论文部分内容阅读
电力系统状态估计是能量管理系统(EMS)的核心部分。动态状态估计通过对量测数据的滤波可以得到电力系统运行状态,并且通过状态预测可对电力系统进行安全评估。当前电力系统量测包含传统SCADA数据和少量PMU量测数据,因此本文研究了在混合量测下基于粒子滤波的电力系统动态状态估计方法。首先,本文介绍了电力系统中SCADA和PMU两种量测的特征,分析和比较了PMU和SCADA量测系统的区别,并对两种量测进行混合提供了匹配分析。另外本文针对现在PMU量测配置可观性的问题进行了分析,并提供了一种PMU量测优化配置方法,可以保证PMU的量测可观且经济性最优。其次,本文研究了应用于电力系统动态估计的粒子滤波算法。粒子滤波方法是系统通过一些作为随机样本的粒子,通过观测变量的修正得到粒子权重值,从而估计系统状态。并且本文对电力系统动态模型进行了介绍,还对系统元件进行数学等值,形成电力网络模型。最后,本文将静态和动态状态估计结合在一起,先将SCADA量测数据通过P-Q分解状态估计方法进行估计,得到的估计结果作为动态状态估计的量测数据。配置PMU的节点可得到PMU电压相量量测,且根据PMU支路电流量测和PMU节点电压量测结合可以得到相邻节点电压相量伪量测。静态状态估计结果、PMU电压量测和PMU电压伪量测作为电力系统状态估计混合量测。本文针对混合量测的情况设计了粒子权重更新的方法,根据粒子权重和粒子状态做出状态预测和估计。同时粒子滤波方法通过重采样操作,保证有效粒子的数量。本文在IEEE14和IEEE30节点系统上进行仿真,结果证明了此估计方法的有效性。