基于相量量测的电力系统线性状态估计

分析了相量量测装置的量测误差情况,指出了相量量测参与状态估计计算的必要性。在完全使用相量量测的情况下,给出了基于直角坐标系的实数形式的电力系统线性量测方程和相应的线性静态状态估计算法。对负荷预报加潮流计算的系统状态预报方法进行改进,通过对误差协方差阵计算公式的推导与简化,提出了新的预报误差协方差阵计算公式,并将其与线性量测方程相结合,提出了基于相量量测的线性动态状态估计算法。最后讨论了线性状态估计算法的使用条件,并采用IEEE30节点系统对提出的算法进行了验证。

非线性状态估计法在风电齿轮箱故障预警中的应用

针对现阶段在齿轮箱的状态监测方法中遇到的问题,提出一种以易于采集的油温信号来对齿轮箱故障进行预警的分析方法;通过非线性状态估计法(nonlinear state estimate technology)建立齿轮箱的温度预测模型,之后根据统计温度预测残差的变化趋势,然后与通过验证集合确定出的残差均值和标准差的故障阈值进行对比,以实现及早发现齿轮箱的潜在故障,优化运行的效果;并且与神经网络预测方法进行对比分析,结果表明非线性状态估计法对风电齿轮箱进行故障预警有着较好的效果。

基于非线性状态估计的风电机组振动建模研究

本文引入振动加速度信号,与SCADA数据结合进行风电机组关键部件的状态监测及故障诊断。实验数据为某风电机组连续6个月SCADA数据,振动建模方法采用非线性状态估计技术,在风电机组故障高发部位——齿轮箱、发电机、主轴承等处加装振动加速度传感器,通过对各部位振动特性的分析,分别建立相应部位的振动模型进行故障监测与诊断,并验证其可行性。研究表明,利用非线性估计的方法建立风电机组关键部位的振动预测模型简单有效,预测精度高,为后续风电机组振动分析提供了新的思路。

一种计及零注入电流的PMU量测线性状态估计方法

为充分利用相量测量单元(Phasor Measurement Unit,PMU)数据进一步提升状态估计精度,提出一种完全基于PMU量测数据的线性加权最小二乘状态估计方法。该方法将联络节点的零注入电流作为虚拟量测。由于最小二乘法的实质是通过量测冗余度提高状态估计精度,因此,虚拟量测的引入提升了冗余度,从而能够提高估计精度。利用IEEE39节点和IEEE118节点系统进行仿真,结果表明完全基于PMU量测的线性状态估计与传统非线性状态估计和混合量测状态估计方法相比能够有效提高估计精度和计算速度。此外,利用IEEE39节点测试系统对量测变换误差进行了比较研究,结果表明提出的方法量测变换误差明显小于SCADA量测变换误差,有助于提升估计精度。

基于非线性状态估计的电缆隧道火灾隐患监控预警方法

电缆隧道中由于设备运行状态或线路老化问题造成的电缆隧道火灾对其运维影响最为严重,为了保证电缆隧道的可靠运行,文章提出基于非线性状态估计的电缆隧道火灾隐患监控预警方法。通过对电缆隧道总故障发生几率进行降序排序,确定隧道状态,采用非线性状态估计算法构建电缆隧道状态预估模型,使用嵌入式监控设备采集电缆隧道状态数据,为电缆隧道状态预估模型提供数据来源。将模型数据引入数据库中,计算数据聚类距离,使用K均值聚类方法实现对火灾隐患数据的区分,并将其传输到主控终端,完成火灾隐患的预警工作。仿真实验结果表明,此方法无论在电缆隐患情况下还是环境隐患情况下,其预警误报率均在10%以内,且电缆运行状态估计精准度较高,火灾隐患数据传输时延较短。

基于改进高斯粒子滤波的船舶非线性状态估计

针对标准粒子滤波的粒子贫化问题,提出一种基于改进高斯粒子滤波(Improved Gaussian Particle Filter,IGPF)的船舶非线性状态估计器。首先基于序贯重要性采样(Sequential Important Sampling,SIS)的理论框架,给出标准粒子滤波(Particle Filter,PF)算法,然后在此基础上用高斯分布来作为重要性分布给出高斯粒子滤波(Gaussian Particle Filter,GPF),并将Unscented卡尔曼滤波用于重要性密度函数形成IGPF,应用于动力定位船的状态估计。仿真结果表明,基于IGPF的非线性状态估计器能有效避免粒子贫化、估计船舶状态,并对观测野值有一定的鲁棒性。

非线性状态估计在网络故障数据检测中的应用

在网络故障数据检测中,在使用传统的方法检测网络故障时,由于故障参数易受外界干扰因素的影响,稳定性差,表达方式过于单一,造成故障检测准确率低。提出一种采用非线性状态估计算法的网络故障数据检测方法。设计在线神经估计器,运用综合方法不断更新神经网络的参数,在线估计故障向量,通过判别逻辑完成网络故障检测,当检测出网络故障后,应用在线补偿控制器,完成控制律重构。无故障发生时,采用常规网络故障控制器;当有故障发生时,引入补偿控制器,保证网络系统正常运行。仿真结果证明,利用改进算法进行网络故障数据检测,检测精准度与效率都有了明显的提高。

非线性状态估计(NSET)建模方法在故障预警系统中的应用

工业生产的特点是设备多且长时间不间断运行,设备运行启停耗量巨大,生产运行实时数据量巨大且密集,设备事故或停产常常会带来巨大的经济损失,因此,设备故障预警在工业生产过程中起到了至关重要的作用。本文概述了非线性状态估计建模方法的原理,通过简单仿真示例说明此方法可行。举例说明了此建模方法在电厂预警系统上的应用,并用该方法对电厂送风机设备的出口压力预警仿真,当残差值超出预先设定的时,发出预警信息,提示运行人员检查设备状态。

非线性状态估计的高压断路器辅助元件的故障诊断

针对高压断路器分合闸线圈和储能电机的状态诊断过于复杂的问题,提出一种以易于采集的电流信号来对分合闸线圈和储能电机进行故障诊断。通过非线性状态估计法(nonlinear state estimate technology)分别建立分合闸线圈和储能电机的电流诊断模型,然后根据常见故障类型建立故障阈值,之后根据电流相似度变化趋势进行诊断,实现及早发现分合闸线圈和储能电机的潜在故障。实验结果表明,该方法对分合闸线圈故障诊断正确率达到100%,对储能电机故障诊断正确率达到99.38%。

基于非线性状态估计技术的设备故障预警方法

在电厂每年的运营成本中,设备检修占很大比例,设备故障给电厂造成的损失巨大。如果能够在设备故障形成的早期就发现征兆,提前采取一定的措施,避免故障的发生,变被动检修为主动检修、非计划停机为计划停机,就能够减少故障的发生,使检修的间隔合理延长、检修的时间缩短,这样,不但能够降低检修费用,提高设备性能,节约燃料成本,而且可以提高发电机组的可靠性、可用率和售电的收入,减少发电考核造成的罚款。

非线性状态估计的改进(英文)

本文就HuntLR与VermaS(1 994 )有关非线性状态估计进行了如下推广 :将其主要条件“实解析”降低到C∞ 。

基于非线性状态估计的多媒体设备故障预警研究

传统多媒体设备故障预警方法中建模参数较多,对设备中非趋势的相似度短期偏离状态比较敏感,易出现虚警情况。基于此,提出基于非线性状态估计的多媒体设备故障预警方法。采用非线性状态估计,利用小波变换筛选变量并去噪,结合马氏距离与等距抽样共同构造记忆矩阵完成建模;计算模型观测向量与预测向量之间的相似度,采用双滑动窗口统计相似度,完成基于非线性状态估计的多媒体设备故障预警研究。仿真实验表明,所提方法可有效对多媒体设备故障进行预警,且虚警次数较少。

非线性状态估计在故障预警中的应用

故障预警研究作为资产管理的新方向,吸引着全球学者的目光.非线性状态估计(non-linear state estimation technique,NSET)以设备历史状态为基础,使用非线性组合的方式表征当前设备的预警值;并将3σ准则进一步推广,得到故障预警阈值;最终通过预警值与实际值的残差,得出设备状态是否处于故障的结论.依托现场的真实风电机组数据,经数据预处理,建立NSET预警模型,并通过设定预警阈值验证了NSET预警故障的可行性与预警策略的可实施性.

基于非线性状态估计的风电机组变桨控制系统故障识别

变桨系统是风力发电机组中控制算法复杂,设备故障率较高的子系统。当风机出现故障停机时,数据采集与监视控制(supervisory control and data acquisition,SCADA)系统在故障出现会显示出具体的故障信息,该具体故障信息往往包含多个,给风机迅速定位故障类别、确认检修方式、及时有效地恢复生产造成了不利影响。因此,基于变桨运行数据的风力发电机组主故障识别对于提升机组可利用率及机组发电性能有着积极重要的意义。文中采用非线性状态估计技术作为数据挖掘方法,在某风电场机组SCADA数据基础上,分析机组变桨系统运行趋势及故障类型建立机组变桨控制系统主故障模型,并对该模型进行验证。研究结果表明,基于非线性状态估计的风电机组变桨控制系统主故障识别能够在多个故障信息中识别出主故障,次故障等,从而指导风场检修人员确定检修顺序,并为后续开展风机性能分析及评价提供了新的思路。

基于灵敏度分析的线性混合量测状态估计

提出一种基于灵敏度矩阵并以相量测量单元(PMU)采样为周期的混合量测线性估计方法。把PMU的电流量测转换成功率量测,在初始计算时刻与基于监控和数据采集系统的量测一起进行非线性运算,得到状态估计值和功率量测量之间的灵敏度矩阵。在后续的PMU采样时刻,将转换得到的功率量测和通过负荷预报补充的伪量测组成混合量测,然后根据求得的灵敏度矩阵进行以PMU采样为周期的线性跟踪计算。当估计误差积累到一定程度时,重新进行一次混合非线性计算以更新灵敏度矩阵。通过IEEE 118节点系统,给出了负荷变化速率、预报误差和PMU量测数对所提估计方法计算精度的影响。结果表明,负荷变化越慢、预报误差越小、PMU的个数越多,其跟踪计算精度越高。

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。

计及非线性的电力系统状态估计算法研究

提出一种基于量测降维思想和拟牛顿信赖域法的非线性状态估计法。该方法将非线性状态估计分为2步:第一步通过引入1组中间变量使量测模型线性化;第二步以第一步求得的中间变量作为量测量,利用拟牛顿信赖域法进行非线性估计。第一步的目的是在不丢失原量测数据信息的情况下,最大程度降低量测数据的维数,减少算法的计算时间。采用拟牛顿信赖域法是为了保证第二步的非线性估计有可靠的估计结果和较快的收敛速度。通过对多个节点系统的仿真测试,证明了该方法的有效性。

复数域加权最小二乘法在相量量测状态估计中的应用

基于相量量测的状态估计能提高状态估计的精度,而相量测量单元在高电压等级网络中的广泛配置为电力系统全相量量测状态估计提供了坚实的硬件基础,研究全相量量测状态估计意义重大。建立了基于全相量量测状态估计的量测方程,在此基础上建立了复数加权最小二乘法(complex field weighted least square,CWLS)状态估计模型。文中还对复数域下相量的误差特性和CWLS算法的抗差性进行了研究,同时详细分析了CWLS算法中权重的选取和不良数据的辨识。仿真结果表明了所建模型的合理性以及CWLS算法的有效性和适应性。

基于离差差分滤波算法的再入目标状态估计

再入弹道目标的状态估计是个复杂的非线性滤波问题,使用扩展卡尔曼滤波算法(Extended Kalman Filter,EKF),会引入较大的误差,甚至发散.为了提高估计精度,提出使用离差差分滤波算法(Divided Difference Filter,DDF)对再入弹道目标的状态进行估计.DDF算法使用二阶多维Stirling内插多项式近似非线性状态和测量方程获得状态和方差的估计.该算法只需要计算函数值,避免了求导运算,降低了计算复杂度.Monte Carlo数值仿真表明,离差差分滤波方法降低了再入目标的状态估计误差,提高了估计精度,且运行速度比无迹卡尔曼滤波方法(Unscendted Kalman Filter,UKF)要快的多.

基于EKF和UKF的风电机组非线性状态预测

风电机组的状态监测和故障诊断依赖于对其关键状态参数的参考值进行有效预测。文章采用基于系统模型的非线性状态评估方法对风电机组关键的状态参数进行预测。通过对风电机组进行建模仿真,构建扩展卡尔曼滤波和无迹卡尔曼滤波模型预测风电机组主轴转速和发电机电磁转矩,对比两种方法的预测结果在不同测量步长下的差异。结果显示,无迹卡尔曼滤波方法比扩展卡尔曼滤波方法具有更强的收敛性和稳定性,受测量步长影响更小。