一种适用于量测丢失的发电机动态状态估计方法技术

本发明专利技术公布了一种适用于量测丢失的发电机动态状态估计方法，该方法在粒子滤波方法上进行改进，考虑电力系统中量测信号丢失的影响，利用量测丢失模型更新粒子和权值，且无需系统及噪声满足高斯分布假设，能够为量测丢失概率可离线辨识的发电机机电暂态过程中的状态量提供更准确的估计，提高了量测丢失情况下的滤波精度。国内某实际大电网的测试结果表明，本发明专利技术方法在不同的量测丢失概率下均能保持良好的滤波精度，在滤波精度和鲁棒性能方面较粒子滤波和无迹混合滤波均有所提高。

A method for dynamic state estimation of generator for measurement of loss of measurement

\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法保留了函数非线性但需选择大量参数；鲁棒容积卡尔曼滤波算法通过引入时变多维观测噪声尺度因子，在线调整滤波增益，滤波精度高，但需要精确的噪声先验知识；无迹混合滤波算法适用于量测丢失的场合，但对非高斯噪声滤波精度有限。
技术实现思路
：本专利技术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适用于量测丢失的发电机动态状态估计方法。本专利技术为实现上述目的，采用如下技术方案：一种适用于量测丢失的发电机动态状态估计方法，其特征在于所述方法是在计算机中依次按以下步骤实现的：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。作为优化，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。作为优化，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；作为优化，步骤6)中适用于量测丢失模型的改进权值公式形式如下：式中，是k时刻第i个粒子的权重，是转移概率密度，是重要性概率密度，为改进粒子滤波器的似然密度，其中的不确定量测值yk可能不包含状态信息，即yk＝vk，其中，vk为随机量测噪声，vk～N(0,R)，R为量测方差阵；。对于满足高斯分布假设的系统及噪声，改进的权值公式具体形式为：式中，d是状态变量的维数，pk是量测未丢失的概率，yk是量测值，是量测预测值。作为优化，步骤8)中的判断重采样的有效粒子数阈值设置为总粒子数的1/3，重采样方式选为计算效率高，计算协方差小的残差重采样方式。本专利技术与现有技术相比：具有以下优点：由于鲁棒EKF将非线性函数进行线性化，当函数的非线性较高时，容易产生较大的截断误差，导致滤波不精确。UMF仍假设高斯后验分布，在一些多模态的非线性非高斯问题中，这种高斯假设容易导致滤波不稳定甚至发散，而当实际系统中PMU量测数据丢失时，基本的PF算法仍假设量测数据中包含真实的量测信息，并依据此量测数据更新权重，修正粒子。由于量测数据丢失时，状态估计分析中心获取的量测数据中只包含量测噪声，因此根据此量测值修正粒子容易导致滤波不准确甚至发散。本专利技术提出的算法考虑量测丢失对动态状态估计的影响，更适用于不确定量测系统，且其不受参数制约，无需满足高斯假设，滤波精度高，应用灵活。因此，本专利技术方法做了以下改进：首先，本专利技术方法建立了不确定量测系统(也称量测丢失或不完全量测)的模型，针对量测丢失概率可离线获取的不确定量测系统，考虑量测丢失对动态状态估计的影响，改进了权值计算公式，利用量测丢失模型更新粒子，更适用于不确定量测系统。本专利技术方法用粒子均值替代积分运算，无需选择参数，避免了无迹混合滤波方法求解非线性滤波问题时系统及噪声必须满足高斯分布假设的制约，能模拟除高斯模型以外的其他非线性非高斯分布，对变量及参数的非线性特性也有更强的建模能力。同时，本专利技术方法还具备了基本粒子滤波方法计算简单、滤波精度高的优点。附图说明：图1：本专利技术方法流程图；图2：在海南某区域大电网系统中选取一台发电机进行测试，本专利技术方法和基本粒子滤波以及无迹混合滤波算法下发电机功角RMSE指标随量测丢失概率(丢包率)变化曲线；图3：本专利技术方法和基本粒子滤波以及无迹混合滤波算法下发电机角速度RMSE指标随量测丢失概率(丢包率)变化曲线；图4：本专利技术方法和基本粒子滤波以及无迹混合滤波算法下发电机q轴暂态电动势RMSE指标随量测丢失概率变化曲线；图5：本专利技术方法和基本粒子滤波以及无迹混合滤波算法下发电机d轴暂态电动势RMSE指标随量测丢失概率变化曲线；图6：在量测丢失概率为10％的情况下，本专利技术方法下发电机功角动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图7：在量测丢失概率为10％的情况下，本专利技术方法下发电机角速度动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图8：在量测丢失概率为10％的情况下，本专利技术方法下发电机q轴暂态电动势动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图9：在量测丢失概率为10％的情况下，本专利技术方法下发电机d轴暂态电动势动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图10：在量测丢失概率为10％同时存在不良数据的情况下，本专利技术方法下发电机功角动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图11：在量测丢失概率为10％同时存在不良数据的情况下，本专利技术方法下发电机角速度动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图12：在量测丢失概率为10％同时存在不良数据的情况下，本专利技术方法下发电机q轴暂态电动势动态估计结果和基本粒子滤波以及无迹混合滤波算法动态估计结果与真实结果的对比；图13：在量测丢失概率为10％同时存本文档来自技高网...

【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