基于扩展和无迹卡尔曼滤波(EKF, UKF)的电力系统动态状态估计

目录

文章摘要：

研究背景：

电力系统动态模型：

扩展卡尔曼滤波（EKF）：

无迹卡尔曼滤波（EKF）：

Matlab代码实现效果：

Matlab代码分享： 

---

文章摘要：

电力系统状态估计是能量管理系统(EM$)不可或缺的组成部分。电力系统调度中心所用的数据主要来源于数据采集与监控系统(SCADA)和相量量测装置(PMU)。电力系统状态估计利用量测信息的冗余度，估计出电力系统中电压幅值和相角，辨别并剔除随机干扰所引起的误差，从而得到系统运行状态的估计值，实现对系统当前运行状态的安全监控，在现代电力系统中发挥着重要的作用。

扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)是电力系统动态状态估计中使用较为广泛的方法，本文对两种方法进行研究分析，并基于Matlab平台变成实现了这两种方法，采用IEEE39节点算例测试了该方法的有效性。

研究背景：

电力系统状态估计是EMS不可或缺的重要组成部分，可利用网络拓扑结构和量测信息数据估算网络中母线的电压幅值相角，辅助潮流计算。状态估计也可称为滤波，是利用量测数据的冗余度来排除干扰所引起的随机误差，辨识不良数据，提高数据精度的过程。它的基本功能是结合数据采集系统上传的遥测信息，对网络拓扑进行分析与状态预估，计算出电网各节点上的电压幅值与相角的估计值。在硬件条件受限的情况下，状态估计可以在原有基础上充分发掘己有硬件设备的潜力，辨识量测信息中的不良数据并生成伪量测量代替，去除偶然的错误信息，提高数据质量，保障系统的稳定性。保证了EMS所收到电网数据的可靠性、准确性、完整性，从而实现了对电力系统运行状态的有效监控。为进行有效的运行状态分析提供了坚实可靠的理论支撑，奠定了完整精确的数据基础。因此，对电力系统估计的实用模型及高精度算法的研究分析具有重要的理论和实践意义。

想要掌握变化系统的实际运行状态，如行驶中的汽车位置，电力系统中的节点电压幅值、电压相角等状态量，有两种途径可供选择。一是通过测量装置得到状态量的数据，二是建立系统模型，通过前一时刻的系统状态与变化趋势推导出当前时刻的状态量。但实际的量测系统中会因设备、天气、人为等因素的影响而存在随机误差，建立的系统模型也可能存在缺陷导致计算结果出现偏差，都不能准确的描述系统状态。因此，需要运用统计学知识，通过适当的状态估计方法求得系统的状态估计量。状态估计也可被称为滤波，它能根据量测数据与系统状态转移模型对状态量进行估计，滤除随机误差导致的不良数据，从而得到较为精确的系统运行状态。状态估计是计算机处理实时数据的有效手段，在自动控制、航空航天、工业生产等领域都有广泛的应用。

电力系统动态模型：

在电力系统中，由SCADA系统和PMU系统采集到的量测数据，需要传送到调度中心才能被调度人员加以分析利用，辅助决策。调度中心收到的信息越多、越准确，系统平稳运行的保障性就越高。由于设备或经济条件限制，通信装置并不会传送所有采集到的数据，而是只传送能够充分描述系统状态的不可或缺的数据，也就是状态变量。有了充足的量测数据，结合网络拓扑信息，才能建立起一个完整的系统模型。

电力系统的动态模型通常采用二次指数平滑法(Second exponential smoothing method),如公式(2-l)所示，相比于一次指数平滑法，此方法考虑了数据的趋势，具有更好的平滑效果。指数平滑法是一种简单有效的短期时间序列预测方法，具有存储变量少，计算速度快的优点，非常适合在线运算。而对于具有长期趋势的数据，更适合使用Hot两参数指数平滑法进行处理。

扩展卡尔曼滤波（EKF）：

此前讨论的卡尔曼滤波是将量测方程与状态方程组成状态空间模型，以此来描述随机线性系统的模型。而在实际使用中，对于许多不能简单的用线性来表述的情形，比如电力系统动态状态估计。电力系统为一非线性系统，其量测方程与状态方程也都是非线性的，卡尔曼滤波并不适用，需要先进行近似线性化，将状态空间线性化，然后再通过卡尔曼滤波器进行滤波。这就是扩展卡尔曼滤波解决非线性问题的基本思想。

无迹卡尔曼滤波（EKF）：

EKF在线性化过程中需要用到雅可比矩阵，在维度较高时会存在正交项，在实现时容易发生错误。针对卡尔曼滤波非线性效果差的问题，Julier采用了另一种不同于EKF的近似方法，提出了无迹卡尔曼滤波(UKF),该滤波方法的关键在于无迹变换(Unscented Transform, UT变换)。其基本原理是在状态量均值点周围随机分布一组带有权重的Sigma点，采用非线性函数概率密度近似的方法，以达到近似线性化的效果。UKF的基本原理如下。

(1)选取采样方式：

（2）生成采样点：

（3）非线性变换：

（4）UKF预测：

Matlab代码实现效果：

 

Matlab代码分享：