[发明专利]一种基于无迹卡尔曼滤波的电力系统混合量测融合方法

说明书

本发明公开了一种基于无迹卡尔曼滤波的电力系统混合量测融合方法，针对目前μPMU量测与SCADA量测长期共存但难以同时使用的现状，引入无迹卡尔曼滤波算法实现混合量测的融合。分析两种量测采样频率及量测类型存在的差异，实现混合量测的同步化。提出了一种自适应无迹卡尔曼滤波器AUKF，该滤波器通过采用比例修正最小偏度单形采样策略解决传统UKF计算量大且易产生采样的非局部效应等问题，并通过实现自适应选取比例因子来提高滤波精度。本发明方法能够实现混合量测融合，且融合后数据有较高精度。

技术领域

本发明属于电力系统领域，尤其涉及一种基于无迹卡尔曼滤波的电力系统混合量测融合方法。

背景技术

目前，基于GPS的微型同步相量测量装置(micro Phasor Measurement Unit，μPMU)逐步应用于配电网中，但短期内μPMU无法取代监控及数据采集系统(SupervisoryControl And Data Acquisition，SCADA)实现全网可观测要求，因此由μPMU和SCADA组成的混合量测是改善以单一SCADA量测进行状态估计及其他高级应用的一种有效手段。由于μPMU和SCADA系统是采用不同的方法为其技术支撑，两种量测数据存在较多差异，若不经任何处理就混合，必将出现一系列兼容性问题，不但不能利用μPMU量测改善数据质量，反而会降低应用的性能，因此，需对混合量测进行融合处理后将其提供给后续应用。

在数据融合领域中，广泛应用的融合技术有经典推理法、卡尔曼滤波法、贝叶斯估计法、物理模型法、支持向量机等，而应用最广泛的是卡尔曼滤波法。对非线性系统，多为扩展卡尔曼滤波(extend Kalman filter，EKF)，虽然EKF有许多改进方法，但EKF有其先天局限性，即在计算Jacobian矩阵时不可避免地引入线性化误差。

由于EKF存在的线性化误差问题，Julier等提出了无迹卡尔曼滤波(unscentedKalman filter，UKF)方法。UKF摒弃了对非线性函数线性化的做法，对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度，不依靠Jacobian矩阵进行线性化。UKF没有忽略高阶项，因此对于非线性分布的统计量有较高的计算精度，有效克服了EKF的滤波精度低、稳定性差的缺陷。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于无迹卡尔曼滤波的电力系统混合量测融合方法。

本发明的目的是通过以下技术方案来实现的：一种基于无迹卡尔曼滤波的电力系统混合量测融合方法，该方法包括以下步骤：

(1)通过μPMU及SCADA采集电力系统节点的实时量测，μPMU量测中包含相量量测，SCADA量测中只包含幅值量测。

(2)通过计算两类量测的相关度及量测时标对齐实现异步量测同步化，具体包括以下子步骤：

(2.1)计算μPMU量测及SCADA量测之间相同部分的等级差数d，由量测变换方法计算混合量测异同部分的等效等级差数D，通过两等级差数计算混合量测的相关度ρ。

(2.2)将相关度最大的μPMU量测时标赋予对应的SCADA量测，实现量测时标对齐。

(3)将同步化后的μPMU量测与SCADA量测采用自适应无迹卡尔曼滤波算法进行融合，具体包括以下子步骤；

(3.1)以同步化后的μPMU量测与SCADA量测共有部分为状态量，采用自适应最小偏度单形采样策略对混合量测进行UT变换，变换公式如下：

选取权值初值设置比例修正因子初值α、先验系数β，则第i个状态量对应的采样点权值为

计算初始向量