论文部分内容阅读
状态估计是能量管理系统(EMS)中的核心部分,尤其是在现如今这个越来越庞大的电网之中。状态估计滤波器的主要功能是为EMS提供准确的信息(如网络中所有总线的电压幅值和角度等),但由于电力系统中存在量测噪声、不良数据、负荷突变等各种异常情况,状态估计的结果会受到干扰从而可能会因此误导调度人员,对电网运行的稳定性造成难以估计的危害,因此提高状态估计算法的鲁棒性以及抑制不良数据的能力,对保证电力系统安全稳定运行有重要意义。本文在常用的扩展卡尔曼滤波算法基础上改进了两种预测辅助状态估计算法,并探究不同非高斯量测噪声对估计精度的影响,其主要内容如下:首先,基于数据采集与监视控制(SCADA)量测系统,建立了电力系统辅助预测状态估计的数学模型,通过状态方程和测量方程来描述系统的准稳态过程,并介绍了一种辅助预测状态估计的基本算法。然后,在扩展卡尔曼滤波的基础上,提出了一种最大互相关熵的自适应扩展卡尔曼滤波算法,并将其应用在辅助预测状态估计之中,首先本文用最大互相熵准则(MCC)代替传统扩展卡尔曼滤波中的最小均方误差准则,通过指数加权的形式增加算法的鲁棒性,使得提出算法在面对非高斯噪声时保持良好的估计精度;其次,考虑到本算法在运行时人为的设定了噪声协方差矩阵的初始值导致估计精度下降的问题,本文进一步加入了关于噪声协方差矩阵自适应机制,在滤波的同时利用观测数据与测量数据的误差,不断在线估计和修正滤波器噪声统计特性以提高滤波精度,得到估计状态的最优值。接下来,在上述算法的基础上,考虑到电力系统的高次项和自由参数对估计精度的影响,本文将广义的最大互相关熵准则(GCL)与无迹卡尔曼滤波结合,提出基于广义互相关熵的无迹卡尔曼滤波算法(GCL-UKF)。其设计思想是用广义大互相熵准则(GCL)代替传统无迹卡尔曼滤波中的最小均方误差准则;此外,考虑到不良数据会影响到系统的信息矩阵,本文通过引入一个指数函数来调整信息矩阵从而提出一种增强的GCL-UKF(EnGCL-UKF)算法,使得提出算法在面对不同类型非高斯噪声和不良数据时依旧保持良好的估计精度。最后,分别在IEEE 14-bus、IEEE 30-bus、IEEE 57-bus测试系统中对各种方法辅助预测状态估计的滤波性能进行对比分析,并在不同场景下对算法的适用性做出了仿真分析,验证了算法的可行性,构建了一个鲁棒的状态估计器,为能量管理系统提供一个高质量的数据库。