状态估计算法说明

合集下载

第二章 电力系统状态估计new

第二章 电力系统状态估计new

一.概述
协同状态估计工作的是不良数据的检测与辨 识,如果有误差很大的,一般没有随机性的数 据(也称不良数据),就应该将它剔除,并重 新进行状态估计,最终建立起完整的电力系统 模型。
由于状态估计必须在几分钟内完成,因此它 通常可以跟踪节点负荷的变化规律,在必要时 可用来提供补充的测量量。因此,状态估计的 计算结果也可以用于负荷预测。
一.概述
状态估计中的“估计”不意味着不准 确,相反,对于实际运行的系统来说, 不能认为潮流计算是绝对准确的,而状 态估计的值显然更准确。
状态估计可认为是一种广义潮流,而常 规潮流计算是一种狭义潮流,及状态估 计中m=n的特例。
二.电力系统状态估计的数学描述与可观察性
一 电力系统测量系统的数学描述
电力系统状态估计(POWER SYSTEM STATE ESTIMATION)是EMS中保证电力系统实时数据质量的 重要一环,它为其它应用程序的实现奠定了基础。
一.概述
采集数据存在的问题
采集的数据是有误差的,不可靠(错误数据)或者 局部信息不完整。
– 模拟量——母线电压、线路功率、负载功率。 • 一般要经过互感器、功率变换器、A/D转换器量化成 数字量,并通过通信传送到控制中心。
二.电力系统状态估计的数学描述与可观察性
(3)随机误差。这是测量系统中不可避 免会出现的。其特点是小误差比大误差出 现的概率大,正负误差出现的概率相等, 即概率密度曲线对称于零值或误差的数学 期望为零。状态估计式(2-1)和式(2-3) 中的误差向量 ν 就是这种误差。
二.电力系统状态估计的数学描述与可观察性
第二章 电力系统状态估计
一.概述 二.电力系统量测系统的数学描述与可观察性 三.电力系统状态估计的理论与计算方法

kalman滤波算法预测和状态估计的基本方程

kalman滤波算法预测和状态估计的基本方程

kalman滤波算法预测和状态估计的基本方程一、简介Kalman滤波算法是一种广泛应用于估计和预测过程的统计方法,尤其在自动化控制领域具有广泛的应用。

本文将介绍Kalman滤波算法的基本方程,包括预测和状态估计的过程。

二、基本方程1.预测方程预测方程是Kalman滤波算法的基础,它基于当前状态和已知的信息,对未来的状态进行预测。

预测方程的形式如下:x[k+1]=x[k]+u[k]+w[k]其中,x[k+1]表示未来的状态,x[k]表示当前状态,u[k]表示输入,w[k]表示过程噪声。

2.状态估计方程状态估计方程是在观测数据与预测数据存在误差的情况下,对当前状态进行估计。

状态估计方程的形式如下:x[k]=(A*x[k]+B*z[k])/(C*z[k]+D*x[k])+e[k]其中,x[k]表示当前状态,z[k]表示观测数据,A、B、C、D分别为状态转移矩阵、观测矩阵、控制矩阵和噪声协方差矩阵,e[k]表示误差项。

3.噪声模型Kalman滤波算法中,噪声模型是关键的一部分。

过程噪声和观测噪声通常被视为正态分布,其方差可以根据实际情况进行调整。

4.滤波增益矩阵滤波增益矩阵是Kalman滤波算法的核心,它用于在预测方程和状态估计方程之间进行转换。

滤波增益矩阵的形式如下:K[k]=P[k|k-1]C*T[C*P[k|k-1]*C*]+R[]/Q[]=H[k]*P[k|k-1]*H*T+R[]/Q[]P[k|k-1]=A*H[k]*P[k|k-1]*H*A*T+H*Q[k]*H*R[k]*H*Q*H+D*C*P[k]*D*C*T+D*Q*D*(A+C)为求得状态估计值及噪声协方差矩阵P及Q的值,必须知道噪声协方差矩阵R及Q的初值及噪声源特性参数(即过程的初值),但具体计算方式较复杂不便详述,读者可以查阅相关文献获取更详细的信息。

同时为了计算滤波增益矩阵K,也需要已知A、B、C、D的值。

三、总结Kalman滤波算法是一种广泛应用于估计和预测过程的统计方法,具有简单易实现、鲁棒性强等特点。

面向高配电网的分布式状态估计及其优化算法

面向高配电网的分布式状态估计及其优化算法

面向高配电网的分布式状态估计及其优化算法第一章前言随着电力行业的快速发展,电网规模不断扩大,电力系统复杂度不断提高。

对高配电网的需求越来越迫切。

高配电网需要面对更多的挑战,如更高的电压等级、更大的电流负载、更复杂的故障特性等。

在这种情况下,传统的电力系统管理方法已经远远不能满足需求。

分布式状态估计技术应运而生。

本文将详细介绍面向高配电网的分布式状态估计及其优化算法。

第二章分布式状态估计基础知识分布式状态估计是一种集成分布式计算和协作控制思想的新型电力系统状态估计技术。

它通过在分布式计算机上同时执行一系列状态估计算法,从而实现对电力系统各电气量进行实时估计。

分布式状态估计技术的优势在于能够提高状态估计的精度和实时性,同时也降低了状态估计的计算负担。

分布式状态估计技术的关键技术包括分布式数据采集、分布式数据通信、分布式协同算法、分布式状态估计算法等。

其中,分布式数据采集是实现分布式状态估计的重要前提,它能够采集到分布式计算机上的各种电气量数据。

分布式数据通信能够实现分布式计算机之间的数据传输和共享。

分布式协同算法是以分布式计算机为基础,实现电力系统状态估计的关键技术。

分布式状态估计算法是指在整个电力系统中所有节点上同时运行的状态估计算法。

第三章面向高配电网的分布式状态估计优化算法在面向高配电网的分布式状态估计中,存在一些问题,如状态估计精度低、状态估计速度慢、通讯延迟等。

基于这些问题,本文提出了一种基于加权贡献度的面向高配电网的分布式状态估计优化算法。

该算法主要从以下几个方面进行改进:1. 加权贡献度的概念引入。

对于状态估计算法中每个变量的参数,计算其在整个电力系统中的权重和贡献度。

然后根据每个变量的权重和贡献度进行加权处理,以此提高状态估计算法的精度。

2. 网络拓扑结构的优化设计。

将电力系统划分成多个区域,并使用分层策略来设计区域的网络拓扑结构。

通过优化网络拓扑结构,减少分布式计算机之间的通讯延迟,提高状态估计算法的速度。

第四章 电力系统状态估计.ppt

第四章 电力系统状态估计.ppt
Cw,i Ri1 2Ci
不良数据
三、不良数据的辨识方法
1、残差搜索法:将量测按残差(加权残 差或标准化残差)由大到小排队,去掉 残差最大的量测重新进行状态估计。再 进行残差检测,还有可疑数据时继续上 述过程。
2、非二次准则辨识法:在迭代中按残差 的大小修改其权重,残差大者降低其权 重,进一步削弱其影响得到较准确的状 态估计结果。
第2类基尔霍夫型伪量测量:0阻抗支路
i j 0 (i, j ZBR)
Vi V j 0 (i, j ZBR)
x

Pij

Qij
(i, j ZBR)
二、基本加权最小二乘 数学模型 法状态估计
迭代修正式
xˆ (l) H T ( xˆ (l) )R1H ( xˆ (l) ) H T ( xˆ )(l) R1 z h( xˆ (l) )
不良数据
二、不良数据的检测方法
1、粗检测 2、残差型检测
加权残差检测 标准残差检测
rw,i rw rN,i rN
3、量测突变检测
Ci c
Ci

z
( i
k
)

z (k 1) i
不良数据
二、不良数据的检测方法
4、残差与突变联合检测
Si k
Si rw,i K rw Cw,i Kcw
Pij Qij
z


Pi

Qi
Vi

待求的 状态量
x

i
Vi

数学模型
一、状态估计的数学描述
量测方程
Pij (ij ,Vij )

状态估计

状态估计

(6) 确定各加给水出口温度和抽汽压力的关系式。 Δp Δp 抽汽压损变工况: il pil = i pi 那么进气压力:pil ‘ = pil − ∆pil
dJ
将以上这个式子带入上式,得到H t R−1 Z − h x + H △ X k M △ X k+1 = H t R−1 △ Zk
△ Zk = Z − h(X k ),M=H t R−1 H称为信息矩阵,它通常是对称正定矩阵,这种方式称为正 规方程组法。 L-M 算法就是在上式 M+μD,D 为单位矩阵
汽轮机状态估计建模 模型已知参数为主蒸汽压力、温度、再热温度、背压和机组功率。状态参数选择调节 级后压力、各抽压力以及再热压力。 建模方法: (1) 根据发电功率,以设计工况为基准工况进行变工况计算,算新蒸汽量。 D1 =
D0P1 P0
(2) 确定调节级后热力状态点
(3) 压力机组相对内效率确定。厂家提供的流量效率曲线,或者热力试验拟合出流 量内效率曲线。 (4) 抽气压力和相对内效率,确定焓值。 (5) 确定抽汽点温度和压力。这里压力就是赋值的状态变量,温度和压力的关系式 就是温度和状态变量的关系式。估计值和测量误差叠加就的抽起点湿度的测量 值 对于第一机组: v1 = vad pad
1
p1
γ1
t1 = f(p1 , v1 ) pad , vad 分别为调节级的压力和比容:γ1 为级组 1 的多变过程指数 v2 = v1 p1
1
p2γ 21Fra bibliotekt 2 = f(p2 , v2 ) 以此类推。 理想气体状态方程 T = PV R 多变指数:γi = k (k − ηi k − 1 ) ηi 是第 i 组的内效率,k 是机组绝热指数。

状态估计 算法

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。

华北电力大学电力系统分析2-05

华北电力大学电力系统分析2-05

③实部和虚部的迭代合用同一个实数信息矩阵 (BTDB),既节约内存,又节约矩阵分解计算 时间。
二、算法特点
④只能处理支路潮流测量量,而不能处理其他 形式的测量量,如节点注入功率。在实际系 统中,如果排除掉支路潮流以外的其他测量 量后,系统可观测性被破坏,则本方法不能 使用。而且,因不能充分利用全部测量量而 降低了状态估计结果的可信度。
* *
* * U j y jj U j
*
2 j ) / Z ij U i
y ii
U j (U j U i ) / Z ij U 2 y jj j
*
*
一、数学模型
变压器支路:U i
i
S ij
K Z ij
j
S ji
Uj
1 1 yii 1 K KZ ij
变压器j侧:S ji U j (U j U i ) /( K Z ij ) U 2 (K 1) /( K Z ij ) j
U M ,ij U i U j
*
*
*
*
KZ ij
*
S M , ji U j ( K 1)
*
U

一、数学模型
统一表示成矩阵形式:
状态向量——节点复电压 U
目标函数变为
J (U ) [ S M S c (U )]T R 1 [ S M S c (U )]*
一、数学模型
线路支路:
Ui
i
S ij
Z ij
j
S ji
Uj
yii
y jj
* U j U Ui S ij yiiU i i Z ij

状态估计

状态估计

• 内容 • 在确定情形下,线性系统的状态估计的主要方 法有龙根伯格观测器。只有系统的能观测部分 的状态才能重构,而且能以任意快的速度来重 构,但在具体实现时则受到噪声、灵敏度等因 素的限制。在系统的装置或其观测通道受有随 机噪声干扰时,则必须用统计估计方法来处理。 依观测数据与被估状态在时间上的相对关系, 状态估计又可区分为平滑、滤波和预报三种情 形。
• 状态估计
• 定义:在给定网络拓扑结构及元件参数的条件 下,利用遥测遥信信息估算电力系统运行状态。
• 根据可获取的量测数据估算动态系统内部状态 的方法。对系统的输入和输出进行量测而得到 的数据只能反映系统的外部特征,而系统的动 态规律需要用内部(通常是无法直接量测)状 态变量来描述。因此状态估计对于了t),如果可用的 信息包括t以后的观测值,就是平滑问题。 • 如果可用的信息是t以前的观测值,估计可 实时的进行,称为滤波问题。 • 如果必须用时刻(t-Δ)以前的观测来估计 经历了Δ时间后的状态x(t),则是预报问 题。
• 状态估计中所应用的方法属于统计学中的估计 理论。最常用的是最小二乘估计,其他如风险 准则的贝叶斯估计、最大似然估计、随机逼近 等方法也都有应用。不管维纳滤波还是卡尔曼 滤波,这些方法都只适用于线性系统,而且需 要对被估计过程有充分的知识。对于非线性系 统或对动态系统特性不完全了解的复杂估计问 题,还需要深入研究。工程上可以用一些近似 计算方法来处理,常见的有基于局部线性化思 想的广义卡尔曼滤波器、贝叶斯或极大后验估 值器和可以根据滤波过程的历史知识自动修改 参数的自适应滤波或预报技术等。
工程上可以用一些近似计算方法来处理常见的有基于局部线性化思想的广义卡尔曼滤波器贝叶斯或极大后验估值器和可以根据滤波过程的历史知识自动修改参数的自适应滤波或预报技术等

状态估计算法说明

状态估计算法说明

配电网状态估计的作用是充分利用量测数据,辅以历史负荷数据,利用数据的冗余性,通过一定方法计算出全网状态,剔除不良数据,补足缺乏量测,提高量测数据的一致性和精度,为其他配网高级应用软件提供全面可靠的数据。

该三相状态估计算法是通过对传统的输电系统的状态估计算法进展改良得到,主要采用加权最小二乘算法。

由于量测数据都有一定误差,该算法对量测做了局部简化假定:1〕随机量测噪声的均值为0;2〕量测误差平方的期望值服从标准差为σ的正态分布; 3〕不同量测之间互不相关。

在给定系统网络接线、支路参数和量测系统的条件下,设系统状态变量的个数为n ,量测量的个数为m ,那么反映量测量与系统状态变量之间关系的非线性量测方程可写为(4-1)式中,为量测量向量〔简称量测向量〕,,其中,为系统的第i 个量测量,;为状态变量向量〔简称状态向量〕,,其中,为系统的第i 个状态变量,;为非线性量测函数,描述了量测向量与状态向量之间的关系;为量测误差向量,,其中,为第i 个量测量的量测误差。

根本加权最小二乘状态估计法是以计算得到的状态变量的估计值所对应的量测估计值和量测值之差的加权平方和最小为目标准那么的估计方法。

它是许多状态估计算法的根底方法。

给定量测向量z 和量测方程式,可建立基于加权最小二乘法的系统状态估计的目标函数(4-2)式中,为量测权重矩阵,,其中,为第i 个量测量的权值。

假定量测误差向量服从高斯分布,那么,,其中,R 为量测误差协方差矩阵。

由于通常可假定各个量测误差之间相互独立,因而(4-3)()x =+z h v z 12[,,...,]Tm z z z =z i z 1,...i m =x 12[,,...]T n x x x =x i x 1,...i n =()h x z x v 12[,,...]T m v v v =v i v ()(())(())T J =--x z h x W z h x W 12[,,...]Tm w w w =W i w i z v ()=0E v ()=TE R vv 21222m R σσσ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦式中,为第i 个量测量的量测误差方差,i=1,2,…,m 。

3 电力系统状态估计算法

3 电力系统状态估计算法


量测雅克比矩阵 信息矩阵 H R H 状态估计误差方差阵
T 1
h( x ) H x
ˆ(k ) x x
T T 1 ˆ x x ˆ E x x H R H
1

量测估计误差
ˆ) H(x ˆ )x ˆ H(x ˆ )( x x ˆ) ˆ z h( x zz

收敛条件
ˆi ( l ) x
max i
x
ˆ (l ) ) J ( x ˆ ( l 1) ) J J(x ˆ (l ) x

三个收敛条件 任选其一即可

概述
WLS
FDSE
变换量测
比较
1
示例
ˆ (k ) ) z ( k ) z h( x
R 1 H H T R 1z ( k ) x ˆ ( k 1) x ˆ ( k ) x ˆ (k ) x
WLS与FDSE 求解方法的 区别?
l=l+1
计算b;求解△ v( l ) v 否 是
Q-V迭代
vi( l )
max
v ?
KQ=1 v(l+1)=v(l)+△v(l) 否
KQ=0 KP=0? 是
概述
WLS
FDSE
变换量测
比较
示例
WLS与FDSE的区别
算法 求解方式 方程维数 系数矩阵 WLS 同时求解 θ 和 v n=na+nr 变化的 FDSE 分别求解 θ 和 v na和nr 常数

采用PQ分解法求解潮流 的思想,将有功和无功 解耦以及雅克比矩阵常 数化的方法用在加权最 小二乘法中,形成了快 速分解状态估计算法。

电力系统自动化5 电力系统运行的状态估计

电力系统自动化5 电力系统运行的状态估计

• 协方差 co v( v i , v j ) :有多个测量量的情况,如电压、电流与功率
第五章 电力系统运行的状态估计
第二节 最小二乘法估计
第二节 最小二乘法估计
真值已知时,测量值具有随机误差性质 z h x v 。
实践中真值为待求量,要通过多次测量进行科学估计得到。
1.对估计的要求
应为无偏估计: E ( z hx ) E v 0 ˆ 估计值应有很高的精确度:J(z) 或 varz 最小
第五章 电力系统运行的状态估计
第三节 电力系统运行状态的数学模型
2.复杂电网方程
节点导纳矩阵
Y1 1 Y 21 Y M Yn1

Y1 2 Y2 2 M Yn 2
L L O L
Y1 n Y2 n M Ynn
对角元 Yii 称为自导纳,数值上等于该节点直接连接的所有 支路导纳的总和; 非对角元 Yij 称为互导纳,数值上等于连接节点 i ,j 支路 导纳的负值。
联立并将下二式代入
& U i U i i U i (co s i j sin i ) & U j U j j U j (co s j j sin j )
% & S ij Pij j Q ij U i Iˆij I& ij
Pij j Q ij



( z ) p ( z )d z
2
记作 R v
二者区别:J(z)只需Ez,varz还需概率密度分布曲线p(z)。
第五章 电力系统运行的状态估计
第一节 测量系统误差的随机性质
3.无偏量测条件下,仪表准确度与方差的关系

07电力系统状态估计

07电力系统状态估计

下图表示状态估计在电力调度自动化中的作用
六、状态估计的基本步骤
七、状态估计算法简介及介绍
1、加权最小二乘法 加权最小二乘估计法在状态估计中应用最 为广泛。 目标函数如下:
J xˆ z Hxˆ T R 1 z Hxˆ min
由于量测方程为非线性方程,因此采用迭代法 求其状态量,迭代修正公式为:
3)基于等效电流量测变换法的估计质量和收 敛性能与快速分解状态估计算法相近,节省 内存,算法效率高,是一种实用价值很高的 算法。
八、状态估计研究方向展望
随着电力系统规模的不断扩大,各种新理论、 新技术的不断涌现,无论从理论方面还是从 实际应用需求方面,状态估计算法仍有许多 问题需研究。状态估计算法在以下方面有重 要的研究价值:

min
k

z

hxˆ2
i 1
i 1
五、状态估Leabharlann 的作用(1)发现、修正不良数据和结构误差,滤去各 种误差,得到统计意义上的最佳估计值。
(2)计算出不能直接测量的状态变量。(如相 角)
(3)补足没有测量的量。 (4)离线的状态估计计算可以用来模拟各种信
息收集系统方案,以得到经济上和技术上的 最佳方案。
它是假定量测量按照理想的正态分布,对理想 正态分布的量测量,估计具有最优一致且无偏 等优良传统特性。但当正态分布的数据中含 有坏数据时,WLS的估计结果会偏离真值较 远。而且,在实际情况下,量测数据并不完全 严格服从正态分布,导致坏数据很难完成检测 与辨识。
2、P-Q快速分解法
P-Q分解法是基于加权的最小二乘法发展而 的,这种算法是将电力系统中有功和无功进行分解, 将雅克比矩阵常数化,降低了问题的阶次减少了雅 克比矩阵的重复计算,大大的加快了潮流的计算速 度。

8 状态估计(卡尔曼滤波)

8 状态估计(卡尔曼滤波)

8 状态估计(卡尔曼滤波)内容提要本章将介绍状态估计方法。

一般来讲,观测向量的维数总是小于系统状态向量的维数。

其原因主要基于以下两点:首先,在很多情况下系统的状态变量没有明确的物理意义,根本无法直接通过仪器设备获得;其次,为了减少系统的投资,在可能的条件下,观察量应尽量减少。

本章就讨论如何通过观察向量去估计系统的状态向量,主要内容为:离散随机系统的数学描述,最小方差估计,线性最小方差估计,最小二乘估计和投影定理以及离散系统的卡尔曼滤波。

最小方差估计是一种理想的估计,但需要了解被估计量的概率分布或密度,这就限制了应用,线性最小方差估计只需要了解被估计量的一阶矩和二阶矩,这在实际中容易实现,因此应用的比较广泛,卡尔曼滤波是一种递推的线性最小方差估计。

最小二乘估计不需要知道关于被估计量概率分布和矩的任何先验信息,只要采集足够多地的相互独立的样本就可以实现最小二乘估计。

最小二乘估计也是实际中最常用的估计方法之一。

习题与解答8.1试求常数a , 使()()()22E X a x a p x dx ∞-∞⎡⎤-=-⎣⎦⎰取最小值,其中X 是随机变量。

解 注意22()()()2()()2[()()]2()d E x a x a p x dx da a x a p x dxxp x dx a p x dx Ex a ∞-∞∞-∞∞∞-∞-∞∂-=-∂=--=--=--⎰⎰⎰⎰令此导数等于零,可得a Ex = □8.2. 根据两次观测1311201110x e ⎡⎤⎡⎤⎢⎥⎢⎥=+⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦;[]2512x e =+ 求x 的最小二乘估计。

解 ()Y X XX x T T 1-=⎪⎪⎪⎪⎪⎭⎫⎝⎛⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎪⎭⎫⎝⎛⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛=-51232011110121011011201111011⎪⎪⎭⎫ ⎝⎛=⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛=-2115963331□8.3 如公式()1T T LS X H H H Z ∧-=中的()TH H 没有逆存在,那代表什么情况?解 如()T H H 无逆,则ˆLS X 公式推导过程中只能得到()T T H H X H Z =,由于||0T H H =,可知方程有无穷多组解,即Z HX =的解不唯一,估计值不确定。

soc状态估计算法研究

soc状态估计算法研究

soc状态估计算法研究
SOC状态估计算法是一种重要的电池管理技术,用于估计电池的SOC(State
of Charge)。

目前,SOC状态估计算法已被广泛应用于电动汽车、混合动力汽车、储能系统和太阳能电池组等领域。

SOC状态估计算法通常基于电池模型,并利用电池的电压、电流和温度等参数来估计电池的SOC。

其中,电池模型通常包括电化学模型和等效电路模型。

电化
学模型是一种基于电池内部化学反应的模型,而等效电路模型则是一种将电池抽
象为电路元件来建模的方法。

SOC状态估计算法的研究主要包括基于滤波器的方法、基于卡尔曼滤波的方法、基于神经网络的方法、基于粒子滤波的方法等。

这些方法各有优缺点,应根据具
体应用场景选择合适的方法。

除了算法本身的研究外,SOC状态估计算法还需要考虑到实际应用的环境因素,如电池寿命、温度变化、电荷和放电速率等。

因此,SOC状态估计算法的研究需
要综合考虑电化学、控制、计算机科学等多个学科的知识,才能更好地解决实际
应用中的问题。

电力系统状态估计算例

电力系统状态估计算例

电力系统状态估计算例近年来,随着电力系统规模的不断扩大和复杂性的提高,电力系统的状态估计技术变得越来越重要。

电力系统状态估计是指根据电力系统的输入输出数据,利用数学模型、观测数据等手段,对电力系统的状态进行评估和预测,从而提供可靠的参考和指导。

电力系统状态估计是电力系统自动化和智能化的关键技术之一,已经成为电力系统运行和管理的重要工具。

下面我们来看一个电力系统状态估计的算例。

假设有一条输电线路,该线路长度为100千米,起始电压为345千伏,终止电压为220千伏,传输功率为400兆瓦。

电力系统状态估计所要求的是该系统在不同时刻的电压、电流、功率等状态参数的估算。

首先,我们需要使用数学模型建立电力系统的状态方程。

对于这条输电线路,可以使用传输线模型,即将输电线路看成一个 RC 电路。

假设该输电线路的电阻 R 为0.2欧姆,电感 L 为0.5毫亨,电容 C为200微法,则该输电线路的传输线模型方程为:L di / dt + Ri + V = Vm * sin(ωt)C dv / dt + i / C = 0其中,i 和 v 分别表示输电线路的电流和电压,R、L、C 分别表示电阻、电感和电容,V 表示输电线路的阻性电压降,Vm 和ω 分别表示输电线路的始端电压和角频率。

接下来,我们需要利用观测数据来对电力系统的状态进行估计。

观测数据包括电压、电流、功率等数据。

针对这条输电线路,我们可以采用相电压法来进行状态估计。

假设我们选择输电线路始端的 A 相电压作为参考电压,那么我们可以根据相电压法得到输电线路的电压和电流的估算值,如下所示:Va = Va + Zab * IaVb = Va + Zbc * IbVc = Va + Zca * IcIa + Ib + Ic = 0其中,Va、Vb、Vc 分别表示 A、B、C 三相电压的估算值,Ia、Ib、Ic 分别表示 A、B、C 三相电流的估算值,Zab、Zbc、Zca 分别表示 A-B、B-C、C-A 三段电阻和电抗的总和。

电力系统状态估计算法

电力系统状态估计算法

无功量测:
支路无功量测
节点注入无功量测
节点电压幅值量测
16/67
分解的物理基础
对高压电力网
有功和相角的关系密切而受电压的影响相对较小
无功与电压幅值的关系密切而受相角的影响较小
与PQ分解法潮流计算作类型的假设,即
ha hr 0 0 T T v θ
17/67
4/67
三种常用的最小二乘类算法
基本加权最小二乘法(牛顿法)
快速分解法 变化量测量
5/67
状态估计与潮流相比
节点划分?
潮流计算分为三类节点
而状态估计是没有节点类型的概念的
一个n节点的网络,状态变量有多少个? 状态变量有2n-1个
因为必须指定一个节点的相角为0
方程的个数?
xT
根据数学知识: J ( x) 2 H T ( x) R1 z h( x) 0 简化:
H T ( x ) R1 z h( x ) 0
7/67
如何求解?
ˆ f ( x) H T ( x ) R1 z h( x) 0 牛顿法
f ( x ) f ( x0 ) x 0 T x
2 T 2 2 T ( A v0 Ba Ra 1 v0 Ba a ( l ) v0 Ba Ra 1zal )
Aθ (l ) a (l ) Bv (l ) b(l )
T A H aa Ra 1H aa T B H rr Rr1H rr T ( a (l ) H aa Ra 1zal ) T b(l ) H rr Rr1zr( l )
1
12/67
冗余度与估计精度
误差方差阵[HTR-1H]-1中对角元素表示量测系统可能 达到的估计效果,是评价量测系统配置质量的重要 指标。

第2章 状态估计

第2章 状态估计

第2章状态估计1.Kalman滤波概述卡尔曼滤波器是Kalman在1960年提出的一种滤波算法,该方法采用用递归的方法解决离散数据线形滤波问题。

根据其算法原理,人们相继提出了广义卡尔曼滤波算法和局域卡尔曼滤波算法,并应用到各类问题的解决中。

● 卡尔曼滤波器由一系列递归数学公式描述,用于估计离散事件过程的状态变量x ∈R n 。

这个离散事件过程可由离散随机差分方程描述:111---++=k k k k w Bu Ax x● 其中,A 是过k -1 时刻状态对k 时刻状态的增益矩阵,B 为可选控制输入u ∈R l 的增益矩阵。

定义观测变量z ∈R m ,得到测量方程:k k k v Hx z +=● 其中,H 表示状态变量x k 对测量变量z k 的增益;w k 和v k 分别表示过程激励噪声和观测噪声。

设它们相互独立,并呈正态分布:),0(~)(),,0(~)(R N v p Q N w p● 定义n k R x ∈-ˆ表示x 在已知第k 步以前状态情况下对第k 步的先验状态估计;定义n k R x ∈ˆ为已知测量变量z k 时第k 步的后验状态估计。

因此定义先验估计误差和后验估计误差:---=k k k x x e ˆ和k k k x x e ˆ-=-。

先验估计误差的协方差为:][Tk k k e e E P --=;后验估计误差的协方差为: ][Tk k k e e E P =,根据滤波器概率原型,卡尔曼滤波器的表达式为:)ˆ(ˆˆ---+=k k k k x H z K x x其中K 为n ×m 阶矩阵,称为残余的增益或混合因数,其作用是使后验估计协方差最小。

K 的计算方法可以用另一种表示形式表示为:1)(---+=R H HP H P K T k T k k整个卡尔曼滤波算法可由时间更新方程和状态更新方程共同表示,时间更新方程用于对未来状态进行预测,测量更新方程通过卡尔曼增益对观测变量进行误差协方差的更新。

状态估计卡尔曼滤波

状态估计卡尔曼滤波

分别对a(k)和b(k)求导,并令其等于0,求其最佳估计,得出 a(k)与b(k)的关系:
a(k)=a[1-cb(k)]
最后有递归估值器:
Xˆ (k) aXˆ (k 1) b(k)[ z(k) acXˆ (k 1)]
34
自动化学院
NUST
智能信息处理技术
b(k)为滤波器增益
其中,
b(k
)
n jni
1 m2
j
n2 ji
i
当i=j时δij=1,当i≠j时δij=0,有
ij m
最后得:
P
2 n
m
13
自动化学院
NUST
智能信息处理技术
结论
^
①估计值 是X用m个采样值的平均值作为被
估参量x的近似值;
②估值器的均方误差随着m的增加而减少;
③该估值器是一个无偏估值器。
E(Xˆ )
E
1 m
i 1
当h1=h2=…=hm=1/m时,

1 m
m i 1
zi
该式表明,估计Xˆ 是用m个采样值的平均值作为被估参量x的
近似值的,故称其为采样平均估值器。
12
自动化学院
NUST
智能信息处理技术
估计的均方误差以Pε表示,有
P
E( 2 ) E ( Xˆ x)2
E
1 m2
m j1
m i1
yk zk
ayk1 x nk
zk
式中,zk与非递归情况相同;a是一个小于1的滤波器加权系数,
如果它大于或等于1, 该滤波器就不稳定了。
16
自动化学院
NUST
智能信息处理技术
k时刻的输出: yk=ak-1z1+ak-2z2+…+azk-1+zk

3节电力系统状态估计(WLS算法)

3节电力系统状态估计(WLS算法)

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):母线电压量测(标幺值):【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】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】,,A X=b,得X+Xmax|X|<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。

安全状态估计算法

安全状态估计算法

安全状态估计算法
安全状态估计算法是一种用于评估系统或设备的安全状态的算法。

这种算法通常基于对系统或设备的各种参数和指标的监测和分析,以确定系统或设备是否处于安全状态。

安全状态估计算法可以根据不同的系统和应用进行定制,但通常包含以下几个步骤:
1. 数据采集:收集系统或设备的各种参数和指标,例如温度、压力、电流、电压等。

2. 数据处理:对采集到的数据进行清洗、去噪、归一化等处理,以确保数据的准确性和可靠性。

3. 特征提取:从处理后的数据中提取出与安全状态相关的特征,例如异常值、趋势、模式等。

4. 状态评估:利用提取的特征和预先设定的规则或模型,对系统或设备的安全状态进行评估。

5. 预警与控制:根据评估结果,如果系统或设备存在安全隐患,则发出预警信号或采取相应的控制措施,以防止事故的发生。

安全状态估计算法通常需要综合考虑多种因素,包括系统或设备的物理特性、运行环境、历史数据等。

因此,算法的设计需要根据具体情况进行调整和完善。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

配电网状态估计的作用是充分利用量测数据,辅以历史负荷数据,利用数据的冗余性,通过一定方法计算出全网状态,剔除不良数据,补足不足量测,提高量测数据的一致性和精度,为其他配网高级应用软件提供全面可靠的数据。

该三相状态估计算法是通过对传统的输电系统的状态估计算法进行改进得到,主要采用加权最小二乘算法。

由于量测数据都有一定误差,该算法对量测做了部分简化假定: 1)随机量测噪声的均值为0;
2)量测误差平方的期望值服从标准差为σ的正态分布; 3)不同量测之间互不相关。

在给定系统网络接线、支路参数和量测系统的条件下,设系统状态变量的个数为n ,量测量的个数为m ,则反映量测量与系统状态变量之间关系的非线性量测方程可写为
(4-1)
式中,
为量测量向量(简称量测向量),,其中,为系统的第i 个量测量,;
为状态变量向量(简称状态向量),,其中,为系统的第i 个状
态变量,;
为非线性量测函数,描述了量测向量与状态向量之间的关系;
为量测误差向量,,其中,为第i 个量测量的量测误差。

基本加权最小二乘状态估计法是以计算得到的状态变量的估计值所对应的量测估计值和量测值之差的加权平方和最小为目标准则的估计方法。

它是许多状态估计算法的基础方法。

给定量测向量z 和量测方程式,可建立基于加权最小二乘法的系统状态估计的目标函数
(4-2)
式中,为量测权重矩阵,,其中,为第i 个量测量的权值。

假定量测误差向量服从高斯分布,则,,其中,R 为量测误差协
方差矩阵。

由于通常可假定各个量测误差之间相互独立,因而
(4-3)
()x =+z h v z 12[,,...,]T
m z z z =z i z 1,...i m =x 12[,,...]T
n x x x =x i x 1,...i n =()h x z x v 12[,,...]T m v v v =v i v ()(())(())T J =--x z h x W z h x W 12[,,...]T
m w w w =W i w i z v ()=0E v ()=T
E R vv 2
12
2
2m R σσσ⎡⎤⎢⎥⎢
⎥=⎢⎥⎢⎥⎢⎥⎣

式中,为第i 个量测量的量测误差方差,i=1,2,…,m 。

一般可取量测权重矩阵=,即
(4-4)
从而,式(4-2)可以写为
(4-5)
对目标函数求最小值,即可以求解出系统状态的估计量。

为求取,将式(4-5)所示目标函数对求偏导,令其为零,
(4-6)
可得
(4-7)
式中,为量测函数的雅可比矩阵,其阶数为。

(4-8)
利用泰勒级数将非线性量测函数在系统运行状态点x 0附近展开,忽略二阶及以上的高阶项,仅保留常数项和一次项,可得到线性化方程
(4-9)
对公式(4-7)和公式(4-9)联立,可得迭代方程组的形式为
(4-10)
(4-11)
其中,称之为增益矩阵;、分别为第k 次和第k+1
2
i σW 1
R -212
2
211
1m W σσσ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢
⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣

-1()(())(())T J =--x z h x R z h x min ()x
J x x ∧
x ∧
x ()
0J x x
∂=∂1()[()]0--=H x R z h x ()H x m n ⨯1111
2
2221
211
2()()()()
()()()()()()()n n m m n h h h x
x x h h h x x x h h h x x x ∂∂∂⎡⎤
⎢⎥
∂∂∂⎢

∂∂∂⎢⎥
∂⎢
⎥∂∂∂==⎢⎥∂⎢⎥


∂∂∂⎢⎥
⎢⎥∂∂∂⎣⎦
x x x x x x h x H x x
x x x 00()()()≈+∆h x h x H x x ()1()()1()()()[()]k k T k k x G x H x R z h x --∆=-(1)()()k k k x x x +=+∆()
()
1
()
()()()k T
k k G x H x R H x -=()k x (1)k x +
次迭代得到的状态变量。

最后,对公式(4-10)和公式(4-11)利用牛顿法等迭代求解,直到满足收敛判据,就
可得到系统状态的估计值。

假设5节点三相系统,
本三相状态估计算法,将每个节点的三相均视为独立的节点。

平衡节点ABC 三相相角依次为0,-120,120度,幅值均为1。

则该系统共有5×3=15个。

节点1号ABC 三相节点等效至独立节点编号为1,2,3,节点1号ABC 三相节点等效至独立节点编号为4,5,6,以此类推。

此后,该系统类似单相系统状态估计方法。

算法如下:
状态变量:所有节点的电压幅值和相角。

x T =[θ2θ3…θN V 2V 3…V N ]
量测量:为所有节点的电压幅值、有功功率、无功功率以及线路的有功功率和无功功率。

m T =[V 2V 3…V N P 1P 2…P N Q 2Q 3…Q N P 12P 23…P N−1,N Q 12Q 23…Q N−1,N ] 潮流方程:
P i =V i V j (G ij cos θij +B ij sin θij )jϵN
Q i =V i V j (G ij sin θij −B ij cos θij )jϵN
P ij =V i 2g ij −V i V j (g ij cos θij +b ij sin θij ) Q ij =−V i 2b ij −V i V j (g ij sin θij −b ij cos θij )
雅可比矩阵为:
x
H=
ðV mag
ðP inj
ðθ
ðP inj
ðV ðQ inj
ðθ
ðQ inj
ðV ðP flowðP flow
ðQ flowðQ flow
雅可比矩阵元素:
ðV i
i
=1
ðV i
j
=0
ðV i
i
=0
ðV i
j
=0
ðP i
i =V i V j −G ij sinθij+B ij cosθij−V i2B ij N
j=1
ðP i
ðθj
=V i V j G ij sinθij−B ij cosθij
ðP i ðV i =V j G ij cosθij+B ij sinθij+V i N
j=1
G ii
ðP i
j
=V i G ij cosθij+B ij sinθij
ðQ i
i =V i V j G ij cosθij+B ij sinθij−V i2G ii N
j=1
ðQ i
ðθj
=V i V j −G ij cosθij−B ij sinθij
ðQ i
i =V j G ij sinθij−B ij cosθij−V i N
j=1
B ii
ðQ i
j =V i G ij sin θij −B ij cos θij ðP ij
i
=V i V j G ij sin θij −B ij cos θij ðP ij
ðθj
=−V i V j G ij sin θij −B ij cos θij ðP ij
i
=−V j G ij cos θij +B ij sin θij +2G ij V i ðP ij
ðV j =−V j G ij cos θij +B ij sin θij ðQ ij
ðθi
=−V i V j G ij cos θij +B ij sin θij ðQ ij
ðθj
=V i V j G ij cos θij +B ij sin θij ðQ ij
ðV i
=−V j G ij sin θij −B ij cos θij −2B ij V i ðQ ij
ðV j
=−V j G ij sin θij −B ij cos θij 按雅克矩阵摆放格式得雅可比矩阵,得增益矩阵为:,根
据潮流方程及初始状态量值求得h (1)(x),该矩阵维数等于量测量个数;根据式△
x =G(x (1))-1×H (1)T ×R -1×h (1)(x)求得修正量,判断迭代条件,若为非,则更新修正
状态量值,并重新计算雅可比矩阵,增益矩阵然后继续迭代。

该算法流程图为:
()()1()
()()()k T k k G x H x R H x -=。

相关文档
最新文档