一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统技术方案

本发明专利技术公开了一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统，包括以下步骤：S1，获取某一时刻k的量测数据；S2，根据时刻k的量测数据进行状态预测，使用holt两参数指数平滑法预测k+1时刻状态，得到k+1时刻的状态预测值；S3，对k+1时刻的状态预测值使用量测数据进行修正，得到k+1时刻的状态估计值；S4，更新滤波参数准备下一步迭代；下一步迭代将返回步骤S1，获取时刻k+1的量测数据，进行步骤S2

【技术实现步骤摘要】
一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统


[0001]本专利技术涉及配电网运行分析与管理，配电网动态状态监测，尤其涉及一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统。

技术介绍

[0002]配电网的状态估计是利用数据采集系统收集的测量数据来估计系统的最佳状态，这对于配电网运行的分析和管理具有重要意义。传统的电力系统状态估计被认为是一个静态估计问题，大多数情况下是通过加权最小二乘方法解决的。随着相量测量单元的部署，量测数据的更新频率大大提高，电力系统状态的动态状态检测已成为可能。传统静态状态估计方法只能估计系统的某个时间断面的状态，并且估计结果在时间维度上滞后于系统的实际状态。相比之下，电力系统动态状态估计可以提前估计下一次的状态，因此它更适合实现电力系统状态的快速跟踪。
[0003]现有问题：一般而言，在传统无迹卡尔曼滤波sigma采样模型中，假设参数值固定而进行采样。这种方法将导致高阶系统中采样方式非局部影响变大，而高阶项则具有更高的误差。容积卡尔曼滤波器是目前最接近贝叶斯滤波的近似算法，并且是用于非线性系统状态估计的强有力的工具。而基于容积卡尔曼滤波器的算法，在算法迭代过程中会出现不对称或非正定协方差矩阵的现象，降低估计精度，甚至中断迭代过程。

技术实现思路

[0004]本专利技术目的在于针对现有技术的不足，提出一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统。
[0005]本专利技术的目的是通过以下技术方案来实现的：一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法，包括以下步骤：
[0006]S1，获取某一时刻k的量测数据；
[0007]S2，根据时刻k的量测数据进行状态预测，首先计算k时刻系统状态容积点，然后使用holt两参数指数平滑法预测k+1时刻状态，得到k+1时刻的状态预测值，同时计算预测协方差矩阵的平方根；
[0008]S3，根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点，然后使用量测数据对k+1时刻的状态预测值进行修正，得到k+1时刻的状态估计值；
[0009]S4，更新滤波参数准备下一步迭代；下一步迭代将返回步骤S1，获取时刻k+1的量测数据，进行步骤S2
‑
S4，实现k+2刻的状态估计。
[0010]进一步地，步骤S1中：获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据，且默认数据是时标对齐的；数据采集与监控(SCADA)系统量测量误差协方差取1
×
10
‑4数量级，同步相量测量单元(PMU)量测量误差协方差取1
×
10
‑6数量级。
[0011]进一步地，步骤S2具体如下：
[0012]S2.1计算k时刻系统状态容积点
[0013][0014]S
k|k
＝chol(P
k
)
[0015][0016]式中，chol(P
k
)表示对k时刻的状态误差协方差矩阵P
k
做Cholesky分解，取上三角矩阵，初始状态误差协方差P0设为0.01；n指的是状态维度；ξ
i
指2n阶列向量ξ的第i列；指时刻k的状态估计值，状态估计初值为状态估计初值中各节点电压v取1，各节点电压相角θ取0；X
i，k|k
为与列向量ξ的第i列对应的k时刻系统状态容积点；
[0017]S2.2传播容积点形成新的点
[0018][0019]状态预测函数f(～)使用两参数指数平滑法，平滑系数通常取值为[0，1]；
[0020]S2.3计算k+1时刻状态预测值
[0021][0022]式中，为由容积变换求得的k+1时刻状态预测值；
[0023]S2.4求解预测协方差矩阵的平方根
[0024][0025]式中：
[0026]S
Q，k
＝chol(Q
k
)
[0027][0028]Tria()表示对矩阵做QR分解保留上三角矩阵；S
k+1|k
为K+1时刻状态预测值的协方差矩阵平方根；Q为系统噪声误差，Q
k
表示k时刻的量测值对应的系统噪声误差。
[0029]进一步地，步骤S3具体如下：
[0030]S3.1由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点
[0031][0032]S3.2传播容积点
[0033]Z
i，k+1|k
＝h(X
i，k+1|k
)
[0034]式中，量测方程h(～)如下：
[0035][0036]其中a和b表示节点序号，N为节点总数，V
a
是节点a电压幅值，θ
ab
指的是节点a和节点b电压相角的差值，P
a
为节点a处的有功功率注入，Q
a
为节点a处的无功功率注入，P
ab
为节点a与b间的有功功率流，Q
ab
为节点a与b间的无功功率流，G
ab
是线路a和b之间的电导，B
ab
是线路a和b之间的电纳，G
a
是a节点上的对地电导，B
a
是在a节点上的对地电纳；
[0037]1)计算k+1时刻的量测数据预测值
[0038][0039]表示通过容积变换采样点求解出的k+1时刻的量测数据预测值；
[0040]2)计算协方差矩阵平方根
[0041]量测数据预测值协方差矩阵平方根S
zz，k+1|k
和量测值与预测值的互协方差矩阵平方根S
xz，k+1|k
分别为：
[0042]S
zz，k+1|k
＝Tria(γ
k
，S
R，k+1
)
[0043][0044]S
R，k+1
＝chol(R
k+1
)
[0045][0046][0047]式中，R
k+1
表示第k+1次测量的量测误差方差矩阵；
[0048]3)求解卡尔曼增益K
k+1
，算出状态估计值
[0049][0050][0051]其中：
[0052][0053]表示k+1时刻状态估计算法得出的结果，即k+1时刻状态；z
k+1
为k+1时刻采集到的量测值。
[0054]进一步地，步骤S4中更新滤波参数准备下一步迭代，令：
[0055]S
k+1|k+1
＝Tria([χ
k
‑
K
k+1
γ
k
，K
k+1
S
R，k+1
])
[005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法，其特征在于，包括以下步骤：S1，获取某一时刻k的量测数据；S2，根据时刻k的量测数据进行状态预测，得到k+1时刻的状态预测值和预测协方差矩阵的平方根；S3，根据k+1时刻的状态预测值和预测协方差矩阵的平方根生成k+1时刻预测状态容积点，然后使用量测数据对k+1时刻的状态预测值进行修正，得到k+1时刻的状态估计值；S4，更新滤波参数准备下一步迭代。2.根据权利要求1所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法，其特征在于，步骤S1中：获取的某一时刻k的量测数据为同步相量测量单元(PMU)和数据采集与监控(SCADA)系统混合量测数据，且默认数据是时标对齐的；数据采集与监控(SCADA)系统量测量误差协方差取1
×
10
‑4数量级，同步相量测量单元(PMU)量测量误差协方差取1
×
10
‑6数量级。3.根据权利要求1所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法，其特征在于，步骤S2具体如下：S2.1计算k时刻系统状态容积点S
k|k
＝chol(P
k
)式中，chol(P
k
)表示对k时刻的状态误差协方差矩阵P
k
做Cholesky分解，取上三角矩阵，初始状态误差协方差P0设为0.01；n指的是状态维度；ξ
i
指2n阶列向量ξ的第i列；指时刻k的状态估计值，状态估计初值为状态估计初值中各节点电压v取1，各节点电压相角θ取0；X
i，k|k
为与列向量ξ的第i列对应的k时刻系统状态容积点；S2.2传播容积点形成新的点状态预测函数f(～)使用两参数指数平滑法，平滑系数通常取值为[0，1]；S2.3计算k+1时刻状态预测值式中，为由容积变换求得的k+1时刻状态预测值；S2.4求解预测协方差矩阵的平方根式中：S
Q，k
＝chol(Q
k
)
Tria()表示对矩阵做QR分解保留上三角矩阵；S
k+1|k
为K+1时刻状态预测值的协方差矩阵平方根；Q为系统噪声误差，Q
k
表示k时刻的量测值对应的系统噪声误差。4.根据权利要求3所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法，其特征在于，步骤S3具体如下：S3.1由状态预测值和协方差矩阵平方根生成k+1时刻预测状态容积点S3.2传播容积点Z
i，k+1|k
＝h(X
i，k+1|k
)式中，量测方程h(～)如下：其中a和b表示节点序号，N为节点总数，V
a
是节点a电压幅值，θ
ab
指的是节点a和节点b电压相角的差值，P
a
为节点a处的有功功率注入，Q
a
为节点a处的无功功率注入，P
ab
为节点a与b间的有功功率流，Q
ab
为节点a与b间的无功功率流，G
ab
是线路a和b之间的电导，B
ab
是线路a和b之间的电纳，G
a
是a节点上的对地电导，B
a
是在a节点上的对地电纳；4)计算k+1时刻的量测数据预测值k+1时刻的量测数据预测值表示通过容积变换采样点求解出的k+1时刻的量测数据预测值；5)计算协方差矩阵平方根量测数据预测值协方差矩阵平方根S
zz，k+1|k
和量测值与预测值的互协方差矩阵平方根S
xz，k+1|k
分别为：S
zz，k+1|k
＝Tria(γ
k
，S
R，k+1
)S
R，k+1
＝chol(R
k+1
))式中，R
k+1
表示第k+1次测量的量测误差方差矩阵；6)求解卡尔曼增益K
k+1
，算出状态估计值
其中：其中：表示k+1时刻状态估计算法得出的结果，即k+1时刻状态；z
k+1
为k+1时刻采集到的量测值。5.根据权利要求1所述的基于平方根容积卡尔曼滤波器的配电网动态状态估计方法，其特征在于，步骤S4中更新滤波参数准备下一步迭代，令：S
k+1|k+1
＝Tria([χ
k
‑
K
k+1
γ
k
，K
k+1
S
R，k+1
])至此得到k+1时刻状态估计值及其协方差矩阵平方根S
k+1|k+1
，一次完整迭代结束；令k＝k+1，进行下一步迭代，返回步骤S1。6.一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法的系统，其特征在于，包括数据采集模块、状态预测模块、状态估计模块和参数更新模块；所述数据采集模块用于采集某一时刻k的量测数据并将数据传输给状态预测模块；所述状态预测模块计...

【专利技术属性】
技术研发人员：华斌，谢伟，张弛，朱征，张华，方陈，司文荣，顾力，曾平，魏新迟，黄昭，王康元，徐德伟，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：