电力系统动态状态估计：EKF与UKF对比与实践

1. 电力系统动态状态估计的核心挑战

在电力系统运行中，实时掌握发电机转子角度、转速等动态状态量是确保系统稳定性的关键。传统状态估计主要针对稳态量（如电压幅值、相角），而动态状态估计需要处理非线性微分方程，面临三大核心挑战：

1. 强非线性特性：发电机摇摆方程呈现显著的非线性，特别是在故障后的大扰动场景下，线性化方法会引入较大误差。以3机9节点系统为例，故障后发电机相对角度可能变化超过30°，此时线性近似会导致明显的状态估计偏差。

2. 测量噪声干扰：PMU（同步相量测量装置）虽然提供高精度数据，但仍存在0.1%-1%的测量误差。噪声主要来源于：

   • 传感器本身的量化误差
   • 通信传输过程中的数据丢包
   • 不同步采样带来的相位偏差

3. 计算实时性要求：动态过程时间常数通常在0.1-10秒量级，算法需在1-2个周期内完成状态更新。对于39节点系统，全模型计算需要在50ms内完成才能满足实时控制需求。

实际工程中，我们曾遇到某区域电网因状态估计延迟导致阻尼控制失效的案例。这促使我们深入研究EKF和UKF这两种非线性滤波方法的适用性差异。

2. EKF与UKF的数学本质解析

2.1 扩展卡尔曼滤波(EKF)的实现机理

EKF通过一阶泰勒展开处理非线性问题，其核心步骤包括：

1. 状态预测：

   matlab复制function dx = generator_model(t, x, Ybus, E)
       delta = x(1:n_gen); 
       omega = x(n_gen+1:end);
       I = Ybus * (E .* exp(1j*delta));
       P = real(E .* conj(I));
       ddelta = omega;
       domega = (Pm - P - D.*omega)./M;
       dx = [ddelta; domega]; 
   end
   

2. 雅可比矩阵计算：

   matlab复制function F = compute_jacobian(x, Ybus, E)
       n = length(E);
       F = zeros(2*n, 2*n);
       % 填充∂f/∂δ部分
       for i = 1:n
           for j = 1:n
               F(i,j+n) = (i==j); % ∂δ̇/∂ω
               F(i+n,j) = -E(i)*E(j)*abs(Ybus(i,j))*sin(x(i)-x(j)-angle(Ybus(i,j))))/M(i);
           end
           F(i+n,i+n) = -D(i)/M(i); % ∂ω̇/∂ω
       end
   end
   

EKF的主要局限在于：

• 强非线性时一阶近似失效（如故障后功角超过20°）
• 雅可比矩阵计算消耗40%以上的计算资源
• 需要手动推导偏导公式，工程实现复杂

2.2 无迹卡尔曼滤波(UKF)的sigma点策略

UKF采用确定性采样方式，通过2n+1个sigma点捕获非线性特性：

1. Sigma点生成：

   matlab复制function X = sigma_points(x, P, kappa)
       n = length(x);
       X = zeros(n, 2*n+1);
       S = chol((n+kappa)*P)';
       X(:,1) = x;
       for i = 1:n
           X(:,i+1) = x + S(:,i);
           X(:,n+i+1) = x - S(:,i);
       end
   end
   

2. 非线性传播：

   matlab复制function [x_pred, P_pred] = ut(f, X, Wm, Wc, Q)
       [n, ~] = size(X);
       x_pred = zeros(n,1);
       % 均值预测
       for i = 1:2*n+1
           x_pred = x_pred + Wm(i)*f(X(:,i));
       end
       % 协方差预测
       P_pred = Q;
       for i = 1:2*n+1
           dx = f(X(:,i)) - x_pred;
           P_pred = P_pred + Wc(i)*(dx*dx');
       end
   end
   

UKF的优势体现在：

• 无需计算雅可比矩阵，实现复杂度降低60%
• 可处理二阶非线性效应，在发电机紧急制动等场景下精度提升30%
• 参数调节更直观（α=1e-3, β=2, κ=0为典型值）

3. WECC 3机9节点系统实证分析

3.1 测试场景设计

构建包含三种运行状态的测试案例：

1. 稳态运行：各发电机功角差<15°
2. 线路故障：t=1s时9-6线路三相短路，持续100ms
3. 切机操作：t=5s时切除G3机组

测量配置：

• 每台发电机PMU量测（δ, ω）
• 关键母线电压幅值/相角
• 线路有功/无功功率

3.2 结果对比指标

关键发现：

1. UKF在动态过程中的估计误差显著低于EKF，特别是在故障清除后的振荡阶段（误差降低达50%）
2. EKF在稳态运行时计算效率更高，适合作为基础监测方案
3. UKF对初值误差更鲁棒，在G3突然退出时能更快跟踪状态变化

3.3 典型波形对比

实线为真实状态，虚线为估计结果。可见UKF(右)比EKF(左)更好地捕捉了故障瞬间的转速突变。

4. 39节点系统大规模验证

4.1 实现优化技巧

面对大规模系统，采用以下加速策略：

1. 稀疏矩阵处理：

   matlab复制Ybus = sparse(Ybus); % 导纳矩阵稀疏化
   options = odeset('JPattern', jpattern); % 指定雅可比稀疏模式
   

2. 并行sigma点计算：

   matlab复制parfor i = 1:2*n+1
       X_pred(:,i) = generator_model(X_sigma(:,i));
   end
   

3. 自适应噪声调整：

   matlab复制if norm(z - zhat) > threshold
       R = 1.5*R; % 增大测量噪声协方差
   end
   

4.2 内存与计算瓶颈突破

应对措施：

• 采用HDF5格式分块存储历史状态
• 每10步执行一次完整的协方差更新
• 使用GPU加速矩阵运算（可提速3-5倍）

5. 工程应用建议

5.1 选型决策树

mermaid复制graph TD
    A[系统规模] -->|≤20台机组| B(非线性程度)
    A -->|>20台机组| C[EKF+稀疏优化]
    B -->|故障后Δδ<15°| D[EKF]
    B -->|Δδ≥15°| E[UKF]

5.2 参数整定指南

EKF关键参数：

• 过程噪声Q：取发电机惯性时间常数的倒数
• 测量噪声R：根据PMU精度手册设置（典型0.1%）
• 初始协方差P0：按典型扰动幅值设定

UKF调参经验：

matlab复制alpha = 1e-3;  % 控制sigma点分布范围
beta = 2;       % 包含先验分布信息 
kappa = 0;      % 保证半正定
[Wm, Wc] = weights(alpha, beta, kappa);

5.3 常见故障排除

1. 发散问题：

   • 检查雅可比矩阵是否正确（EKF）
   • 验证sigma点是否超出物理约束（UKF）
   • 逐步增大过程噪声Q直到收敛

2. 振荡现象：

   matlab复制% 加入平滑滤波
   x_hat = 0.8*x_hat + 0.2*prev_x_hat;
   

3. 实时性不足：

   • 采用C-MEX混合编程
   • 使用Eigen库替换部分MATLAB矩阵运算
   • 考虑FPGA硬件加速方案

6. 代码实现关键片段

6.1 UKF核心逻辑

matlab复制function [x_est, P_est] = ukf_step(f, h, x, P, z, Q, R)
    % Sigma点生成
    X = sigma_points(x, P, kappa);
    
    % 状态预测
    [x_pred, P_pred] = ut(f, X, Wm, Wc, Q);
    
    % 测量更新
    Z = zeros(length(z), 2*n+1);
    for i = 1:2*n+1
        Z(:,i) = h(X(:,i));
    end
    z_pred = Z*Wm';
    Pzz = R;
    Pxz = zeros(n, length(z));
    for i = 1:2*n+1
        dz = Z(:,i) - z_pred;
        Pzz = Pzz + Wc(i)*(dz*dz');
        Pxz = Pxz + Wc(i)*(X(:,i)-x_pred)*dz';
    end
    
    % 卡尔曼增益
    K = Pxz/Pzz;
    x_est = x_pred + K*(z - z_pred);
    P_est = P_pred - K*Pzz*K';
end

6.2 雅可比矩阵高效计算

matlab复制function Phi = discrete_jacobian(f, x, dt)
    n = length(x);
    Phi = eye(n);
    eps = 1e-6;
    for j = 1:n
        dx = zeros(n,1);
        dx(j) = eps;
        Phi(:,j) = (f(x + dx) - f(x - dx))/(2*eps);
    end
    Phi = eye(n) + Phi*dt; % 离散化
end

实际项目中，我们通过预计算雅可比符号表达式，配合自动微分技术，将39节点系统的雅可比计算时间从12ms降低到3.8ms。