CN113313339A - 一种配电网动态状态估计算法 - Google Patents

一种配电网动态状态估计算法 Download PDF

Info

Publication number
CN113313339A
CN113313339A CN202110329681.6A CN202110329681A CN113313339A CN 113313339 A CN113313339 A CN 113313339A CN 202110329681 A CN202110329681 A CN 202110329681A CN 113313339 A CN113313339 A CN 113313339A
Authority
CN
China
Prior art keywords
particle
algorithm
state estimation
distribution network
filtering
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
Application number
CN202110329681.6A
Other languages
English (en)
Inventor
刘敏
罗永平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou University
Original Assignee
Guizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou University filed Critical Guizhou University
Priority to CN202110329681.6A priority Critical patent/CN113313339A/zh
Publication of CN113313339A publication Critical patent/CN113313339A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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]

Abstract

本发明公开了一种配电网动态状态估计算法，该算法首先通过自适应调节无迹变换的比例修正因子来控制Sigma采样点的分布和引入渐消因子在线调整卡尔曼滤波增益来提高重要性密度函数的质量，然后再用粒子滤波理论实现状态估计，改进后的无迹卡尔曼滤波算法UKF与粒子滤波PF算法相结合形成鲁棒性更强、滤波精度更高的配电网状态估计算法，本发明减少样本粒子数来达到较高精度要求的状态估计，从而减少算法耗时；当系统存在量测不良数据时能迅速感知，通过引入的渐消因子来修正预测协方差进而调整滤波增益，增强了算法的鲁棒性。

Description

一种配电网动态状态估计算法
技术领域
本发明涉及配电网运状态估计技术领域，具体为一种配电网动态状态估计算法。
背景技术
迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法采用无迹变换UT变换经过确定性采样获得2n+1(n为系统维度)个sigma点，滤波精度可达二阶以上。为保证UKF算法在异常情况下能有较高的滤波精度，通过一个有偏和无偏的估值器形成噪声参数统计估值器来对过程噪声统计参数进行实时估计，改进的UKF算法不仅有较强的鲁棒性而且对状态突变有较好的自适应能力；以上估计算法只有在噪声为高斯分布时才能得到最佳的滤波效果，对强非线性非高斯系统滤波精度有限。
粒子滤波(Particle Filter，PF)是一类基于贝叶斯估计理论，用蒙特卡洛思想近似滤波后验概率分布的滤波算法，适合于任意线性或非线性系统且对系统的噪声模型没有要求。将UKF算法融入到粒子滤波算法中，用UKF算法结合最新的量测信息为粒子滤波产生重要性密度函数，然后再从该重要性密度函数采样生成粒子，最终通过粒子加权和的形式进行配电网动态状态估计。仿真结果表明：无迹粒子滤波(UPF)算法估计精度比UKF和PF算法都高；同时，在非高斯量测噪声模型下，无迹粒子滤波算法也能保持较高的估计精度；UPF状态估计算法存在滤波精度有限且鲁棒性不强的缺陷。
为保证系统安全稳定运行，提高用户的用电质量，配电管理系统(DMS) 需要对配电网运行状态进行准确的感知。状态估计分为静态状态估计和动态状态估计两大类。静态状态估计只能估算当前断面的运行状态，无法体现出配电网时变的特性。动态状态估计不仅能估算当前断面的运行状态还能预测出下一时刻的运行状态，体现了配电网时变的特性，应用场合更加广泛。在配电网动态状态估计中，目前常用的算法是卡尔曼滤波(包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法等改进算法)和粒子滤波算法。
各类改进卡尔曼滤波算法可用于非线性的配电网状态估计，但只有在配电网量测量噪声服从高斯分布时才可能达到较好的估计精度。粒子滤波算法可用于线性或非线性系统，且对量测量噪声的分布没有特殊要求，但粒子滤波算法采用状态转移函数作为建议分布，易导致粒子退化且估计精度较低。将改进卡尔曼滤波与粒子滤波结合形成的滤波算法(如无迹粒子滤波算法)在配电网量测量有非高斯噪声时也能保证较好的估计精度，但这类改进粒子滤波算法的鲁棒性不强。当配电网运行中出现负荷突变时，改进粒子滤波算法的状态估计精度较低。
未来随着大量随机性电源(风机、光伏)和负荷(电动汽车充电装置、储能装置)的接入，配电网的量测量呈现出很强的非高斯和突变随机性。现有配电网动态状态估计算法在这个非高斯、高随机突变的配电网环境下，不能提供较好的状态估计结果。
发明内容
本发明的目的在于提供了一种改进的无迹粒子滤波算法，以用于非线性、非高斯、强随机的配电网动态估计，解决了上述背景技术中提出的问题。
本发明通过采用如下技术方案克服以上技术问题，具体为：
一种配电网动态状态估计算法，该算法首先通过自适应调节无迹变换的比例修正因子来控制Sigma采样点的分布和引入渐消因子在线调整卡尔曼滤波增益来提高重要性密度函数的质量，然后再用粒子滤波理论实现状态估计，改进后的无迹卡尔曼滤波算法UKF与粒子滤波PF算法相结合形成鲁棒性更强、滤波精度更高的配电网状态估计算法。
作为本发明进一步的方案：由于配电网是一个非线性系统，固采用状态方程和量测方程建立配电网动态状态估计的数学模型；
xk＝f(xk-1，wk) (1)
yk＝h(xk，vk) (2)
式中xk、yk分别为系统状态量(即电压大小和相角)与量测量 (yk＝[Pi Qi Ui θiPij Qij]T)；
f(·)、h(·)分别为非线性状态转移函数与非线性量测函数；
vk表示系统的量测噪声；wk表示系统的过程噪声；
其中f(·)采用Holt法中的二次指数平滑法来计算：
Figure RE-GDA0003177188440000031
式中，s与b为平滑参数，在0～1之间取值；
所述h(·)包括3类量测量的量测方程(p＝a,b,c分别表示配电网的a、b、c 三相)：
(1)节点功率量测方程
Figure RE-GDA0003177188440000032
Figure RE-GDA0003177188440000041
(2)节点电压量测方程
Figure RE-GDA0003177188440000042
Figure RE-GDA0003177188440000043
(3)支路功率量测方程
Figure RE-GDA0003177188440000044
Figure RE-GDA0003177188440000045
作为本发明进一步的方案，具体实现步骤如下：
Step1初始化：在初始时刻k＝0时，以初始状态变量x0为基础，从已知初始分布中产生粒子集
Figure RE-GDA0003177188440000046
每个粒子的初始化权值均为 1/N，其中N为设定的总粒子个数；其中P0为初始协方差矩阵；
Step2当k>0时，将上一时刻的粒子集利用状态转移方程和状态量测方程更新，得到当前时刻的新粒子集，然后由更新后的粒子集来近似描述当前时刻的后验概率分布即通过粒子加权和的形式求取状态估计值；
作为本发明进一步的方案，Step2过程包括：用UKF产生重要性密度分布函数、重要性采样生成预测粒子、计算粒子的权值并归一化处理、判断是否需要进行重采样、输出状态估计结果。
作为本发明进一步的方案：用无迹卡尔曼滤波UKF为每个粒子生成重要性密度函数；具体过程如下：
①用对称采样策略实现无迹变换，构造每个粒子的Sigma采样点集和权值。
Figure RE-GDA0003177188440000051
Figure RE-GDA0003177188440000052
Figure RE-GDA0003177188440000053
计算采样点集到中心点
Figure RE-GDA0003177188440000054
的距离
Figure RE-GDA0003177188440000055
并令d0＝max(di)，其中I为Sigma采样点的集集合；并令
Figure RE-GDA0003177188440000056
tr(·)表示矩阵求迹；
将α值代入对称采样策略中重新进行采样确定Sigma点集，即得到了自适应比例因子α的对称采样策略；
通过自适应在线调整比例修正因子α的取值，最优匹配Sigma采样点的分布情况，来提高无迹变换的精度，从而使产生的重要性密度函数更接近滤波状态真值的后验概率密度，由此从重要性密度函数采样生成的预测粒子更为优质；
②对Sigma采样点做一步预测，得到每个粒子的状态预测值及预测协方差；
Figure RE-GDA0003177188440000057
Figure RE-GDA0003177188440000061
Figure RE-GDA0003177188440000062
③计算渐消因子并引入预测协方差中；
Figure RE-GDA0003177188440000063
Figure RE-GDA0003177188440000064
Figure RE-GDA0003177188440000065
Figure RE-GDA0003177188440000066
式中：tr(·)为求矩阵的迹；Vk为输出的实际残差序列协方差矩阵，其估算表达式如下：
Figure RE-GDA0003177188440000067
式中：ρ表示遗忘因子ρ∈(0,1]。引入渐消因子后的预测协方差为：
Figure RE-GDA0003177188440000068
④根据②③的预测值和预测协方差再次构造Sigma点集，得到：
Figure RE-GDA0003177188440000069
Figure RE-GDA00031771884400000610
Figure RE-GDA00031771884400000611
⑤计算自协方差和互协方差。
Figure RE-GDA0003177188440000071
Figure RE-GDA0003177188440000072
⑥计算卡尔曼增益，用最新量测值更新粒子，产生重要性密度函数。
Figure RE-GDA0003177188440000073
Figure RE-GDA0003177188440000074
Figure RE-GDA0003177188440000075
令重要性密度函数(参考分布)
Figure RE-GDA0003177188440000076
作为本发明进一步的方案：所述重要性采样生成预测粒子是指从重要性密度函数中采样生成粒子滤波需要的预测粒子：
Figure RE-GDA0003177188440000077
结合最新量测并用权值公式计算式(30)中每个粒子的重要性权值：
Figure RE-GDA0003177188440000078
将式(31)得到的权值归一化处理：
Figure RE-GDA0003177188440000079
重采样：设定一个阀值Nt(一般Nt＝N/3)，判断有效粒子数，即
Figure RE-GDA00031771884400000710
当满足式(33)时需要进行重采样，得到N个等权值的新粒子，否则不需要重采样；
(6)状态估计：预测粒子集加权求和，输出估计结果：
Figure RE-GDA00031771884400000711
Figure RE-GDA0003177188440000081
与现有技术相比，本发明的有益效果是：本发明从增强UPF算法的滤波精度和鲁棒性入手，融合自适应调整比例修正采样和强跟踪这两种方法为粒子滤波生成一个更接近真实分布的重要性密度函数，进而改善了UPF方法的滤波性能。该方案带来的有益效果主要体现在两个方面:一是可以通过减少样本粒子数来达到较高精度要求的状态估计，从而减少算法耗时；二是当系统存在量测不良数据时能迅速感知，通过引入的渐消因子来修正预测协方差进而调整滤波增益，以阻碍不良数据对状态估计结果的影响，即增强了算法的鲁棒性。基于IEEE-33节点的算例仿真分析结果验证了本算法的有效性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的算法流程图。
附图标记说明如下：
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以多种不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
另外，本发明中的元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
请参阅图1，本发明实施例中，：
一、配电网动态状态估计数学模型建立
配电网是一个非线性系统，可以用如下的状态方程和量测方程来表示配电网状态估计的数学模型。
xk＝f(xk-1，wk) (1)
yk＝h(xk，vk) (2)
式中xk、yk分别为系统状态量(电压大小和相角)与量测量 (yk＝[Pi Qi Ui θi PijQij]T)；f(·)、h(·)分别为非线性状态转移函数与非线性量测函数；vk表示系统的量测噪声；wk表示系统的过程噪声。
f(·)采用Holt法中的二次指数平滑法来计算：
Figure RE-GDA0003177188440000091
式中，s与b为平滑参数，在0～1之间取值。
h(·)包括3类量测量的量测方程(p＝a,b,c分别表示配电网的a、b、c三相)：
(1)节点功率量测方程
Figure RE-GDA0003177188440000101
Figure RE-GDA0003177188440000102
(2)节点电压量测方程
Figure RE-GDA0003177188440000103
Figure RE-GDA0003177188440000104
(3)支路功率量测方程
Figure RE-GDA0003177188440000105
Figure RE-GDA0003177188440000106
二、基于改进无迹粒子滤波的状态估计算法
本发明充分利用UKF滤波精度较为理想、PF不受系统和噪声模型限制的特点，将UKF和PF结合起来，形成改进型无迹滤波算法(改进型UPF)。算法结合思路是首先通过自适应调节无迹变换的比例修正因子来控制Sigma采样点的分布和引入渐消因子在线调整卡尔曼滤波增益来提高重要性密度函数 (建议分布)的质量，然后再用粒子滤波理论实现状态估计。具体实现步骤如下(算法流程见图1)：
Step1初始化：在初始时刻k＝0时，以初始状态变量x0(通常取仿真初始时刻的状态真值为初始状态变量)为基础，从已知初始分布p(x0)＝N(x0,P0)(其中P0为初始协方差矩阵)中产生粒子集
Figure RE-GDA0003177188440000111
每个粒子的初始化权值均为1/N，其中N为设定的总粒子个数。
Step2当k>0时，将上一时刻的粒子集利用状态转移方程和状态量测方程更新，得到当前时刻的新粒子集，然后由更新后的粒子集来近似描述当前时刻的后验概率分布即通过粒子加权和的形式求取状态估计值。此过程包括：用UKF产生重要性密度分布函数、重要性采样生成预测粒子、计算粒子的权值并归一化处理、判断是否需要进行重采样、输出状态估计结果等。
(1)用UKF为每个粒子生成重要性密度函数。
①用对称采样策略实现无迹变换，构造每个粒子的Sigma采样点集和权值。
Figure RE-GDA0003177188440000112
Figure RE-GDA0003177188440000113
Figure RE-GDA0003177188440000114
计算采样点集到中心点
Figure RE-GDA0003177188440000115
的距离
Figure RE-GDA0003177188440000116
并令d0＝max(di)，其中I为Sigma采样点的集集合；令
Figure RE-GDA0003177188440000117
tr(·)表示矩阵求迹。将α值代入对称采样策略中重新进行采样确定Sigma点集，即得到了自适应比例因子α的对称采样策略。通过自适应在线调整比例修正因子α的取值，最优匹配Sigma采样点的分布情况，来提高无迹变换的精度，从而使产生的重要性密度函数更接近滤波状态真值的后验概率密度，由此从重要性密度函数采样生成的预测粒子更为优质。
②对Sigma采样点做一步预测，得到每个粒子的状态预测值及预测协方差。
Figure RE-GDA0003177188440000121
Figure RE-GDA0003177188440000122
Figure RE-GDA0003177188440000123
③计算渐消因子并引入预测协方差中。
Figure RE-GDA0003177188440000124
Figure RE-GDA0003177188440000125
Figure RE-GDA0003177188440000126
Figure RE-GDA0003177188440000127
式中：tr(·)为求矩阵的迹；Vk为输出的实际残差序列协方差矩阵，其估算表达式如下：
Figure RE-GDA0003177188440000128
式中：ρ表示遗忘因子ρ∈(0,1]。引入渐消因子后的预测协方差为：
Figure RE-GDA0003177188440000129
④根据②③的预测值和预测协方差再次构造Sigma点集，得到：
Figure RE-GDA0003177188440000131
Figure RE-GDA0003177188440000132
Figure RE-GDA0003177188440000133
⑤计算自协方差和互协方差。
Figure RE-GDA0003177188440000134
Figure RE-GDA0003177188440000135
⑥计算卡尔曼增益，用最新量测值更新粒子，产生重要性密度函数。
Figure RE-GDA0003177188440000136
Figure RE-GDA0003177188440000137
Figure RE-GDA0003177188440000138
令重要性密度函数(参考分布)
Figure RE-GDA0003177188440000139
(2)重要性采样生成预测粒子。从重要性密度函数中采样生成粒子滤波需要的预测粒子：
Figure RE-GDA00031771884400001310
(3)结合最新量测并用权值公式计算式(30)中每个粒子的重要性权值：
Figure RE-GDA00031771884400001311
(4)将式(31)得到的权值归一化处理：
Figure RE-GDA00031771884400001312
(5)重采样：设定一个阀值Nt(一般Nt＝N/3)，判断有效粒子数，即
Figure RE-GDA0003177188440000141
当满足式(33)时需要进行重采样，得到N个等权值的新粒子，否则不需要重采样。
(6)状态估计：预测粒子集加权求和，输出估计结果：
Figure RE-GDA0003177188440000142
Figure RE-GDA0003177188440000143
三、本实施例主要从增强UPF算法的滤波精度和鲁棒性入手，融合自适应调整比例修正采样和强跟踪这两种方法为粒子滤波生成一个更接近真实分布的重要性密度函数，进而改善了UPF方法的滤波性能。该方案带来的有益效果主要体现在两个方面:一是可以通过减少样本粒子数来达到较高精度要求的状态估计，从而减少算法耗时；二是当系统存在量测不良数据时能迅速感知，通过引入的渐消因子来修正预测协方差进而调整滤波增益，以阻碍不良数据对状态估计结果的影响，即增强了算法的鲁棒性。基于IEEE-33节点的算例仿真分析结果验证了本算法的有效性。
以上仅就本发明的最佳实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅限于以上实施例，其具体结构允许有变化。但凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

Claims (6)

1.一种配电网动态状态估计算法，其特征在于：该算法首先通过自适应调节无迹变换的比例修正因子来控制Sigma采样点的分布和引入渐消因子在线调整卡尔曼滤波增益来提高重要性密度函数的质量，然后再用粒子滤波理论实现状态估计，改进后的无迹卡尔曼滤波算法UKF与粒子滤波PF算法相结合形成鲁棒性更强、滤波精度更高的配电网状态估计算法。
2.根据权利要求1所述的一种配电网动态状态估计算法，其特征在于：由于配电网是一个非线性系统，固采用状态方程和量测方程建立配电网动态状态估计的数学模型；
xk＝f(xk-1，wk) (1)
yk＝h(xk，vk) (2)
式中xk、yk分别为系统状态量(即电压大小和相角)与量测量(yk＝[Pi Qi Ui θi Pij Qij]T)；
f(·)、h(·)分别为非线性状态转移函数与非线性量测函数；
vk表示系统的量测噪声；wk表示系统的过程噪声；
其中f(·)采用Holt法中的二次指数平滑法来计算：
Figure RE-FDA0003177188430000011
式中，s与b为平滑参数，在0～1之间取值；
所述h(·)包括3类量测量的量测方程(p＝a,b,c分别表示配电网的a、b、c三相)：
(1)节点功率量测方程
Figure RE-FDA0003177188430000021
Figure RE-FDA0003177188430000022
(2)节点电压量测方程
Figure RE-FDA0003177188430000023
Figure RE-FDA0003177188430000024
(3)支路功率量测方程
Figure RE-FDA0003177188430000025
Figure RE-FDA0003177188430000026
3.根据权利要求1或2所述的一种配电网动态状态估计算法，其特征在于具体实现步骤如下：
Step1初始化：在初始时刻k＝0时，以初始状态变量x0为基础，从已知初始分布中产生粒子集
Figure RE-FDA0003177188430000031
Figure RE-FDA0003177188430000032
每个粒子的初始化权值均为1/N，其中N为设定的总粒子个数；其中P0为初始协方差矩阵；
Step2当k>0时，将上一时刻的粒子集利用状态转移方程和状态量测方程更新，得到当前时刻的新粒子集，然后由更新后的粒子集来近似描述当前时刻的后验概率分布即通过粒子加权和的形式求取状态估计值。
4.根据权利要求3所述的一种配电网动态状态估计算法，其特征在于Step2过程包括：用UKF产生重要性密度分布函数、重要性采样生成预测粒子、计算粒子的权值并归一化处理、判断是否需要进行重采样、输出状态估计结果。
5.根据权利要求4所述的一种配电网动态状态估计算法，其特征在于：用无迹卡尔曼滤波UKF为每个粒子生成重要性密度函数；具体过程如下：
①用对称采样策略实现无迹变换，构造每个粒子的Sigma采样点集和权值。
Figure RE-FDA0003177188430000033
Figure RE-FDA0003177188430000034
Figure RE-FDA0003177188430000035
计算采样点集到中心点
Figure RE-FDA0003177188430000036
的距离
Figure RE-FDA0003177188430000037
i∈I，并令d0＝max(di)，其中I为Sigma采样点的集集合；并令
Figure RE-FDA0003177188430000038
tr(·)表示矩阵求迹；
将α值代入对称采样策略中重新进行采样确定Sigma点集，即得到了自适应比例因子α的对称采样策略；
通过自适应在线调整比例修正因子α的取值，最优匹配Sigma采样点的分布情况，来提高无迹变换的精度，从而使产生的重要性密度函数更接近滤波状态真值的后验概率密度，由此从重要性密度函数采样生成的预测粒子更为优质；
②对Sigma采样点做一步预测，得到每个粒子的状态预测值及预测协方差；
Figure RE-FDA0003177188430000041
Figure RE-FDA0003177188430000042
Figure RE-FDA0003177188430000043
③计算渐消因子并引入预测协方差中；
Figure RE-FDA0003177188430000044
Figure RE-FDA0003177188430000045
Figure RE-FDA0003177188430000046
Figure RE-FDA0003177188430000047
式中：tr(·)为求矩阵的迹；Vk为输出的实际残差序列协方差矩阵，其估算表达式如下：
Figure RE-FDA0003177188430000048
式中：ρ表示遗忘因子ρ∈(0,1]。引入渐消因子后的预测协方差为：
Figure RE-FDA0003177188430000051
④根据②③的预测值和预测协方差再次构造Sigma点集，得到：
Figure RE-FDA0003177188430000052
Figure RE-FDA0003177188430000053
Figure RE-FDA0003177188430000054
⑤计算自协方差和互协方差。
Figure RE-FDA0003177188430000055
Figure RE-FDA0003177188430000056
⑥计算卡尔曼增益，用最新量测值更新粒子，产生重要性密度函数。
Figure RE-FDA0003177188430000057
Figure RE-FDA0003177188430000058
Figure RE-FDA0003177188430000059
令重要性密度函数(参考分布)
Figure RE-FDA00031771884300000510
6.根据权利要求4所述的一种配电网动态状态估计算法，其特征在于：所述重要性采样生成预测粒子是指从重要性密度函数中采样生成粒子滤波需要的预测粒子：
Figure RE-FDA00031771884300000511
结合最新量测并用权值公式计算式(30)中每个粒子的重要性权值：
Figure RE-FDA00031771884300000512
将式(31)得到的权值归一化处理：
Figure RE-FDA0003177188430000061
重采样：设定一个阀值Nt(一般Nt＝N/3)，判断有效粒子数，即
Figure RE-FDA0003177188430000062
当满足式(33)时需要进行重采样，得到N个等权值的新粒子，否则不需要重采样；
(6)状态估计：预测粒子集加权求和，输出估计结果：
Figure RE-FDA0003177188430000063
Figure RE-FDA0003177188430000064
CN202110329681.6A 2021-03-26 2021-03-26 一种配电网动态状态估计算法 Pending CN113313339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329681.6A CN113313339A (zh) 2021-03-26 2021-03-26 一种配电网动态状态估计算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329681.6A CN113313339A (zh) 2021-03-26 2021-03-26 一种配电网动态状态估计算法

Publications (1)

Publication Number Publication Date
CN113313339A true CN113313339A (zh) 2021-08-27

Family

ID=77372162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329681.6A Pending CN113313339A (zh) 2021-03-26 2021-03-26 一种配电网动态状态估计算法

Country Status (1)

Country Link
CN (1) CN113313339A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6285971B1 (en) * 1997-08-22 2001-09-04 Voyan Technology Method for real-time nonlinear system state estimation and control
CN104777426A (zh) * 2015-04-17 2015-07-15 河海大学 一种基于无迹变换强跟踪的发电机动态状态估计方法
CN107016489A (zh) * 2017-03-09 2017-08-04 中国电力科学研究院 一种电力系统抗差状态估计方法和装置
CN107565553A (zh) * 2017-09-19 2018-01-09 贵州大学 一种基于ukf的配电网抗差动态状态估计方法
CN110455287A (zh) * 2019-07-24 2019-11-15 南京理工大学 自适应无迹卡尔曼粒子滤波方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6285971B1 (en) * 1997-08-22 2001-09-04 Voyan Technology Method for real-time nonlinear system state estimation and control
CN104777426A (zh) * 2015-04-17 2015-07-15 河海大学 一种基于无迹变换强跟踪的发电机动态状态估计方法
CN107016489A (zh) * 2017-03-09 2017-08-04 中国电力科学研究院 一种电力系统抗差状态估计方法和装置
CN107565553A (zh) * 2017-09-19 2018-01-09 贵州大学 一种基于ukf的配电网抗差动态状态估计方法
CN110455287A (zh) * 2019-07-24 2019-11-15 南京理工大学 自适应无迹卡尔曼粒子滤波方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗永平等: "基于无迹粒子滤波的配电网状态估计", 《电测与仪表》, vol. 57, no. 16, pages 72 - 74 *

Similar Documents

Publication Publication Date Title
CN110596593B (zh) 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN110659722B (zh) 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法
CN108155648A (zh) 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
CN110162871B (zh) 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法
CN109459705A (zh) 一种抗野值鲁棒无迹卡尔曼滤波的动力电池soc估计方法
CN107565553A (zh) 一种基于ukf的配电网抗差动态状态估计方法
CN109754013B (zh) 一种基于无迹卡尔曼滤波的电力系统混合量测融合方法
CN115081299A (zh) 一种基于upf的电力系统鲁棒辅助预测状态估计方法
Yao et al. Management of cascading outage risk based on risk gradient and Markovian tree search
CN113761726A (zh) 一种锂电池参数辨识方法及系统
CN111105005A (zh) 一种风电功率预测方法
Shi et al. A novel distribution system state estimator based on robust cubature particle filter used for non‐gaussian noise and bad data scenarios
Liu et al. State of charge estimation for Li-ion batteries based on iterative Kalman filter with adaptive maximum correntropy criterion
Zhang et al. SOC estimation optimization method based on parameter modified particle Kalman Filter algorithm
Rouhani et al. Soft clustering based probabilistic power flow with correlated inter temporal events
CN113313339A (zh) 一种配电网动态状态估计算法
CN108462205B (zh) 一种适应风电随机波动性的互联电力系统阻尼控制方法
CN114660463A (zh) 一种基于自适应加权容积粒子滤波的锂电池soc估计方法
Moffat et al. The multiple model adaptive power system state estimator
Feng et al. An Intelligent VB-AKF Algorithm with Fuzzy Adaptive Attenuation Parameter
CN111047090A (zh) 基于混合核函数自适应融合的电力系统短期负荷预测方法
Shi et al. Parameter identification and state-of-charge prediction of decommissioned lithium batteries
Fan et al. SOC estimation for lithium-ion battery based on AGA-optimized AUKF
Sheng et al. An unscented particle filter algorithm towards data quality improvement in sustainable distribution power systems
CN117723970A (zh) 基于模糊多新息优化ckf算法的锂电池能量状态估计方法

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