第一章 绪论
1.1 课题背景及研究意义
现代电力系统随着国民经济飞速发展以及电力市场化安全性和经济性要求，其规模、结构和运行方式日趋复杂，对能量管理系统（EMS）自动化水平要求越来越高。现代化的电力调度系统必须能够准确、迅速而全面地掌握系统实际运行状况，预测和分析运行趋势，对运行中发生的各种问题提供判断和下一步决策，以确保系统安全和经济地运行。电力系统调度中心是根据状态估计环节所提供的系统运行状态信息来做出相应决策，因此状态估计直接影响调度中心的决策行为，直接关系到电网安全运行与否。为了获取和建立可靠而完整的实时运行状态数据库，通常有两种途径：在软件上，采用现代状态估计技术，对数据进行实时处理；在硬件上增加量测设备和远动设备，并提高其精度、速度和可靠性[1]。状态估计是能量管理系统不可或缺的组成部分，其算法是状态估计的核心部分。状态估计也被称为滤波，是自动排除随机干扰所引起的错误信息，利用实时测量系统的冗余度来提高数据精度的过程[2]。在具备一定水平的硬件基础上，采用状态估计能充分发挥已有硬件的潜力，提高整个数据系统的质量和可靠性。调度中心必须先获取电力系统准确的运行状态，建立可靠完整的电力系统实时运行数据库，才能对电力系统进行分析与控制，但这对测量设备和远动设备提出了过高的要求，导致技术和经济上付出很大的代价。状态估计可以在一定的硬件基础上充分发挥已有硬件设备的潜力，补充测点和测量项目的不足和去除偶然的错误信息与数据，提高整个系统的质量和可靠性，实现对系统当前运行状态的安全监视，满足 EMS 对电网数据可靠、准确、完整和兼容的需要，是用户分析与控制系统的数据基础[3]。
能量管理系统是电网调度控制不可缺少的基本环节，在电网安全运行中发挥着积极的作用。但是，面对广域分布和快速动态的复杂电力系统，目前的数据采集和监控系统（SCADA）和状态估计方法还需要进一步的发展与完善。在系统正常运行时，状态估计往往是按照时间周期触发。现阶段 SCADA 的数据扫描周期为秒级，而一般状态估计的触发周期是分钟级别。因此，目前状态估计的使用存在着数据获取迅速与数据处理迟缓的矛盾。理想情况下，状态估计应该按照SCADA 扫描周期进行触发，但由于技术条件限制，目前无法实现[4]。进入 20 世纪以来，随着全球定位系统（GPS）的形成，其精确的时间传递功能在电力系统中得到广泛应用。与此同时，基于 GPS 的同步相量技术也发展起来。同步相量技术是同步相量测量、传输、分析和应用技术的综合。主要包括相量测量单元（PMU）、相量数据集中器、分析与应用中心以及高速数据通信网等。其中，同步相量测量单元技术是基于 GPS 的高精度同步时钟，采集电网的实时运行相量参数，通过通信网络传到电力系统调度中心。PMU 实现了广域电网运行状态的实时同步测量，克服了原有 SCADA 系统的不足并且提高了自动控制水平。如果在电力系统中合理布置一定数目的 PMU，就能实现电力系统动态观测，使得大规模电力系统的实时稳定控制成为现实。我国目前的实际情况是 SCADA在电力系统的覆盖面几乎达到 100%,而 PMU 在各电力公司的安装是渐进式，分阶段完成的，可以说在相当长的一段时间内，不能实现在系统的所有节点均配备PMU，从而达到系统状态完全可观测的 PMU 配置方案，因此使得各电力公司普遍关心如何在状态估计中有效利用 PMU 海量的相量测量信息[5]。正是基于以上考虑，本文主要研究如何在动态状态估计中最有效地利用混合量测信息等问题，以期能实现混合量测下状态估计的最优化和工程化。
1.2 混合量测下电力系统状态估计的研究现状和发展趋势
由于随机噪声和随机测量误差的加入，通过电力网络量测系统中测量方程或理想的运动方程均不可得出精准的系统状态。电力系统状态估计是以控制理论、数学和其它新理论为指导，结合电力系统特点，利用计算机软硬件条件，通过统计学的方法处理以求出系统状态的估计值，以追求状态估计实用化为目标的估计方法。电力系统状态估计分为静态状态估计和动态状态估计两种。动态状态估计是利用系统方程与历史测量的数据估计下个时刻状态值；而只根据某时刻测量数据，估计该时刻的状态量，则是静态状态估计。目前电力系统状态估计在网络接线分析、不良数据检测和辨识、状态估计计算及可观测性分析等方面取得了丰富的理论成果和实践经验。
第二章 电力系统动态状态估计算法基础
为得到电力系统最优控制规律，需要对电力网络的节点电压、相角等状态变量参数进行观测以确定其状态，所得到的量测向量可以用来确定状态的真值。但是实际的量测系统是有随机误差的，量测向量不能直接求出状态真值，为此，只有通过适当的状态估计方法加以处理才能求出状态向量的估计值，在统计意义上最接近真实值。电力系统状态估计利用量测系统的遥测、遥信信息，用网络拓扑分析软件实时确定电网的接线方式和运行状态，按开关状态建立网络模型之后，估计出系统各母线上的电压幅值和相角，从而计算出所有的线路潮流值。要想对电力系统状态估计，必须先建立电力系统元器件的数学模型，为状态估计算法作准备。
2.1 状态估计与常规潮流计算的比较
电力系统状态估计中，未知状态向量的维数通常不大于测量向量维数，即未知数的个数不大于物理方程的个数，测量向量一般是节点电压、线路潮流、节点注入功率等测量值的组合。而潮流计算通常得到的是电压幅值或注入量，未知数的数目等于方程数目。两者求解的数学思想也不同。潮流计算通常用牛顿-拉夫逊解决若干个非线性方程组。而状态估计则强调依靠估计准则，参照估计理论的解决方程组求解，可以用最小二乘法、卡尔曼滤波等方法。表 2-1 列出了潮流计算与状态估计两种算法的比较，其中 n 表示网路节点数目。
第三章 电力系统状态估计中的混合量测.....23
3.1 SCADA 系统量测特性 .........23
3.1.1 SCADA 量测时延.......23
3.1.2 量测时延对静态状态估计误差.........25
3.2 WAMS 系统量测特性 .........27
3.3 PMU 量测与 SCADA 量测的比较 .........32
3.4 混合量测数据匹配问题 .....34
3.4.1 混合量测的相角匹配问题.....34
3.4.2 混合量测的时间匹配问题.....36
3.5 本章小结 .....36
第四章 混合量测下线性动态状态......38
4.1 快速分解状态估计算法 .....38
4.2 混合量测集 .......42
4.2.1 PMU 电压相量融合........42
4.2.2 PMU 电流相量融合........43
4.3 线性动态状态估计算法 .....47
4.4 算例仿真与分析 .....50
4.4.1 IEEE14 节点系统仿真 .....51
4.4.2 IEEE30 节点系统仿真 .....56
4.5 小结.......59
第五章 混合量测下序贯抗差状态.........60
5.1 动态状态估计时延模型 .....60
5.2 序贯滤波算法 .........61
5.3 算法流程 .....63
5.4 算例仿真与分析 .....64
5.4.1 IEEE14 节点系统仿真 .....66
5.4.2 IEEE30 节点系统仿真 .....72
5.5 小结.......78
结论
当前电力系统中基于 RTU 的传统 SCADA 测量系统和配置较少 PMU 的WAMS 测量系统将长期共存。如何最大效率地利用好混合量测数据是众多学者研究的问题之一。针对目前电力系统状态估计的研究现状和发展趋势，本文在介绍电力系统状态估计的概念、混合量测下状态估计的研究意义以及发展现状，指出本课题的背景、目的及现实意义。本文对电力系统状态估计中元器件的数学模型和常用的静态估计算法加权最小二乘估计算法进行介绍和分析。同时对于动态状态估计的理论基础和现有常用算法特别是 Kalman 滤波算法和扩展卡尔曼滤波也作了详细地介绍。本文还提出了电力系统动态状态估计常用的性能指标，为算法分析和比较提供参照。然后本文深入分析了混合量测的特点，详细地介绍和分析 WAMS 系统和SCADA 量测系统特性，SCADA 系统的时延特性以及 PMU 的技术原理和作用，并同 SCADA 量测进行了分析比较。另外对于混合量测融合过程中的相角和时间匹配问题作了一定的分析，解决好这些问题是应用好混合量测的基本前提。
论文接着结合静态估计和动态估计的优点，提出一种充分利用 PMU 特性的方法。算法利用了 SCADA 系统快速分解得到的全局电压相量估计结果，同时选取PMU 量测节点的电压相量量测数据，并且还利用 PMU 丰富的支路电流相量数据量测转换而来的对应节点的电压数据提高冗余度。这种算法把 SCADA 系统估计出来的数据补充入 PMU 中，弥补了 PMU 不可观测的特点，同时 PMU 数据也对SCADA 数据进行了修正更新，提高整体估计精度，为电力系统实时监测和预防控制提供了可靠的数据保证。算法能在保证状态估计的质量和算法的收敛性能的同时，降低求解的阶次，减少内存使用，为电力系统实时监测和预防控制提供了可靠的数据保证。文章在 IEEE14 和 IEEE30 节点系统上的仿真结果验证了算法的良好滤波和预测效果。接着本文针对量测信息量测时间特性，在 SCADA 数据取用时间窗口的基础上，提出了混合量测下序贯抗差状态估计算法。该算法首先序贯入同一时间断面上的同步相量测量单元量测值，然后依次序贯入陆续到来的 SCADA 量测值。初步融合完成后计算融合代价函数，如果超过设定阀值，则进行抗差后处理。在IEEE14 和 IEEE30 节点系统上的仿真验证了算法能降低量测异常值对状态估计的影响，提高了估计中心的利用率以及状态估计的实时性和精度。
参 考 文 献
[1] 于尔铿, 电力系统状态估计[M]. 北京:水利电力出版社, 1985.
[2] 兰华, 李积捷. 电力系统状态估计算法的研究现状和展望[J]. 继电器, 2007,35(10):78-82.
[3] 王珍意. 电力系统状态估计[D]. 华中科技大学, 2005.
[4] 白宏. 基于 PMU 量测信息的面向过程状态估计研究[D]. 哈尔滨工业大学,2008.
[5] 丁军策, 蔡泽祥, 王克英. 基于广域测量系统的状态估计研究综述[J]. 电力系统自动化, 2006, 30(7):98-103.
[6] F.C.Schweppe, E.J.Handschin. Static state http://sblunwen.com/dlxtlw/ estimation in electric power systems[J].Proceedings of the IEEE , 1974, 62(7):972-982.
[7] R.E.Larson, W.F.Tinney, J.Peachon et.al. State estimation in power systems[J].IEEE Trans. , 1970, 89: 345-363.
[8] Ali Abur, Antonio Gómez Expósito. Power system state estimation: theory andimplementation[M]. New York: Marcel Dekker, 2004.
[9] Ni Dafu, Yu Bing. A new algorithm for power system state estimation with PMUmeasurements[C]. International Conference on MEC, Jilin, China, 2011: 114-117.
[10] 秦晓辉, 毕天妹, 杨奇逊. 计及 PMU 的混合非线性状态估计新方法[J].电力系统自动化, 2007, 31(4):28-32.