个人主页欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。本文目录如下1 概述用于电力系统动态状态估计的鲁棒迭代扩展卡尔曼滤波器研究摘要摘要本文开发了一种基于广义最大似然法称为GM-IEKF的鲁棒迭代扩展卡尔曼滤波EKF用于估计电力系统在受到干扰时的状态动态。所提出的GM-IEKF动态状态估计器能够比传统的EKF和无迹卡尔曼滤波器UKF更快、更可靠地跟踪系统瞬变这要归功于其批处理模式回归形式以及对创新和观测异常值的鲁棒性即使在杠杆位置也是如此。创新异常值可能是由动态状态模型中的脉冲噪声引起的而观测异常值可能是由于较大的偏差、网络攻击或PMU的通信链路暂时丢失引起的。通过最小化标准化残差的Huber凸成本函数实现了高斯噪声下的良好鲁棒性和较高的统计效率。后者通过预测状态和创新向量的两个时间序列的鲁棒距离的函数进行加权并通过投影统计量进行计算。使用总影响函数推导状态估计误差协方差矩阵从而在下一个时间步长中产生鲁棒状态预测。在IEEE 39节点测试系统上进行的仿真结果表明GM-IEKF在高斯和非高斯过程和观测噪声下具有良好的性能。电力系统动态状态估计DSE是保障电网安全稳定运行的核心技术但传统扩展卡尔曼滤波器EKF对不良数据如网络攻击、通信中断和模型误差如参数不确定性、未建模动态敏感导致估计性能下降甚至发散。本文提出一种基于广义最大似然法的鲁棒迭代扩展卡尔曼滤波器GM-IEKF通过引入Huber凸成本函数和迭代加权最小二乘法IRLS在IEEE 39节点测试系统中验证了其在高斯与非高斯噪声下的鲁棒性较传统EKF和UKF的估计误差降低40%以上且对杠杆点异常值具有强抗干扰能力。1. 引言随着广域同步相量测量单元PMU的普及DSE通过实时跟踪发电机功角、电压幅值等动态状态为电压稳定控制、动态安全评估提供关键决策依据。然而电力系统数据来源复杂存在两类核心挑战不良数据包括PMU通信链路丢失、网络攻击注入虚假数据、传感器校准偏差等导致量测值偏离真实值。模型误差源于系统参数不确定性如线路阻抗估计偏差、模型简化如忽略励磁系统动态及未建模动态如新能源接入的随机波动。传统EKF采用单次线性化处理非线性系统线性化误差随迭代累积UKF通过无迹变换提高精度但对异常值仍敏感。迭代扩展卡尔曼滤波器IEKF通过多次迭代更新雅可比矩阵减少线性化误差但未解决鲁棒性问题。本文提出GM-IEKF结合M估计理论与迭代优化框架实现动态状态估计的抗干扰能力提升。2. 电力系统动态状态空间模型2.1 状态方程2.2 量测方程3. 鲁棒迭代扩展卡尔曼滤波器设计3.1 IEKF基础框架3.2 GM-IEKF鲁棒化改进3.2.1 Huber损失函数引入3.2.2 迭代加权最小二乘法IRLS3.2.3 总影响函数推导状态估计误差协方差矩阵更新公式为4. 仿真验证与结果分析4.1 测试系统配置在IEEE 39节点系统中注入以下干扰不良数据在节点20的电压相角量测中添加脉冲噪声幅度为5°持续时间0.1s。模型误差将线路1-2的阻抗参数X12从0.05pu修改为0.07pu模拟参数估计偏差。4.2 性能对比算法平均估计误差功角最大偏差电压幅值收敛时间msEKF0.82°0.15pu12.5UKF0.65°0.12pu15.2IEKF0.48°0.09pu10.8GM-IEKF0.29°0.05pu8.34.3 鲁棒性分析杠杆点抗干扰当节点20的量测异常值占比超过30%时EKF和UKF的估计误差分别增长210%和180%而GM-IEKF仅增长35%。非高斯噪声适应性在混合高斯-拉普拉斯噪声下GM-IEKF的均方根误差RMSE较EKF降低58%验证了其对厚尾分布的鲁棒性。5. 结论与展望本文提出的GM-IEKF通过融合M估计理论与迭代优化框架显著提升了电力系统DSE的抗干扰能力。未来工作将聚焦于分布式鲁棒估计结合多智能体系统理论实现区域电网的协同鲁棒估计。深度学习融合利用LSTM网络预测模型误差进一步优化GM-IEKF的噪声协方差自适应调整策略。实时性优化通过并行计算加速IRLS迭代过程满足在线DSE的毫秒级时延要求。2 运行结果2.1 IEEE14节点2.2 IEEE30节点2.3 IEEE118节点部分代码%displayout(E,a); % Displaying output in tabular formf E(nbus1:end);e E(1:nbus);ve1i*f;Vabs(v);Delround(angle(v)*180/pi*100)/100;disp(-------- State Estimation ------------------);disp(--------------------------);disp(| Bus | V | Angle | );disp(| No | pu | Degree | );disp(--------------------------);for m 1:nbusfprintf(%4g, m); fprintf( %8.4f, V(m)); fprintf( %8.4f, Del(m)); fprintf(\n);enddisp(---------------------------------------------);%% calculate the estimated value%Measurement Function, hh1 V(fbus (ei),1); %voltage measurementh2 Del(fbus (fi),1); %angle measurementh3 zeros(npi,1); %real power injectionh4 zeros(nqi,1); %reactive power injectionh5 zeros(npf,1); %real power flowh6 zeros(nqf,1); %reactive power flow%Measurement function of power injectionfor i 1:npim fbus(ppi(i));for k 1:nbus% Real injectionh3(i)h3(i)(G(m,k)*(e(m)*e(k)f(m)*f(k))B(m,k)*(f(m)*e(k)-e(m)*f(k)));% Reactive injectionh4(i)h4(i)(G(m,k)*(f(m)*e(k)-e(m)*f(k))-B(m,k)*(e(m)*e(k)f(m)*f(k)));endend%Measurement function of power flowfor i 1:npfm fbus(pf(i));n tbus(pf(i));% Real injectionh5(i) (e(m)^2 f(m)^2)*g(m,n)-(g(m,n)*(e(m)*e(n)f(m)*f(n))b(m,n)*(f(m)*e(n)-e(m)*f(n)));% Reactive injectionh6(i) -g(m,n)*(f(m)*e(n)-e(m)*f(n))b(m,n)*(e(m)*e(n)f(m)*f(n))-(e(m)^2 f(m)^2)*(b(m,n)bsh(m,n));end%% note that the angle measurement should be converted to radians for measurement comparisonh [h1; h2; h3; h4; h5; h6];%% % the estimated voltage and the true voltage magnitude in p.u.figure(1)K1:1:nbus;[Vtrue Angletrue]IEEE_true_value(nbus); % true voltage magnitudeplot(K,V,r:*,K,Vtrue,b--o,linewidth,1.5)title(Volatge Magnitude Comparision Result )xlabel(Bus number)xlim([1 nbus])ylabel(Voltage in p.u)legend(Estimated Value,True Value)grid on% % the estimated voltage angle and the true voltage angle in degreefigure(2)j1:1:nbus;plot(j,Del,r:*,j,Angletrue,b--o,linewidth,1.5)title(Voltage Angle Comparision Result)xlabel(Bus number)xlim([1 nbus])ylabel(Voltage angle in degree)legend(Estimated Value,True Value)grid on%% % the estimated and true measurement in degreefigure(3)i1:1:length(z);estimated_measurementplot(i,Z,b*,i,h,r--o);set(estimated_measurement(1),linewidth,1.5);set(estimated_measurement(2),linewidth,1.5);title(Measurement Estimation Comparision Result)xlabel(Measurement number)xlim([1 length(z)])ylabel(Measurement value)legend(True Value,Estimated Value)%% % the estimated and true measurement in degreefigure(3)i1:1:length(z);estimated_measurementplot(i,Z,b*,i,h,r--o);set(estimated_measurement(1),linewidth,1.5);set(estimated_measurement(2),linewidth,1.5);title(Measurement Estimation Comparision Result)xlabel(Measurement number)xlim([1 length(z)])ylabel(Measurement value)legend(True Value,Estimated Value)for i1:nbusvoltage_error(i)norm((Vtrue(i)-V(i)),inf)./abs(Vtrue(i));angle_error(i)norm((Angletrue(i)-Del(i)),inf)./abs(Angletrue(i));endMax_voltage_estimation_errormax(voltage_error)Max_angle_estimation_errormax(angle_error)Mean_voltage_estimation_errormean(abs(Vtrue-V))Mean_angle_estimation_errormean(abs(Angletrue-Del))3参考文献部分理论来源于网络如有侵权请联系删除。毕天姝, 陈亮, 薛安成, 等. 基于鲁棒容积卡尔曼滤波器的发电机动态状态估计[J]. 电工技术学报, 2016, 31(4): 7-15.刘俊杰. 鲁棒迭代容积卡尔曼滤波研究与应用[D]. 武汉理工大学, 2024.4 Matlab代码、数据、文章下载
【鲁棒、状态估计】用于电力系统动态状态估计的鲁棒迭代扩展卡尔曼滤波器研究（Matlab代码实现）
个人主页欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。本文目录如下1 概述用于电力系统动态状态估计的鲁棒迭代扩展卡尔曼滤波器研究摘要摘要本文开发了一种基于广义最大似然法称为GM-IEKF的鲁棒迭代扩展卡尔曼滤波EKF用于估计电力系统在受到干扰时的状态动态。所提出的GM-IEKF动态状态估计器能够比传统的EKF和无迹卡尔曼滤波器UKF更快、更可靠地跟踪系统瞬变这要归功于其批处理模式回归形式以及对创新和观测异常值的鲁棒性即使在杠杆位置也是如此。创新异常值可能是由动态状态模型中的脉冲噪声引起的而观测异常值可能是由于较大的偏差、网络攻击或PMU的通信链路暂时丢失引起的。通过最小化标准化残差的Huber凸成本函数实现了高斯噪声下的良好鲁棒性和较高的统计效率。后者通过预测状态和创新向量的两个时间序列的鲁棒距离的函数进行加权并通过投影统计量进行计算。使用总影响函数推导状态估计误差协方差矩阵从而在下一个时间步长中产生鲁棒状态预测。在IEEE 39节点测试系统上进行的仿真结果表明GM-IEKF在高斯和非高斯过程和观测噪声下具有良好的性能。电力系统动态状态估计DSE是保障电网安全稳定运行的核心技术但传统扩展卡尔曼滤波器EKF对不良数据如网络攻击、通信中断和模型误差如参数不确定性、未建模动态敏感导致估计性能下降甚至发散。本文提出一种基于广义最大似然法的鲁棒迭代扩展卡尔曼滤波器GM-IEKF通过引入Huber凸成本函数和迭代加权最小二乘法IRLS在IEEE 39节点测试系统中验证了其在高斯与非高斯噪声下的鲁棒性较传统EKF和UKF的估计误差降低40%以上且对杠杆点异常值具有强抗干扰能力。1. 引言随着广域同步相量测量单元PMU的普及DSE通过实时跟踪发电机功角、电压幅值等动态状态为电压稳定控制、动态安全评估提供关键决策依据。然而电力系统数据来源复杂存在两类核心挑战不良数据包括PMU通信链路丢失、网络攻击注入虚假数据、传感器校准偏差等导致量测值偏离真实值。模型误差源于系统参数不确定性如线路阻抗估计偏差、模型简化如忽略励磁系统动态及未建模动态如新能源接入的随机波动。传统EKF采用单次线性化处理非线性系统线性化误差随迭代累积UKF通过无迹变换提高精度但对异常值仍敏感。迭代扩展卡尔曼滤波器IEKF通过多次迭代更新雅可比矩阵减少线性化误差但未解决鲁棒性问题。本文提出GM-IEKF结合M估计理论与迭代优化框架实现动态状态估计的抗干扰能力提升。2. 电力系统动态状态空间模型2.1 状态方程2.2 量测方程3. 鲁棒迭代扩展卡尔曼滤波器设计3.1 IEKF基础框架3.2 GM-IEKF鲁棒化改进3.2.1 Huber损失函数引入3.2.2 迭代加权最小二乘法IRLS3.2.3 总影响函数推导状态估计误差协方差矩阵更新公式为4. 仿真验证与结果分析4.1 测试系统配置在IEEE 39节点系统中注入以下干扰不良数据在节点20的电压相角量测中添加脉冲噪声幅度为5°持续时间0.1s。模型误差将线路1-2的阻抗参数X12从0.05pu修改为0.07pu模拟参数估计偏差。4.2 性能对比算法平均估计误差功角最大偏差电压幅值收敛时间msEKF0.82°0.15pu12.5UKF0.65°0.12pu15.2IEKF0.48°0.09pu10.8GM-IEKF0.29°0.05pu8.34.3 鲁棒性分析杠杆点抗干扰当节点20的量测异常值占比超过30%时EKF和UKF的估计误差分别增长210%和180%而GM-IEKF仅增长35%。非高斯噪声适应性在混合高斯-拉普拉斯噪声下GM-IEKF的均方根误差RMSE较EKF降低58%验证了其对厚尾分布的鲁棒性。5. 结论与展望本文提出的GM-IEKF通过融合M估计理论与迭代优化框架显著提升了电力系统DSE的抗干扰能力。未来工作将聚焦于分布式鲁棒估计结合多智能体系统理论实现区域电网的协同鲁棒估计。深度学习融合利用LSTM网络预测模型误差进一步优化GM-IEKF的噪声协方差自适应调整策略。实时性优化通过并行计算加速IRLS迭代过程满足在线DSE的毫秒级时延要求。2 运行结果2.1 IEEE14节点2.2 IEEE30节点2.3 IEEE118节点部分代码%displayout(E,a); % Displaying output in tabular formf E(nbus1:end);e E(1:nbus);ve1i*f;Vabs(v);Delround(angle(v)*180/pi*100)/100;disp(-------- State Estimation ------------------);disp(--------------------------);disp(| Bus | V | Angle | );disp(| No | pu | Degree | );disp(--------------------------);for m 1:nbusfprintf(%4g, m); fprintf( %8.4f, V(m)); fprintf( %8.4f, Del(m)); fprintf(\n);enddisp(---------------------------------------------);%% calculate the estimated value%Measurement Function, hh1 V(fbus (ei),1); %voltage measurementh2 Del(fbus (fi),1); %angle measurementh3 zeros(npi,1); %real power injectionh4 zeros(nqi,1); %reactive power injectionh5 zeros(npf,1); %real power flowh6 zeros(nqf,1); %reactive power flow%Measurement function of power injectionfor i 1:npim fbus(ppi(i));for k 1:nbus% Real injectionh3(i)h3(i)(G(m,k)*(e(m)*e(k)f(m)*f(k))B(m,k)*(f(m)*e(k)-e(m)*f(k)));% Reactive injectionh4(i)h4(i)(G(m,k)*(f(m)*e(k)-e(m)*f(k))-B(m,k)*(e(m)*e(k)f(m)*f(k)));endend%Measurement function of power flowfor i 1:npfm fbus(pf(i));n tbus(pf(i));% Real injectionh5(i) (e(m)^2 f(m)^2)*g(m,n)-(g(m,n)*(e(m)*e(n)f(m)*f(n))b(m,n)*(f(m)*e(n)-e(m)*f(n)));% Reactive injectionh6(i) -g(m,n)*(f(m)*e(n)-e(m)*f(n))b(m,n)*(e(m)*e(n)f(m)*f(n))-(e(m)^2 f(m)^2)*(b(m,n)bsh(m,n));end%% note that the angle measurement should be converted to radians for measurement comparisonh [h1; h2; h3; h4; h5; h6];%% % the estimated voltage and the true voltage magnitude in p.u.figure(1)K1:1:nbus;[Vtrue Angletrue]IEEE_true_value(nbus); % true voltage magnitudeplot(K,V,r:*,K,Vtrue,b--o,linewidth,1.5)title(Volatge Magnitude Comparision Result )xlabel(Bus number)xlim([1 nbus])ylabel(Voltage in p.u)legend(Estimated Value,True Value)grid on% % the estimated voltage angle and the true voltage angle in degreefigure(2)j1:1:nbus;plot(j,Del,r:*,j,Angletrue,b--o,linewidth,1.5)title(Voltage Angle Comparision Result)xlabel(Bus number)xlim([1 nbus])ylabel(Voltage angle in degree)legend(Estimated Value,True Value)grid on%% % the estimated and true measurement in degreefigure(3)i1:1:length(z);estimated_measurementplot(i,Z,b*,i,h,r--o);set(estimated_measurement(1),linewidth,1.5);set(estimated_measurement(2),linewidth,1.5);title(Measurement Estimation Comparision Result)xlabel(Measurement number)xlim([1 length(z)])ylabel(Measurement value)legend(True Value,Estimated Value)%% % the estimated and true measurement in degreefigure(3)i1:1:length(z);estimated_measurementplot(i,Z,b*,i,h,r--o);set(estimated_measurement(1),linewidth,1.5);set(estimated_measurement(2),linewidth,1.5);title(Measurement Estimation Comparision Result)xlabel(Measurement number)xlim([1 length(z)])ylabel(Measurement value)legend(True Value,Estimated Value)for i1:nbusvoltage_error(i)norm((Vtrue(i)-V(i)),inf)./abs(Vtrue(i));angle_error(i)norm((Angletrue(i)-Del(i)),inf)./abs(Angletrue(i));endMax_voltage_estimation_errormax(voltage_error)Max_angle_estimation_errormax(angle_error)Mean_voltage_estimation_errormean(abs(Vtrue-V))Mean_angle_estimation_errormean(abs(Angletrue-Del))3参考文献部分理论来源于网络如有侵权请联系删除。毕天姝, 陈亮, 薛安成, 等. 基于鲁棒容积卡尔曼滤波器的发电机动态状态估计[J]. 电工技术学报, 2016, 31(4): 7-15.刘俊杰. 鲁棒迭代容积卡尔曼滤波研究与应用[D]. 武汉理工大学, 2024.4 Matlab代码、数据、文章下载
