Dinamička estimacija stanja nesimetričnih elektrodistributivnih mreža i optimalno podešavanje parametara kalmanovog filtra

Abstract

S ekspanzijom distribuirane proizvodnje rastu i zahtevi za aktivnijim učešćem u monitoringu i upravljanju elektrodistributivnim mrežama. Zbog toga problem estimacije stanja u distributivnim mrežama poslednjih godina dobija sve više na značaju. Estimacija stanja u većini upravljačkih centara postojećih distributivnih mreža standardno se zasniva na statičkoj estimaciji. Distributivne mreže su slabo monitorisane, pa zahtevaju generisanje fiktivnih pseudo merenja u cilju postizanja opservabilnosti sistema. Zbog dominacije pseudo merenja kvalitet estimacije stanja u distributivnim mrežama je znatno niži u poređenju sa prenosnim mrežama. Cilj istraživanja je popraviti kvalitet estimacije stanja u distributivnim mrežama u odnosu na rezultate koji se mogu dobiti konvencionalnom statičkom estimacijom. U okviru ove doktorske disertacije razvijena su dva trofazna algoritma dinamičke estimacije stanja zasnovana na Kalmanovom filtru: Extended Kalman Filter - EKF prvog reda i Unscented Kalman Filter - UKF. Doprinos je u tome što su razvijeni algoritmi prilagođeni karakteristikama nesimetričnih distributivnih mreža koje zahtevaju izvršavanje trofazne dinamičke estimacije stanja. Najpre su ispitani efekti koje na kvalitet dinamičke estimacije stanja imaju sledeći parametri Kalmanovog filtra: inicijalno estimirani vektor stanja, matrica kovarijansi inicijalno estimiranog vektora stanja i matrica kovarijansi grešaka dinamičkog modela. Nakon toga, razvijene su tehnike i metode za optimalno podešavanje ovih parametara. Utvrđeno je da se inicijalno rešenje može pravilno proceniti upotrebom statičkog estimatora stanja. Poseban doprinos dat je u razvoju novih metoda za podešavanje matrice kovarijansi grešaka dinamičkog modela. Postojeće metode zasnivaju se na upotrebi linearnih modela merenja i dinamike sistema, koji se oslanjaju na upotrebu sinhrofazorskih merenja. Implementacija sinhrofazorskih merenja nije karakteristična za distributivne mreže na trenutnom nivou njihovog razvoja, pa je potrebno razviti metode u skladu sa aktuelnom mernom infrastrukturom distributivnih mreža. Razvijene su dve nove metode za podešavanje matrice kovarijansi grešaka dinamičkog modela: metoda za fiksno podešavanje, koja je namenjena kvazistacionarnom režimu, i metoda za adaptivno podešavanje, koja se može upotrebiti i u kvazistacionarnom režimu i pri naglim promenama. Metode se mogu primeniti u distributivnim mrežama sa konvencionalnim merenjima napona, struja i aktivnih/reaktivnih snaga, a mogu se uspešno primeniti i ukoliko su u algoritam dinamičke estimacije stanja uključena i sinhrofazorska merenja. Dodatni doprinos je da se predložene metode mogu koristiti u praktičnim aplikacijama namenjenim za estimaciju stanja realnih distributivnih mreža. Pokazano je da se adekvatnim podešavanjem parametara dinamičkog estimatora kvalitet estimacije stanja u distributivnim mrežama može popraviti u poređenju sa rezultatima koji se dobijaju statičkim estimatorom stanja. Verifikacija predloženih metoda je izvršena na dva modifikovana IEEE distributivna test sistema i na primeru realne distributivne mreže Elektroprivrede Srbije. Metoda za fiksno podešavanje verifikovana je na EKF i UKF algoritmu dinamičke estimacije stanja. Metoda za adaptivno podešavanje verifikovana je na EKF algoritmu dinamičke estimacije stanja.

Considering the fact that the expansion of distributed generation significantly affects the activities in monitoring and control of electrical distribution networks, the state estimation of distribution networks has become increasingly important in the last few years. State estimation is static in most of the existing distribution network control centers. Distribution networks are poorly monitored, so it is required to utilize fictitious pseudo measurements in order to achieve observability of the system. Due to the domination of pseudo measurements, the state estimation accuracy in the distribution networks is considerably lower compared to the transmission networks. The aim of the research is to improve the accuracy of the estimates in the distribution networks in regard to the ones that can be obtained by conventional static state estimation. In this doctoral dissertation, two Kalman filter based three-phase dynamic state estimation algorithms are developed: first order Extended Kalman Filter - EKF and Unscented Kalman Filter - UKF. These algorithms were developed respecting the characteristics of the unbalanced distribution networks which require the execution of a three-phase dynamic state estimation. Firstly, the effects of some Kalman filter parameters on the accuracy of the dynamic state estimation are examined. The analyzed Kalman filter parameters are the following: initial state vector, covariance matrix of initial state vector and process noise covariance matrix. In addition to this, techniques and methods for optimal assessment of these parameters have been developed. It has been found that the initial solution can be properly assessed using a static state estimator. A major contribution has been made in the development of new methods for assessment of the process noise covariance matrix. The existing methods are based on linear observation and process models which rely on the use of Phasor Measurement Units - PMUs. The implementation of PMUs is quite uncommon in today’s distribution networks. Therefore, it is necessary to develop methods suitable to the actual metering infrastructure of distribution networks. Two new methods for assessment of the process noise covariance matrix have been developed: the method for fixed assessment, intended for a quasi-static operation of the system, and the method for adaptive assessment, which can be used during quasi-static operation and under sudden load changes. The methods can be applied in distribution networks with conventional voltage, current and active/reactive power measurements, but they can also be successfully applied if PMUs are included in the dynamic state estimation algorithm. An additional contribution is that the proposed methods can be used in practical applications designed to estimate the state of real distribution networks. It has been shown that the accuracy of the state estimation in the distribution networks can be improved in comparison with the results obtained by the static state estimator. This can be achieved if dynamic state estimator parameters are adequately assessed. The proposed methods are verified on two modified IEEE distribution test systems and on the real distribution utility feeder of Electric Power Industry of Serbia. The method for fixed assessment is verified on the EKF and UKF dynamic state estimation algorithms. The adaptive assessment method is verified on the EKF dynamic state estimation algorithm.