内容发布更新时间 : 2024/5/21 18:57:25星期一 下面是文章的全部内容请认真阅读。

状态估计的定义（课后题）

状态估计的作用和步骤（课后题）

状态估计与潮流计算的联系和区别（课后题） 各种状态估计模型和算法的特点（课后题） 相关的概念和定义（课后题）

电力系统状态估计的主要内容是什么？有哪些变量需要状态估计？（06B） 通常称能够表征电力系统特征所需最小数目的变量为电力系统的状态变量。电力系统的状态估计就是要求能在测量量有误差的情况下，通过计算以得到可靠的并且为数最小的状态变量值。

电力系统的测量量一般包括支路功率、节点注入功率、节点电压模值等；状态变量是各节点的电压模值和相角。

什么是状态估计？

环境噪声使理想的运动方程无法精确求解。测量系统的随机误差，使测量向量不能直接通过理想的测量方程求出状态真值。通过统计学的方法加以处理以求出对状态向量的估计值。这种方法，称为状态估计。按运动方程与以某一时刻的测量数据作为初值进行下一时刻状态量的估计，叫做动态估计，仅仅根据某时刻测量数据，确定该时刻的状态量的估计，叫做静态估计。

电力系统状态估计的必要性？

1) 电力系统需要随时监视系统的运行状态； 2) 需要提供调度员所关心的所有数据； 3) 测量所有关心的量是不经济的，也是不可能的，需要利用一些测量量来推算其它电

气量；

4) 由于误差的存在，直接测量的量不甚可靠，甚至有坏数据； 状态估计的作用和流程？（下图左） 1) 降低量测系统投资，少装测点； 2) 计算出未测量的电气量； 3) 利用量测系统的冗余信息，提高量测数据的精度（独立测量量的数目与状态量数目

之比，成为冗余度）。

状态估计与潮流计算的关系？（上图右） 1) 潮流计算是状态估计的一个特例；

2) 状态估计用于处理实时数据，或者有冗余的矛盾方程的场合； 3) 潮流计算用于无冗余矛盾方程的场合； 4) 两者的求解算法不同；

5) 在线应用中，潮流计算在状态估计的基础上进行，也就是说，由状态估计提供经过

加工处理过的熟数据，作为潮流计算的原始数据。

状态估计基本思路：

1) 电力系统的测量量一般包括支路功率、节点注入功率、节点电压模值等；状态变量

是各节点的电压模值和相角。

2) 定义测量量向量为Z，待求的系统状态量为X，通过网络方程可以从估计的状态

量X ，求出估计的计算值Z，如果测量有误差，则计算值Z与实际值Z之间有误差Z?Z，称为残差向量。

3) 求出的状态量不可能使残差向量为零，但可以得到一个使残差平方和为最小的状态

估计值。

各种状态估计算法的特点：

1) 基本加权最小二乘法的估计质量和收敛性最好，是状态估计的经典解法和理论基础，

适合各种类型的量测系统。缺点是使用内存多，计算量大，计算时间长，不适用于大型电力系统的实时状态估计。

2) 快速解耦法估计质量和收敛性能在实用精度范围内与基本加权最小二乘法相近，而

在计算速度和内存耗量方面优于基本加权最小二乘法，很实用，缺点是使用内存较多，程序也比较复杂。

3) 仅用支路量测量的唯支路法计算速度快，内存省，对于纯支路量测系统可以得到满

意的估计结果，且运行经验丰富，缺点是不能处理注入型量测量。

4) 递推状态估计使用内存最少，对注入型量测量具有一定的适应能力，程序简单。缺

点是收敛速度慢，计算时间长，估计质量差。

5) 数学规划法的计算速度慢,但其受不良数据的影响较小。 算法 基本加权最小二乘 快速分解法 量测变换法 递推型算法 数学规划 估计质量和收敛性 好 较好 较好 一般 好 计算速度 较慢 较快 快 慢 慢 内存使用 多 较多 较少 少 多 对注入型量测量的适应性 好 好 不好 较好 好 ????几个概念：

1) 可检测：可以判断系统中是否有坏数据；可辨识：若有坏数据，可以找出谁是坏数

据（量测冗余度越大，坏数据的可检测和可辨识性越好）。

2) 不良数据：是指误差大于某一标准(例如3~10倍标准方差)的测量数据。

3) 通常测量错误数据分为两类：一类是稳定的错数(属于设备和维修问题)；另一类是

在一次采样周期中随机出现的错误数据(即下一次采样不一定还是那几个错误数据)。状态估计现场安装后一段时间主要是消除第一类错数，或者是设备损坏，或者是符号相反。随着状态估计使用时间加长和维护工作的完善，第一类错数逐步减少，正常运行中往往开关状态错误(测量错或无测量)是引起这一类错数的主要原因。第二类错数是由测量与传送系统质量以及受到干扰而产生的。 4) 不良数据检测：判断某次量测采样中是否存在不良数据。

不良数据辨识：通过检测确知量测采样中存在不良数据后，确定不良数据具体侧点

位置。

不良数据估计：不仅能确定不良数据具体侧点位置，还能给出不良数据估计值。不

良数据辨识定量化。

状态估计修正：根据不良数据估计值，对原来受不良数据影响的状态估计进行修正，

从而排除不良数据的影响，获得可靠状态估计。

5) 不同水平的检测与辨识

量测量的极限检查：超出正常运行条件下的可能范围，而系统又没有事故或异常。 量测量的突变检查：在平稳负荷条件下，某一量测量超过正常变化速率或发生突变，

随后下一采样时刻又恢复了。

量测量的相关检查：一个量测量变化后，检查与其紧密相关的数据是否也相应变化。 状态估计中的检测与辨识。

一个测量系统利用状态估计排除错误数据的能力与测量设备的数量及其分布有关，

一是要求测量量总数M大于待求的状态量数N(冗余度K)：K=m-n＞0。

二是测量量分布要均匀，即这些测量量的测量方程能覆盖住全网每一个状态量还有

余度。状态估计辨识不良数据的能力来自于测量系统的冗余度，能够估计出全部状态量的测量系统具有可观测性，而去掉不良数据仍保持可观测性的测量系统具有可辨识性。

6) 能够利用量测系统算出的系统的状态（电压幅值和角度）叫可观测。 不良数据辨识残差搜索辨识法

1) 基本思路是将量测按残差(加权残差或标准化残差)由大至小排队，去掉残差最大的

测量量，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) 如果检测是成功的，那么残差搜索辨识过程也应该是成功的，只是要进行多次状态

估计计算而耗费过多的时间，在大型电力系统的多不良数据辨识中无法实时应用。 3) 为了缩短辨识时间，辩识技术沿着两个方向前进：一是可疑数据组合辨识，二是避

免重新进行状态估计迭代。 不良数据的估计辨识法

应该说量测系统辨识不良数据的最大能力不会超过冗余度K，而且由于不良数据分布的不均匀性先破坏了局部可观测性，实际上辨识能力远远低于这一数量。假设在一次测量中包含p个不良数据，而且由一可靠的检测系统检测出S个可疑数据，这里不妨用p和S分别表示不良数据和可疑数据的集合与数量，检测功能可表示为p?S,p?S?K，前一式表示不良数据已包含在可疑数据中，后一式表示这些不良数据可辨识。

不良数据辨识的两种算法的比较： 指标 功能 计算速度 程序繁简 状态估计修正 对状态估计计算的适应性 存储代价

方法 残差搜索 单个不良数据 低 简单 重新做状态估计 好 小 直接修正 W阵形成受算法影响 需存放W阵 估计辨识 多不良数据 高