PDF《考虑量测坏数据的发电机动态状态估计方法》

考虑量测坏数据的发电机动态状态估计方法 马安安1 ,江全元1 ,熊鸿韬2 ,陆海清2 ( 1.

浙江大学电气工程学院,浙江省杭州市

3 1

0 0

2 7;

2. 国网浙江省电力公司电力科学研究院,浙江省杭州市

3 1

0 0

1 4 ) 摘要:随着相量测量单元( PMU) 的广泛应用, 基于 PMU 的发电机动态状态估计的研究越来越受 到重视.如果存在量测坏数据, 动态状态估计的滤波效果会受到严重的影响.首先介绍了一种基 于无迹卡尔曼滤波( UK F) 的发电机动态状态估计方法.然而, 由于 PMU 数据的质量不高, 为解决 坏数据的问题, 推导残差方程得出时变的阈值, 再通过一种迭代检测的方法确定坏数据的测点位 置.对于坏数据对应的量测, 算法将其剔除后重新进行一次估计, 以修正估计结果.算例结果表 明, 该方法能有效抑制量测坏数据对发电机动态状态估计的影响. 关键词:动态状态估计;

机电暂态;

无迹卡尔曼滤波;

坏数据 收稿日期:

2 0

1 6 G

0 8 G

1 9;

修回日期:

2 0

1 6 G

1 2 G

1 7. 上网日期:

2 0

1 7 G

0 4 G

1 0. 国家自然科学基金资助项目(

5 1

1 3

7 0

0 3 ) ;

国家电网公司科技 项目( X T

7 1 G

1 6 G

0 3

4 ) .

0 引言 机电暂态模型广泛应用于电力系统暂态问题 中, 便于系统紧急状况下进行稳定控制[

1 ] .目前数 据采集与监控( S C A D A) 系统采样频率较慢, 采集的 数据并不能用于机电模型下的状态估计.随着广域 测量系统( WAM S ) 的应用, 提供描述发电机运行状 态的变量值变为可能.对机电暂态过程中发电机的 动态运行状态进行估计, 可以滤除系统噪声, 避免在 量测过程中因为很多原因造成的量测结果失真, 从 而满足实际应用要求[ 2] .文献[ 3] 提出了应用卡尔 曼滤波的递推状态估计算法并在电力系统中得以运 用.扩展卡尔曼滤波( E K F) 是卡尔曼滤 波算法中 应用最广泛的方法[

4 G

6 ] .文献[

4 ] 基于发电机四阶方 程建立动态模型, 选用E K F状态估计方法对其进行 状态估计, 能提供准确的估计值并降低过程和量测 误差.但是随着研究深入, E K F的线性化过程在强 非线性的电力系统中带来的误差过大.文献[

7 G

1 2] 提出了基于无迹卡尔曼滤波( UK F) 的发电机动态 状态估 计, 可以将滤波精度精确到三阶项.由于UK F需要确定参数值, 灵活性不佳, 文献[

1 3 G

1 4] 提 出了基于容积卡尔曼滤波( C K F) 的发电机动态状态 估计, 但是该算法对噪声的先 验知识依赖性较高. 而且, 过程噪声的增大容易导致 C K F算法发散.因此, 针对电力系统机电暂态过程的变化特性和发电 机本身的非线性, 本文选择了 UK F算法. 在电力系统实际运行中, 信号量测与传输会受 到较大的 随机干扰或偶然故障而出现坏数据[

1 5] . 坏数据是目前利用相量测量单元( PMU) 数据进行 状态估计总体实用性不大的重要原因, 坏数据检测 和辨识( B D D I ) 是状态估计中的重要问题.传统的 B D D I方法主要是通过计算加权残差或标准化残差 来实现[

1 6] .针对发电机动态状态估计中量测出现 坏数据之后的辨识和修正问题, 文献[

1 7] 提出一种 基于鲁棒 C K F的发电机动态状态估计方法, 并在算 法中引入时变多维观测噪声尺度因子, 可以根据新 息对量测误差方差阵进行调整, 使其能够在量测量 含有坏数据的情况下对状态预报值进行准确修正, 但是算法主要针对电力系统稳态情况下的坏数据修 正, 不能适用于暂态系统.普通 UK F 算法是最小 方差估计, 如果存在坏数据, 会导致概率分布不再是 一个典型的高斯分布, 概率分布函数的尾端延长或 变化, 影响滤波效果[