[发明专利]一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法

说明书

本发明公布了一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法，用于实现模型参数不确定情形下发电机动态状态的准确估计。首先，建立了发电机动态状态估计模型；其次，依据鲁棒控制理论中的不确定性约束准则，结合容积卡尔曼滤波，设计了计及模型参数不确定性的鲁棒容积卡尔曼滤波动态状态估计器。该方法能够抑制模型不确定性对状态估计精度的影响，提升参数不确定情形下发电机动态状态估计精度，对模型参数具有较强的鲁棒性。本发明方法不仅能够有效解决模型参数不确定情形下发电机动态状态精确估计的难题，而且方法流程清晰，实现简单，便于工程实施。

技术领域

本发明属于电力系统分析和监测技术领域，特别涉及一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法。

背景技术

为了获得准确的电网监测信息，广域量测系统(WAMS)的同步相量量测单元(PMU)被逐渐推广和应用，其能够提供带有时标的高频率系统信息采样值，实现电力系统机电暂态分析。然而，WAMS作为一个量测系统，在量测过程中会不可避免受到随机干扰等因素的影响，造成量测数据的污染。因此，由PMU获取的量测生数据无法直接用于电力系统机电暂态分析。动态状态估计不仅可以有效的滤除量测数据中的误差和噪声值，而且，借助其预测功能可以为系统未来可能的变化制定相应的控制策略。所以，提高电力系统中发电机动态状态估计跟踪精度对于电网安全稳定运行有重要意义。

目前，对发电机进行动态状态估计，常见的方法主要包括卡尔曼滤波、扩展卡尔曼滤波(EKF)、粒子滤波、无迹变换卡尔曼滤波等。但是，值得注意的是，这些方法的有效性需满足一定假设条件。比如，假定发电机系统噪声和量测噪声所满足的协方差矩阵能够准确获取，除此之外，发电机动态状态估计模型所涉及参数的均能够准确获取。但是，在发电机动态运行时，其系统噪声和量测噪声的统计特性很难准确获取，不仅如此，发电机动态状态估计模型的一些默认常数参数，也会由于发电机老化、运行温度的变化而发生一定程度的动态变化，即模型参数会存在不确定性。这些不确定性因素将会严重影响动态状态估计器的性能，降低状态估计精度。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法，增加发电机动态估计器对模型参数不确定性的鲁棒性，提升模型不确定情形下发电机动态状态估计精度。

技术方案：为实现上述目的，本发明提供一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法，其特征在于，包括如下步骤：

(1)建立状态估计模型；

(2)设定鲁棒容积卡尔曼滤波的滤波初始值；

(3)状态预测，计算发电机状态预测值和预测误差协方差矩阵；

(4)计算量测预测值，量测预测误差协方差及交互协方差矩阵；

(5)根据量测值，运用滤波步式求取滤波增益和发电机状态估计值；

(6)求解更新发电机状态估计误差协方差矩阵；

(7)按照步骤(2)至(6)依据量测时间序列对发电机的状态变量进行动态估计，直至k+1＞N时迭代停止，输出动态估计结果，否则返回步骤(3)继续计算。

进一步的，所述步骤(1)中建立状态估计模型的具体步骤如下：

发电机动态状态估计的状态方程与量测方程，其一般形式可以表示为：

式中f(·)表示发电机状态方程，h(·)表示量测方程，x，u，z分别对应表示状态变量，控制变量及量测向量；下标k和k+1表示时刻，w表示系统噪声，v为量测噪声，假设二者分别满足w～N(0,Q)，v～N(0,R)的高斯分布，其中Q与R分别表示系统噪声和量测噪声满足的协方差矩阵，w与v相互独立且和状态变量无关。