[发明专利]基于无迹粒子滤波理论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粒子滤波理论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

随着电网规模的增大和电力系统复杂度增加，同时由于现有的测量设备存在测量误差，直接测量手段难以获取电力系统真实的状态信息。电力系统真实状态是电力系统分析、控制和决策的重要参考，而状态估计可以滤除电力系统量测数据的误差，得到尽可能接近系统真实状态的近似值。

传统的状态估计常采用以最小二乘算法为代表的静态状态估计方法迭代求解得到电力系统某一时间断面的状态近似值。由于电力系统规模大、复杂度高，电力系统暂态故障难以避免，因此，急需寻找精度和计算效率更高的状态估计方法从而更快得到更加准确的状态信息，缩短故障发生到采取控制保护的时间。相比于静态状态估计，动态状态估计不仅可以滤除量测噪声，且具有良好的预测能力，能够为电力系统的安全评估、状态预测、预防控制等在线功能提供支撑。而广域测量系统中的PMU设备能够提供高精度、高频刷新的量测数据，也为动态状态估计的实时性提供了有力保障。

建立合理的发电机动态模型和选择性能优良的滤波器是电力系统发电机动态状态估计的首要任务。针对发电机动态模型，不同学者根据研究需求选择了不同阶次的发电机动态方程建立发电机动态模型，主要分为二阶、四阶和六阶动态方程。而考虑到发电机动态模型的非线性，多位学者分别提出了基于卡尔曼估计和贝叶斯估计等框架下的滤波算法，主要代表有扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)、粒子滤波(PF)等。EKF存在线性化截断误差大的问题，UKF及CKF采用不同的采样方式，利用采样点传播非线性方程的均值和方差，无需进行线性化。然而，UKF对初值敏感，参数无确定选取原则，CKF虽无需选择参数，但滤波提升有限。PF滤波精度高，但需要大量粒子进行运算，计算效率低，且当预测先验与似然函数重叠较少或量测模型精度较高时，可能导致滤波失效。

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粒子滤波理论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：

一种基于无迹粒子滤波理论的发电机动态状态估计方法，所述方法是在计算机中依次按以下步骤实现的：

1)获取所需动态状态估计的系统中发电机组的参数信息；

2)利用电力系统分析软件模拟PMU设备获取状态估计所需的量测数据；

3)状态估计器初始化；

4)建立发电机动态状态估计模型；采用发电机的四阶动态方程建立发电机的状态方程，根据获取的PMU数据建立发电机的量测方程；

5)在状态初值附近生成初始粒子，启动滤波算法；

6)通过比例修正采样的UKF生成重要性密度函数及新的采样粒子；

7)更新粒子权重并归一化；

8)判断是否需要重采样；若是，则转到重采样步骤，若否，则继续下一步。

9)输出当前时刻的状态估计结果。

10)判断滤波运算是否结束，若是，则输出最后全部状态估计结果；若否，则转到步骤6)继续下一步。

步骤1)中，发电机的参数信息包括发电机的机械转矩、有功和无功额定功率、同步电角速度、阻尼系数、惯性时间常数、定子励磁电压额定值以及发电机的机组总数。

步骤2)中的量测数据包括：发电机的绝对功角、角速度变化值、端口电压相量的幅值和相角、端口电磁功率和机械转矩。

步骤3)中的初始化包括输入参数和量测数据，设置状态初值，设置过程噪声和量测噪声协方差阵，设置预测协方差初值，设置UPF粒子数和滤波参数以及采样间隔和采样周期；

步骤4)中发电机的状态方程形式为：