[发明专利]一种配电网动态状态估计算法

说明书

本发明公开了一种配电网动态状态估计算法，该算法首先通过自适应调节无迹变换的比例修正因子来控制Sigma采样点的分布和引入渐消因子在线调整卡尔曼滤波增益来提高重要性密度函数的质量，然后再用粒子滤波理论实现状态估计，改进后的无迹卡尔曼滤波算法UKF与粒子滤波PF算法相结合形成鲁棒性更强、滤波精度更高的配电网状态估计算法，本发明减少样本粒子数来达到较高精度要求的状态估计，从而减少算法耗时；当系统存在量测不良数据时能迅速感知，通过引入的渐消因子来修正预测协方差进而调整滤波增益，增强了算法的鲁棒性。

技术领域

本发明涉及配电网运状态估计技术领域，具体为一种配电网动态状态估计算法。

背景技术

迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法采用无迹变换UT变换经过确定性采样获得2n+1(n为系统维度)个sigma点，滤波精度可达二阶以上。为保证UKF算法在异常情况下能有较高的滤波精度，通过一个有偏和无偏的估值器形成噪声参数统计估值器来对过程噪声统计参数进行实时估计，改进的UKF算法不仅有较强的鲁棒性而且对状态突变有较好的自适应能力；以上估计算法只有在噪声为高斯分布时才能得到最佳的滤波效果，对强非线性非高斯系统滤波精度有限。

粒子滤波(Particle Filter，PF)是一类基于贝叶斯估计理论，用蒙特卡洛思想近似滤波后验概率分布的滤波算法，适合于任意线性或非线性系统且对系统的噪声模型没有要求。将UKF算法融入到粒子滤波算法中，用UKF算法结合最新的量测信息为粒子滤波产生重要性密度函数，然后再从该重要性密度函数采样生成粒子，最终通过粒子加权和的形式进行配电网动态状态估计。仿真结果表明：无迹粒子滤波(UPF)算法估计精度比UKF和PF算法都高；同时，在非高斯量测噪声模型下，无迹粒子滤波算法也能保持较高的估计精度；UPF状态估计算法存在滤波精度有限且鲁棒性不强的缺陷。

为保证系统安全稳定运行，提高用户的用电质量，配电管理系统(DMS) 需要对配电网运行状态进行准确的感知。状态估计分为静态状态估计和动态状态估计两大类。静态状态估计只能估算当前断面的运行状态，无法体现出配电网时变的特性。动态状态估计不仅能估算当前断面的运行状态还能预测出下一时刻的运行状态，体现了配电网时变的特性，应用场合更加广泛。在配电网动态状态估计中，目前常用的算法是卡尔曼滤波(包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法等改进算法)和粒子滤波算法。

各类改进卡尔曼滤波算法可用于非线性的配电网状态估计，但只有在配电网量测量噪声服从高斯分布时才可能达到较好的估计精度。粒子滤波算法可用于线性或非线性系统，且对量测量噪声的分布没有特殊要求，但粒子滤波算法采用状态转移函数作为建议分布，易导致粒子退化且估计精度较低。将改进卡尔曼滤波与粒子滤波结合形成的滤波算法(如无迹粒子滤波算法)在配电网量测量有非高斯噪声时也能保证较好的估计精度，但这类改进粒子滤波算法的鲁棒性不强。当配电网运行中出现负荷突变时，改进粒子滤波算法的状态估计精度较低。

未来随着大量随机性电源(风机、光伏)和负荷(电动汽车充电装置、储能装置)的接入，配电网的量测量呈现出很强的非高斯和突变随机性。现有配电网动态状态估计算法在这个非高斯、高随机突变的配电网环境下，不能提供较好的状态估计结果。

发明内容

本发明的目的在于提供了一种改进的无迹粒子滤波算法，以用于非线性、非高斯、强随机的配电网动态估计，解决了上述背景技术中提出的问题。

本发明通过采用如下技术方案克服以上技术问题，具体为：

一种配电网动态状态估计算法，该算法首先通过自适应调节无迹变换的比例修正因子来控制Sigma采样点的分布和引入渐消因子在线调整卡尔曼滤波增益来提高重要性密度函数的质量，然后再用粒子滤波理论实现状态估计，改进后的无迹卡尔曼滤波算法UKF与粒子滤波PF算法相结合形成鲁棒性更强、滤波精度更高的配电网状态估计算法。