻第i个节点的状态空间状态向量;A(k)为节点网络系统k时刻的状态转移矩阵;Zi(k)指k时刻第i个节点电力系统响应采样信号的测量值;Ci(k)指k时刻第i个节点的测量矩阵;
应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值
提取k时刻一步预测状态向量
提取k时刻一步预测均方误差Pi′(k/k-1),
设邻节点间相关估计值差值修正项
其中ε为邻节点间谐波估计的修正项系数;
提取k时刻状态向量估计值
其中k时刻估计均方误差Mi(k)如下式所示:
Mi(k)=(Pi′-1(k/k-1)+Si(k))-1,
式中yi(k)为融合量测值;Si(k)为融合协方差矩阵的逆;Q(k)为过程噪声W(k)的相关矩阵;R(k)为测量噪声V(k)的相关矩阵;
步骤5,提取出k时刻的谐波幅值和相位:
k时刻第i次谐波的幅值Si(k)和相角θi(k)为:
所述的电力系统响应信号为电网电流、电压信号。
本发明所提供的一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法,能够快速准确的实现对电力系统的谐波状态估计。其有益效果具体体现在:
1.首次将分布式卡尔曼滤波算法应用于电力系统的谐波状态估计中,相比于全局估计方式,这种分布式的计算方法通信代价小,计算复杂度小。
2.充分考虑了电力系统相邻母线的谐波是相关的特点,引入相邻节点间相关系数ξij,通过对节点和其邻节点间的测量信息和估计信息的分布式协同处理,提高了估计精度。
3.基于电力系统相邻母线的谐波是相关的但并非完全一致的事实,本发明在估计结果中引入邻节点间相关估计值差值修正项通过在估计结果中叠加节点i估计值与邻节点j相关估计值的差值项,确保邻节点间估计结果具有一致相关性,从而提高了估计精度。
4.当测量和传输过程出现不良数据时,由于邻居节点的修正作用,估计结果误差在允许范围内,抗扰动性能好。
附图说明
图1为本发明的总体流程图。
图2为实施例IEEE-14节点电力系统图。
图3为采用卡尔曼滤波法和分布式相关卡尔曼滤波法对母线12的5次谐波电压幅值的估计值。
图4为采用卡尔曼滤波法和分布式相关卡尔曼滤波法对母线12的5次谐波电压幅值的估计值的相对误差
图5为采用卡尔曼滤波法和分布式相关卡尔曼滤波法对母线12的5次谐波电压幅值的估计值的均方根误差。
图6为出现不良数据时采用卡尔曼滤波法和分布式相关卡尔曼滤波法对母线12的5次谐波电压幅值的估计值。
图7为出现不良数据时采用卡尔曼滤波法和分布式相关卡尔曼滤波法对母线12的5次谐波电压幅值的估计值的相对误差。
图8为出现不良数据时采用卡尔曼滤波法和分布式相关卡尔曼滤波法对母线12的5次谐波电压幅值的估计值的均方根误差。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整的描述。这里,选取卡尔曼滤波法与本发明的分布式相关卡尔曼滤波法在电力系统谐波电压状态估计应用上的性能进行比较,说明本发明方法可以解决现有卡尔曼滤波方法通信代价高,抗扰动性能差,估计精度不高等问题。
为了模拟实际电网环境,本发明采用IEEE-14节点电力系统在Matlab2012b上进行仿真验证,仿真系统如图2所示。线路模型用∏型来等效。发电机采用三相同步电机模型,发电机的额定功率为100MVA,额定电压230KV,频率设为50HZ。负荷模型用三相RLC电路来等效。仿真系统包含一个谐波源在母线3的位置,谐波源主要产生5、7次谐波,其中5次谐波电流幅值约为100A,7次谐波电流幅值约为60A。仿真时间设为6s,每0.06s输出一组数据,共采集100组数据。
由图1可见,本发明基于分布式相关卡尔曼滤波的电力系统谐波估计方法的基本步骤如下:
步骤1,采集电力系统的响应信号数据z(n),响应信号数据如下:
z(n)=[Z(1) Z(2) ... Z(n)]
其中n为信号数据的个数;Z(1)、Z(2)、Z(n)为各采样时刻的电力系统响应采样信号。
所述的电力系统响应信号为电网电流、电压信号。
步骤2,建立电力系统响应采样信号的状态空间模型
设k时刻的电力系统响应采样信号Z(k)是n个频率为基频整数倍的谐波成分之和,可以表示为:
式中r为谐波阶次;n表示共有n次谐波;k为时刻序列;w为基波频率;Δt为相邻两时刻的时间间隔;Sr(k)指k时刻第r次谐波幅值;θr(k)表示k时刻第r次谐波相角;
设状态空间状态向量X(k)=[λ1(k) λ2(k) ... λ2n-1(k) λ2n(k)]T的2n个元素为:
λ1(k)=S1(k)cosθ1(k),…λ2i-1(k)=Si(k)cosθi(k),…λ2n-1(k)=Sn(k)cosθn(k),
λ2(k)=S1(k)sinθ1(k),…λ2i(k)=Si(k)sinθi(k),…λ2n(k)=Sn(k)sinθn(k),
式中状态变量λ1(k),λ2i-1(k),λ2n-1(k)为相对于各次谐波旋转参考的同相分量;状态变量λ2(k),λ2i(k),λ2n(k)指相对于各次谐波旋转参考的正交分量;
噪声影响下包含n次谐波的电力系统响应采样信号的状态方程和量测方程为:
X(k+1)=F(k,X(k))+W(k)=X(k)+W(k),
式中Z(k)为k时刻电力系统响应采样信号的测量值;F(k,X(k))为k时刻的非线性状态转移函数;电力系统处于准稳态时,状态空间状态向量X(k)是平稳的随机过程,状态转移函数F(k,X(k))的雅克比矩阵F(k)为单位矩阵;H(k)为k时刻的测量函数;W(k)为状态转移过程噪声;V(k)为测量噪声;
由于实验仿真电力系统基频w已知,w=100π,且也确定了响应信号需要辨识的谐波波次n,本例中n取为10,采样时间间隔Δt=0.06s,所以可得响应信号的测量方程,且测量矩阵为时变矩阵,其初值H(0)=[1 0 ... 1 0]。
步骤3,确定邻节点间相关系数ξij的值:
基于电力系统相邻母线的谐波是相关的事实,这里首次将分布式卡尔曼滤波算法引入电力系统谐波状态估计中;并且首次在分布式卡尔曼滤波算法中引入邻节点间相关系数ξij,代表节点i与邻居节点j的相关程度,0<ξij<1;实际应用中,采集大量的电力系统节点i的响应信号数据序列Zi(n)与其邻居节点j的响应信号数据序列Zj(n),然后由统计学相关性分析得到k时刻节点i和j的邻节点间相关系数取均值可得本发明中电力系统相邻母线的响应信号数据是正相关的,所以ξij的值为0<ξij<1;通过采用这种分布式相关卡尔曼滤波算法,可以实现节点间谐波状态的分布式协同估计;例如本仿真实例中对母线12的5次谐波电压进行状态估计,由图2可知母线12的的邻居节点为母线6和母线13,根据统计特征可得邻节点间相关系数ξ12-6=0.9,ξ12-13=0.98。
步骤4,应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值
将电力系统中一个由n个相互连接节点组成的待测子网络视为一个节点网络系统,每条母线作为一个节点,所有与该母线直接相连的母线作为其邻居节点;该节点网络系统中任意节点i的邻居节点的集合为Ni;Ji=Ni∪{i},表示节点i与其邻居节点的集合;节点i的邻居节点个数为m;节点网络系统中节点i状态方程和量测方程一般式如下:
式中Xi(k)为k时刻第i个节点的状态空间状态向量;A(k)为节点网络系统k时刻的状态转移矩阵;Zi(k)指k时刻第i个节点电力系统响应采样信号的测量值;Ci(k)指k时刻第i个节点的测量矩阵;
应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值
提取k时刻一步预测状态向量
提取k时刻一步预测均方误差Pi′(k/k-1),
为了确保邻节点间估计结果具有一致相关性,这里在状态向量估计值中增加了一项邻节点间相关估计值差值修正项其中ε为邻节点间谐波估计的修正项系数;本应用实例中根据经验ε=0.25。
提取k时刻状态向量估计值
其中k时刻估计均方误差Mi(k)如下式所示:
Mi(k)=(Pi′-1(k/k-1)+Si(k))-1,
式中yi(k)为融合量测值, Si(k)为融合协方差矩阵的逆,Q(k)为过程噪声W(k)的相关矩阵;R(k)为测量噪声V(k)的相关矩阵;目前的卡尔曼滤波算法的相关文献在电力系统状态估计的应用中大都将系统的量测噪声协方差阵R(k)和系统噪声协方差阵Q(k)作为常数阵处理,本文根据历史统计信息确定Q(k)和R(k)取I。
步骤5,提取出k时刻的谐波幅值和相位:
k时刻第i次谐波的幅值Si(k)和相角θi(k)为:
分解过程是分解为奇数下标元素λ2i-1(k)序列和偶数下标元素序列λ2i(k)。然后由上述公式计算出幅值和相位估计结果。
图3是应用卡尔曼滤波算法和本发明的分布式相关卡尔曼滤波法算法分别对该仿真电力系统母线12的5次谐波电压幅值进行动态估计的结果。从图中可以看出两种方法都能很好的跟踪电力系统谐波的动态变化。由图4、图5可知本发明的方法估计结果的最大相对误差只有5%,而卡尔曼滤波法估计的最大相对误差约为14%,并且其均方根误差也明显小于后者,可知本发明的分布式相关卡尔曼滤波法估计性能更优越。
图6是出现不良数据时应用卡尔曼滤波算法和本发明的分布式相关卡尔曼滤波算法分别对该仿真电力系统母线12的5次谐波电压幅值进行动态估计的结果。通过图7、图8的误差性能指标函数曲线可知本发明方法在出现不良数据时估计性能更优些,分布式相关卡尔曼滤波法抗扰动性能更好,估计精度更高。
表1是卡尔曼滤波和分布式相关卡尔曼滤波对部分母线5次谐波电压幅值估计性能对比:
从表中可以看出分布式相关卡尔曼滤波方法估计的最大相对误差总是小于采用卡尔曼滤波法估计的最大相对误差,本发明的电力系统谐波估计方法性能更优些,不仅在传输过程中通信代价低,而且估计精度更高,抗扰动性能更强。
Claims (2)
1.一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法,其特征是,包括以下步骤:
步骤1,采集电力系统的响应信号数据z(n),响应信号数据如下:
z(n)=[Z(1) Z(2) ... Z(n)];
其中n为信号数据的个数;Z(1)、Z(2)、Z(n)分别为各采样时刻的电力系统响应采样信号;
步骤2,建立电力系统响应采样信号的状态空间模型:
k时刻的电力系统响应采样信号Z(k)是n个频率为基频整数倍的谐波成分之和,表示为:
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>S</mi>
<mi>r</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mi>w</mi>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>+</mo>
<msup>
<mi>&theta;</mi>
<mi>r</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mo>...</mo>
</mrow>
式中r为谐波阶次;n表示共有n次谐波;k为时刻序列;w为基波频率;Δt为相邻两时刻的时间间隔;Sr(k)指k时刻第r次谐波幅值;θr(k)表示k时刻第r次谐波相角;
状态空间状态向量X(k)=[λ1(k) λ2(k) ... λ2n-1(k) λ2n(k)]T的2n个元素为:
λ1(k)=S1(k)cosθ1(k),…λ2i-1(k)=Si(k)cosθi(k),…λ2n-1(k)=Sn(k)cosθn(k),
λ2(k)=S1(k)sinθ1(k),…λ2i(k)=Si(k)sinθi(k),…λ2n(k)=Sn(k)sinθn(k),
式中状态变量λ1(k)、λ2i-1(k)、λ2n-1(k)分别为相对于各次谐波旋转参考的同相分量;状态变量λ2(k)、λ2i(k)、λ2n(k)指相对于各次谐波旋转参考的正交分量;
噪声影响下包含n次谐波的电力系统响应采样信号的状态方程和量测方程为:
X(k+1)=F(k,X(k))+W(k)=X(k)+W(k),
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>w</mi>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>w</mi>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中Z(k)为k时刻电力系统响应采样信号的测量值;F(k,X(k))为k时刻的非线性状态转移函数;电力系统处于准稳态时,状态空间状态向量X(k)是平稳的随机过程,状态转移函数F(k,X(k))的雅克比矩阵F(k)为单位矩阵;H(k)为k时刻的测量函数;W(k)为状态转移过程噪声;V(k)为测量噪声;
步骤3,确定邻节点间相关系数ξij的值:
将电力系统中一个由n个相互连接节点组成的待测子网络视为一个节点网络系统,每条母线作为一个节点,所有与该母线直接相连的母线作为其邻居节点;引入邻居节点间相关系数ξij代表任意节点i与邻居节点j的相关程度;实际应用中,采集大量的电力系统节点i的响应信号数据序列Zi(n)与其邻居节点j的响应信号数据序列Zj(n),然后由统计学相关性分析得到k时刻节点i和j的邻节点间相关系数取均值可得电力系统相邻母线的响应信号数据是正相关的,所以ξij的值为0<ξij<1;
步骤4,应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值
设步骤3所述待测子网络节点网络系统中任意节点i的邻居节点的集合为Ni;Ji=Ni∪{i},表示节点i与其邻居节点的集合;节点i的邻居节点个数为m;节点网络系统中节点i状态方程和量测方程一般式如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<mi>A</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>+</mo>
<mi>W</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mi>V</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
式中Xi(k)为k时刻第i个节点的状态空间状态向量;A(k)为节点网络系统k时刻的状态转移矩阵;Zi(k)指k时刻第i个节点电力系统响应采样信号的测量值;Ci(k)指k时刻第i个节点的测量矩阵;
应用分布式相关卡尔曼滤波算法来递推计算k时刻状态向量估计值
提取k时刻一步预测状态向量
提取k时刻一步预测均方误差Pi′(k/k-1),
<mrow>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
设邻节点间相关估计值差值修正项
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&epsiv;M</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>&xi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中ε为邻节点间谐波估计的修正项系数;
提取k时刻状态向量估计值
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中k时刻估计均方误差Mi(k)如下式所示:
<mrow>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>,</mo>
</mrow>
式中yi(k)为融合量测值; Si(k)为融合协方差矩阵的逆, Q(k)为过程噪声W(k)的相关矩阵;R(k)为测量噪声V(k)的相关矩阵;
步骤5,提取出k时刻的谐波幅值和相位:
k时刻第i次谐波的幅值Si(k)和相角θi(k)为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>S</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&theta;</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arctan</mi>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种基于分布式相关卡尔曼滤波的电力系统谐波估计方法,其特征在于:所述的电力系统响应信号为电网电流、电压信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510203156.4A CN104833851B (zh) | 2015-04-24 | 2015-04-24 | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510203156.4A CN104833851B (zh) | 2015-04-24 | 2015-04-24 | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104833851A CN104833851A (zh) | 2015-08-12 |
CN104833851B true CN104833851B (zh) | 2017-11-17 |
Family
ID=53811860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510203156.4A Expired - Fee Related CN104833851B (zh) | 2015-04-24 | 2015-04-24 | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104833851B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425039B (zh) * | 2015-12-29 | 2019-09-17 | 南京因泰莱电器股份有限公司 | 基于自适应卡尔曼滤波的谐波检测方法 |
CN105629064B (zh) * | 2015-12-30 | 2018-10-02 | 浙江埃菲生能源科技有限公司 | 一种正弦波低通滤波提取方法 |
CN106980044B (zh) * | 2017-03-22 | 2019-08-20 | 西南交通大学 | 一种适应风电接入的电力系统谐波电流估计方法 |
CN107167658B (zh) * | 2017-05-11 | 2019-06-28 | 南京国电南自电网自动化有限公司 | 一种高精度抗干扰的电力系统基波频率及相位测量方法 |
CN109324502B (zh) * | 2018-08-22 | 2020-01-07 | 浙江大学 | 一种疲劳试验机周期波形的谐波控制方法 |
CN110260797B (zh) * | 2019-06-18 | 2020-06-26 | 西安交通大学 | 一种应用于恒/变速光栅信号的自适应滤波方法 |
CN114499310B (zh) * | 2022-02-14 | 2023-01-24 | 南京理工大学 | 一种基于卡尔曼滤波器的摇臂伺服控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222911A (zh) * | 2011-04-19 | 2011-10-19 | 哈尔滨工业大学 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
CN103245831A (zh) * | 2013-04-08 | 2013-08-14 | 哈尔滨工程大学 | 一种基于广义卡尔曼滤波的谐波辨识方法 |
CN104485669A (zh) * | 2014-12-31 | 2015-04-01 | 广州航海学院 | 一种挖泥船电网谐波监测方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003090757A (ja) * | 2001-09-18 | 2003-03-28 | Nippon Soken Inc | 調波構造信号解析装置 |
DK2223405T3 (da) * | 2007-11-02 | 2012-12-17 | Voltwerk Electronics Gmbh | Fremgangsmåde og indretning til filtrering af en filterudgangsstrøm og/eller spænding fra en inverterudgang |
-
2015
- 2015-04-24 CN CN201510203156.4A patent/CN104833851B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222911A (zh) * | 2011-04-19 | 2011-10-19 | 哈尔滨工业大学 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
CN103245831A (zh) * | 2013-04-08 | 2013-08-14 | 哈尔滨工程大学 | 一种基于广义卡尔曼滤波的谐波辨识方法 |
CN104485669A (zh) * | 2014-12-31 | 2015-04-01 | 广州航海学院 | 一种挖泥船电网谐波监测方法与系统 |
Non-Patent Citations (4)
Title |
---|
Distributed Kalman Filter with Embedded Consensus Filters;Reza Olfati-Saber;《Proceedings of the 44th IEEE Conference on Decision and Control, and the European Control Conference 2005》;20051215;第8179-8184页 * |
Distributed Kalman Filtering for Sensor Networks;R. Olfati-Saber;《Proceedings of the 46th IEEE Conference on Decision and Control》;20071214;第5492-5498页 * |
传感器网络一致性分布式滤波算法;王长城 等;《控制理论与应用》;20121231;第29卷(第12期);第1645-1650页 * |
基于卡尔曼算法的有源电力滤波器谐波检测方法的研究;杨琳霞;《电力学报》;20121231;第27卷(第6期);第571-573页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104833851A (zh) | 2015-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104833851B (zh) | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 | |
CN107453351B (zh) | 一种基于节点注入功率的配电网运行拓扑辨识方法 | |
CN104077438B (zh) | 电网大规模拓扑结构构建方法与系统 | |
CN102508031B (zh) | 一种基于傅里叶级数的局部放电脉冲相角测量方法 | |
CN107092004A (zh) | 基于信号子空间旋转不变性的互质阵列波达方向估计方法 | |
CN103454497A (zh) | 基于改进加窗离散傅立叶变换的相位差测量方法 | |
CN102967779B (zh) | 一种输电线路分布参数的辨识方法 | |
Dash et al. | Dynamic phasor and frequency estimation of time-varying power system signals | |
CN107290709A (zh) | 基于范德蒙分解的互质阵列波达方向估计方法 | |
CN107478990A (zh) | 一种发电机机电暂态过程动态估计方法 | |
CN102955068B (zh) | 一种基于压缩采样正交匹配追踪的谐波检测方法 | |
CN102095929B (zh) | 一种快速测量交流电信号频率的方法 | |
CN102809687B (zh) | 一种交流电频率的数字化测量方法 | |
CN106646121A (zh) | 一种配电网故障行波波头的辨识方法 | |
CN104076332A (zh) | 一种雷达均匀线性阵列幅度和相位的估计方法 | |
CN112417722B (zh) | 一种基于滑动窗npe的线性时变结构工作模态识别方法 | |
CN104217112A (zh) | 一种基于多类型信号的电力系统低频振荡分析方法 | |
CN103904693A (zh) | 基于频率自适应虚拟磁链估测的电网同步方法 | |
CN106154259A (zh) | 一种随机集理论下的多传感器自适应管控方法 | |
CN110542828A (zh) | 一种配网故障定位方法及系统 | |
CN110348161A (zh) | 电压源型换流器多频段动态相量电磁暂态仿真方法及系统 | |
CN104793177A (zh) | 基于最小二乘法的麦克风阵列测向方法 | |
CN104459315A (zh) | 基于非基2fft变换的间谐波检测方法 | |
CN104655988A (zh) | 一种基于单回信息的同塔双回直流线路行波故障定位方法 | |
CN102280877B (zh) | 一种多量测断面的电力系统不良支路参数辨识方法 |
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: 20171117 Termination date: 20210424 |
|
CF01 | Termination of patent right due to non-payment of annual fee |