07 状态估计算法
第四讲 状态估计
1. 2. 3.
为什么要进行状态估计？
数据不齐全； 不良数据； 数据不准确；
何为“状态估计”？ 去伪存真、去粗取精、填平补齐。
是一种数学滤波方法，用量测信息的冗余度 来提高数据精度，自动排除随机干扰所引起 的错误信息，估计出系统的状态。
电力系统状态估计的历史
1970年前后，美国MIT教授F. C. Schweppe首先借鉴航 天领域的成果，提出了状态估计的概念及其方法，开创 了历史 80年代中期，世界上一半的调度中心应用了状态估计。 现在，所有省级以上调度中心都安装了SE。 国内电科院于尔铿教授、清华张伯明教授等都是较早开 展研究并且由此建立了整套EMS系统 1980年后， Schweppe教授首先提出实时电价的理论，
m
n 2 N 1
x [Vi , i ]T
hl ( x) Pij (i , j ,Vi ,V j ) Vi 2 gij VV j ( gij cos ij bij sin ij ) i hl ( x) Qij (i , j ,Vi ,V j ) Vi 2 (bij bi 0 ) VV j ( gij sin ij bij cosij ) i
量测系统的数学模型：量测方程
z h( x) v
基于基尔霍夫定律和欧姆定 律的量测函数方程， m维 m n 有m-n个多余方程
z x v h( x )
量测量向量，m维 状态向量，n维 误差向量， m维
小例子
电流表 电压表
R 10
(U s 10V )
A +
I 1.04 A V 9.8V
max X j ?
j
output
电力系统状态估计概述
电力系统状态估计研究综述摘要：电力系统状态估计是当代电力系统能量管理系统(EMS)的重要组成部分。
本文介绍了电力系统状态估计的概念、数学模型，阐述了状态估计的必要性及其作用，系统介绍了状态估计的研究现状，最后对状态估计的研究方向进行了展望。
关键词：电力系统；状态估计；能量管理系统0引言状态估计是当代电力系统能量管理系统(EMS)的重要组成部分，尤其在电力市场环境中发挥更重要的作用。
它是将可用的冗余信息(直接量测值及其他信息) 转变为电力系统当前状态估计值的实时计算机程序和算法。
准确的状态估计结果是进行后续工作(如安全分析、调度员潮流和最优潮流等)必不可少的基础。
随着电力市场的发展，状态估计的作用更显重要⑴o状态估计的理论研究促进了工程应用，而状态估计软件的工程应用也推动了状态估计理论的研究和发展。
迄今为止，这两方面都取得了大量成果。
然而，状态估计领域仍有不少问题未得到妥善解决，随着电力系统规模的不断扩大，电力工业管理体制向市场化迈进，对状态估计有了新要求，各种新技术和新理论不断涌现，为解决状态估计的某些问题提供了可能。
本文就电力系统状态估计的研究现状和进一步的研究方向进行了综合阐述。
1电力系统状态估计的概念1.1电力系统状态估计的基本定义状态估计也被称为滤波，它是利用实时量测系统的冗余度来提高数据精度，自动排除随机干扰所引起的错误信息，估计或预报系统的运行状态(或轨迹)o 状态估计作为近代计算机实时数据处理的手段，首先应用于宇宙飞船、卫星、导弹、潜艇和飞机的追踪、导航和控制中。
它主要使用了六十年代初期由卡尔曼、布西等人提出的一种递推式数字滤波方法，该方法既节约内存，又大大降低了每次估计的计算量[2,4]o电力系统状态估计的研究也是由卡尔曼滤波开始。
但根据电力系统的特点，即状态估计主要处理对象是某一时间断面上的高维空间(网络)问题，而且对量测误差的统计知识又不够清楚，因此便于采用基于统计学的估计方法如最小方差估计、极大验后估计、极大似然估计等方法，目前很多电力系统实际采用的状态估计算法是最小二乘法。
状态估计 算法
状态估计算法状态估计算法是一种用于估计系统状态的数学方法。
它可以通过对系统的输入和输出进行分析，预测系统的未来状态。
状态估计算法在许多领域都有广泛的应用，如机器人控制、飞行器导航、自动驾驶汽车等。
状态估计算法的基本思想是通过对系统的输入和输出进行观测，推断出系统的状态。
在实际应用中，系统的状态通常是无法直接观测到的，因此需要通过对系统的输入和输出进行观测，来推断出系统的状态。
状态估计算法通常采用贝叶斯滤波器来进行状态估计。
贝叶斯滤波器是一种基于贝叶斯定理的滤波器，它可以通过对系统的输入和输出进行观测，来推断出系统的状态。
贝叶斯滤波器通常包括两个步骤：预测和更新。
在预测步骤中，滤波器会根据系统的模型和上一时刻的状态，预测当前时刻的状态。
在更新步骤中，滤波器会根据当前时刻的观测值，更新当前时刻的状态。
常见的贝叶斯滤波器包括卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器等。
卡尔曼滤波器是一种线性滤波器，适用于线性系统。
扩展卡尔曼滤波器是一种非线性滤波器，适用于非线性系统。
无迹卡尔曼滤波器是一种基于无迹变换的滤波器，可以更好地处理非线性系统。
除了贝叶斯滤波器外，还有一些其他的状态估计算法，如粒子滤波器、最大后验概率估计等。
粒子滤波器是一种基于蒙特卡罗方法的滤波器，可以处理非线性和非高斯的系统。
最大后验概率估计是一种基于最大化后验概率的估计方法，可以用于估计系统的状态。
总的来说，状态估计算法是一种非常重要的数学方法，可以用于估计系统的状态。
在实际应用中，不同的状态估计算法适用于不同的系统，需要根据具体情况选择合适的算法。
kalman滤波算法递推估计参数
kalman滤波算法递推估计参数
卡尔曼滤波（Kalman Filter）是一种递推的状态估计算法，广泛应用于信号处理、控制系统和导航等领域。
在卡尔曼滤波中，主要有两个阶段：预测（Prediction）和更新（Update）。
这里简要概括一下卡尔曼滤波的递推估计过程：
初始化：在开始时，设定初始状态估计值和协方差矩阵。
这通常包括系统的初始状态、状态估计误差等。
预测阶段（Prediction）：
预测状态估计：利用系统的动态方程（状态转移矩阵）进行状态预测。
预测协方差：通过状态转移矩阵、过程噪声协方差矩阵等预测下一时刻状态的协方差。
测量更新阶段（Update）：
计算卡尔曼增益：卡尔曼增益由系统测量模型和测量噪声协方差矩阵计算得到。
更新状态估计：使用测量更新当前状态估计，考虑卡尔曼增益的权重。
更新协方差：通过卡尔曼增益、测量模型等更新状态协方差矩阵。
递推进行：重复进行预测和更新的步骤，以不断更新状态估计和协方差。
在卡尔曼滤波中，递推估计的关键是在每个时刻根据系统动态方程进行预测，并结合测量值进行更新。
通过不断迭代这两个步骤，卡尔曼滤波可以有效地估计系统的状态，同时考虑系统动态和测量的不确定性。
1。
车辆行驶过程中的状态估计问题综述
道车轮的运动状态(大驱动力下严重打滑，大制动力
下抱死)，从而更有利于权重系数的决定。
1.1.2 纵向加速度信号的修正
当采用纵向加速度传感器来辅助车速估计时，
必须考虑：在低速、低加速度情况下传感器的信噪
22
机械工程学报
第 45 卷第 5 期期
比不高、容易出现偏置，或者当车辆行驶于坡道上，
纵向加速度由于重力的缘故产生一定偏置。文献[32]
ax (k
+
i)
(2)
1.1.3 弯道行驶时轮速信号的修正
当车辆行驶于弯道时，内外车轮间会形成轮速
差，如果直接使用这些轮速信号，会对车辆纵向车
速估计会产生一定的误差。弯道行驶时的轮速需要
通过横摆角速度、质心侧偏角进行修正
式中
⎧⎪vwfl ⎪
= vcog
−
ψ
⎛ ⎜⎝
bf 2
−
lf
β
⎞ ⎟⎠
⎪⎪⎪vwfr
纵向车速估计用传感器配置的方案介绍如表 1 所示。
表 1 纵向车速估计用传感器配置方案
序号
传感器配置方案
参考文献
1 四轮轮速+纵向加速度 2 非驱动轮轮速+纵向加速度 3 转向盘转角+横摆角速度+侧向加速度+方案 1 4 仅四轮轮速信号 5 制动踏板+油门踏板+方案 1
[25-31] [32] [33] [34] [35]
bf , br ——前、后轮距 lf , lr ——质心到前、后轴距离 β ——质心侧偏角
1.2 横摆角速度估计用传感器配置
从公开发表的文献来看，单纯估计车辆横摆角
速度的研究不多。这是因为半导体技术的发展，普
3节电力系统状态估计(WLS算法)
3节电系统状态估计报告【任务说明】:闭合的开关:打开的开关:打开的刀闸:线路:负荷G:发电机:母线:连接线(没有阻抗) Unit2Unit13节点系统主接线图任务：1、采用最小二乘状态估计算法,所有量测的权重都取1.0,编写状态估计程序(C/Matlab)。
2、按量测类型，列出量测方程（每一类写出一个方程）3、画出程序流程4、提交源程序，程序中每个函数的作用5、提交计算的输出结果(屏幕拷贝)系统参数：功率基值：100MW电压基值：230 kV线路阻抗参数（标么值）：线路量测(流出母线为正)：母线电压量测：负荷量测(流出母线为正)：发电量测(流入母线为正)：注：量测存在误差【数据预处理】首先根据基值将已知的量测值均转换为标幺值，并将功率值转换为流入量，得到如下数据：线路导纳参数（标么值）：线路注入功率量测(标幺值)：负荷点注入功率量测(标幺值)：发电机节点注入量测(流入母线为正)：发电机量测真值unit2 0.88-j0.0424 0.8892-j0.0424unit3 0.23+j0.24 0.2304+j0.2378母线电压量测（标幺值）：母线电压量测真值(幅值/角度)1 1.0087 1.0130/02 1.0198 1.0242/3.233 1.0281 1.0281/1.82【量测方程】选择节点1的电压相角为参考，为0度，以vi表示误差值。
1）节点1电压量测方程：Vi=Vi+v1即1.0087=V1+v12）1-3支路1号节点处注入有功功率功率：P ij=V i2g ij-V i V j(g ij cos+b ij sin)+v20.613=V12g13-V1V3(g13cos+b13sin)+v2即0.613=-1.6171V12-V1V3(-1.6171cos +13.698sin)+v2 3）1号节点注入功率：P i=V i2G ii +G ij cos+B ij sin+v3P1=V12G11+G1j cos+B1j sin+v3即-1.11=3.5613V12+V1V2(-1.9442cos -10.5107sin)+V1V3(-1.6171 cos -13.698 sin)+v3【流程图】【计算结果】其中iterations 为迭代次数，可见本例的迭代次数为4，收敛较快，状态估计得到的节点1、2、3电压分别为：234.0144444444444444444444444444444444444444444444【程序说明】遥测数据给定V 0，，k=0计算H(V (k),)和h(V (k),)A=H T R -1H, b=H T R -1(Z-h)求解A X=b,得Xk=k+1X (k+1)=X (k)+XNmax|X|<Y结束1、计算h矩阵的函数cal_hfunction h=cal_h(V,th0,B,G) %其中，V为节点电压估计值，th0为节点电压相角估计%值，B为节点电导矩阵，G为节点电纳矩阵b=-B; %线路电导矩阵g=-G; %线路电纳矩阵P=zeros(3,1); %初始化，节点注入功率Q=zeros(3,1);PP=zeros(3,3); %线路注入功率QQ=PP;th=[0;th0]; %节点1的电压相角为0for i=1:3P_P=0;Q_Q=0;for j=1:3if(j~=i)P_P=P_P+V(i)*V(j)*(G(i,j)*cos(th(i)-th(j))+B(i,j)*sin(th(i)-th(j)));Q_Q=Q_Q+V(i)*V(j)*(G(i,j)*sin(th(i)-th(j))-B(i,j)*cos(th(i)-th(j)));PP(i,j)=(V(i)^2)*g(i,j)-V(i)*V(j)*(g(i,j)*cos(th(i)-th(j))+b(i,j)*sin(th(i)-th(j)));QQ(i,j)=-(V(i)^2)*b(i,j)-V(i)*V(j)*(g(i,j)*sin(th(i)-th(j))-b(i,j)*cos(th(i)-th(j)));endendP(i)=(V(i)^2)*G(i,i)+P_P;Q(i)=-(V(i)^2)*B(i,i)+Q_Q;endVV=[V(1);V(2);V(3)];h=[P;Q;PP(1,2);PP(2,3);PP(3,1);QQ(1,2);QQ(2,3);QQ(3,1);PP(1,3);PP(2,1);P P(3,2);QQ(1,3);QQ(2,1);QQ(3,2);VV];2、计算H矩阵的函数cal_HHfunction H=cal_HH(V,th0,G,B,P,Q) %其中，P，Q为根据电压估计值计算得到的节点%注入电压b=-B;g=-G;PV=zeros(3,3); %节点注入功率对电压幅值的偏导数QV=zeros(3,3);Pth=zeros(3,3); %节点注入功率对电压相角的偏导数Qth=zeros(3,3);PPV=zeros(3,3); %P ij对V j的偏导数QQV=zeros(3,3); %Q ij对V j的偏导数PPth=zeros(3,3); %P ij对th j的偏导数QQth=zeros(3,3); %Q ij对th j的偏导数PPV1=zeros(3,3); %P ij对V i的偏导数QQV1=zeros(3,3); %Q ij对V i的偏导数PPth1=zeros(3,3); %P ij对th i的偏导数QQth1=zeros(3,3); %Q ij对th i的偏导数VV=eye(3);Vth=zeros(3,2);th=[0;th0];for i=1:3for j=1:3if (i~=j)PV(i,j)=V(i)*(G(i,j)*cos(th(i)-th(j))+B(i,j)*sin(th(i)-th(j)));QV(i,j)=V(i)*(G(i,j)*sin(th(i)-th(j))-B(i,j)*cos(th(i)-th(j)));PPV(i,j)=-V(i)*(g(i,j)*cos(th(i)-th(j))+b(i,j)*sin(th(i)-th(j)));QQV(i,j)=-V(i)*(g(i,j)*sin(th(i)-th(j))-b(i,j)*cos(th(i)-th(j)));PPV1(i,j)=2*V(i)*g(i,j)-V(j)*(g(i,j)*cos(th(i)-th(j))+b(i,j)*sin(th(i)-th(j)));QQV1(i,j)=-2*V(i)*b(i,j)-V(j)*(g(i,j)*sin(th(i)-th(j))-b(i,j)*cos(th(i)-th(j)));if (j~=1)Pth(i,j)=V(i)*V(j)*(G(i,j)*sin(th(i)-th(j))-B(i,j)*cos(th(i)-th(j)));Qth(i,j)=-V(i)*V(j)*(G(i,j)*cos(th(i)-th(j))+B(i,j)*sin(th(i)-th(j)));PPth(i,j)=-V(i)*V(j)*(g(i,j)*sin(th(i)-th(j))-b(i,j)*cos(th(i)-th(j)));QQth(i,j)=-V(i)*V(j)*(-g(i,j)*cos(th(i)-th(j))-b(i,j)*sin(th(i)-th(j)));endif(i~=1)PPth1(i,j)=V(i)*V(j)*(g(i,j)*sin(th(i)-th(j))-b(i,j)*cos(th(i)-th(j))); QQth1(i,j)=-V(i)*V(j)*(g(i,j)*cos(th(i)-th(j))+b(i,j)*sin(th(i)-th(j)));endelsePV(i,j)=(G(i,i)*(V(i)^2)+P(i))/V(i);QV(i,j)=(Q(i)-(V(i)^2)*B(i,i))/V(i);if (j~=1)Pth(i,j)=-B(i,i)*(V(i)^2)-Q(i);Qth(i,j)=P(i)-(V(i)^2)*G(i,i);endendendendH=[[PV,Pth(:,2:3)];[QV,Qth(:,2:3)];...[PPV1(1,2),PPV(1,2),0,PPth(1,2),0;...0,PPV1(2,3),PPV(2,3),PPth1(2,3),PPth(2,3);...PPV(3,1),0,PPV1(3,1),0,PPth1(3,1)];...[QQV1(1,2),QQV(1,2),0,QQth(1,2),0;...0,QQV1(2,3),QQV(2,3),QQth1(2,3),QQth(2,3);...QQV(3,1),0,QQV1(3,1),0,QQth1(3,1)];...[PPV1(1,3),0,PPV(1,3),0,PPth(1,3);...PPV(2,1),PPV1(2,1),0,PPth1(2,1),0;...0,PPV(3,2),PPV1(3,2),PPth(3,2),PPth1(3,2)];...[QQV1(1,3),0,QQV(1,3),0,QQth(1,3);...QQV(2,1),QQV1(2,1),0,QQth1(2,1),0;...0,QQV(3,2),QQV1(3,2),QQth(3,2),QQth1(3,2)];...[VV,Vth]];3、主程序calculate_all.m文件format longG=[3.5613,-1.9442,-1.6171;...-1.9442,3.0993,-1.1551;...-1.6171,-1.1551,2.7722]; %B为节点电导矩阵B=[-24.2087,10.5107,13.698;...10.5107,-20.295,9.7843;...13.698,9.7843,-23.4832]; %G为节点电纳矩阵P=[-1.11;0.88;0.23]; %节点注入功率量测值Q=[-0.135;-0.0424;0.24];PP=[0.613;-0.24;-0.459]; %线路1-2,2-3,3-1注入功率在首端的量测值QQ=[-0.012;0.066;-0.165];PP1=[0.467;-0.6;0.24]; %线路1-3,2-1,3-2注入功率在首端的量测值QQ1=[0.148;-0.024;-0.072];V=[1.0087;1.0198;1.0281]; %节点电压幅值量测值R=diag(ones(21,1)); %权重都取为1Z=[P;Q;PP;QQ;PP1;QQ1;V]; %量测值矩阵V0=[1;1;1]; %初值th0=[0;0];delta=100;iterations=0; %迭代次数while delta>0.000001iterations=iterations+1;h=cal_h(V0,th0,B,G); %计算h矩阵H=cal_HH(V0,th0,G,B,h(1:3,1),h(4:6,1)); %计算H矩阵A=H'*inv(R)*H;b=H'*inv(R)*(Z-h);d=A\b; %求解修正值delta=max(abs(d));V0=V0+d(1:3,1); %修正估计值th0=th0+d(4:5,1);enditerationsV0=V0*230; %转换为有名值th0=th0*180/pi; %转换为度for i=1:3j=num2str(i);v=num2str(V0(i));show1=strcat('The voltage magnitude of node ',j,' is', v,' kV');disp(show1);endfor i=1:2j=num2str(i+1);th=num2str(th0(i));show1=strcat('The phase angle of node ',j,' is ',th,' degrees');disp(show1);end。
基于相对误差的电力系统状态估计方法
基于相对误差的电力系统状态估计方法一、电力系统状态估计概述电力系统状态估计是一种重要的电力系统分析方法，它通过收集系统的实时测量数据，利用数学模型和算法，估计出系统各节点的电压幅值和相角等状态变量。
随着电力系统的规模不断扩大，系统运行的复杂性也随之增加，传统的电力系统分析方法已经难以满足现代电力系统的需求。
因此，基于相对误差的电力系统状态估计方法应运而生，它能够有效地提高状态估计的精度和可靠性。
1.1 电力系统状态估计的重要性电力系统状态估计对于电力系统的安全、经济和稳定运行具有重要意义。
首先，状态估计能够提供系统运行的实时信息，帮助运行人员及时了解系统的实际状况，做出正确的调度决策。
其次，状态估计能够发现系统潜在的问题，如线路过载、电压异常等，从而采取预防措施，避免事故的发生。
最后，状态估计还能够为电力系统的规划和优化提供数据支持，提高系统的运行效率。
1.2 电力系统状态估计的基本原理电力系统状态估计的基本原理是利用系统的实时测量数据，结合系统的数学模型，通过最优化算法求解系统的状态变量。
这些状态变量包括节点电压的幅值和相角、线路的功率等。
状态估计的过程通常包括以下几个步骤：数据收集、数据预处理、状态估计计算和结果分析。
1.3 电力系统状态估计的挑战随着电力系统规模的扩大和复杂性的增加，状态估计面临着诸多挑战。
首先，系统的测量数据量急剧增加，如何处理和分析这些数据成为一个难题。
其次，系统的不确定性因素增多，如负荷波动、设备故障等，这些因素都会影响状态估计的准确性。
最后，现有的状态估计方法在处理大规模系统时，计算效率较低，难以满足实时性的要求。
二、基于相对误差的电力系统状态估计方法基于相对误差的电力系统状态估计方法是一种新型的状态估计方法，它通过考虑测量数据的相对误差，提高了状态估计的精度和可靠性。
该方法的核心思想是将测量误差视为相对误差，而不是绝对误差，从而更准确地反映测量数据的不确定性。
2.1 相对误差的概念相对误差是指测量值与真实值之间的差异与真实值的比值。
电力系统状态估计与故障诊断
电力系统状态估计与故障诊断电力系统是一个复杂的工程系统，它涉及到众多的电力设备、输电线路、变电站和用户终端等，其中任何一个环节的故障都可能对整个系统造成毁灭性的影响。
因此，对于电力系统的状态估计和故障诊断是非常重要的，这可以帮助我们及时发现问题，采取有效的措施，保障电力系统的稳定运行。
电力系统状态估计是指对电力系统中各个节点电压值、相角等电气参数进行估计。
在电力系统运行过程中，由于受到负荷变化、输出电量变化以及输电线路等因素的影响，系统中的电气参数会出现变化。
因此，针对这种情况，我们需要通过状态估计对电力系统中的各个参数进行监测和解决，从而确保电力系统的稳定性。
电力系统故障诊断是指通过对电力系统中各个设备进行检测和分析，从而找出故障点和原因，并采取相应的措施进行修复。
在电力系统运行过程中，由于各种原因，电力设备和输电线路等可能会出现不同程度的故障，这样就会造成整个电力系统的运行出现问题。
因此，对于我们来说，掌握故障诊断技术非常重要，它可以帮助我们快速准确地找出故障，及时采取有效措施，在最短的时间内恢复电力系统的正常运行。
在电力系统状态估计和故障诊断技术方面，我们可以采用最新的计算机技术和智能控制技术，使用模型预测算法进行预测，从而得出准确的状态估计和故障诊断结果。
这样我们可以更好地应对电力系统问题，确保其正常的稳定运行。
另外，客观的说，电力系统状态估计和故障诊断技术还有不少问题需要解决。
其中，最大的问题在于如何对系统进行全面而详细的监测，以便能够及时发现故障点和问题。
此外，我们还需要把握好技术的精准度和可操作性，确保预测结果的准确性和可靠性。
最后，电力系统的安全和稳定运行是我们每个人都关心的问题。
因此，我们需要持续关注电力系统状态估计和故障诊断技术的发展，积极推动其改善和完善，以便我们能够更好地保障电力系统的安全和稳定运行，为社会的发展做出更大贡献。