[发明专利]一种基于无迹变换强跟踪的发电机动态状态估计方法

说明书

技术领域

发明涉及一种基于无迹变换强跟踪的发电机动态状态估计方法，属于电力系统监测、分析和控制技术领域。

背景技术

电力系统状态估计主要分为静态状态估计和动态状态估计。近年来，基于广域测量系统的同步相量测量单元(phasor measurement unit，PMU)为精确跟踪电力系统机电暂态提供了可能。但是，由于量测误差的存在，直接利用PMU测得的生数据进行机电暂态分析无法获得精确结果，最终影响对系统进行有效、实时监控和相应稳定控制策略的制定。动态状态估计不仅可以滤除量测数据中的误差和噪声，其预测能力还可以为系统未来可能的变化制定相应的控制策略。因此，提高电力系统中发电机动态状态估计的跟踪精度和速度对电网安全稳定运行有重要意义。

发电机动态状态估计主要为建立合适的发电机动态模型和选择高性能的动态估计器。针对上述两点，国内外专家学者进行了研究，提出了基于无迹变换卡尔曼滤波的发电机动态状态估计、基于容积卡尔曼滤波的发电机动态状态估计等。无迹卡尔曼滤波通过无迹变换，将滤波精度提高到二阶及以上，但是需要选择大量参数；容积卡尔曼滤波估计精度高、计算简单，但是对噪声的先验知识依赖性较高。

发明内容：

本发明所要解决的技术问题是针对现有技术存在的不足而提供一种基于无迹变换强跟踪滤波的发电机动态状态估计方法。

本发明为实现上述目的，采用如下技术方案：

一种基于无迹变换强跟踪的发电机动态状态估计算法，包括顺序相接的如下步骤：

1)获得所需估计发电机机组的参数信息；

2)程序初始化；

3)预测步：根据上一时刻的状态变量滤波值和滤波协方差矩阵，采用对称采样策略获得采样点，确定相应的取值和权重；对采样点进行非线性变换获得状态变量预测均值和协方差矩阵；

4)计算量测量预测值：根据步骤3)获得的状态变量预测均值和预测协方差矩阵，采用对称采样策略获得采样点，通过量测函数计算得到预测的量测计算均值、自协方差矩阵和互协方差矩阵；

5)强跟踪，引入渐消因子：根据步骤3)的预测协方差矩阵以及步骤4的量测自协方差矩阵和互协方差矩阵根据下式计算渐消因子：

式中，tr[]为求矩阵的迹，λ为渐消因子，λ₀为渐消因子的初次计算量，N、M为求解渐消因子过程中的中间变量；

6)修正增益矩阵：采用渐消因子修正步骤3)的预测协方差矩阵，根据状态变量预测均值和修正后的预测协方差矩阵获得采样点，经过量测函数得到量测自协方差矩阵和互协方差矩阵，在线更新增益矩阵；

7)滤波步：采用更新的增益矩阵进行修正，获得状态变量的滤波值以及滤波协方差矩阵；

8)判断是否达到估计时间长度，若是，则输出结果，退出程序；若否，则返回步骤3)继续。

步骤1)中参数信息包括：惯性时间常数、阻尼系数、同步转速、额定功率和发电机总机组数。

步骤2)中程序初始化包括：设定状态变量初始值、设定系统模型噪声方差矩阵、设定量测误差方差矩阵、设定预测协方差初始值、设定滤波协方差初始值、设定估计时间长度、设定采样点的尺度参数和设定遗忘因子。

针对电力系统机电暂态过程的变化特性和发电机本身的非线性，本发明提出一种基于无迹变换强跟踪滤波的发电机动态状态估计的算法，首先利用对称采样策略进行sigma点采样，然后通过引入渐消因子来修正预测协方差矩阵，实时在线调整增益矩阵，从而保证算法不仅对非线性系统估计精度高，而且对状态变量的跟踪能力强以及对噪声的鲁棒性能强。经过IEEE标准算例和实际地区电网测试结果表明，本发明提出方法的跟踪速度、精度以及对噪声的鲁棒性能均优于无迹卡尔曼滤波器和强跟踪滤波器。

附图说明：

图1：本发明方法流程图；

图2：IEEE9为标准测试系统图；

图3：3(a)为IEEE9节点标准测试系统，本发明方法与BPA仿真结果对比图；3(b)卫以某地区实际电网为测试系统，本发明方法与STF、UKF算法滤波结果对比图。

具体实施方式：

下面结合附图对发明的技术流程进行详细说明：

1动态状态估计

电力系统动态状态估计是基于卡尔曼滤波理论建立整个算法的框架。卡尔曼滤波理论的研究对象是一个随机的动态过程，利用离散的量测序列，以滤波协方差最小为目标，最终得到离散的状态序列的最优估计值。动态状态估计一般分为预测步和滤波步：

预测步：