[发明专利]一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法

说明书

本发明的一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法，涉及电力系统监测、分析和控制技术领域。步骤为：步骤1：将当前电力系统状态变量进行初始化，计算初始状态均值、方差；步骤2：令k＝1；步骤3：重要性采样得到k时刻的粒子群和权重；步骤4：对粒子群进行粒子群分裂和权值调整；步骤5:判断N_effN_th是否成立，是转到步骤6，否转到步骤8；步骤6：对粒子群进行复制和淘汰得到新的粒子群和权重；步骤7：重新进行权重归一化；步骤8：计算电力系统的状态估计值；步骤9：判断k≥Ω是否成立，不成立令k＝k+1转至步骤3，成立结束电力系统的动态估计。本方法改善了建议密度分布问题，可有效提高估计精度，有效解决粒子匮乏问题。

技术领域

本发明涉及电力系统监测、分析和控制技术领域，尤其涉及一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法。

背景技术

随着社会的不断发展，人们对电力系统稳定性的要求越来越高。为了提高电力系统的稳定性，我们必须提高电力系统的调度、控制、安全评估等方面。电力系统动态估计是电力系统的调度、控制、安全评估等方面的基础，动态状态估计通过状态预测能对电力系统进行安全评估,实现经济调度、预防控制等在线功能,重要性不言而喻,鉴于此，我们必须快速、准确的进行电力系统的动态估计。

上世纪70年代初，Debs等人提出了卡尔曼滤波算法，并用最简单的系统模型建立动态状态估计，卡尔曼滤波处理的是线性问题，而电力系统的动态估计属于非线性问题，此方法的状态估计精度低。然后引出了扩展的卡尔曼滤波算法(EKF)，扩展的卡尔曼滤波算法处理非线性系统的思想是将非线性函数在估计点附近进行泰勒级数展开，并用一个等价于常规卡尔曼滤波方程的近似矩阵来代替非线性函数。此方法的估计精度较低，然后又引入了无迹卡尔曼滤波算法(UKF))来进行状态估计，无迹卡尔曼滤波也是地柜最小方差估计器，核心思想是无迹变换。如将非线性方程采用泰勒级数展开式表达，可以看出无迹卡尔曼滤波算法能够精确到与三阶泰勒级数展开式相当的均值和方差。

但EKF和UKF都是针对非线性系统的线性卡尔曼滤波方法的变形和改进。因此受线性卡尔曼滤波算法的条件制约。粒子滤波(PF)能够很好的进行非线性系统的状态估计，在一定程度上提高了状态估计精度，但是PF选择转移概率密度作为重要性密度函数，在计算重要性概率密度函数时没有考虑到最新的量测信息，当预测先验与似然函数重叠少或者量测模型密度较高时，可能偏离真实的后验分布，导致粒子滤波存在着退化现象和粒子匮乏问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法，本方法改善了建议密度分布问题，可以有效的提高估计精度，有效的解决了粒子匮乏问题。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法，包括如下步骤：

步骤1：将当前电力系统状态变量进行初始化，获取k＝0时刻的粒子群Φ,其中k代表时间；粒子个数为N,Fori＝1：N,从先验概率密度函数p(X₀)中抽取初始化状态作为电力系统的初始状态，计算初始状态均值方差

其中X₀＝[v₀θ₀]，X₀为0时刻电力系统的初始状态，v₀表示0时刻的节点电压的幅值，θ₀表示0时刻的节点电压的相角，为0时刻第i个粒子的初始值，P₀为初始状态估计误差的协方差，Q为过程噪声的协方差，R为测量噪声的协方差，E(·)代表求期望值的函数，(·)^T代表(·)的转置；

步骤2：令k＝1；