状态估计

zylpascal

状态估计.rar (49.24 KB, 下载次数: 22)

2009-1-8 14:12 上传

点击文件名下载附件

状态估计

小电驴

兄弟多加点介绍，资料整理得再细一点就好了

liuqingrui

是啊，还不如直接贴出来。
& G7 Y5 C- Z6 z0 B
( }8 z2 W# F) }8 n9 k《状态估计》部分补充
8 E8 ]! m6 w1 B- u3 E4 m% a- r说明： 资源来自中国学位论文全文数据库，仅供参考
/ d# }* |1 d3 ^5 j7 I4 H/ s# T2 u      
# d6 v0 S3 G- y/ H+ c一、        状态估计的原理和功能
# B) p2 F) V) j4 I6 T# ^参考教材
二、        不良数据的检测与辨识
- W; G" g( T+ K( q, F     一个实用的状态估计软件应该具有检测、辨识和剔除或修正不良数据的能力。因此不  良数据的检测与辨识是电力系统状态估计的重要功能之一，目的是排除量测采样中偶然出 现的少数不良数据，提高状态估计的可靠性。不良数据的检测与辨识依赖于量测冗余度， 并以量测残差矢量、残差方程和残差灵敏度矩阵分析为基础。

% B/ R4 Y0 ?, Q7 T目前应用于电力系统状态估计中的不良数据检测的方法有:
( o8 |  v/ t  t, S9 x$ l(1)使用目标函数极值J(匀检测;
% H' M3 Y9 S  b$ r- J5 x+ F(2)使用加权残差w或标准化残差r.检测;
(3)以上两种方法的综合使用;
(4)量测量突变检测;
(5)基于应用伪量测量的检测。     

+ `  x1 z1 ]* j" P不良数据辨识的主要依据是量测残差矢量，辨识的方法有:
(1)残差搜索辨识法(rw和rN法):
+ D* ?5 V% h' u4 t/ I% e  P(2)非二次准则法;
(3)零残差法-一它是非二次准则法的一个发展;
) d  d7 i  L# I0 U6 w( P$ d(4)估计辨识法。

( v* T2 z0 `( ^+ r$ a在不良数据的检测与辨识的过程中，也会出现一些问题:
9 ?+ V( ]! J2 J(1)以上理论都是基于概率论的理论提出的，因此会出现误检概率和漏检概率这一 对矛盾体，漏检概率愈小，同时意味着误检概率愈大，反之亦然;
7 @) {! ^' i  p5 K, `( C(2)可疑数据检测出来后，除了不良数据点的残差超过检测门槛值的特征外，还有 一些正常测点的残差也超过门槛值，这种现象称为残差污染。残差污染将导致不良数据点 和正常量测点馄淆，导致检测与辨识失败。
(3)当出现多不良数据相互作用时，导致在部分或者全部不良数据点上的残差接近 于正常残差，这种现象叫做残差淹没。使不良数据点不能呈现任何残差特性，影响状态估 计的性能。相关不良数据辨识方法主要有三类:量测误差估计辨识法、组合优化法以及几 何方法等。组合优化方法是对残差搜索法的改善，计算量太大无法实时运行。量测误差估 计辨识法直接通过可疑数据的估计误差来辨识不良数据，检测不良数据并组成可疑数据集是其辨识成功与否的关键，其早期算法的计算量也较大;递归量测误差估计辨识法22[[1、假 设检验法[231、量测补偿法[31在估计辨识法的基础上作了改进，降低了计算量。

三、        电力系统状态估计的常用算法及其性能比较
1、电力系统状态估计的常用算法
4 A# `0 X9 f9 `- o6 J2 ^0 ^（1）        基本加权最小二乘状态估计器（参考教材）
% W2 e2 R7 f$ P0 O2 f* w
4 o  N3 J' J$ h9 x/ P8 o7 s( ?1 m（2）        快速分解状态估计器
( {1 i6 ]5 ?7 `3 Y* F0 R由于基本加权最小二乘状态估计在计算时间和所需内存方面都存在一定的缺陷，实用状态估计为了简化计算和降低内存消耗，形成了两种有效的简化方式:(1)有功和无功的 分解计算:在高压电网中，有功功率尸主要影响到节点相位B，无功功率Q主要影响到节点电压幅值U.(2)雅可比矩阵常数化:雅可比矩阵在迭代中仅有微小的变化，作为常数处理仍能得到收敛的结果。故可在基本加权最小二乘估计器的基础上得出快速分解状态估计器算法。
（3）        量测变换状态估计器
$ v- F/ K# W' o( g. B7 N- U量测变换状态估计算法将支路潮流量测量变换为对支路两端电压差的 “量测”，并假
设运行电压变化不大，最后得到与基本加权最小二乘法状态估计相类似的迭代修正公式，
. e3 z5 |* k' {( R) P* R但其信息矩阵是常实数、对称、实虚部统一的稀疏矩阵。该算法计算速度快而又节省内存。
8 r5 P, p; A  m. W! I（4）        基于卡尔曼滤波的逐次型状态估计器
5 _) o8 ~8 }7 ^5 t) f4 I/ w' k
2、各种常用电力系统状态估计器性能比较      基本加权最小二乘状态估计器、快速分解状态估计器、量测变换估计器和卡尔曼滤波逐次型状态估计器在实际运用中对于不同的研究系统各有长处和不足，对于中小规模系统，上述几种状态估计器的性能差别不大，伴随着系统规模的扩大，则出现一些差别，性
$ c/ \9 F/ G/ [5 j! q& }. B, X能上的差别可归纳如下:
' r$ [. p7 _9 G8 h/ |! P(1)        估计质量方面
在估计质量方面，基本加权最小二乘法、快速分解法和量测变换法这三种算法的估计质量是相近的，而卡尔曼滤波逐次型状态估计算法对于注入型量测量占优势的量测系统或者是对大型系统的估计质量较差。
) L, e- h4 U0 n: y* [(2)        估计计算时间方面
在估计计算前准备方面，上述几种算法计算时间基本相同，但在总的迭代计算时间方面，量测变换估计算法具有一定的优势，其跟踪估计速度最快，次之为快速分解状态估计算法，而卡尔曼滤波逐次型状态估计和基本加权最小二乘法很慢。
7 B4 `7 j- P7 h' Z' p(3)估计迭代次数   在估计迭代次数方面，基本加权最小二乘估计算法是最少的，次之是量测变换状态估计算法，再之是快速分解状态估计算法，卡尔曼滤波逐次型状态估计算法迭代次数是最多的，甚至存在迭代无法收敛的情况。
(4)估计迭代的收敛性      在估计迭代计算的收敛性方面，基本加权最小二乘算法、快速分解状态估计算法和量测变换状态估计算法都能获得收敛的迭代计算结果，与基本加权最小二乘和快速分解算法相比，从目标函数值的下降趋势来看，量测变换估计算法效果较佳。

tj612

谢谢分享！！！

jstzkcg

十分感谢楼主的分享

ziming0463

谢谢楼主分享

rencs1

谢谢斑竹分享，哎！我什么时候才能毕业呢，下载不了东西呀！！

brokenheart

谢谢楼主！