电力系统分析(2005-7)课件.pptVIP

现代电力系统分析; 第三节 最小二乘估计 前面已经提及，所谓静态估计就是用一定的统计学准则通过测量向量z求出状态向量 ，且使之尽量接近其真值x 。于是 就是一个估计值，估计值与真值之间的误差称为估计误差，表达式为 估计误差值 是n维向量。判断某一估计方法的优劣不是根据 中个别分量的估计误差值，而是根据 的整个统计特性来决定的。如果估计量的分量大部分密集在真值x的附近，则这种估计结果是比较理想的。因此， 的二阶原点矩 可以作为衡量估计质量的一种标志，称为均方误差阵(n×n阶)。如果所用的估计方法是遵循最小方差准则，则称这种方法为最小方差估计。; 最小方差估计作为一种统计学的估计方法，要求事先掌握较多的随机变量的统计特性，这在电力系统状态估计实践中是难以做到的，不宜多采用。 本文介绍的最小二乘法则是一种非统计学的估计方法。 这种方法是在电力系统状态估计中应用最为广泛的方法之一。最早的最小二乘方法是高斯解决天体运动轨迹问题时提出的。优点之一是不需要随机变量的任何统计特性，它是以测量值z和测量估计值 之差的平方和最小为目标准则的估计方法。; 由于电力系统中的测量函数向量h(x)是非线性的向量函数，无法直接求解。如果先假定h(x)为线性函数，则 则状态量的值x与测量值z间的关系为 z=Hx+v 式中：H为m×n矩阵，其元素为hij。 按最小二乘准则建立目标函数 J(x)=(z-Hx)T(z-Hx) 对目标函数求导数并取为零，即就可以求解出估计量 。; 在这一方法中，对于任一个测量分量的误差 ，不论其值大小，均以相同 的机会参加进目标函数，亦即它们在目标函数中所占的分额均为一次。但由于各个测量量的量测精度是不一样的，因此它们以同样的权重组成目标函数是不尽合理的。为了提高整个估计值的精度，应该使各个量测量各取一个权值，精度高的测量量权大一些，而精度低的则测量量权小一些。根据这一原理提出了加权最小二乘准则，其目标函数可写成 JW(x)=(z-Hx)T W (z-Hx) 式中：W为一适当选择的加权正定阵，当W为单位阵时上式就是最小二乘准则。; 假设W=R-1，R为测量误差方差阵，其中各元素为 于是目标函数可写成 J(x)=[z-Hx]T R-1[z-Hx] 或 要使目标函数为最小的条件是 亦即 ; 求解上列方程组，得出xj值。写成矩阵方程式的形式，即 式中： 为状态量的解，亦即估计值。 估计值的估计误差为 由于通常测量误差v 的均值为零(称为无偏的)，所以估计误差的均值为 也是无偏的估计。; 在工程中往往以估计误差的协方差阵来衡量状态量的估计值与真值间的差异，估计误差的协方差阵为 由于E(vvT)=R (测量误差方差阵)，故估计误差的协方差阵为 c =(HTR-1H)-1 式中：[HTR-1H]称为信息矩阵。 [HTR-1H]-1的对角元随测量量的增多而减小，亦即测量越多时，估计出来的 就越准确，反之，当测量越少时，估计出来的状态量误差就越大。若有一个状态量xi 未被测量函数向量H所包含，则H中的i 列元素就为0。此时，HTR-1H的对角元便有0元素，其逆不复存在，因而失去了估计的可能性。;; 测量量的估计值 与其真值H(x)差异的协方差阵为 式中：Q称为测量误差方差阵，其对角元表示测量误差方差的大小。若diag{Q}R，表示状态估计可以提高数据的精度，亦即具有滤波作用。 以上是在h(x)为线性函数的前提下讨论的。但一般情况，h(x)为非线性函数，这就需要用迭代的方法求解。; 先假定状态量初值为x(0)，使h(x)在x(0)处线性化，并用泰勒级数在x(0)附近展开h(x)，即 h(x)=h(x(0))+H(x(0))?x +… 式中：H(x(0))是函数向量h(x)的雅可比矩阵，其元素为 略去?x的高阶项，则 J(x)=[z-h(x(0))-H(x(0))?x]T R-1 [z-h(x(0))-H(x(0))?x] =[?z-H(x(0))?x]T R-1 [?z-H(x(0))?x] 与前一样，以?x为变量可得 ; 应该指出，只有当x(0)充分接近 时泰勒级数略去高阶项后才能是足够近似的。应用上式 逐次迭代，可以得到