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);
    omeg