\u672c\u53d1\u660e\u516c\u5e03\u4e86\u4e00\u79cd\u9002\u7528\u4e8e\u91cf\u6d4b\u4e22\u5931\u7684\u53d1\u7535\u673a\u52a8\u6001\u72b6\u6001\u4f30\u8ba1\u65b9\u6cd5\uff0c\u8be5\u65b9\u6cd5\u5728\u7c92\u5b50\u6ee4\u6ce2\u65b9\u6cd5\u4e0a\u8fdb\u884c\u6539\u8fdb\uff0c\u8003\u8651\u7535\u529b\u7cfb\u7edf\u4e2d\u91cf\u6d4b\u4fe1\u53f7\u4e22\u5931\u7684\u5f71\u54cd\uff0c\u5229\u7528\u91cf\u6d4b\u4e22\u5931\u6a21\u578b\u66f4\u65b0\u7c92\u5b50\u548c\u6743\u503c\uff0c\u4e14\u65e0\u9700\u7cfb\u7edf\u53ca\u566a\u58f0\u6ee1\u8db3\u9ad8\u65af\u5206\u5e03\u5047\u8bbe\uff0c\u80fd\u591f\u4e3a\u91cf\u6d4b\u4e22\u5931\u6982\u7387\u53ef\u79bb\u7ebf\u8fa8\u8bc6\u7684\u53d1\u7535\u673a\u673a\u7535\u6682\u6001\u8fc7\u7a0b\u4e2d\u7684\u72b6\u6001\u91cf\u63d0\u4f9b\u66f4\u51c6\u786e\u7684\u4f30\u8ba1\uff0c\u63d0\u9ad8\u4e86\u91cf\u6d4b\u4e22\u5931\u60c5\u51b5\u4e0b\u7684\u6ee4\u6ce2\u7cbe\u5ea6\u3002 The test results of a real large power grid in China show that the proposed method can maintain good filtering accuracy under different measurement loss probability, and it has improved both accuracy and robustness in comparison with particle filter and unscented hybrid filter.
【技术实现步骤摘要】
一种适用于量测丢失的发电机动态状态估计方法
本专利技术涉及一种适用于量测丢失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
技术介绍
电力系统动态状态估计具备状态滤波和状态预测的能力,随着广域同步相量测量单元的广泛应用,其快速刷新的量测数据使得在电力系统机电暂态过程中,仍能通过动态状态估计器有效的跟踪电力系统中发电机状态量的变化。动态状态估计器可滤除PMU数据中的噪声,通过分析估计后的系统状态量可实施更准确的实时控制策略,从而提高电力系统的稳定性。然而实际电网中,在PMU设备间歇故障以及传输故障或遭受网络攻击等因素的影响下,量测数据可能出现延时、重新排序甚至丢失。因此,针对电力系统中量测数据的异常情况,需要建立合适的动态状态估计器。电力系统发电机动态状态估计的主要任务是建立合理的发电机估计模型和选择性能优良的状态估计器。针对发电机估计模型,国内外学者根据研究需求采用了不同阶次的发电机估计模型,如二阶经典模型、四阶实用模型、六阶实用模型等。由于在不确定量测系统中,传统的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)等方法容易出现滤波偏差较大甚至不收敛的情况,因此国内外学者对存在坏数据、量测延时或量测丢失等量测数据不正常的情况进行了研究,提出了适用于线性线性系统的鲁棒卡尔曼滤波算法,适用于非线性系统的鲁棒扩展卡尔曼滤波算法、鲁棒无迹卡尔曼滤波算法、鲁棒容积卡尔曼滤波算法、无迹混合滤波算法等。鲁棒卡尔曼滤波算法仅适用于存在坏数据的线性系统;鲁棒扩展卡尔曼滤波算法将非线性方程线性化,截断误差较大;鲁棒无迹卡尔曼滤波算 ...
【技术保护点】
一种适用于量测丢失的发电机动态状态估计方法,其特征在于:包括以下步骤:1)获取实际电网中所研究的系统及发电机组的参数和量测数据;2)初始化状态估计程序并分配内存;3)建立发电机四阶动态状态估计模型,并建立发电机量测方程;4)从先验分布中抽取粒子,启动滤波算法;5)计算重要性密度函数并从中抽取粒子;6)根据量测丢失模型改进粒子权值计算公式;7)根据改进权值计算公式更新粒子权值并归一化;8)判断有效粒子数是否少于阈值;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)判断状态估计循环是否结束,若是,则输出全部估计结果;若否,则转到步骤5)继续计算。
【技术特征摘要】
1.一种适用于量测丢失的发电机动态状态估计方法,其特征在于:包括以下步骤:1)获取实际电网中所研究的系统及发电机组的参数和量测数据;2)初始化状态估计程序并分配内存;3)建立发电机四阶动态状态估计模型,并建立发电机量测方程;4)从先验分布中抽取粒子,启动滤波算法;5)计算重要性密度函数并从中抽取粒子;6)根据量测丢失模型改进粒子权值计算公式;7)根据改进权值计算公式更新粒子权值并归一化;8)判断有效粒子数是否少于阈值;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)判断状态估计循环是否结束,若是,则输出全部估计结果;若否,则转到步骤5)继续计算。2.根据权利要求1所述的适用于量测丢失的发电机动态状态估计方法,其特征在于:步骤1)中,系统信息包括系统节点规模、支路数、安装发电机总数;发电机的参数信息包括发电机的有功和无功额定功率、阻尼系数、惯性时间常数、额定机械转矩、额定定子励磁电压值;量测数据包括:发电机的绝对功角、角速度变化值、端口电磁功率。3.根据权利要求1所述的适用于量测丢失的发电机动态状态估计方法,其特征在于:步骤2)中的初始化包括输入参数及量测数据,设置状态初值,设置过程噪声和量测噪声方差阵,设置粒子总数以及确定采样间隔和采样周期。4.根据权利要求1所述的适用于量测丢失的发电机动态状态估计方法,其特征在于:步骤6)中适用于量测丢失模型的改进权值公...
【专利技术属性】
技术研发人员:孙国强,王晗雯,卫志农,
申请(专利权)人:河海大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。