CN112713587A - 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 - Google Patents
一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 Download PDFInfo
- Publication number
- CN112713587A CN112713587A CN202011463751.9A CN202011463751A CN112713587A CN 112713587 A CN112713587 A CN 112713587A CN 202011463751 A CN202011463751 A CN 202011463751A CN 112713587 A CN112713587 A CN 112713587A
- Authority
- CN
- China
- Prior art keywords
- state
- moment
- square root
- value
- state estimation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 89
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0029—Particular filtering methods based on statistics
- H03H21/003—KALMAN filters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统,包括以下步骤:S1,获取某一时刻k的量测数据;S2,根据时刻k的量测数据进行状态预测,使用holt两参数指数平滑法预测k+1时刻状态,得到k+1时刻的状态预测值;S3,对k+1时刻的状态预测值使用量测数据进行修正,得到k+1时刻的状态估计值;S4,更新滤波参数准备下一步迭代;下一步迭代将返回步骤S1,获取时刻k+1的量测数据,进行步骤S2‑S4,实现k+2刻的状态估计。本发明能够利用采集到的配电网量测数据进行动态状态估计,得到配电网更精确的运行状态信息,降低量测设备自身带来的量测误差。相比标准容积卡尔曼滤波动态状态估计算法,算法鲁棒性更强,状态估计精度更高。
Description
技术领域
本发明涉及配电网运行分析与管理,配电网动态状态监测,尤其涉及一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统。
背景技术
配电网的状态估计是利用数据采集系统收集的测量数据来估计系统的最佳状态,这对于配电网运行的分析和管理具有重要意义。传统的电力系统状态估计被认为是一个静态估计问题,大多数情况下是通过加权最小二乘方法解决的。随着相量测量单元的部署,量测数据的更新频率大大提高,电力系统状态的动态状态检测已成为可能。传统静态状态估计方法只能估计系统的某个时间断面的状态,并且估计结果在时间维度上滞后于系统的实际状态。相比之下,电力系统动态状态估计可以提前估计下一次的状态,因此它更适合实现电力系统状态的快速跟踪。
现有问题:一般而言,在传统无迹卡尔曼滤波sigma采样模型中,假设参数值固定而进行采样。这种方法将导致高阶系统中采样方式非局部影响变大,而高阶项则具有更高的误差。容积卡尔曼滤波器是目前最接近贝叶斯滤波的近似算法,并且是用于非线性系统状态估计的强有力的工具。而基于容积卡尔曼滤波器的算法,在算法迭代过程中会出现不对称或非正定协方差矩阵的现象,降低估计精度,甚至中断迭代过程。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统。
本发明的目的是通过以下技术方案来实现的:一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法,包括以下步骤:
S1,获取某一时刻k的量测数据;
S2,根据时刻k的量测数据进行状态预测,首先计算k时刻系统状态容积点,然后使用holt两参数指数平滑法预测k+1时刻状态,得到k+1时刻的状态预测值,同时计算预测协方差矩阵的平方根;
S3,根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点,然后使用量测数据对k+1时刻的状态预测值进行修正,得到k+1时刻的状态估计值;
S4,更新滤波参数准备下一步迭代;下一步迭代将返回步骤S1,获取时刻k+1的量测数据,进行步骤S2-S4,实现k+2刻的状态估计。
进一步地,步骤S1中:获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据,且默认数据是时标对齐的;数据采集与监控(SCADA)系统量测量误差协方差取1×10-4数量级,同步相量测量单元(PMU)量测量误差协方差取1×10-6数量级。
进一步地,步骤S2具体如下:
S2.1计算k时刻系统状态容积点
Sk|k=chol(Pk)
式中,chol(Pk)表示对k时刻的状态误差协方差矩阵Pk做Cholesky分解,取上三角矩阵,初始状态误差协方差P0设为0.01;n指的是状态维度;ξi指2n阶列向量ξ的第i列;指时刻k的状态估计值,状态估计初值为状态估计初值中各节点电压v取1,各节点电压相角θ取0;Xi,k|k为与列向量ξ的第i列对应的k时刻系统状态容积点;
S2.2传播容积点形成新的点
状态预测函数f(~)使用两参数指数平滑法,平滑系数通常取值为[0,1];
S2.3计算k+1时刻状态预测值
S2.4求解预测协方差矩阵的平方根
式中:
SQ,k=chol(Qk)
Tria()表示对矩阵做QR分解保留上三角矩阵;Sk+1|k为K+1时刻状态预测值的协方差矩阵平方根;Q为系统噪声误差,Qk表示k时刻的量测值对应的系统噪声误差。
进一步地,步骤S3具体如下:
S3.1由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点
S3.2传播容积点
Zi,k+1|k=h(Xi,k+1|k)
式中,量测方程h(~)如下:
其中a和b表示节点序号,N为节点总数,Va是节点a电压幅值,θab指的是节点a和节点b电压相角的差值,Pa为节点a处的有功功率注入,Qa为节点a处的无功功率注入,Pab为节点a与b间的有功功率流,Qab为节点a与b间的无功功率流,Gab是线路a和b之间的电导,Bab是线路a和b之间的电纳,Ga是a节点上的对地电导,Ba是在a节点上的对地电纳;
1)计算k+1时刻的量测数据预测值
2)计算协方差矩阵平方根
量测数据预测值协方差矩阵平方根Szz,k+1|k和量测值与预测值的互协方差矩阵平方根Sxz,k+1|k分别为:
Szz,k+1|k=Tria(γk,SR,k+1)
SR,k+1=chol(Rk+1)
式中,Rk+1表示第k+1次测量的量测误差方差矩阵;
3)求解卡尔曼增益Kk+1,算出状态估计值
其中:
进一步地,步骤S4中更新滤波参数准备下一步迭代,令:
Sk+1|k+1=Tria([χk-Kk+1γk,Kk+1SR,k+1])
一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统,包括数据采集模块、状态预测模块、状态估计模块和参数更新模块;
所述数据采集模块用于采集某一时刻k的量测数据并将数据传输给状态预测模块;所述状态预测模块计算k时刻系统状态容积点,然后使用holt两参数指数平滑法预测k+1时刻状态,得到k+1时刻的状态预测值并计算预测协方差矩阵的平方根,传输给状态估计模块;所述状态估计模块根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点,使用量测数据对k+1时刻的状态预测值进行修正,得到k+1时刻的状态估计值;所述参数更新模块用于更新滤波参数,传输给状态预测模块,用于数据采集模块获取时刻k+1的量测数据后,进行k+2时刻的状态估计。
进一步地,数据采集模块获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据,且默认数据是时标对齐的;数据采集与监控(SCADA)系统量测量误差协方差取1×10-4数量级,同步相量测量单元(PMU)量测量误差协方差取1×10-6数量级。
进一步地,状态预测模块得到k+1时刻的状态预测值并计算预测协方差矩阵的平方根的过程具体如下:
a.计算k时刻系统状态容积点
Sk|k=chol(Pk)
式中,chol(Pk)表示对k时刻的状态误差协方差矩阵Pk做Cholesky分解,取上三角矩阵,初始状态误差协方差P0设为0.01;n指的是状态维度;ξi指2n阶列向量ξ的第i列;指时刻k的状态估计值,状态估计初值为状态估计初值中各节点电压v取1,各节点电压相角θ取0;Xi,k|k为与列向量ξ的第i列对应的k时刻系统状态容积点;
b.传播容积点形成新的点
状态预测函数f(~)使用两参数指数平滑法,平滑系数通常取值为[0,1];
c.计算k+1时刻状态预测值
d.求解预测协方差矩阵的平方根
式中:
SQ,k=chol(Qk)
Tria()表示对矩阵做QR分解保留上三角矩阵;Sk+1|k为K+1时刻状态预测值的协方差矩阵平方根;Q为系统噪声误差,Qk表示k时刻的量测值对应的系统噪声误差。
进一步地,状态估计模块使用量测数据对k+1时刻的状态预测值进行修正的过程具体如下:
A.由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点
B.传播容积点
Zi,k+1|k=h(Xi,k+1|k)
式中,量测方程h(~)如下:
其中a和b表示节点序号,N为节点总数,Va是节点a电压幅值,θab指的是节点a和节点b电压相角的差值,Pa为节点a处的有功功率注入,Qa为节点a处的无功功率注入,Pab为节点a与b间的有功功率流,Qab为节点a与b间的无功功率流,Gab是线路a和b之间的电导,Bab是线路a和b之间的电纳,Ga是a节点上的对地电导,Ba是在a节点上的对地电纳;
1)计算k+1时刻的量测数据预测值
2)计算协方差矩阵平方根
量测数据预测值协方差矩阵平方根Szz,k+1|k和量测值与预测值的互协方差矩阵平方根Sxz,k+1|k分别为:
Szz,k+1|k=Tria(γk,SR,k+1)
SR,k+1=chol(Rk+1)
式中,Rk+1表示第k+1次测量的量测误差方差矩阵;
3)求解卡尔曼增益Kk+1,算出状态估计值
其中:
进一步地,参数更新模块更新滤波参数准备下一步迭代,令:
Sk+1|k+1=Tria([χk-Kk+1γk,Kk+1SR,k+1])
本发明的有益效果:本发明能够利用采集到的配电网量测数据进行动态状态估计运算,得到配电网更精确的运行状态信息,大大降低量测设备自身带来的量测误差。相比标准容积卡尔曼滤波动态状态估计算法,算法鲁棒性更强,状态估计精度更高。
附图说明
图1为一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法流程图;
图2为与传统动态状态估计算法计算结果比较示意图。
具体实施方式:
以下结合附图对本发明具体实施方式作进一步详细说明。
附图仅用于示例性说明,不能理解为对本专利的限制;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
下面将结合本发明中的附图,对本发明方案进行详细介绍。本方案的实施主要包括以下步骤(流程图见附图1):
S1,状态估计初始化,设置状态变量和误差协方差矩阵初始值;具体如下:
S1.2状态误差协方差P0设为0.01;
S2,获取某一时刻k的量测数据;获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据,且默认数据是时标对齐的;在所做的仿真实验中以IEEE30节点标准测试系统为例通过潮流计算获得状态量的真实值加上服从高斯分布的随机扰动作为量测量。配置PMU的节点有1,5,12,17,18,25,27,30。数据采集与监控(SCADA)系统量测量误差协方差取1×10-4数量级,同步相量测量单元(PMU)量测量误差协方差取1×10-6数量级。
S3,根据时刻k的量测数据进行状态预测,首先计算k时刻系统状态容积点,然后使用holt两参数指数平滑法预测k+1时刻状态,得到k+1时刻的状态预测值,同时计算预测协方差矩阵的平方根;具体如下:
S3.1计算k时刻系统状态容积点
Sk|k=chol(Pk)
式中,chol(Pk)表示对k时刻的状态误差协方差矩阵Pk做Cholesky分解,取上三角矩阵;n指的是状态维度;ξi指2n阶列向量ξ的第i列;指时刻k的状态估计值;Xi,k|k为与列向量ξ的第i列对应的k时刻系统状态容积点;
S3.2传播容积点形成新的点
状态预测函数f(~)使用两参数指数平滑法,平滑系数通常取值为[0,1];
S3.3计算k+1时刻状态预测值
S3.4求解预测协方差矩阵的平方根
式中:
SQ,k=chol(Qk)
Tria()表示对矩阵做QR分解保留上三角矩阵。Sk+1|k为K+1时刻状态预测值的协方差矩阵平方根。Q为系统噪声误差,Qk表示k时刻的量测值对应的系统噪声误差。
S4,根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点,然后使用量测数据对k+1时刻的状态预测值进行修正,得到k+1时刻的状态估计值;具体如下:
S4.1由状态预测值和协方差矩阵平方根生成容积点
S4.2传播容积点
Zi,k+1|k=h(Xi,k+1|k)
式中,量测方程h(~)如下:
其中a和b表示节点序号,N为节点总数,Va是节点a电压幅值,θab指的是节点a和节点b电压相角的差值,Pa为节点a处的有功功率注入,Qa为节点a处的无功功率注入,Pab为节点a与b间的有功功率流,Qab为节点a与b间的无功功率流,Gab是线路a和b之间的电导,Bab是线路a和b之间的电纳,Ga是a节点上的对地电导,Ba是在a节点上的对地电纳。
1)计算k+1时刻的量测数据预测值
2)计算协方差矩阵平方根
量测数据预测值协方差矩阵平方根Szz,k+1|k和量测值与预测值的互协方差矩阵平方根Sxz,k+1|k分别为:
Szz,k+1|k=Tria(γk,SR,k+1)
SR,k+1=chol(Rk+1)
式中,Rk+1表示第k+1次测量的量测误差方差矩阵;
3)求解卡尔曼增益Kk+1,算出状态估计值
其中:
S5,更新滤波参数准备下一步迭代;令:
Sk+1|k+1=Tria([χk-Kk+1γk,Kk+1SR,k+1])
得到k+1时刻状态估计值及其协方差矩阵平方根Sk+1|k+1,一次完整迭代结束。令k=k+1,进行下一步迭代;下一步迭代将返回步骤S2,获取时刻k+1的量测数据,进行步骤S3-S5,实现k+2时刻的状态估计。
本发明还提供了一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统,包括数据采集模块、状态预测模块、状态估计模块和参数更新模块;
所述数据采集模块用于采集某一时刻k的量测数据并将数据传输给状态预测模块;所述状态预测模块计算k时刻系统状态容积点,然后使用holt两参数指数平滑法预测k+1时刻状态,得到k+1时刻的状态预测值并计算预测协方差矩阵的平方根,传输给状态估计模块;所述状态估计模块根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点,使用量测数据对k+1时刻的状态预测值进行修正,得到k+1时刻的状态估计值;所述参数更新模块用于更新滤波参数,传输给状态预测模块,用于数据采集模块获取时刻k+1的量测数据后,进行k+2时刻的状态估计。
进一步地,数据采集模块获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据,且默认数据是时标对齐的;数据采集与监控(SCADA)系统量测量误差协方差取1×10-4数量级,同步相量测量单元(PMU)量测量误差协方差取1×10-6数量级。
进一步地,状态预测模块得到k+1时刻的状态预测值并计算预测协方差矩阵的平方根的过程具体如下:
a.计算k时刻系统状态容积点
Sk|k=chol(Pk)
式中,chol(Pk)表示对k时刻的状态误差协方差矩阵Pk做Cholesky分解,取上三角矩阵,初始状态误差协方差P0设为0.01;n指的是状态维度;ξi指2n阶列向量ξ的第i列;指时刻k的状态估计值,状态估计初值为状态估计初值中各节点电压v取1,各节点电压相角θ取0;Xi,k|k为与列向量ξ的第i列对应的k时刻系统状态容积点;
b.传播容积点形成新的点
状态预测函数f(~)使用两参数指数平滑法,平滑系数通常取值为[0,1];
c.计算k+1时刻状态预测值
d.求解预测协方差矩阵的平方根
式中:
SQ,k=chol(Qk)
Tria()表示对矩阵做QR分解保留上三角矩阵;Sk+1|k为K+1时刻状态预测值的协方差矩阵平方根;Q为系统噪声误差,Qk表示k时刻的量测值对应的系统噪声误差。
进一步地,状态估计模块使用量测数据对k+1时刻的状态预测值进行修正的过程具体如下:
A.由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点
B.传播容积点
Zi,k+1|k=h(Xi,k+1|k)
式中,量测方程h(~)如下:
其中a和b表示节点序号,N为节点总数,Va是节点a电压幅值,θab指的是节点a和节点b电压相角的差值,Pa为节点a处的有功功率注入,Qa为节点a处的无功功率注入,Pab为节点a与b间的有功功率流,Qab为节点a与b间的无功功率流,Gab是线路a和b之间的电导,Bab是线路a和b之间的电纳,Ga是a节点上的对地电导,Ba是在a节点上的对地电纳;
1)计算k+1时刻的量测数据预测值
2)计算协方差矩阵平方根
量测数据预测值协方差矩阵平方根Szz,k+1|k和量测值与预测值的互协方差矩阵平方根Sxz,k+1|k分别为:
Szz,k+1|k=Tria(γk,SR,k+1)
SR,k+1=chol(Rk+1)
式中,Rk+1表示第k+1次测量的量测误差方差矩阵;
3)求解卡尔曼增益Kk+1,算出状态估计值
其中:
进一步地,参数更新模块更新滤波参数准备下一步迭代,令:
Sk+1|k+1=Tria([χk-Kk+1γk,Kk+1SR,k+1])
本发明的IEEE30节点模型仿真结果如图2所示,选取节点26的电压幅值相角估计结果展示。UKF指无迹卡尔曼滤波算法动态状态估计,SRCKF指本发明基于平方根容积卡尔曼滤波的配电网动态状态估计算法。可见本发明算法收敛速度明显更快。
本发明与传统动态状态估计算法误差比较如表1所示;
表1
为了量化评估算法有效性,使用均方根误差作为性能指标函数。K时刻的均方根误差为:
式中:xk,i为状态真值第i个分量;为状态估计值的第i个分量;n为状态维数。该数值与状态估计误差正相关。UKF指无迹卡尔曼滤波算法动态状态估计,CKF为容积卡尔曼滤波算法动态状态估计,SRCKF指本发明基于平方根容积卡尔曼滤波的配电网动态状态估计算法。表中可见,本发明算法状态估计误差最小。
特别地,根据本发明公开的实施例,上述任一实施例描述的配电网动态状态估计方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行配电网动态状态估计方法的程序代码。
作为又一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例的系统中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,该程序被一个或者一个以上的处理器用来执行描述于本申请的配电网动态状态估计方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的配电网动态状态估计方法、配电网动态状态估计的系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法,其特征在于,包括以下步骤:
S1,获取某一时刻k的量测数据;
S2,根据时刻k的量测数据进行状态预测,得到k+1时刻的状态预测值和预测协方差矩阵的平方根;
S3,根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点,然后使用量测数据对k+1时刻的状态预测值进行修正,得到k+1时刻的状态估计值;
S4,更新滤波参数准备下一步迭代。
2.根据权利要求1所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法,其特征在于,步骤S1中:获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据,且默认数据是时标对齐的;数据采集与监控(SCADA)系统量测量误差协方差取1×10-4数量级,同步相量测量单元(PMU)量测量误差协方差取1×10-6数量级。
3.根据权利要求1所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法,其特征在于,步骤S2具体如下:
S2.1计算k时刻系统状态容积点
Sk|k=chol(Pk)
式中,chol(Pk)表示对k时刻的状态误差协方差矩阵Pk做Cholesky分解,取上三角矩阵,初始状态误差协方差P0设为0.01;n指的是状态维度;ξi指2n阶列向量ξ的第i列;指时刻k的状态估计值,状态估计初值为状态估计初值中各节点电压v取1,各节点电压相角θ取0;Xi,k|k为与列向量ξ的第i列对应的k时刻系统状态容积点;
S2.2传播容积点形成新的点
状态预测函数f(~)使用两参数指数平滑法,平滑系数通常取值为[0,1];
S2.3计算k+1时刻状态预测值
S2.4求解预测协方差矩阵的平方根
式中:
SQ,k=chol(Qk)
Tria()表示对矩阵做QR分解保留上三角矩阵;Sk+1|k为K+1时刻状态预测值的协方差矩阵平方根;Q为系统噪声误差,Qk表示k时刻的量测值对应的系统噪声误差。
4.根据权利要求3所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法,其特征在于,步骤S3具体如下:
S3.1由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点
S3.2传播容积点
Zi,k+1|k=h(Xi,k+1|k)
式中,量测方程h(~)如下:
其中a和b表示节点序号,N为节点总数,Va是节点a电压幅值,θab指的是节点a和节点b电压相角的差值,Pa为节点a处的有功功率注入,Qa为节点a处的无功功率注入,Pab为节点a与b间的有功功率流,Qab为节点a与b间的无功功率流,Gab是线路a和b之间的电导,Bab是线路a和b之间的电纳,Ga是a节点上的对地电导,Ba是在a节点上的对地电纳;
4)计算k+1时刻的量测数据预测值
5)计算协方差矩阵平方根
量测数据预测值协方差矩阵平方根Szz,k+1|k和量测值与预测值的互协方差矩阵平方根Sxz,k+1|k分别为:
Szz,k+1|k=Tria(γk,SR,k+1)
SR,k+1=chol(Rk+1)
式中,Rk+1表示第k+1次测量的量测误差方差矩阵;
6)求解卡尔曼增益Kk+1,算出状态估计值
其中:
6.一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统,其特征在于,包括数据采集模块、状态预测模块、状态估计模块和参数更新模块;
所述数据采集模块用于采集某一时刻k的量测数据并将数据传输给状态预测模块;所述状态预测模块计算k时刻系统状态容积点,然后使用holt两参数指数平滑法预测k+1时刻状态,得到k+1时刻的状态预测值并计算预测协方差矩阵的平方根,传输给状态估计模块;所述状态估计模块根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点,使用量测数据对k+1时刻的状态预测值进行修正,得到k+1时刻的状态估计值;所述参数更新模块用于更新滤波参数,传输给状态预测模块,用于数据采集模块获取时刻k+1的量测数据后,进行k+2时刻的状态估计。
7.根据权利要求6所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统,其特征在于,数据采集模块获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据,且默认数据是时标对齐的;数据采集与监控(SCADA)系统量测量误差协方差取1×10-4数量级,同步相量测量单元(PMU)量测量误差协方差取1×10-6数量级。
8.根据权利要求6所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统,其特征在于,状态预测模块得到k+1时刻的状态预测值并计算预测协方差矩阵的平方根的过程具体如下:
a.计算k时刻系统状态容积点
Sk|k=chol(Pk)
式中,chol(Pk)表示对k时刻的状态误差协方差矩阵Pk做Cholesky分解,取上三角矩阵,初始状态误差协方差P0设为0.01;n指的是状态维度;ξi指2n阶列向量ξ的第i列;指时刻k的状态估计值,状态估计初值为状态估计初值中各节点电压v取1,各节点电压相角θ取0;Xi,k|k为与列向量ξ的第i列对应的k时刻系统状态容积点;
b.传播容积点形成新的点
状态预测函数f(~)使用两参数指数平滑法,平滑系数通常取值为[0,1];
c.计算k+1时刻状态预测值
d.求解预测协方差矩阵的平方根
式中:
SQ,k=chol(Qk)
Tria()表示对矩阵做QR分解保留上三角矩阵;Sk+1|k为K+1时刻状态预测值的协方差矩阵平方根;Q为系统噪声误差,Qk表示k时刻的量测值对应的系统噪声误差。
9.根据权利要求8所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统,其特征在于,状态估计模块使用量测数据对k+1时刻的状态预测值进行修正的过程具体如下:
A.由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点
B.传播容积点
Zi,k+1|k=h(Xi,k+1|k)
式中,量测方程h(~)如下:
其中a和b表示节点序号,N为节点总数,Va是节点a电压幅值,θab指的是节点a和节点b电压相角的差值,Pa为节点a处的有功功率注入,Qa为节点a处的无功功率注入,Pab为节点a与b间的有功功率流,Qab为节点a与b间的无功功率流,Gab是线路a和b之间的电导,Bab是线路a和b之间的电纳,Ga是a节点上的对地电导,Ba是在a节点上的对地电纳;
4)计算k+1时刻的量测数据预测值
5)计算协方差矩阵平方根
量测数据预测值协方差矩阵平方根Szz,k+1|k和量测值与预测值的互协方差矩阵平方根Sxz,k+1|k分别为:
Szz,k+1|k=Tria(γk,SR,k+1)
SR,k+1=chol(Rk+1)
式中,Rk+1表示第k+1次测量的量测误差方差矩阵;
6)求解卡尔曼增益Kk+1,算出状态估计值
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011463751.9A CN112713587A (zh) | 2020-12-10 | 2020-12-10 | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011463751.9A CN112713587A (zh) | 2020-12-10 | 2020-12-10 | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112713587A true CN112713587A (zh) | 2021-04-27 |
Family
ID=75541897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011463751.9A Pending CN112713587A (zh) | 2020-12-10 | 2020-12-10 | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112713587A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507130A (zh) * | 2021-08-06 | 2021-10-15 | 剑科云智(深圳)科技有限公司 | 基于dpmu的实时数据通信系统的电网状态估计方法及系统 |
CN113824114A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司惠州供电局 | 基于滑模观测的配电网状态估计方法、装置、系统及介质 |
CN117039893A (zh) * | 2023-10-09 | 2023-11-10 | 国网天津市电力公司电力科学研究院 | 配电网状态确定方法、装置及电子设备 |
CN117810960A (zh) * | 2023-11-16 | 2024-04-02 | 国家电网有限公司华东分部 | 一种电力系统状态的预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032812A (zh) * | 2019-04-18 | 2019-07-19 | 河海大学 | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 |
-
2020
- 2020-12-10 CN CN202011463751.9A patent/CN112713587A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032812A (zh) * | 2019-04-18 | 2019-07-19 | 河海大学 | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 |
Non-Patent Citations (1)
Title |
---|
WEI XIE 等: "A Square Root Cubature Kalman Filter Based Dynamic State Estimation of Distribution Network", 2020 IEEE IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA TECHNICAL CONFERENCE, 29 September 2020 (2020-09-29), pages 497 - 501 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507130A (zh) * | 2021-08-06 | 2021-10-15 | 剑科云智(深圳)科技有限公司 | 基于dpmu的实时数据通信系统的电网状态估计方法及系统 |
CN113507130B (zh) * | 2021-08-06 | 2023-10-31 | 剑科云智(深圳)科技有限公司 | 基于dpmu的实时数据通信系统的电网状态估计方法及系统 |
CN113824114A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司惠州供电局 | 基于滑模观测的配电网状态估计方法、装置、系统及介质 |
CN113824114B (zh) * | 2021-11-22 | 2022-03-18 | 广东电网有限责任公司惠州供电局 | 基于滑模观测的配电网状态估计方法、装置、系统及介质 |
CN117039893A (zh) * | 2023-10-09 | 2023-11-10 | 国网天津市电力公司电力科学研究院 | 配电网状态确定方法、装置及电子设备 |
CN117039893B (zh) * | 2023-10-09 | 2024-01-26 | 国网天津市电力公司电力科学研究院 | 配电网状态确定方法、装置及电子设备 |
CN117810960A (zh) * | 2023-11-16 | 2024-04-02 | 国家电网有限公司华东分部 | 一种电力系统状态的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112713587A (zh) | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 | |
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN107590317B (zh) | 一种计及模型参数不确定性的发电机动态估计方法 | |
CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
Sharma et al. | A cubature Kalman filter based power system dynamic state estimator | |
CN103278813B (zh) | 一种基于高阶无迹卡尔曼滤波的状态估计方法 | |
CN105929340B (zh) | 一种基于arima估算电池soc的方法 | |
CN115932702B (zh) | 基于虚拟标准器的电压互感器在线运行校准方法及装置 | |
CN110308366B (zh) | 一种基于正交匹配追踪算法的谐波源定位方法 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
Ma et al. | Robust state of charge estimation for Li-ion batteries based on cubature kalman filter with generalized maximum correntropy criterion | |
CN109218073B (zh) | 一种计及网络攻击和参数不确定性的动态状态估计方法 | |
CN115081299A (zh) | 一种基于upf的电力系统鲁棒辅助预测状态估计方法 | |
CN107958120B (zh) | 一种基于幂级数展开的系统戴维南等值参数计算方法 | |
CN109341690B (zh) | 一种鲁棒高效的组合导航自适应数据融合方法 | |
CN112865096A (zh) | 一种考虑pmu量测相角偏差的配电网状态估计方法及系统 | |
Wang et al. | Koopman Kalman particle filter for dynamic state estimation of distribution system | |
CN112446010B (zh) | 自适应弱敏秩卡尔曼滤波方法及其应用 | |
CN109217336B (zh) | 基于分区建模的同步发电机阻尼系数在线辨识方法 | |
CN113591801A (zh) | 一种电力信号参数估计方法和装置 | |
Yan et al. | An adaptive algorithm based on levenberg-marquardt method and two-factor for iterative extended Kalman filter | |
CN110034559B (zh) | 基于切换系统模型的电力系统融合状态估计方法 | |
CN113884914A (zh) | 一种渐消并行卡尔曼滤波动力电池荷电状态估计方法 | |
Zhang et al. | Distributed dynamic state estimation in active distribution system based on particle filter | |
CN109327026B (zh) | 一种低压配电网区间状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |