电力系统状态估计：求积分卡尔曼滤波与PMU/SCADA混合量测应用

"这篇文章是2014年6月发表在《电机与控制学报》上的科研论文，探讨了电力系统状态估计的新方法——基于PMU/SCADA混合量测的求积分卡尔曼滤波（QKF）算法。研究背景是传统扩展卡尔曼滤波（EKF）在处理非线性问题时存在精确度不足和鲁棒性差的问题。QKF算法利用高斯-厄米特积分点来提高估计精度，并结合PMU的高精度实时数据与SCADA的成熟数据进行混合量测，从而改善状态估计的性能。仿真结果显示，QKF相比于EKF有更高的计算精确度，而PMU数据的加入进一步提升了状态估计的效果。在正常和异常情况下，基于混合量测的QKF状态估计方法都表现出良好的估计性能，且精确度显著优于仅使用SCADA的系统。" 这篇论文详细介绍了电力系统状态估计领域的最新研究进展，针对当前广泛使用的EKF算法存在的局限性，提出了一种新的状态估计方法——求积分卡尔曼滤波器（QKF）。QKF从统计线性回归的角度出发，通过应用高斯-厄米特积分点，有效解决了EKF在处理非线性问题时精确度受限的问题，从而提高了估计的准确度。 同时，论文还引入了同步相量测量单元（PMU）的数据，PMU能够提供全网实时同步的高精度测量，与传统的SCADA（Supervisory Control And Data Acquisition，监控与数据采集系统）数据相结合，形成混合量测。这种混合量测的方式不仅充分利用了PMU的高精度优势，也发挥了SCADA系统的成熟稳定性，从而在状态估计中取得了更优的性能。 仿真分析证明了QKF方法的优越性，不仅在计算精确度上超过EKF，而且在系统出现扰动的情况下仍能保持良好的估计性能。当系统增加混合量测的数据后，QKF的估计精确度得到了显著提升，这表明该方法对于电力系统的实时监测和故障诊断具有很高的实用价值。 这篇论文提出的基于PMU/SCADA混合量测的QKF状态估计方法，为电力系统的状态估计提供了一种更高效、更精确的解决方案，对于提高电网运行的安全性和稳定性具有重要意义。