论文部分内容阅读
随着社会经济的逐渐发展，国民用电需求持续增加，对于电力系统运行的安全性、可靠性以及稳定性的要求也在不断提高，因此全方位的了解电力系统运行状态以及预测系统状态的变化趋势就成为了电力系统调度的基本要求。而电力系统状态估计作为调度环节的重要组成部分，其工作原理是利用网络拓扑结构和未经处理的量测值，通过估计算法计算出最逼近电力系统实际状态的最优估计值，从而提高量测数据的可信度。电力系统状态估计主要分为两个部分，其中静态状态估计只能对系统当前稳定的运行状态进行估计，具有一定的局限性;而动态状态估计则可以对系统状态量将来的变化进行预测，具有很好的应用前景。 本文首先通过在线辨识方法，建立了一个电力系统动态状态估计模型，然后以卡尔曼滤波算法为滤波基础，分别利用两种改进卡尔曼滤波算法——扩展卡尔曼滤波和无迹卡尔曼滤波来对电力系统进行动态状态估计，接着针对卡尔曼滤波不能辨识系统噪声统计特性变化的缺点，尝试运用了一种基于自适应原理的自适应无迹卡尔曼滤波算法，解决了系统噪声统计特性无法追踪的问题，最后以IEEE30节点系统为基本模型，在Matlab仿真平台上将自适应无迹卡尔曼滤波与扩展卡尔曼滤波和无迹卡尔曼滤波进行三种不同系统运行状况下的仿真对比并分析三种算法的估计性能。本文主要得出的结论如下: ①基于电力系统非线性的特点，仿真研究了扩展卡尔曼滤波算法。该算法将非线性系统函数转变为线性函数进行状态估计，但是在线性化的过程中忽略高阶项信息的做法导致扩展卡尔曼滤波在复杂系统和事故情况下的估计精度不佳。 ②针对扩展卡尔曼滤波线性化处理产生误差的问题，仿真研究了无迹卡尔曼滤波算法。该算法在无迹变换理论的基础上，利用概率密度函数逼近非线性函数，避免了系统线性化的过程以及雅克比矩阵的计算。在电力系统正常运行、出现负载变化和存在不良数据的三种不同运行情况的仿真结果来看，无迹卡尔曼滤波的估计精度均要好于扩展卡尔曼滤波。 ③针对卡尔曼滤波算法无法追踪变化的系统噪声统计特性的问题，仿真研究了一种自适应无迹卡尔曼滤波算法。该方法根据量测信息的变化，利用一个噪声统计估计器随时修正系统噪声的统计特性，逐渐减弱系统噪声对状态量和预测部分的影响，因此无论是在正常运行还是出现突发事故的情况，自适应无迹卡尔曼滤波均能保持良好的估计精度，且优于其他两种算法。