[发明专利]一种发电机动态状态估计方法

说明书

本发明公开了一种发电机动态状态估计方法，该方法将时变多维观测噪声尺度因子引入到CKF动态状态估计中，根据量测新息对量测误差进行在线调整，使其更加逼近真实噪声。再利用调整后的误差计算滤波增益，使其能够在量测量含有坏数据的情况下对状态量预报值进行准确修正，得到精确的状态量估计值；同时，还给出了时变多维观测噪声尺度因子的具体构造方法；并针对滤波增益求逆发生奇异的问题，提出解决方案；通过采用本发明公开的方法，在保证实时性需求的前提下，能够有效抑制量测坏数据对发电机动态状态估计的影响。

技术领域

本发明涉及电力系统动态状态估计技术领域，尤其涉及一种发电机动态状态估计方法。

背景技术

同步相量测量单元(phasor measurement unit，PMU)的出现为电力系统暂态稳定分析与控制提供了新的技术手段。然而，在干扰、测量设备故障、同步信号丢失等情况下，往往导致坏数据的出现。坏数据可能使得PMU在应用过程中导致错误的分析结果和控制策略。状态估计能够剔除量测量中存在的坏数据，因此，研究基于PMU的电力系统机电暂态过程中动态状态估计至关重要。

近年来，基于PMU的机电暂态过程发电机动态状态估计问题是电力系统动态状态估计领域的热点。针对具有非线性的发电机动态方程，其动态状态估计问题是一个典型的非线性问题，采用以卡尔曼滤波算法为基础方案的是一种普遍的解决思路，如基于扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)的动态状态估计。EKF的线性化过程导致截断误差过大，UKF需要确定参数值，灵活性差，应用不便。针对该问题，加拿大学者Simon Haykin于2009年提出容积卡尔曼滤波(CKF)算法。然而，无论UKF还是CKF，当量测量存在坏数据时，估计精度都会在一定程度上受到影响，甚至导致估计结果严重偏离实际值，动态状态估计失败。

发明内容

本发明的目的是提供一种发电机动态状态估计方法，该方法使其能够在PMU量测量含有坏数据的情况下对发电机状态量预报值进行准确修正，得到准确的状态量估计值。

本发明的目的是通过以下技术方案实现的：

一种发电机动态状态估计方法，包括：

根据系统方程对k-1时刻的发电机动态状态估计结果进行计算，获得第k时刻发电机动态状态估计结果；

利用CKF滤波算法对第k时刻发电机动态状态估计结果进行预报与滤波处理；其中，通过预报处理获得k+1时刻的发电机动态状态预报结果；在滤波处理时，引入时变多维观测噪声尺度因子并结合PMU的实时量测值对k+1时刻的发电机动态状态预报结果进行滤波，从而实现发电机动态状态结果的准确估计。

进一步的，所述系统方程为：

式中，下标k+1与k均相应的表示k+1时刻与k时刻；F和H分别为状态方程函数和量测方程函数，x、u和z分别为状态量、控制量和量测量；v和w分别为系统噪声和量测噪声，误差方差阵分别为Q和R的正态分布；

其中，状态量x＝[δωE′_qE′_d]^T，控制量状态方程的具体形式为：