极端天气量测信号衰减的多机电力系统弹性状态估计方法技术方案

本发明专利技术公开了极端天气量测信号衰减的多机电力系统弹性状态估计方法，包括如下步骤：S1、建立计及量测信号衰减的多机电力系统动态状态估计模型；S2、初始化MEKF状态估计方法参数值；S3、基于估计方法的预测步，计算k+1时刻的状态预测值与预测误差协方差矩阵；S4、计算k+1时刻改进扩展卡尔曼滤波增益值；S5、计算k+1时刻状态估计值S6、更新k+1时刻的状态估计误差协方差矩阵；S7、按照步骤S2

【技术实现步骤摘要】
极端天气量测信号衰减的多机电力系统弹性状态估计方法


[0001]本专利技术涉及电力系统分析和监测
，尤其涉及极端天气量测信号衰减的多机电力系统弹性状态估计方法。

技术介绍

[0002]动态状态估计(dynamic state estimation，DSE)对系统状态具有较强监测跟踪能力，能够快速捕捉电力系统的动态变化，实现系统实时监测，对电网稳定运行具有重要的现实意义。一般来说，状态估计分为静态估计和动态估计两种，对于电力系统来说，静态状态估计仅利用某一时间断面的量测信息估计系统状态，无法对系统的运行趋势进行动态预测；然而实际系统的运行状态是随时间而变化的，静态状态估计在某一时刻获取的量测信息不能满足近年新型电力系统的分析和应用。为此，兼有状态预报功能的动态状态估计引起了研究人员的广泛关注。
[0003]CN115239014A公开了一种强降雨致灾停电用户规模动态预测方法和系统，其中该方法通过短期气象预报信息研判是否启动预测流程；当需要启动预测流程时获取电力地理信息图，并研判电力地理信息图中供电台区是否处于强降雨影响区域的边界范围；当存在供电台区处于强降雨影响区域的边界范围内时，分别计算强降雨影响范围内的各供电台区的单独面积、停电用户数、总面积、停电用户总数和各供电台区停电预评估准确概率；根据获取的数据构建测度供电台区因灾停电范围的神经网络，通过神经网络求解、输出强降雨所致停电用户规模的预测结果。电力设备和气象灾害之间的关联信息处理过程中处理高维特征输入样本困难。
[0004]CN111221925A公开了一种配电网风涝灾害监测组网方法和装置，将获取的多源数据按类型进行筛选并存储；基于GIS技术，将存储的数据按类型形成多个图层；将所有图层进行叠加，确定配电网风涝灾害监测组网策略，组网结果准确性和可靠性均较高。监测的准备度和可靠性较低。

技术实现思路

[0005]为克服上述缺陷，本专利技术的目的在于提供极端天气量测信号衰减的多机电力系统弹性状态估计方法，有效提升滤波性能，具有较强的鲁棒性；能够为极端天气影响下电力系统动态监测与分析提供可靠的系统运行信息。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种极端天气量测信号衰减的多机电力系统弹性状态估计方法，包括如下步骤：
[0008]S1、建立计及量测信号衰减的多机电力系统动态状态估计模型；
[0009]S2、初始化MEKF状态估计方法参数值；
[0010]S3、基于估计方法的预测步，计算k+1时刻的状态预测值与预测误差协方差矩阵；
[0011]S4、计算k+1时刻改进扩展卡尔曼滤波增益值；
[0012]S5、计算k+1时刻状态估计值
[0013]S6、更新k+1时刻的状态估计误差协方差矩阵；
[0014]S7、按照步骤S2
‑
S6依据时间序列对系统状态进行动态估计，直至k+1＞N时迭代停止，输出状态估计结果。
[0015]可选的，S1中所述多机电力系统动态状态估计模型包括系统方程和量测方程，分别表示为：
[0016][0017]式中x
k
表示k时刻状态变量，x
k
＝[δ
k
,ω
k
]T
由电力系统中同步发电机运行功角和电角速度组成，f(
·
)为表示多机电力系统状态转移函数，y
k
∈R
m
为k时刻量测变量，h(
·
)为输出函数；用于刻画量测信号衰减情况造成的量测数据缺失，其中diag{
·
}表示对角矩阵，表示m个相互独立的随机变量，该变量与系统噪声和量测噪声相互独立，并设定服从[0,1]区间的均匀分布，其期望值和方差值分别为v
k
，是分别表示系统噪声和量测噪声，设定二者均为高斯白噪声序列，其对应的系统噪声协方差矩阵和量测噪声协方差矩阵分别为Q
k
和R
k
。
[0018]可选的，S2中所述状态估计方法参数值包括状态估计初始值和估计误差协方差系统和量测噪声协方差矩阵分别为Q0和R0，以及最大估计时刻N。
[0019]可选的，S3中所述基于估计方法的预测步，计算k+1时刻的状态预测值与预测误差协方差包括计算方法：
[0020][0021][0022]式中表示k时刻的状态估计值，A
k+1
表示函数f(
·
)在处的雅可比矩阵(
·
)
T
表示矩阵转置运算，Q
k+1
为k+1时刻系统噪声协方差矩阵。
[0023]可选的，S4中所述计算k+1时刻改进卡尔曼滤波增益K
k+1
包括计算方法：
[0024][0025]式中C
k+1
表示函数h(
·
)在处的雅可比矩阵(
·
)
‑1表示矩阵的逆运算，表示哈达玛积运算，式中的计算公式为
[0026][0027]可选的，S5中所述计算k+1时刻状态估计值包括计算方法：
[0028][0029]式中y
k+1
表示k+1时刻的量测值，用于刻画量测信号衰减情况造成的量测数据缺失，表示k+1时刻的估计观测向量。
[0030]可选的，S6中所述更新k+1时刻的状态估计误差协方差矩阵包括计算方法：
[0031][0032]其中，式中R
k+1
为k+1时刻量测噪声协方差矩阵，表示哈达玛积运算，式中的计算公式为：
[0033][0034]动态状态估计(dynamic state estimation，DSE)对系统状态具有较强监测跟踪能力，能够快速捕捉电力系统的动态变化，实现系统实时监测，对电网稳定运行具有重要的现实意义。一般来说，状态估计分为静态估计和动态估计两种，对于电力系统来说，静态状态估计仅利用某一时间断面的量测信息估计系统状态，无法对系统的运行趋势进行动态预测；然而实际系统的运行状态是随时间而变化的，静态状态估计在某一时刻获取的量测信息不能满足近年新型电力系统的分析和应用。为此，兼有状态预报功能的动态状态估计引起了研究人员的广泛关注。
[0035]目前，电力系统动态状态估计主要以卡尔曼滤波及其改进方法为主，如扩展卡尔曼滤波(extended Kalman filter,EKF)、无迹卡尔曼滤波、容积卡尔曼滤波等。上述这些方法在一定程度上改善了状态估计的结果。但是，需要指出的是现有基于卡尔曼滤波框架的动态状态估计方法未能计及量测信号衰减造成量测数据缺失的影响。但在实际电力系统应用中，极端天气自然灾害，如暴雪、台风等会造成SCADA和WAMS系统的传感器在信号采集和传递过程中发生故障，造成量测数据缺失；显然，量测数据的缺失会影响动态状态估计的结果，大大降低状态估计精度。
[0036]本专利技术的积极有益效果：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极端天气量测信号衰减的多机电力系统弹性状态估计方法，其特征在于，包括如下步骤：S1、建立计及量测信号衰减的多机电力系统动态状态估计模型；S2、初始化MEKF状态估计方法参数值；S3、基于估计方法的预测步，计算k+1时刻的状态预测值与预测误差协方差矩阵；S4、计算k+1时刻改进扩展卡尔曼滤波增益值；S5、计算k+1时刻状态估计值S6、更新k+1时刻的状态估计误差协方差矩阵；S7、按照步骤S2
‑
S6依据时间序列对系统状态进行动态估计，直至k+1＞N时迭代停止，输出状态估计结果。2.根据权利要求1所述的一种极端天气量测信号衰减的多机电力系统弹性状态估计方法，其特征在于，S1中所述多机电力系统动态状态估计模型包括系统方程和量测方程，分别表示为：式中x
k
表示k时刻状态变量，x
k
＝[δ
k
,ω
k
]
T
由电力系统中同步发电机运行功角和电角速度组成，f(
·
)为表示多机电力系统状态转移函数，y
k
∈R
m
为k时刻量测变量，h(
·
)为输出函数；用于刻画量测信号衰减情况造成的量测数据缺失，其中diag{
·
}表示对角矩阵，表示m个相互独立的随机变量，该变量与系统噪声和量测噪声相互独立，并设定服从[0,1]区间的均匀分布，其期望值和方差值分别为v
k
，是分别表示系统噪声和量测噪声，设定二者均为高斯白噪声序列，其对应的系统噪声协方差矩阵和量测噪声协方差矩阵分别为Q
k
和R
k
。3.根据权利要求2所述的一种极端天气量测信号衰...

【专利技术属性】
技术研发人员：姚德贵，宋伟，田春笋，刘明洋，李程昊，王骅，曹晓璐，朱全胜，高泽，方舟，刘芳冰，
申请(专利权)人：国网河南省电力公司电力科学研究院，
类型：发明
国别省市：