EKF与UKF在电力系统动态状态估计中的实战：原理、代码与排坑经验

做电力系统动态状态估计有几年了，最早啃的就是EKF（扩展卡尔曼滤波）和UKF（无迹卡尔曼滤波）这两套非线性滤波方法。很多同学拿到PMU（同步相量量测装置）数据之后，第一反应就是上卡尔曼滤波，结果真正写Matlab代码的时候才发现，坑比想象中多得多：雅可比矩阵求错一个符号整个滤波就飞了，协方差矩阵莫名其妙非正定，UKF的Sigma点参数调了半天也不知道合不合理，好不容易跑通了估计曲线又滞后……这篇文章就把我在实际调试EKF和UKF做电力系统动态状态估计时积累的经验完整整理出来，包括两种算法的原理差异、Matlab代码骨架、参数整定方法、以及一步步排查发散问题的思路。

内容面向正在做电力系统暂态仿真、动态状态估计、或者研究同步相量量测应用的同学，也适合已经具备一定Matlab基础但想快速把这两种滤波器跑通、用在自己的论文或项目里的读者。文中的代码框架不依赖特定的电力系统工具箱，直接copy下来改成自己的模型就能用。

1. 电力系统动态状态估计：为什么EKF和UKF是主流选择

1.1 动态状态估计到底解决什么问题

电力系统状态估计，本质上是从带有噪声污染的量测数据里，还原系统真实的运行状态。传统的静态状态估计，比如加权最小二乘法（WLS），处理的是稳态工况下的量测冗余问题，它的隐含假设是系统在量测周期内基本不变化。这个假设在过去的调度自动化体系下没什么问题，因为SCADA系统提供的数据刷新率只有秒级甚至分钟级，系统的确可以被当作稳态来处理。

但PMU的大规模部署改变了这个局面。PMU能提供毫秒级同步相量数据，动态过程第一次可以被实时感知。这时候静态状态估计就显得不够用了——在故障扰动后的暂态过程中，发电机的功角、角速度都在快速变化，系统的实际运行点每时每刻都在移动，一个“稳态快照”根本无法描述这种时变状态。

动态状态估计就是为此而生的。它利用系统的动态模型，比如发电机转子运动方程，把时间维度上的物理约束加进来，通过递推滤波的方式跟踪状态的实时变化轨迹。和静态估计相比，动态估计有两个明显优势：一是能给出状态在暂态过程中的连续轨迹，而不是孤立的快照；二是模型约束天然提供了一定程度的滤波作用，对量测噪声和坏数据有更强的容忍能力。

1.2 为什么偏偏是EKF和UKF

卡尔曼滤波家族里，标准卡尔曼滤波（KF）只适用于线性系统，而电力系统的动态模型是一个强非线性系统。状态方程里的功角、角速度关系，量测方程里的电压、功率关系，都带有三角函数和非线性耦合。直接用KF是行不通的，需要做非线性扩展。

EKF的思路最直接——把非线性函数在每次滤波的工作点附近做一阶泰勒展开，舍去高阶项，然后用标准KF的递推框架继续处理。这个方案实现简单，计算效率高，在非线性不强的时候精度足够好，所以长期以来是工程应用的主力。

UKF走的是另一条路线。它不对非线性函数做任何近似，而是通过无迹变换选取一组Sigma点，让这些点经过非线性函数传播，再在传播结果上重构均值和协方差。相当于用采样来逼近真实的概率分布，避开了线性化误差。这个思路在数学上比一阶线性化更精细，因为截断到二阶矩的精度，所以在强非线性场景下表现更稳定。

还有一个现实原因：EKF和UKF已经是电力系统动态状态估计领域的事实标准，几乎所有相关论文、开源代码都在用这两种算法做基准对比。后续不管你想尝试粒子滤波、平方根滤波还是鲁棒滤波，都要先和EKF/UKF比性能，所以这两个算法是绕不开的基础工具。

1.3 两种算法在工程场景中的适用边界

拿我自己的项目经验来说，怎么判断该用哪个？看两件事：系统非线性的强度和状态维度。

如果工作点变化平缓、非线性程度不强，比如正常负荷波动下的慢动态过程，EKF完全够用，计算量又小，代码也简单。但如果研究的是故障后的暂态过程，功角可能摆到几十度甚至上百度的范围，量测方程里的sin、cos函数偏离线性近似已经很远，这时候EKF的一阶截断误差就会被放大，UKF的优势就体现出来了。

状态维度也得考虑。UKF要传播2n+1个Sigma点（n是状态维度），状态越多计算量增长越明显。电力系统发电机动态状态估计的状态量通常就三到六个，UKF的计算量完全可控；但如果把模型扩展到全系统多机动态，状态维度几十上百，UKF的计算负担就会成为问题，这时候要么用EKF，要么用缩减Sigma点的变体算法。

2. EKF在电力系统状态估计中的原理与Matlab实现

2.1 状态方程与量测方程的建立

先把模型建起来。电力系统动态状态估计中，最基础的状态方程来自发电机的转子运动方程，也就是常说的摇摆方程。以单机无穷大系统为例，状态量通常选发电机的功角δ和角速度偏差Δω，离散化的状态方程可以写成：

matlab复制% 状态方程离散递推，dt为采样间隔，omega_s为同步角速度
function x_next = system_dynamics(x, dt, param)
    delta = x(1);
    omega = x(2);   % 这里omega是角速度偏差，单位 rad/s
    omega_s = param.omega_s;
    
    % 电磁功率 Pe = E'*V/X' * sin(delta)
    Pe = param.Ep * param.V / param.Xdp * sin(delta);
    
    d_delta = omega - omega_s;
    d_omega = (param.Pm - Pe - param.D * (omega - omega_s)) / param.M;
    
    x_next = x + [d_delta; d_omega] * dt;
end

这段代码里，param是一个结构体，存放发电机参数：暂态电势Ep、机端电压V、暂态电抗Xdp、机械功率Pm、阻尼系数D、转动惯量M。这些都是标幺值或实际值，根据你的算例取自定。注意我这里把角速度偏差作为状态变量，是为了让数值范围更合理——功角是弧度量级，角速度偏差在扰动后可能只有几个rad/s，如果直接存绝对角速度，状态分量的数量级差异会很大，给后面的协方差矩阵运算带来数值问题。

量测方程相对灵活，取决于你能拿到什么量测。常见配置是量测功角δ、机端电压幅值V、有功功率P。功角量测方程是线性的，但功率量测方程是非线性的，里面带三角函数：

matlab复制% 量测方程，返回预测量测值 [delta; V; P]
function z_pred = h_measurement(x, param)
    delta = x(1);
    Pe = param.Ep * param.V / param.Xdp * sin(delta);
    z_pred = [delta; param.V; Pe];
end

这里就把暂态电势Ep当作常数处理了，实际上它可以扩展为状态量。初学阶段建议先从三状态或两状态模型入手，跑通算法再加复杂度。

2.2 EKF递推流程与雅可比矩阵计算细节

EKF的核心递推分两步。第一步状态预测，用上一步的估计值和系统动态模型计算当前时刻的状态预测值，同时通过雅可比矩阵传播协方差。第二步测量更新，用预测值与量测值的差（新息）计算卡尔曼增益，修正状态预测值。

关键点在于雅可比矩阵。状态方程的雅可比F是状态方程对状态向量求偏导，量测方程的雅可比H是量测方程对状态向量求偏导。这里最容易出错，一个符号错误就能让滤波器发散。

雅可比矩阵有两种求法。解析推导最准确，但对数学功底有要求。以摇摆方程为例，状态雅可比F的推导比较直接，主要是对Δω、功角sin项求偏导。量测雅可比H稍微麻烦一点，比如有功功率P对功角δ的偏导是EpV/Xdpcos(δ)，在功角接近90度时这个偏导接近零，也就是说测量函数在这个工作点附近几乎不随功角变化，滤波器会很自然地对功角量测“失去信任”，这是符合物理直觉的。

数值微分是另一种常用方法，特别适合调试阶段验证解析结果的正确性。用中心差分公式近似偏导：f'(x)≈(f(x+h)-f(x-h))/(2h)，步长h取1e-6左右。我的习惯流程是：先写解析雅可比，再用数值微分的结果去对比验证，两者误差在1e-4量级以内才放心继续往下走。强烈建议不要跳过这个验证步骤，很多同学滤波器发散，第一反应是调Q/R参数，结果折腾半天发现是雅可比矩阵写错了。

2.3 EKF的Matlab代码骨架

下面给出一套可以直接套用的EKF代码框架。这个框架的输入是量测序列、状态初值、协方差初值、噪声协方差以及系统参数：

matlab复制function [x_hist, P_hist] = ekf_dynamic_estimation(z_meas, x0, P0, Q, R, dt, param)
    n = length(x0);
    n_steps = size(z_meas, 2);
    
    x_est = x0;
    P_est = P0;
    x_hist = zeros(n, n_steps);
    P_hist = zeros(n, n, n_steps);
    
    for k = 1:n_steps
        % ===== 状态预测 =====
        x_pred = system_dynamics(x_est, dt, param);
        F = compute_state_jacobian(x_est, dt, param);
        P_pred = F * P_est * F' + Q;
        
        % ===== 测量更新 =====
        H = compute_meas_jacobian(x_pred, param);
        z_pred = h_measurement(x_pred, param);
        
        S = H * P_pred * H' + R;
        K = P_pred * H' / S;
        
        x_est = x_pred + K * (z_meas(:,k) - z_pred);
        P_est = (eye(n) - K * H) * P_pred;
        
        x_hist(:,k) = x_est;
        P_hist(:,:,k) = P_est;
    end
end

compute_state_jacobian和compute_meas_jacobian两个函数是核心，需要根据具体模型实现。其他部分都是标准EKF骨架，可以复用。

2.4 EKF调参的真正难点

EKF参数整定，核心是Q和R的确定。Q是过程噪声协方差矩阵，反映动态模型的误差水平，包括模型简化误差、参数不确定性、未建模动态等；R是量测噪声协方差矩阵，反映量测设备的误差水平。

Q的设定最让人头疼，因为它没有一个物理上可以直接测定的标准。很多初学者把Q设成一个非常小的值，甚至零矩阵，理由是“模型很准不需要过程噪声”。这会产生一个典型现象：滤波结果对量测变化非常迟钝，因为算法过度相信模型预测，量测更新几乎不起作用。正确的心态是认识到：任何简化模型都有误差，这些误差必须通过Q来“吸收”，Q是模型不确定性的出口。

实际操作中，我一般先用模拟数据做敏感性分析：固定R不变，把Q从很小到很大扫一遍，观察估计结果和新息序列的统计特性。新息均值为零、方差和理论预测一致，说明Q/R比例基本合理。另一个实用技巧是：如果发电机模型忽略了励磁系统动态，那么Q中跟暂态电势相关的分量可以适当调大，因为这个被忽略的动态会造成更明显的过程不确定性。

3. UKF的实现：无迹变换原理与Matlab代码

3.1 无迹变换的核心思想

UKF和EKF的根本区别在于处理非线性传播的方式。EKF对非线性函数做线性化，然后把线性化后的模型套进KF框架。UKF则完全绕开线性化这个步骤，直接用一组精心选取的Sigma点来捕获状态分布的关键统计特性。

假设状态向量维度为n，均值为x_mean，协方差为P。无迹变换选取2n+1个Sigma点：

第一个点是均值本身：X_0 = x_mean。

剩下的2n个点分布在均值两侧，沿着协方差矩阵的主轴方向偏移：X_i = x_mean ± (sqrt((n+λ)P))的第i列。这里的sqrt表示矩阵的Cholesky分解，λ=α²(n+κ)-n叫做复合缩放参数。

这组Sigma点经过非线性函数传播后，带的权重已经被设定为能够精确重构原分布的均值和协方差。第一点的均值权重是W_0^m=λ/(n+λ)，协方差权重是W_0^c=λ/(n+λ)+(1-α²+β)，其余点的均值和协方差权重都是1/(2(n+λ))。

为什么这样设计？因为对任意非线性函数，这组带权Sigma点的样本均值和样本协方差能够精确匹配真实分布的一阶矩和二阶矩，其精度相当于对非线性函数做二阶泰勒展开，比EKF的一阶展开高一个量级，而且不需要求导，没有雅可比矩阵的麻烦。

3.2 UKF递推流程的Matlab代码

UKF的算法流程跟EKF几乎一一对应，区别只在于如何计算预测均值和协方差。下面是我在项目中使用的核心代码骨架：

matlab复制function [x_hist, P_hist] = ukf_dynamic_estimation(z_meas, x0, P0, Q, R, dt, param, alpha, beta, kappa)
    n = length(x0);
    n_steps = size(z_meas, 2);
    n_sigma = 2 * n + 1;
    
    lambda = alpha^2 * (n + kappa) - n;
    
    % sigma点权重
    W_mean = zeros(n_sigma, 1);
    W_cov = zeros(n_sigma, 1);
    W_mean(1) = lambda / (n + lambda);
    W_cov(1) = lambda / (n + lambda) + (1 - alpha^2 + beta);
    for i = 2:n_sigma
        W_mean(i) = 1 / (2 * (n + lambda));
        W_cov(i) = 1 / (2 * (n + lambda));
    end
    
    x_est = x0;
    P_est = P0;
    x_hist = zeros(n, n_steps);
    P_hist = zeros(n, n, n_steps);
    
    for k = 1:n_steps
        % 生成sigma点
        sqrt_P = chol((n + lambda) * P_est, 'lower');
        X_sigma = zeros(n, n_sigma);
        X_sigma(:,1) = x_est;
        for i = 1:n
            X_sigma(:,i+1) = x_est + sqrt_P(:,i);
            X_sigma(:,n+1+i) = x_est - sqrt_P(:,i);
        end
        
        % 状态预测
        X_pred = zeros(n, n_sigma);
        for i = 1:n_sigma
            X_pred(:,i) = system_dynamics(X_sigma(:,i), dt, param);
        end
        x_pred = X_pred * W_mean;
        P_pred = Q;
        for i = 1:n_sigma
            diff = X_pred(:,i) - x_pred;
            P_pred = P_pred + W_cov(i) * (diff * diff');
        end
        
        % 测量更新
        Z_pred = zeros(length(z_meas(:,1)), n_sigma);
        for i = 1:n_sigma
            Z_pred(:,i) = h_measurement(X_pred(:,i), param);
        end
        z_pred = Z_pred * W_mean;
        
        Pzz = R;
        Pxz = zeros(n, length(z_meas(:,1)));
        for i = 1:n_sigma
            dz = Z_pred(:,i) - z_pred;
            dx = X_pred(:,i) - x_pred;
            Pzz = Pzz + W_cov(i) * (dz * dz');
            Pxz = Pxz + W_cov(i) * (dx * dz');
        end
        
        K = Pxz / Pzz;
        x_est = x_pred + K * (z_meas(:,k) - z_pred);
        P_est = P_pred - K * Pzz * K';
        
        x_hist(:,k) = x_est;
        P_hist(:,:,k) = P_est;
    end
end

这段代码里，chol((n+lambda)*P_est, 'lower')要求P_est必须是正定矩阵，否则会报错。这也是UKF实现中最常见的报错点。如果P_est在滤波过程中因为数值误差失去正定性，可以考虑先做对称化处理：P=(P+P')/2，再加一个很小的正则项，比如1e-8倍单位阵，然后再做Cholesky分解。

3.3 Sigma点参数选择经验

UKF三个附加参数α、β、κ的选择直接影响滤波性能，但很多人容易忽略它们的物理意义。

α控制Sigma点偏离均值的程度，取值范围通常在1e-3到1之间。α越小，Sigma点越集中，对强非线性的局部分辨能力越强，但数值稳定性可能变差；α越接近1，Sigma点分布越广，能覆盖更大的状态空间，但可能引入较大的近似误差。在实践中我通常取0.01到0.1之间，具体看系统的非线性强度。

κ是次级缩放参数，在高斯分布假设下通常取0或者3-n。β用于合并先验分布的信息，对于高斯分布取2是经验推荐值。这些参数对结果的影响没有Q/R那么敏感，只要不是设置得特别离谱，一般不会导致滤波器发散，但会影响估计精度和收敛速度。

还有一个值得注意的坑：状态变量数量级差异带来的数值问题。功角是弧度量级（比如0.5左右），而角速度偏差可能是rad/s或者标幺值体系下的数值，两者可能差几个数量级。这种尺度失配会让协方差矩阵的条件数变差，影响Cholesky分解的数值稳定性。解决办法有两个：一是在建模时就做好量纲统一，比如都用标幺值系统；二是对状态做归一化处理，在滤波前把状态向量缩放到相近量级，滤波结束后再还原。

4. EKF与UKF的对比、调试与工程化建议

4.1 精度、计算量与鲁棒性的实测对比

我在仿真平台上做过一组直接对比，场景设定为三相对地短路故障后功角摆动过程，量测包含功角、电压幅值和有功功率。在故障后1秒内，功角摆动幅度超过60度，非线性表现明显。

从估计精度来看，UKF的功角估计均方根误差（RMSE）比EKF小约30%到40%，这个差距在强非线性时段更加显著。原因是EKF的线性化在工作点附近成立，但故障后的状态轨迹远离初始工作点，一阶近似的误差被系统性放大；UKF通过Sigma点传播能更好地保持状态分布的特征，尤其是在分布被非线性函数扭曲的情况下。

计算量方面EKF明显占优。在这个三状态系统上，UKF的单步计算时间大概是EKF的3到5倍，主要开销在于Sigma点逐个传播和权重累加。不过对于单机或者几台机的动态状态估计，这个计算差距在实时场景里基本可以忽略。

鲁棒性是UKF的优势所在。我做过初值偏移测试：把功角初值设置得离真实值偏差20度，EKF需要几十个步长才能慢慢拉回真值附近，而UKF在几步之内就能收敛。原因还是线性化误差，初值越偏，EKF的线性化近似越不准确，收敛自然慢。

4.2 常见问题与排查步骤实录

实际调试中遇到的问题，最典型的就这么几类。我整理成了一张速查表，照着排查能少走不少弯路。

具体排查时，我习惯先用开环仿真验证模型：给定一个已知状态轨迹，跑状态方程生成量测，再跑滤波器。如果开环模型都对不上，滤波自然不可能对。

调试EKF还有一个很实用的诊断手段：观察新息序列的统计特性。理论上新息应该是零均值白噪声，如果新息呈现明显趋势或者相关结构，说明滤波器内部存在模型偏差或者参数不匹配。

4.3 初值设定与噪声协方差的工程经验

滤波器初值不是随便定的。工程上一个比较好的做法是先用静态状态估计（WLS）的结果作为动态滤波的初始值，这样起始点离真实工作点不远，EKF和UKF都能快速收敛。如果拿不到WLS结果，也可以用潮流计算输出作为近似初值。

协方差矩阵初值P0反映对初始状态估计的不确定性，如果对初值信心不足，可以把P0设大一些，让滤波器在起步阶段更信任量测，快速把状态拉回正轨。

Q和R的设置我在前面提到了一部分原则，这里再补充一个实操细节：Q矩阵的单位是状态量的平方除以时间，R矩阵的单位是量测量的平方，两者之间不存在绝对大小的直接比较，起作用的是相对比例和各自的方向性。物理量纲不同，直接调数字大小是没有意义的，一定要结合系统参数做量纲分析。

调Q/R还有一条经验：先从EKF开始调参。因为EKF的中间量（雅可比、新息、增益）都直观，出问题容易定位，等EKF调通，把同一组Q/R直接给UKF用，一般就能得到不错的结果。

4.4 快速扩展到更多系统模型

这套代码框架的核心价值在于结构清晰、模块解耦，换一个系统模型不需要大改。

换成更高阶的发电机模型，比如考虑励磁系统的三阶或五阶模型，只需要修改system_dynamics和h_measurement两个函数，对应的雅可比矩阵或者Sigma点传播逻辑自动适配。如果想加入更多的量测通道，比如增加无功功率、电流相量量测，同样只需要扩量测方程。

从单机扩展到多机系统，状态向量维度上升，但算法骨架不变。唯一需要关注的是计算开销的增长，尤其是UKF的Sigma点数量会随着状态维度线性增加。状态维度到十几维以后，如果实时性要求高，建议评估一下EKF和UKF在硬件平台上的单步执行时间，再做选型。

我个人的建议是：先从最简单的两状态单机模型开始，跑通EKF，再在同一框架上切换到UKF，对比观察两种算法的估计轨迹差异。等两头都稳定了，再逐步增加模型复杂度。不要一上来就上完整的多机模型，出了问题根本没法定位。

最后再分享一个小技巧：在做对比实验时，把两种算法的估计曲线、真实状态曲线和量测散点画在同一个图上。功角、角速度各一张，配合局部放大窗口，你能非常直观地看到EKF和UKF在每个瞬态的关键差异。很多论文里的对比图其实就是这样生成的，这一步本身也是检验实现正确性最有效的方法。这套流程我推荐给不少做毕设和论文的同学，按这个顺序推进，基本没有卡住超过一周的。如果调试中遇到这篇文章没覆盖到的奇怪现象，建议按“模型验证→协方差正定性检查→Q/R比例扫描”的顺序系统排查，大概率还是绕不开这几个基础问题。