本文是一篇电力论文，电力工程系主要培养在电子整机、家用电器、智能化仪器等行业从事生产、服务和管理第一线的应用型高等职业技术人员和管理人员。（以上内容来自百度百科）今天为大家推荐一篇电力论文，供大家参考。
第 1 章 绪 论
1.1 课题研究背景及意义
电能作为人类生存发展最不可或缺的能源形式之一，深入到人类生活生产的方方面面，同时也在科技进步、社会发展中起着无法取代的作用[1]。电力系统的安全运行关系到各行各业高效安全的生产和人民群众的正常生活娱乐，随着科学技术的不断进步，用电负荷正趋于多样化，国民经济的稳定快速发展，大功率用电设备、非线性的电力元器件和大量的新型能源发电设备不断接入电网，使电力系统受到了严重污染，产生了各种问题[2]。若电力系统不能安全稳定地运行将导致设备事故频发，既造成了经济损失，同时还构成了严重的安全隐患，因此加大对电力系统的监测、分析和管理愈显重要，既要确保系统安全稳定地运行，又要保证经济有效，为满足电力系统和用户的双方面需求必须推动监测手段不断发展。在电力工业发展的初期，电力系统规模有限且有较强的独立性，对电机、开关等设备的操作和监视均由人力完成，很多时候无法及时处理突发事故，无法在事故之初进行有效控制。电力事业不断发展，系统结构及相关配置不断完善，各个电力单元之间的联系越来越紧密，因此为合理调配资源、统一管理和指挥，建立了电力系统调度中心。电力事业不断发展的同时为现代调度中心提出更高的要求，不但要及时获取当前系统运行情况，还要能准确预测系统的运行趋势[3]。状态估计是进行电力系统控制不可或缺的组成部分，只有充分了解当前系统状态，才能对症下药，因此电力系统状态估计的研究具有重要意义。状态估计(State Estimation, SE)或称之为滤波，是计算机时代产生的实时处理方法，应用于控制领域的多个方面。目前调度中心实际常采用的是最小二乘法，但这种方法并不具备预测系统运行趋势的能力，易受到系统噪声的影响。
....
1.2 电力系统状态估计研究现状
静态状态估计(Static State Estimation, SSE)可以根据监测数据及电网参数等信息对当前运行状态进行大致估计。SSE 方法提出较早，F.C.Schweppe 最早于 1969 年提出了基于加权最小二乘法的电力系统状态估计方法[6]。该方法是最基本的SSE方法，研究人员在此基础上研究出多种衍生算法，得到了广泛应用。但这种算法不具备实时计算能力，在维数较高的系统中存在较大的估计误差，计算时间较长，并不适合复杂的电力系统。常使用的 SSE 方法有：基于加权最小二乘法、量测变换的状态估计、快速分解法[7]。J.F.Dopazo 等人提出的量测变换在 SSE 发展初期广泛应用于美国电力系统，该方法只需得到支路量测数据即可进行估计。文献[7]利用数据采集和监测控制(SupervisoryControlandData Acquisition,SCADA)采集数据，最终得到极坐标下测量数据转换算法，从实际出发简化常数矩阵，并将矩阵进行分块处理，大幅度降低计算量，基本满足复杂系统的估计要求。随着研究人员地不懈努力，SSE 方法已经衍生出多种变形，但是 SSE 并没有预测功能，不能满足电力系统的发展趋势[8]。随着同步相量测量单元(Phasor Measurement Unit, PMU)投入使用，状态估计可以获得更加准确的测量数据，但是由于经济性和可行性的限制，无法完成全网配置PMU，当前 SSE 方法主要研究目标是如何合理配置 PMU 及将 PMU 与 SCADA 测量数据合理结合，以提高状态估计的精度。文献[9]将 PMU 测量数据适当转化，将转化数据与SCADA测量数据进行混合迭代，以此达到提高状态估计精度的目的。文献[10]提出一种使用虚拟量测结合适当保留 SCADA 测量数据的方法，以扩大 PMU 测量范围。文献[11]充分考虑了节点电压与支路电流的变化，为提高计算速度，提出了一套快速解耦计算方法。当系统负荷发生变化时必将引起潮流的改变，状态量会随着潮流的改变发生相应变化。当系统处于正常状态，负荷和潮流的波动在一定范围内可视为慢动态或次静态，但若两次采样之间跨度较大，次静态的设定使估计结果仅局限于当前时刻。虽然研究人员针对静态状态估计方法提出了很多改进，但是此种算法终究难以适应规模不断扩大的现代电力系统，无法满足智能电网的要求。研究人员希望借助短时间负荷预测，达到估计下一时刻系统变化趋势的目的，并可将结果与历史数据和当前数据进行比对校正，根据以上原理，通过进一步充实和改进，得到动态状态估计(Dynamic State Estimation, DSE)的基本原理。
..........
第 2 章 基于无迹卡尔曼的动态状态估计
2.1 电力系统状态估计的作用
电力系统状态估计的主要作用为：(1) 通过状态估计程序对未经处理的电力系统采集数据进行计算，得到系统相应时刻运行状态的精确估计值；(2) 对监测数据进行检测和辨识，尽量剔除其中的失真部分；(3) 由于经济性和实际性的限制，不可能在电网各处均安装 PMU，因此必须通过网络拓扑估计无法直接量测节点处的电气数据；(4) 由于测量误差或者其他原因，可能造成各开关的实际状态与测量结果不一致，因此可以通过状态估计对各个开关的真实状态进行校正；(5) 根据历史数据和当前数据，通过动态状态估计预测系统运行趋势，丰富数据库内容；(6) 为使软件及硬件彼此联合，从而实现效益的最大化，可通过状态估计优化测量点布置，实现测量点的合理分配。
..........
2.2 电力系统动态状态估计的数学模型
Kalman滤波是动态状态估计领域中不得不提到的经典算法。Kalman于 1960 年提出了这种著名的递归估计方法，随着计算机技术的不断发展，该算法在自动控制等很多领域得到了极其广泛的应用[37]。Kalman滤波不仅能够准确估计过去状态，还能精准预测系统未来的运行趋势。电力系统是具有明显非线性特点的复杂系统，如果在全网各处均安装 PMU 装置虽然可以实现非线性问题到线性问题的转化，但这种方法无论是经济方面还是生产实际方面都不现实。解决非线性系统的滤波问题，最准确的方法是按照非线性模型将其展开，缺点是需要极其复杂的计算，因此最切合实际的方法是近似方法。UKF就利用了近似的方法[45]。目前电力系统 DSE 主要以EKF及其改进为主[17]。但EKF 具有一定的局限性，如在进行雅克比矩阵计算时无法避免线性化误差，计算步长如果不够小则会使滤波不稳等。Julier 等人最先提出了UKF的概念[21]。UKF舍弃了EKF将非线性问题转化为线性问题的做法，而以无迹变换(Unscented Transform, UT变换)为基础[28]，在Kmalan算法基本框架内实现系统未来运行趋势的预测。UKF无需计算雅克比矩阵，在计算量、计算精度及在非线性问题的处理上都具有优势。
........
第 3 章 压缩感知的理论基础.......17
3.1 压缩感知理论概述 ......17
3.2 压缩感知的关键步骤 ..........18
3.2.1 信号的稀疏性表示........18
3.2.2 信号的观测矩阵....19
3.2.3 信号的重构....20
3.3 压缩感知的应用 ..........21
3.4 本章小结 ......22
第 4 章 基于改进粒子群算法优化的压缩感知...........23
4.1 常用的压缩感知算法 ..........23
4.2 改进粒子群匹配追踪算法 ..........26
4.3 本章小结 ......41
第 5 章 基于压缩感知的改进无迹卡尔曼算法及仿真分析.......42
5.1 改进的 SAGE-HUSA 噪声估值器 .........42
5.2 自由参数的优化 ..........44
5.3 基于压缩感知的改进无迹卡尔曼算法计算步骤 ......46
5.4 仿真分析 ......47
5.5 本章小结 ......53
第 5 章 基于压缩感知的改进无迹卡尔曼算法及仿真分析
本章将对 2.4 节中提到的传统 UKF 滤波存在的电力系统未知噪声及建模误差问题和比例修正参数取值问题进行讨论，并给出相应的改进方法，得到改进自适应无迹卡尔曼滤波方法，最后使用仿真平台对算法性能进行验证。
5.1 改进的 Sage-Husa 噪声估值器
第 2 章中指出，UKF 与其他动态状态估计方法相比虽有较大的优势，但是基于UKF 的动态状态估计方法必须具备准确的系统模型及相关噪声信息。除了由于建模所引起的误差以外，电力系统信号采集、传输环节难免受到各种未知噪声的干扰，测量数据与系统真实值之间的误差难以消除。引入针对时变噪声的噪声估值器将有助于减小系统误差。由于电力系统具有强非线性的特点，所以 Sage-Husa 噪声估值器并不适用电力系统，必须将 Sage-Husa 噪声估值器改为时变噪声估值器，并且对于时变噪声的统计特性而言，新数据对估计结果的影响大于旧数据的影响[66-68]。因此在时变噪声估值器中引入变值权重系数，新数据的权重值较大，以强调新数据的作用，旧数据的权重值较小，以弱化旧数据的影响。对电力系统信号进行稀疏性分解，得到压缩信号，使用 INPSMP 算法重构该信号，将重构得到的信号作为量测量kz ，由自适应无迹卡尔曼算法选取kz 中相关数据进行动态状态估计。初始化自适应无迹卡尔曼算法后，使用对称采样方案作为Sigma的采样方法并进行比例修正。#p#分页标题#e#
..........
结 论
随着全国电网实现联网、稳步推进市场化改革和大范围的资源优化分配，电力系统结构及其运行方式越来越复杂，调度中心必须能够及时精确地掌握电网的运行趋势，电力系统的状态估计愈显重要。本文针对现有动态状态估计中存在的问题和电网未来的发展趋势，提出基于新型信号采集方法的动态状态估计方法，在极大程度降低数据采集、传输、储存设备压力的同时提高动态状态估计的滤波精度。论文完成的主要工作如下：
(1) 建立了状态估计的数学模型。根据传统 UKF 算法的特点及电力系统未来发展走向，给出了传统 UKF 中存在的三处不足；电力系统信号采集方面的问题；电力系统未知噪声及建模误差问题；比例修正参数取值问题。通过仿真证明对称采样方法更加适合具有明显非线性特点的电力系统滤波。
(2) 将 CS 重构算法加以改进，引入改进后的智能优化算法，以代替 OMP 算法中最优原子的选取的过程，使之能够在较短时间内完成最优原子的选取。使用MATLAB 平台对 INPSMP 算法和 POMP 算法的实际性能进行仿真分析，结果表明INPSMP 算法能更好地实现信号重构，重构精度较 ROMP 算法有了较大提高，能够在数据保持高压缩比的情况下高精度重构原始信号。
(3) 针对系统未知时变噪声问题，引入根据电力系统特点改进后的时变噪声估值。给出了一种智能优化参数取值方法，改变以往自由参数固定化的取值方式，提高滤波精度的同时使滤波误差变小且不发散。使用 MATLAB 软件对本文提出的 CSAUKF算法滤波效果进行仿真验证，结果表明：CSAUKF 方法使动态状态估计精度有了一定的提高，能够在测量数据进行高度压缩、降低数据传输和储存设备压力的同时精确地进行动态状态估计。
..........
参考文献（略）
