计及量测相关性的电力系统状态估计

摘要

电力系统状态估计是电力系统量测量和能量管理系统(Energy management system，EMS)之间的滤波块，它可以从冗余的量测中估计出系统各个节点母线的电压幅值及相角，为EMS中后续分析及计算提供准确的数据支持。自从状态估计的概念被提出以来，如何提高它的估计精度一直是国内外学者探讨的热门课题。得益于全球卫星定位系统(Global positioning system，GPS)的快速发展，同步相量量测装置(Phasor measurement unit，PMU)被迅速地应用在电力系统中，由于PMU量测相较于传统的数据采集与监测控制系统(Supervisory control and data acquisition，SCADA) 量测而言，具有精度高且采样速率快速等特点，因此PMU量测量的加入，显著提高了传统基于SCADA量测的状态估计的估计精度。 然而随着电力系统的复杂程度日益增大，EMS进一步对状态估计器中数据的精确性提出了更高的要求。由于在工程实际情况下，SCADA量测量和PMU量测量均存在量测相关性的问题，而在传统状态估计过程中，却常常假定量测误差服从独立高斯分布，即忽略量测相关性，因此，本文从量测相关性的角度来考虑如何提高状态估计精度的方法，主要是提出计及量测相关性的电力系统状态估计算法。本文主要内容如下： 1. 分析SCADA量测与PMU量测的测量原理以及它们产生量测相关性的原因。 2. 计及SCADA量测相关性的加权最小二乘法(Weighted Least Squares，WLS)状态估计算法(DWLS-SE)。基本思路：首先采用无迹变换法(Unscented Transformation，UT)计算SCADA量测量的统计相关性，然后改进传统WLS状态估计的量测误差模型，最后得到计及SCADA量测相关性的状态估计结果。将该算法在IEEE标准测试系统中进行仿真实验，结果表明DWLS-SE算法的估计结果精度更高。 3. 基于SCADA/PMU混合量测，提出同时计及SCADA和PMU量测相关性的混合状态估计算法(DH-SE)。基本思路：首先使用PMU缓存器策略处理PMU和SCADA量测之间巨大的采样频率差异，然后采用相量自递归模型(Vector autoregressive model，VAR) 分析缓存器中 PMU 量测数据的时空关联性，最后将缓存器中 PMU 量测量与DWLS-SE估计结果结合进行混合状态估计，得到DH-SE算法的结果。将该算法在IEEE标准测试系统中进行仿真实验，结果表明DH-SE算法提高了混合量测状态估计的精度。

目录

第一个书签之前