基于WLS-AUKF混合算法的主动配电网联合状态估计OA

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。在光伏(Photovoltaic,PV)/电动汽车(Electric Vehicles,EV)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)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。