PMU优化配置下基于WLS-AUKF混合算法的主动配电网联合状态估计

作者：满延露; 刘敏

来源：电子科技, 2023, 1-11.

DOI：10.16180/j.cnki.issn1007-7820.2025.02.012

• 主动配电网
• 联合状态估计
• 加权最小二乘法
• 自适应无迹卡尔曼滤波
• PMU优化配置
• 改进粒子群算法
• 两点交叉法
• Metropolis-Hastings算法
• 遗传粒子群算法

响应负载和分布式能源的随机性和波动性、相量测量单元(Phasor Measurement Unit， PMU)配置的经济性需求对配电网状态估计提出了更高要求。文中提出了考虑PMU配置优化的加权最小二乘法(Weighted Least Squares， WLS)-自适应无迹卡尔曼滤波(Adaptive Untraced Kalman Filtering， AUKF)的主动配电网联合状态估计。通过改进的粒子群优化算法(Metropolis-Hastings Crossover Particle Swarm Optimization， MHCPSO)实现PMU优化配置，再结合WLS和AUKF提出联合状态估计。联合方式是WLS为AUKF馈送稳健的量测数据，AUKF为WLS提供先验预测值并补充量测冗余。仿真结果表明，在相同PMU数量下，MHCPSO算法比遗传粒子群算法(Genetic Algorithm Particle Swarm Optimization， GAPSO)估计精度更高；在相同状态估计误差情况下，MHCPSO算法配置的PMU数量比GAPSO算法可最多减少4个，即MHCPSO算法的综合优化性能越优秀越有效。在光伏(Photovoltaic， PV)/电动汽车(Electric Vehicles， VE)并网无序充放电和某一时刻负荷突变情况下，WLS-AUKF算法均体现出了比UKF(Untraced Kalman Filtering， UKF)算法更好的估计性能。在PMU配置优化、PV/VE并网以及负荷突变3个场景中体现出了WLS-AUKF状态估计的高精度、经济性、抗差性和稳健性。

• 单位
  贵州大学