基于有色噪声卡尔曼滤波算法在电力系统母线负荷预测中应用.docVIP

基于有色噪声卡尔曼滤波算法在电力系统母线负荷预测中应用 　　【摘要】将卡尔曼滤波原理运用于电力系统负荷预测通常是针对线性定常系统，并在白噪声的前提下进行，然而模型的灵敏程度和预报精度不是十分理想。本课题将白色噪声对负荷预测的影响纳入了考虑范围，首先介绍了白噪声下的卡尔曼滤波方法，继而对有色噪声下卡尔曼滤波算法展开了讨论和研究。然而，并非所有有色噪声都是可以被白色化的，只有广义马尔可夫有色噪声序列才可以被白色化。本课题用状态扩充法来实现有色噪声白色化，然后在仿真时结合实际电网数据进行的预测计算取得了较好的效果。 　　【关键词】负荷预测；卡尔曼滤波；有色噪声；马尔可夫序列；白色化 　　1.引言 　　负荷预测对电力系统控制、运行和计划都是非常重要的，电力系统负荷预测分为系统负荷预测和母线负荷预测两类[1]。长期以来，人们对电力系统短期负荷预测展开了深入的讨论和研究，形成了很多有效的研究办法，如回归分析法[2]、最小二乘法[3]、专家系统法[4]、小波分解法[5]、混沌模型法[6]、人工神经网络法[7]等，这些方式方法各有各的优点和缺点。 　　短期负荷预测涉及卡尔曼滤波的研究在国外兴起较早，1998年，研究者M.Huelsemann等人就此课题展开了研究和讨论。 　　卡尔曼滤波（KALMAN FILTER）是匈牙利裔美国数学家鲁道夫·卡尔曼（Rudolf Emil Kalman）于1960年研究提出的，卡尔曼滤波的一个典型实例是从一组有限的，包含噪声的，对物体位置的观察序列（可能有偏差），通过线性无偏最小均方差估计办法来预测出物体的位置的坐标及速度。最终求得过滤掉噪声的有用信号，提升估计的精确程度[9]。然而在基本的卡尔曼滤波方程中，系统噪声矢量和量测噪声矢量均是相关程度很低的零均值白噪声过程。而在实际情况中，系统噪声和量测噪声不可能是白噪声过程，而是有色噪声；即使两种噪声的均值为零，在不同历元的协方差函数也不一定为零。而以理想状态来分析，负荷预测的精度将会受到影响。由此得知，要提升卡尔曼滤波的精确度和可靠程度，控制有色噪声事关重要，针对可用才用有理分式来表达非均匀频谱的有色噪声，才能运用??化滤波器来形成白噪声。然而，并非所有噪声都是可以被白化的，只有广义马尔可夫序列有色噪声才能够被白化。虽然本文探讨的有色噪声具有一定的特殊性，但实际应用意义还是非常大的。 　　2.经典的卡尔曼滤波算法简介 　　随机线性离散系统的状态方程和量测方程为： 　　（1） 　　在上式之中，为一步状态转移矩阵；为第k时刻的动态噪声；为观测矩阵；为n维状态矢量；为第k时刻作用于系统的随机干扰，也就是人们常说的量测噪声。 　　假设和是没有关联度的高斯白噪声随机序列，数学期望与协方差阵具有一致性。 　　时刻k+1的预测估计表达式如下： 　　（2） 　　式中为时刻k的滤波估计。 　　得出之后，我们根据量测方程算出与相应的预测值 　　（3） 　　对比和，把预测误差乘一适当系数后得出状态预测的校正项，如此我们可以得出时刻k+1的估计值 　　（4） 　　选取争议矩阵，使估计误差的协方差矩阵为： 　　（5） 　　可取得最小值，从而得到卡尔曼递推滤波公式： 　　（6） 　　式中为系统动态噪声的方差矩阵。 　　在式（6）中有一个特殊要求：系统噪声矢量和量测噪声矢量都是互不相关的零均值的白噪声过程[10]。 　　3.有色噪声下的卡尔曼滤波算法 　　3.1 马尔可夫序列（Markov Process） 　　一个随机变量序列中任一随机变量的条件概率密度若具有下列特征： 　　（7） 　　我们可以称其为马尔可夫序列。 　　若马尔可夫序列的条件概率密度满足以下特征： 　　（8） 　　（k为任意整数），我们可以将其称为平稳的马尔可夫序列。 　　通过式（7）推导，我们可以得出 　　（9） 　　若马尔可夫序列的概率密度与条件概率密度是正态分布的，则我们可以将这种序列称为正态马尔可夫序列。 　　3.2 广义马尔可夫序列 　　若一个实随机序列{x（n）}，用对它所做的线性最小方差估计相同于仅用其前面的一个x（n—1）所做的估计，这种随机序列就满足广义马尔可夫序列的特征[11]。因此，可以令： 　　（10） 　　上式，为线性估计系数。可用以下办法求得： 　　由线性最小方差估计中的正交性原则，若x（n）符合广义马尔可夫序列特征的，则估计误差： 　　与是正交的，即： 　　（11） 　　由式（11）得： 　　（12） 　　上式中。通过式（12）可以得出： 　　（13） 　　广义马尔可夫序列是一阶自回归信号模型，广义马尔可夫序列的两个性质如下所示： 　　（1）序列{x（n）}的自相关函数有如下特征： 　　（14） 　　（2）与一阶时变差分方程 　　（15）等价。 　　上式（15）中，为一正交随机变量序列。