[发明专利]一种基于自适应容积卡尔曼滤波的动态状态估计方法

说明书

本发明公开了一种基于自适应容积卡尔曼滤波的动态状态估计方法，用于实现电力系统发电机动态状态变量的准确估计。该方法通过在容积卡尔曼滤波中引入渐消记忆指数加权的Sage‑Husa噪声统计估计器，动态估计校正时变系统噪声的均值与方差，抑制系统噪声矩阵不匹配对状态估计精度的影响，提升发电机状态变量的准确估计。该算法因考虑了实际工程背景，且简单方便，具有较高的工程应用价值。

技术领域

本发明属于电力系统分析和监测技术领域，特别涉及一种基于自适应容积卡尔曼滤波的动态状态估计方法。

背景技术

准确的状态估计对于电力系统的分析与稳定控制具有重要意义。状态估计一般分为两类，一类是静态估计，另一类是动态状态估计。静态状态估计利用某一时刻断面冗余的量测信息实现系统该时刻状态变量估计。虽然静态状态估计精度较高，但是其忽略了电力系统的动态特性。因此，静态状态估计无法应用于电力系统状态的实时在线估计。为了适应电力系统在线监测的需求，具备估计和预测功能的动态状态估计方法近年来得到研究人员的广泛关注。

目前，电力系统动态状态估计方法主要包括卡尔曼滤波、扩展卡尔曼滤波，无迹卡尔曼滤波、粒子滤波及集合卡尔曼滤波等。上述这些方法在一定程度上改善了状态估计的结果。但是，需要指出的是这些方法均假设系统噪声满足的协方差矩阵为常数；而在实际电力系统中，系统噪声的统计特性很难准确获取且是动态变化的，且系统噪声协方差矩阵的设置与状态估计器的性能密切相关。所以，若系统噪声协方差矩阵设置偏离其真实值，会严重降低状态估计精度，甚至导致状态估计器无法收敛于真实值。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于自适应容积卡尔曼滤波(adaptive cubature Kalman filter,ACKF)的动态状态估计方法，能够提升发电机动态状态估计精度，为电网的安全稳定运行提供坚实的数据信息。

技术方案：为实现上述目的，本发明提供一种基于自适应容积卡尔曼滤波的动态状态估计方法，包括如下步骤：

(1)建立状态估计模型；

(2)初始化自适应容积卡尔曼滤波即ACKF滤波初始值；

(3)计算k时刻的状态预测值

(4)计算k时刻的发电机状态预测误差协方差矩阵

(5)计算k时刻的量测预测值

(6)计算k时刻量测预测误差协方差矩阵P_zz,k和状态预测值与量测预测值之间的交互协方差矩阵P_xz,k；

(7)计算k时刻的滤波增益K_k和状态估计值

(8)计算k时刻的状态估计误差协方差矩阵和系统噪声协方差矩阵Q_k；

(9)按照步骤(3)至(9)依据量测信息时间序列对电力系统发电机状态动态估计，直至k+1＞N时状态估计迭代停止，输出状态估计结果，否则返回步骤(3)继续计算。

进一步的，所述步骤(1)中建立状态估计模型的具体步骤如下：

发电机动态状态估计的状态方程与量测方程，表示为：

式中f(·)表示发电机状态方程，h(·)表示量测方程，x、u、z分别对应表示状态变量、控制变量和量测向量；下标k和k+1表示时刻，w表示系统噪声，v为量测噪声，二者分别满足w～N(0,Q)，v～N(0,R)的高斯分布，其中Q与R分别表示系统噪声和量测噪声满足的协方差矩阵，w与v相互独立且和状态变量无关。

进一步的，所述步骤(2)中初始化ACKF滤波初始值的具体步骤如下：