适应高比例可再生能源系统的混合动态状态估计

With the rapid increase of the proportion of renewable energy in the power system, the uncertainty of information of system states and power flows increases sharply, and the frequency of the changes of synchronous machines’ dynamic states increases sharply. This makes it difficult for traditional state estimation to provide accurate, reliable and sufficient information for the power system. Therefore, the algorithms for state estimation must be updated to meet these challenges. There are two problems in the existing methods, including having either low estimation accuracy or limited scope of application cases, and being unable to estimate the dynamics states of the synchronous machines. To solve these two problems, a stochastic method based on multiple hypothesis distribution method and Gaussian mixture model in combination with hybrid dynamic state estimator is proposed. In the meantime, the project aims to study how to maximize the precision of state estimation, and is planned to carry out the following work: 1) Propose a new stochastic method based on multiple hypothesis distribution method that is capable of performing state estimation where probability distribution of the stochastic variables are unknown, and solve the problem that the existing stochastic method can only be applied to stochastic variables with known probability distribution; 2) study the optimal combination of the stochastic method based on Gaussian mixture model and the two dynamic models of the dynamic state estimator, so as to minimize the complexity of the algorithm and maximize the accuracy of the estimation; 3) study how to improve the accuracy of state estimation as much as possible while keeping its robustness.

随着电力系统可再生能源比例的快速上升，系统状态、潮流等信息的不确定性急剧升高，同步机动态状态变化的频率大幅升高；传统状态估计难以继续向电力系统提供准确、可靠、足够的信息。因此，必须更新状态估计的算法来应对这些挑战。本项目针对现有方法精度过低或适应面不够，以及无法估计同步机动态状态的问题，拟采用基于多假设概率分布法与高斯混合模型的概率法结合混合动态状态估计器来解决这两个问题。同时本项目将研究如何尽可能提高状态估计精度。本项目将着重开展如下工作：1）提出一种新的基于多假设概率分布法的概率法，使其能对存在未知概率分布的强不确定变量的系统进行状态估计，解决现有概率法只能适用于已知概率分布的强不确定变量的问题；2）研究基于高斯混合模型的概率法与动态状态估计器的两种动态模型的最优结合方法，使算法的复杂度尽可能低，估计的精度尽可能高；3）研究如何在兼顾鲁棒性的情况下尽可能提升状态估计的精度。

针对当前可再生能源有功出力等相关强不确定性变量的概率分布难以获取和缺乏针对高比例可再生能源系统的动态状态估计方法等挑战性问题，依据项目研究目标和研究内容，该基金项目执行三年以来，按照计划进行，研究成果覆盖了研究计划中的各项内容。1)采用k-means聚类方法对DG的历史输出数据进行处理，并将其分为不同的输出模式，提出了一种DG输出模式识别的动态状态估计方法。与现有的静态状态估计和GMM两种状态估计方法相比，所提出的方法特别适用于有源配电网实时量测量较少的情况，并且在估计DG节点状态时估计精度更高、收敛性更好。2)提出了一种动态状态估计器的广义极大似然容积卡尔曼滤波器（GM-CKF）方法，并将其与广义极大似然扩展卡尔曼滤波器（GM-EKF）、广义极大似然无迹卡尔曼滤波器（GM-UKF）及其非鲁棒算法在不同系统操作场景下的性能进行了比较。在存在BGM误差的情况下，所提出的GM-CKF的估计精度明显高于其他CKF。3)提出了一种基于抽样的优化参数广义M估计的电力系统动态状态估计方法。其中，投影统计基于中位数定义了离群点且抽样统计方法可以根据不同的非高斯量测噪声参数与占比设定估计器关键参数(β)以增加其估计精度，从而提高了动态状态估计器的普遍适用性。4)提出了一种基于容积卡尔曼滤波器(CKF)的动态状态估计器(DSE)的新算法，通过CKF求出所有状态的概率密度函数。在负荷突变的情况下，所提出的算法可以检测异常并拒绝预测。解决了现有的基于CKF的DSE算法在负荷突变情况下的问题，其新的异常检测和识别算法比现有的异常检测算法更准确。5)提出了一种新的异常值检测框架，利用了迭代扩展卡尔曼滤波器(IEKF)的残差信息比和静态状态估计器的归一化残差。该框架能够以很高的精度检测和区分负荷突变、坏数据和断路三种异常类型，它对不同级别的噪声、不同程度的量测冗余和不同的网络也具有较高的鲁棒性。成果方面，发表各类学术论文11篇，其中SCI收录9篇，EI收录1篇，申请国家发明2专利项，授权2项。培养硕士研究生7名。超额完成了预期目标。

内容获取失败，请点击重试