[发明专利]基于奇异值分解CDKF的电力系统动态状态估计方法

说明书

本发明公布了一种基于奇异值分解CDKF的电力系统动态状态估计方法，该方法首先将奇异值分解，即SVD技术引入中心差分滤波CDKF，将CDKF中对协方差矩阵的柯林斯基分解替换为奇异值分解，然后借助Stering差值公式，用多项式近似非线性函数的求导运算，并采用中心差分公式替换Taylor展开式中的一阶及二阶求导公式。本发明方法解决了由于计算误差和舍入误差引起协方差矩阵不正定的问题，增强了方法的数值稳定性，避免了复杂的求导运算，计算简单，参数调节简便且滤波精度高。结果表明，本发明方法的数值稳定性优于平方根形式的方法，且滤波精度优于扩展卡尔曼滤波方法和无迹卡尔曼滤波方法。

技术领域

本发明涉及一种基于奇异值分解CDKF的电力系统动态状态估计方法，属于电力系统监测、分析和控制技术领域。

背景技术

随着电力系统规模的不断扩大，电网复杂度不断提高。由于直接测量手段获取的电力系统运行状态数据中含有量测误差，无法直接作为监测分析的数据支撑。电力系统动态状态估计可以滤除直接测量数据中的量测误差，并具有预测下一时刻电力系统运行状态的能力，可以获取更精确的状态信息，在电力系统运行分析中有着不可或缺的重要地位。

动态状态估计中的一个重要环节就是建立稳定且滤波精度高的滤波方法。国内外学者对滤波方法进行了研究，提出了基于扩展卡尔曼滤波、无迹卡尔曼滤波等方法的电力系统动态状态估计。扩展卡尔曼滤波将非线性函数的泰勒展开式进行一阶截断，且要计算雅克比矩阵，滤波精度低，计算量大；无迹卡尔曼滤波虽未直接近似非线性方程，滤波精度高于扩展卡尔曼滤波。但无迹卡尔曼滤波在生成采样点的过程中，将协方差矩阵进行柯林斯基分解，由于计算误差和舍入误差的影响，协方差矩阵在计算过程中容易失去正定从而导致滤波中断，或是由于过程噪声协方差不准确导致滤波发散。

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基于奇异值分解CDKF的电力系统动态状态估计方法。

本发明为实现上述目的，采用如下技术方案：

一种基于奇异值分解CDKF的电力系统动态状态估计方法，所述方法是在计算机中依次按以下步骤实现的：

1)获取电力系统的规模和量测配置信息；

2)获取电力系统节点类型并分类编号，计算节点导纳矩阵；

3)电力系统动态状态估计器初始化；

4)利用奇异值分解代替柯林斯基分解协方差矩阵得到协方差分解矩阵；

5)利用状态滤波值和协方差分解矩阵采取对称采样策略计算时间更新所需采样点集并确定权重；

6)采用指数平滑模型进行预测步；

7)按照对称采样策略计算量测更新所需采样点集，计算量测预测值，进行滤波步，得到滤波结果和滤波协方差；

8)判断计算是否结束，若是，则输出状态估计结果；若否，则转到步骤2)继续下一步。

作为优化，步骤1)中，电力系统的规模包括电力系统节点总数，电力系统中发电机的机组总数，支路数及支路类型；量测配置信息包括量测配置节点总数，量测配置类型以及量测手段。

作为优化，步骤2)中的节点类型包括：平衡节点及其编号，PQ节点及其编号，PV 节点及其编号，并假设其节点类型在计算过程中保持不变。

作为优化，步骤3)中的状态估计器初始化包括输入初始状态值、初始协方差矩阵，输入实时量测数据，设置过程噪声和量测噪声协方差初始阵，设置中心差分滤波方法的尺度参数以及确定采样间隔和运行周期；

作为优化，步骤4)中利用奇异值分解代替柯林斯基分解，其具体形式为：

对于n阶协方差方阵P_k,其奇异值分解形式为：