一种基于自适应EnKF技术的动态状态估计方法技术

本发明专利技术公开了一种基于自适应EnKF技术的动态状态估计方法，用于电力系统发电机未知系统噪声工况下的动态状态估计。本发明专利技术通过在EnKF中引入改进的渐消记忆指数加权的Sage‑Husa噪声统计估计器，能够动态估计校正时变系统噪声的均值与方差，抑制未知系统噪声对状态估计精度的影响，实现发电机运行状态的准确估计。本发明专利技术因考虑了实际工程背景，且简单方便，具有较高的工程应用价值。

A Dynamic State Estimation Method Based on Adaptive EnKF Technology

【技术实现步骤摘要】
一种基于自适应EnKF技术的动态状态估计方法
本专利技术属于电力系统分析和监测
，特别涉及一种基于自适应EnKF技术的动态状态估计方法。
技术介绍
状态估计也被称之为滤波，其利用实时量测系统的冗余度来提高数据精度，去除量测值中的随机噪声，实现电力系统状态准确监测。一般来说，电力系统状态估计可以分为两类，即静态状态估计和动态状态估计。其中，静态状态估计目前应用较为成熟，能够获得系统稳态运行时的状态信息。但是，静态状态估计忽略了系统的动态特性，无法实现系统的状态在线监测。为弥补静态状态估计的缺陷，动态状态估计器应运而生，其通过模型和量测量进行一次运算，得到状态估计值和预报值；由于动态状态估计能够对系统下一时刻的状态量进行预测，且不需迭代，与静态状态估计相比更有优势。目前，电力系统动态状态估计主要以EKF及其改进方法为主，如计入非线性卡尔曼滤波，自适应预报动态状态估计，光滑增平面模糊控制动态状态估计等。上述这些方法在一定程度上改善了状态估计的结果。但是，值得注意的是这些方法均假设系统噪声的方差为常数；而在实际电力系统中，系统噪声的统计特性很难准确获取且是动态变化的。所以，假定系统噪声协方差矩阵为常数，会造成设定的系统噪声协方差矩阵值与真实值不匹配，从而严重影响动态状态估计结果，降低状态估计精度。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于自适应EnKF技术的动态状态估计方法，能够减小未知系统噪声对动态状态估计的影响，克服传统滤波方法存在的不足，提升发电机动态状态估计精度，为电网的安全稳定运行提供坚实的数据信息。技术方案：为实现上述目的，本专利技术提供一种基于自适应EnKF技术的动态状态估计方法，其特征在于，包括如下步骤：(1)建立动态状态估计模型；(2)运用自适应EnKF技术进行初始化滤波初始值；(3)获取k时刻量测值zk；(4)计算k时刻的状态预测值与量测预测值(5)计算k时刻的量测预测误差协方差与状态量测交互协方差矩阵(6)计算k时刻的滤波增益Kk和状态估计值(7)计算k时刻的系统噪声协方差矩阵Qk；(8)按照步骤(3)至(7)依据时间序列对电力系统发电机状态动态估计，直至k+1＞N时状态估计迭代停止，输出状态估计结果，否则返回步骤(3)继续计算。进一步的，所述步骤(1)中建立动态状态估计的具体步骤如下：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。进一步的，所述步骤(2)中运用自适应EnKF技术进行初始化滤波初始值的具体步骤如下：设定运用自适应EnKF技术进行状态估计的初始值，包含状态估计初始值其中m表示总采样数目；系统噪声和量测噪声满足的协方差矩阵初始值Q0和R0，噪声估计器遗忘因子参数b，以及最大估计时刻N。进一步的，所述步骤(4)中计算k时刻的状态预测值与量测预测值的具体步骤如下：运用自适应EnKF预测步，计算k时刻状态预测值与量测预测值计算公式如下式中上标i为第i个采样值，下标k和k-1表示时刻；和分别表示状态预测值和估计值的采样；是依据k-1时刻系统噪声协方差矩阵Qk-1产生的噪声值采样，表示量测预测值的采样。进一步的，所述步骤(5)中计算k时刻的量测预测误差协方差与状态量测交互协方差矩阵的具体步骤如下：计算公式分别如下式中上标T表示矩阵的转置运算。进一步的，所述步骤(6)中计算k时刻的滤波增益Kk和状态估计值的具体步骤如下：依据k时刻量测信息zk，依据自适应EnKF更新步，计算k时刻的滤波增益Kk和状态估计值具体计算公式如下式中上标(·)-1表示矩阵的求逆运算，是依据k时刻量测噪声协方差矩阵Rk产生的噪声值采样，表示状态估计值的采样。进一步的，所述步骤(7)中计算k时刻的系统噪声协方差矩阵Qk的具体步骤如下：利用渐消记忆指数加权Sage-Husa噪声协方差估计器，动态修正更新k时刻系统噪声协方差矩阵Qk，系统噪声协方差估计器的形式如下dk-1＝(1-b)/(1-bk)式中b表示遗忘因子，且0＜b＜1，当系统状态的变化程度越大时b的取值就越大；dk-1为k-1时刻系统噪声协方差矩阵估计器调节参数。有益效果：本专利技术与现有技术相比具有以下优点：本专利技术通过在EnKF中引入改进的渐消记忆指数加权的Sage-Husa噪声统计估计器，能够动态估计校正时变系统噪声的均值与方差，抑制未知系统噪声对状态估计精度的影响，实现发电机运行状态的准确估计。本专利技术能够减小未知系统噪声对动态状态估计的影响，克服传统滤波方法存在的不足。附图说明图1是本专利技术的方法流程图；图2是具体实施例中IEEE10机39节点系统结构图；图3是具体实施例中利用EnKF方法和本专利技术方法对发电机功角与角速度的动态估计结果对比图；图4是具体实施例中利用EnKF方法和本专利技术方法对发电机暂态电动势的动态估计结果对比图。具体实施方式下面结合附图对本专利技术作更进一步的说明。如图1所示，运用本专利技术方法对实施例测试系统动态变量进行估计，其包含如下步骤：(1)动态状态估计模型建立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，一般假设二者分别满足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。(2)设定运用自适应EnKF技术进行状态估计的初始值，包含状态估计初始值其中m表示总采样数目，系统噪声和量测噪声满足的协方差矩阵初始值Q0和R0，噪声估计器遗忘因子参数b，以及最大估计时刻N；(3)获取k时刻量测值zk；(4)运用自适应EnKF预测步，计算k时刻状态预测值与量测预测值计算公式如下式中上标i为第i个采样值，下标k和k-1表示时刻；和分别表示状态预测值和估计值的采样；是依据k-1时刻系统噪声协方差矩阵Qk-1产生的噪声值采样，表示量测预测值的采样。(5)计算k时刻的量测预测误差协方差与状态量测交互协方差矩阵计算公式分别如下式中上标T表示矩阵的转置运算。(6)依据k时刻量测信息zk，依据自适应EnKF更新步，计算k时刻的滤波增益Kk和状态估计值具体计算公式如下式中上标(·)-1表示矩阵的求逆运算，是依据k时刻量测噪声协方差矩阵Rk产生的噪声值采样，表示状态估计值的采样。(7)利用渐消记忆指数加权Sage-Husa噪声协方差估计器，动态修正更新k时刻系统噪声协方差矩阵Qk，噪声协方差估计器的形式如下dk-1＝(1-b)/(1-bk)式中b表示遗忘因子，且0＜b＜1，当系统状态的变化程度越大时b的取值就越大；dk-1为k-1时刻系统噪声协方差矩阵估计器调节参数。(8)按照(2)-(7)计算步骤依据时间序列对电力系统发电机状态动态估计，直至k+1＞N时状态估计迭本文档来自技高网...

【技术保护点】
1.一种基于自适应EnKF技术的动态状态估计方法，其特征在于，包括如下步骤：(1)建立动态状态估计模型；(2)运用自适应EnKF技术进行初始化滤波初始值；(3)获取k时刻量测值zk；(4)计算k时刻的状态预测值

【技术特征摘要】
1.一种基于自适应EnKF技术的动态状态估计方法，其特征在于，包括如下步骤：(1)建立动态状态估计模型；(2)运用自适应EnKF技术进行初始化滤波初始值；(3)获取k时刻量测值zk；(4)计算k时刻的状态预测值与量测预测值(5)计算k时刻的量测预测误差协方差与状态量测交互协方差矩阵(6)计算k时刻的滤波增益Kk和状态估计值(7)计算k时刻的系统噪声协方差矩阵Qk；(8)按照步骤(3)至(7)依据时间序列对电力系统发电机状态动态估计，直至k+1＞N时状态估计迭代停止，输出状态估计结果，否则返回步骤(3)继续计算。2.根据权利要求1所述的一种基于自适应EnKF技术的动态状态估计方法，其特征在于，所述步骤(1)中建立动态状态估计的具体步骤如下：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。3.根据权利要求1所述的一种基于自适应EnKF技术的动态状态估计方法，其特征在于，所述步骤(2)中运用自适应EnKF技术进行初始化滤波初始值的具体步骤如下：设定运用自适应EnKF技术进行状态估计的初始值，包含状态估计初始值其中m表示总采样数目；系统噪声和量测噪声满足的协方差矩阵初始值Q0和R0，噪声估计器遗忘因子参数b，以及最大估计时刻N。4.根据权利要求1所述...

【专利技术属性】
技术研发人员：孙永辉，王义，侯栋宸，王森，熊俊杰，曹阳，吕欣欣，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32