【技术实现步骤摘要】
一种基于鲁棒MM估计的无迹卡尔曼滤波状态估计方法及攻击方法
[0001]本专利技术涉及一种基于鲁棒
MM
估计的无迹卡尔曼滤波状态估计方法及攻击方法,属于发电机运动状态估计
。
技术介绍
[0002]在电力系统中同步发电机作为发电设备是电力系统的核心组成部分,电网的是实时变化和电力系统的运行状态在同步发电机的动态变量中均有重要体现,因此对同步发电机状态变量进行监测以此实现对电力系统的动态变化的捕捉是非常重要的
。
然而,对同步发电机进行准确监测和控制面临诸多挑战,例如发电机模型缺陷
、
系统异常
、
网络攻击等,多重扰动带来的不确定性会造成电力系统崩溃
、
引发火灾和其他安全事故
。
因此,为了保证发电机的稳定运行,迫切需要解决这些不确定性因素带来的观测和控制问题
。
[0003]对发电机的动态状态估计是消除电力系统不确定性的常用方法,研究其对于维持电网的稳定运行有着十分重要的意义
。
[0004]在发电机的动态状态估计中,传统卡尔曼滤波算法通过先验预测
、
实时观测和动态模型,实现系统状态的快速估计,但在估计非线性系统状态时存在局限性
。
有研究提出采用拓展卡尔曼滤波
(Extended Kalman Filter
,
EKF)
进行状态估计,该方法使用泰勒级数展开将非线性系统模型线性化,但雅可比行列式计算成本 ...
【技术保护点】
【技术特征摘要】
1.
一种基于鲁棒
MM
估计的无迹卡尔曼滤波动态状态估计方法,其特征在于,包括如下步骤:
S1.
建立电力系统状态估计模型并将模型离散化,初始化状态向量
、
协方差矩阵
、
过程噪声协方差矩阵和测量噪声协方差矩阵,并通过相量量测单元实时传送测量数据;
S2.
采用统计线性化方法线性化系统测量函数并结合无迹卡尔曼滤波计算出的数据建立批处理回归方程;
S3.
对步骤
S2
中建立的批处理回归方程进行鲁棒预白化处理;
S4.
通过线性变换方法将步骤
S3
中得到的批处理回归方程中的数据点分散;
S5.
对步骤
S4
中的批处理回归方程使用鲁棒的
MM
估计方法,估计出状态向量,并更新协方差矩阵
。2.
根据权利要求1所述的基于鲁棒
MM
估计的无迹卡尔曼滤波动态状态估计方法,其特征在于,所述步骤
S1
中电力系统状态估计模型为:微分方程:微分方程:微分方程:微分方程:代数方程:其中,
f0表示系统频率,
D
为阻尼系数,
J
为系统惯性常数,
T
′
qo
为
q
轴暂态开路时间常数,
T
′
do
为
d
轴暂态开路时间常数,
x
d
为
d
轴电抗,
x
q
为
q
轴电抗,
x
′
d
为
d
轴暂态电抗,
x
′
q
为
q
轴暂态电抗,
E
fd
为励磁电压
、V
t
为终端电压
、T
m
为机械输入转矩
、
δ
为转子角
、
ω
为转子角速度和
P
t
为终端有功功率,
e
′
q
表示
q
轴上的暂态电压,
e
′
d
表示
d
轴上的暂态电压
。3.
根据权利要求2所述的基于鲁棒
MM
估计的无迹卡尔曼滤波动态状态估计方法,其特征在于,所述将模型离散化的方法为使用二阶龙格塔库法将模型离散化,离散化后的状态空间方程为:其中,
x
k
=
[
δ
,
ω
,e
′
q
,e
′
d
]
T
是
k
时刻状态向量
,z
k
=
[P
t
]
是测量向量,
u
k
=
[T
m
,E
fd
,V
t
]
T
是控制向量,状态向量
x
k
包含转子角
δ
、
转子角速度
ω
以及
d
轴上的暂态电压
e
′
d
和
q
轴上的暂态电压
e
′
q
,
P
t
是终端有功功率,
u
k
包含励磁电压
E
fd
、
终端电压
V
t
、
机械输入转矩
T
m
,
w
k
为状态空间方程中
k
时刻的过程噪声,
v
k
为状态空间方程中
k
时刻的测量噪声,
w
k
、v
k
均值为0且相互独立
。
4.
根据权利要求3所述的基于鲁棒
MM
估计的无迹卡尔曼滤波动态状态估计方法,其特征在于,所述采用统计线性化方法线性化系统测量函数并结合无迹卡尔曼滤波计算出的数据建立批处理回归方程的方法包括以下步骤:
S2
‑
1、
通过使用
k
‑1时刻的状态估计值和协方差矩阵生成
2n
个
sigma
点,其中,
n
表示状态维数,表示矩阵的第
i
列,
λ
=
α2(n+
κ
)
‑
n
是一个复合比例因子,
α
和
κ
是控制
sigma
点分布的自由参数,
α
的取值与状态向量的维度有关,维度越高
α
的取值越小,取值范围为
10
‑4<
α
<1
,
κ
为2;
S2
‑
2、
设置权重
w
i
=
1/(2n)
,对每个
sigma
点通过非线性函数
f(
·...
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。