基于负荷预测和无迹粒子滤波的配电网动态状态估计

随着汽车充电成为新型重要负荷,为确保此时配电网运行与控制安全,对其进行实时准确的态势感知,提出一种基于卷积神经网络和门控循环单元的短期负荷预测与无迹粒子滤波算法自适应混合的配电网动态状态估计方法。结合使用卷积神经网络和门控循环单元进行短期负荷预测,将预测得到的有功与无功功率进行潮流计算,再与无迹粒子滤波量测估计值自适应加权得到电压幅值和相角状态估计结果。以IEEE33节点配电网为例,验证了所提状态估计方法的准确性与面对不良数据时的鲁棒性。

基于Koopman算子与卡尔曼滤波的同步发电机动态状态估计

动态状态估计是监测同步发电机动态行为的重要手段,准确的动态状态估计结果对于指导电力系统安全运行与高效控制具有重要意义。从数据驱动的角度出发,提出了基于Koopman算子与卡尔曼滤波的同步发电机动态状态估计方法。该方法首先利用汉克尔动态模态分解算法从发电机动态响应数据中提取Koopman算子,进而以提取的Koopman算子为基础构建同步发电机状态空间模型,并利用卡尔曼滤波对同步发电机状态变量进行动态估计。该方法无须事先构建发电机模型及参数,实现了完全数据驱动的动态状态估计。仿真实验结果表明,在发电机模型及参数失配的情况下该方法估计精度明显高于传统以模型为基础的估计结果,具有较好的自适应性和鲁棒性。

面向电力系统多重扰动的鲁棒动态状态估计方法

针对电力系统面临的系统异常和网络攻击等多重扰动威胁,提出一种基于稳健minimization maximization estimation(MM估计)的无迹卡尔曼滤波动态状态估计方法。首先,分析了卡尔曼滤波及其拓展滤波器和鲁棒回归方法的优缺点;其次,采用统计线性化方法将系统模型线性化并推导状态向量与测量向量的批处理回归形式,设计无迹卡尔曼滤波(unscented Kalman filter,UKF)与MM估计的融合方法;再次,为MM-UKF鲁棒状态估计选择合适的权重函数以达到最有效地去除多重扰动的影响;最后,实验结果表明,相较于已有的动态状态估计方法,所提方法在应对系统异常、网络攻击时表现出更加的鲁棒性。

融合同步发电机动态状态估计的电力系统状态估计

当电力系统遭受某种较大扰动时,其安全稳定将受到威胁。为实现对整个系统受扰后机电暂态过程的完整跟踪,提出一种新的融合同步发电机动态状态估计(dynamic state estimation of synchronous generator,DSE-SG)的电力系统状态估计(state estimation of power system,SE-PS),研究该如何将DSE-SG的结果进一步应用于系统侧SE-PS中去,以实现全系统动、静态状态量的统一估计。首先,围绕全电力系统机电暂态DSE的求解方式,论述了完全联立的不可行性、解耦估计的实现条件以及复耦估计的必要性与意义;其次,在梳理DSE-SG与SE-PS概念、数学模型的基础上,厘清了所涉变量、方程组的地位、作用、关系及数据流程,为复耦媒介量的选取及接口方式的确定奠定了理论基础,形成了复耦估计的实现构思;进一步,提出两种不同的接口方式,详细给出其各自具体的实现方法及流程;最后,将所提方法在IEEE9节点系统中予以实现,结果表明该方法可良好跟踪全电力系统机电暂态过程,实现动、静态状态量的统一估计,较未融合DSE-SG结果的传统SE-PS精度更高,滤波效果更显著。

基于PMU量测的电力系统k阶隐式离散动态状态估计

随着电力系统的快速发展,对系统状态的实时准确估计提出了更高要求。近年来,动态状态估计技术已成为监测电力系统实时运行状态的重要手段。提出了一种基于相量测量单元(phasor measurement unit,PMU)的电力系统动态状态估计(dynamic state estimation,DSE)方法,采用隐式离散化技术处理电力系统的非线性微分代数方程(nonlinear differential algebraic equations,NDAE)模型。建立了包含发电机动态、电网代数方程和潮流方程在内的电力系统NDAE模型,并结合PMU测量信息,对NDAE模型进行了线性化处理;基于隐式离散的方法提出了用于电力系统DSE的求解模型,实现对系统未知的动态和代数状态的有效地估计。基于WECC-9节点电力测试系统进行仿真实验,仿真结果表明,提出的基于PMU的动态状态估计方法,通过隐式离散化技术和NDAE模型的线性化处理,实现了对电力系统状态的准确估计,在实时监测电力系统状态方面具有显著的有效性和可靠性。

非高斯噪声下基于CKMC-CKF的发电机动态状态估计

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature KF,CKF)算法(简称CKMC-CKF算法)。首先,建立CKMC目标函数,采用2种加权局部相似度来更新噪声协方差矩阵,从而降低不良数据的权重;其次,利用线性化回归方程统一目标函数中的状态和测量误差,并通过定点迭代法获得最佳估计状态。最后,以IEEE 39节点系统为算例分析验证所提出方法的有效性。与CKF和最大熵CKF相比,CKMC-CKF在非高斯噪声环境下具有更好的估计精度和更强的鲁棒性。

基于MEA评估框架的混流式水轮机健康状态动态评估

为了对混流式水轮机安全运行状态进行评估,根据混流式水轮机检修记录和在线监测信号,构建健康状态评估体系;基于组合赋权法和MEA评估框架,构建混流式水轮机健康状态动态评估模型;并以某重点调水工程水电站的混流式水轮机为例,进行实证研究。结果表明,基于MEA评估框架的混流式水轮机健康状态评估体系具有适用性和合理性。研究结果可为混流式水轮机健康状态评估提供参考与借鉴。

基于无迹变换强跟踪滤波的发电机动态状态估计

由于同步相量测量单元(phasor measurement unit,PMU)测得数据中存在误差和噪声,无法直接作为调度和控制的参考数据。提出一种基于无迹变换强跟踪滤波(unscented transformation strong tracking filter,UTSTF)的发电机动态状态估计。该方法利用对称采样策略进行sigma点采样,通过引入渐消因子来修正预测协方差矩阵,在线调整增益矩阵,滤波得到动态过程中发电机状态变量的估计值。算例结果表明,UTSTF无论在跟踪速度、精度以及对噪声的鲁棒性能上较无迹卡尔曼滤波和强跟踪滤波均有所提高。

基于PMU的分布式电力系统动态状态估计新算法

随着电力系统的发展,区域电网互联,形成更大的系统。各区域电网相对独立,且有各自相对独立的调度中心。为适应这种分区管理模式,状态估计应采用分布式并行算法。在动态估计扩展Kalman滤波算法的基础上,结合搭接式分布并行算法,提出了一种基于相量测量单元(PMU)的分布式电力系统动态状态估计新算法。该算法利用少量PMU测点,真正实现各子系统的并行计算,避免了原算法进行串行等待的过程。并结合量测数据预处理、对雅可比矩阵加权等方法,加快了计算速度,提高了数值精度和稳定性。最后给出了IEEE 14节点的仿真结果,验证了该算法的有效性及优越性。

基于WAMS的电力系统机电暂态过程动态状态估计

广域同步测量系统(wide area measurement system,WAMS)作为一种量测手段,不可避免地会存在量测误差和坏数据。如果对WAMS量测数据不进行估计而直接应用,将有可能导致采取错误的控制策略,甚至恶化系统状态,造成严重后果。针对该问题,根据WAMS实测数据,提出了一种电力系统动态过程中发电机状态变量估计的新方法。该方法将发电机转子运动方程与外部网络解耦,进而给出对WAMS实测功角轨迹进行估计的模型,提出了相应的坏数据检测和剔除方法以及整体算法流程。仿真结果表明该方法可以实时提供估计后的发电机状态信息,有效减小WAMS量测数据误差及坏数据的影响,为基于WAMS的各种动态应用与实时控制打下了基础。

混合量测下基于UKF的电力系统动态状态估计

针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在收敛速度慢、鲁棒性差的缺点,采用一种新的非线性方法——无迹卡尔曼滤波(UKF)法进行电力系统动态状态估计。UKF法由于使用了无迹变换,避免了线性化误差的引入和雅可比矩阵的计算,相比EKF法有更高的估计精度和稳定性。广域测量系统(WAMS)能够提供相量信息,具有精度高、全网严格同步等优点。因此,将WAMS量测数据和数据采集与监控(SCADA)系统量测数据相结合,形成应用混合量测的电力系统动态状态估计。仿真表明,UKF法相比EKF法能够更准确地估计动态系统中的状态量,WAMS信息的引入进一步提高了动态状态估计的性能。

无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)的不足,将不需要对非线性系统函数进行线性化的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法引入电力系统动态状态估计,采用生成Sigma点数量最少的比例最小偏度单形采样策略进行无迹变换。以IEEE 14系统为算例,仿真结果表明引入UKF后,估计结果的精度有所提高,但算法的效率较低,且数值稳定性较差。进一步引入平方根形式的UKF(square root UKF,SRUKF)模型,IEEE 14及IEEE 30测试系统的仿真结果证明:在不需要大量牺牲计算时间的同时,算法的数值稳定性得到了改善。表明SRUKF的引入对动态状态估计方法的改进是有效的。

基于混合量测的电力系统线性动态状态估计算法

针对当前电力系统中广域测量系统(WAMS)和数据采集与监控(SCADA)系统并存的现状,利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。该算法采用Holt两参数线性指数平滑技术,结合线性定常系统Kalman滤波原理,实现了系统状态的预测和估计。该算法具有常数雅可比矩阵,从而大大减少了动态状态估计的计算时间,保证了动态状态估计的计算精度。通过IEEE14节点系统的仿真结果,验证了该算法的有效性和优越性。

利用WAMS的电力系统动态状态估计结果校正

由于电力系统的动态特性,由广域测量系统(wide area measurement system,WAMS)/数据采集与监视控制(supervisory control and data acquisition,SCADA)系统收集来的量测信息不可避免地存在粗量测误差、系统状态突变等各种异常情况。针对这一问题,提出一种采用自适应动态状态估计器的并能有效检测、辨识和排除WAMS/SCADA系统中异常情况的信息校正算法。该算法依据动态状态估计器预测系统状态的能力,利用标准化新息以及加权新息与标准化新息的最大比值来检测和辨识多个坏数据、负荷突变、网络拓扑结构错误以及这3种异常同时发生的情况,并利用标准化新息和残差来验证异常处理的效果。数值结果表明所提算法能够快速、准确、有效地检测、辨识和排除动态状态估计过程中的各种异常情况。

基于信息融合理论的动态状态估计探讨

从信息学这一全新的视角来看待动态状态估计问题,提出了信息融合理论在电力系统动态状态估计中的应用思路,简要介绍了信息融合理论的内容和特点,着重探讨了信息融合理论在广域测量系统、分布式系统、系统突变检测、状态与参数联合估计中应用的可能性,阐述了各自的特点和应用优势,并给出基于信息融合理论的系统状态和参数联合估计方案。

基于无迹粒子滤波算法的发电机动态状态估计

同步相量测量单元(PMU)能够直接获取发电机动态过程中的功角等量测数据,由于实际的量测数据中含有随机噪声,为了得到更精确的发电机状态信息,有必要对量测数据进行滤波处理。提出一种基于无迹粒子滤波(UPF)的发电机动态状态估计新方法。首先,该方法基于发电机四阶动态方程建立了发电机动态状态估计模型,其次,在粒子滤波(PF)的框架下,该方法采用无迹卡尔曼滤波(UKF)求解PF的重要性密度函数,且在生成预测粒子的过程中使用了最新的量测信息,使得粒子的分布更加接近真实状态的后验概率分布。最后,通过美国西部系统协调委员会(WSCC)3机9节点系统和某实际电网系统的算例测试,将所提算法与UKF及PF的性能进行了对比。仿真结果表明,UPF在估计精度及对噪声的鲁棒性方面均优于PF与UKF。

基于超短期负荷预测和混合量测的线性动态状态估计

目前电力系统量测主要是广域测量系统(wide area measurement system,WAMS)和数据采集与监控系统(supervisory control and data acquisition,SCADA)混合量测并存。利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS量测组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。此外,采用高精度的母线超短期负荷预测并通过潮流计算得到预测值,实现了系统状态的实时跟踪预测。该算法减少了动态状态估计的计算时间,提高了动态状态估计的计算精度。采用IEEE14节点系统对提出的算法进行了验证。

一种基于等效模型电网动态过程状态估计方法

提出了一种电网动态过程状态估计算法,利用快速、带时标的PMU量测估计电网扰动后的动态过程。该算法以扰动前的静态状态估计结果作为初始断面,对PMU量测不可观测区域的电网模型进行等效处理,在有限的PMU量测条件下可获得电网扰动后动态过程中的连续断面。动态过程状态估计的信息矩阵一次形成后保持恒定,可对连续的PMU量测断面进行计算,满足电网动态过程实时监视和控制的需要。对七节点系统支路故障后的扰动过程进行动态状态估计,验证了所提算法的可行性。

WAMS中计及量测函数非线性项的电力系统自适应动态状态估计

提出两种在线辨识和修正模型误差协方差矩阵的自适应动态状态估计方法,并在这两种状态估计模型中引入量测函数的非线性项。这不仅在进行状态滤波的同时,利用观测数据提供的信息,在线辨识和估计系统中未知或不精确的噪声统计特性,而且由于计及了量测函数的非线性项,非线性系统在线性化过程中所产生的线性化误差完全得到补偿,极大地提高了算法在异常运行情况下的自适应性;并且在量测量中计入了相量测量单元(PMU)测量的电压幅值和相角,增加了系统的冗余量测,提高了滤波精度。仿真结果验证了所提方法在正常情况、负荷突变、存在坏数据、网络拓扑结构错误各种情况下具有较好的预测和滤波效果。

拒绝服务攻击下基于UKF的智能电网动态状态估计研究

针对连续拒绝服务(Denial of service, DoS)攻击导致量测数据丢失使得动态状态估计失效、进而破坏智能电网安全经济运行问题,本文提出了一种适用拒绝服务攻击的改进无迹卡尔曼滤波(Unscented Kalman filter, UKF)方法,以进行智能电网动态状态估计.首先,分析拒绝服务攻击引起数据丢包特性并设计了数据补偿策略,以重构电力系统动态模型;然后,结合Holt s双参数指数平滑和无迹卡尔曼滤波方法,构造了融合补偿信息的新状态估计方程,并进一步基于估计误差协方差矩阵推导了状态增益更新方法,从而得到了无迹卡尔曼滤波动态状态估计新方法.最后,针对IEEE 30和118节点系统进行仿真,验证了所提方法的可行性和有效性.