(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111642910.6 (22)申请日 2021.12.2 9 (71)申请人 厦门大学深圳研究院 地址 518000 广东省深圳市南 山区高新 南 四道019号虚拟大 学园A601 申请人 厦门大学 (72)发明人 陈腾鹏　任和　卿新林　李钷　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 代理人 连耀忠　林燕玲 (51)Int.Cl. G06F 30/20(2020.01) G01R 31/34(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06F 119/10(2020.01) (54)发明名称 可处理非高斯噪声和不良数据的同步发电 机状态估计方法 (57)摘要 可处理非高斯噪声和不良数据的同步发电 机状态估计方法， 包括： 1)初始化估计器参数值； 2)利用无迹卡尔曼滤波方法的预测步， 计算k时 刻的状态预测值 和状态预测误差协方差矩 阵 3)根据量测函数h， 计算k时刻的量测 预测值 和量测预测误差协方差矩阵 4)计算k时刻的状态预测和量测预测之间的交互 协方差矩阵 结合状态预测值和量测值， 建立线性批处理回归模型并进行白噪化处理； 5) 利用基于指数绝对值的改进算法求解白噪化处 理后的线性批处 理回归模型得到 状态估计结果 6)重复2) ‑5)直至满足 时 迭代停止； 7)输出动态 状态估计结果并利用影 响函数计算k时刻的估计误差协方差 本发 明能够有效抑制不良数据和非高斯噪声等影响。 权利要求书3页 说明书8页 附图2页 CN 114417575 A 2022.04.29 CN 114417575 A 1.可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其特征在于， 包括如下 步骤： 1)初始化估计器参数值， 包括初始状态向量 系统噪声和 量测噪声的协方差矩阵W0 和G0， 初始状态估计协方差矩阵Φ0|0； 2)利用无迹卡尔曼滤波方法的预测步， 计算k时刻的状态预测值 和状态预测误差协 方差矩阵 3)根据量测函数h， 计算 k时刻的量测预测值 和量测预测误差协方差矩阵 4)计算k时刻的状态预测和 量测预测之间的交互协方差矩阵 结合状态预测 值和 量测值， 建立线性批处 理回归模型并进行白噪化处 理； 5)利用基于指数绝对值的改进算法求解 白噪化处理后的线性批处理回归模型得到状 态估计结果 6)重复2) ‑5)直至满足 时迭代停止， 为第u次迭代的状态估计解； 7)输出动态状态估计结果， 利用影响函数计算k时刻的估计误差协方差 并更新误 差协方差 。 2.如权利要求1所述的可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其 特征在于： 所述估计 器设有同步发电机的过程模型和量测模型， 分别表示 为： xk＝f(xk‑1,uk)+wk zk＝h(xk,uk)+vk 其中xk＝[δ ω Eq′ Ed′]T分别表示同步发电机的状态向量， δ代表相角， ω代表角速度， Eq′Ed′代表q轴和d轴的暂态电动势， uk＝[Efd Tm]T表示控制变量， Efd代表励磁电压， Tm代表发 电机机械 转矩， zk＝[V θ ]T表示量测向量， V、 θ代表节点电压幅值和相角， f和h分别表示同步 发电机状态方程和量测方程， k和k ‑1表示时刻， wk和vk分别表示系统噪声和量测噪声且两者 相互独立。 3.如权利要求2所述的可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其 特征在于： 步骤2)具体为： 先根据无迹卡尔曼滤波方法， 产生2n+1个sigma状态采样点 计 算公式如下 其中n表示状态变量的个数， 表示k‑1时刻的状态值， 表示状态预测误差协 方差矩阵， 代表从i＝n+1到i＝2n时sigma点的计算方法；权　利　要　求　书 1/3 页 2 CN 114417575 A 2再计算k时刻的状态预测值 和状态预测误差协方差矩阵 计算公式如下 其中， ωi代表权重。 4.如权利要求3所述的可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其 特征在于： 步骤3)中， 具体 计算方法如下： 其中， 代表第i个sigma点通过非线性过程方程得到的转换后的样本值， Gk代表k时 刻量测模型的误差协方差矩阵。 5.如权利要求4所述的可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其 特征在于： 步骤4)中， 所述k时刻的状态预测和量测预测之间的交互协方差矩阵 公式 如下： 6.如权利要求1所述的可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其 特征在于： 步骤4)中， 所述线性批处 理回归模型表达式如下： xk表示同步发电机的状态量也即k时刻状态真实值， 是这个模型的量测值， 是系数矩阵， 是这个模型的误差 。 7.如权利要求6所述的可处理非高斯噪声和不良数据的同步发电机状态估计方法， 其 特征在于： 步骤4)中， 对所述线性批处 理回归模型进行白噪化处 理， 具体如下： 其中， νk由所述的线性批处 理回归模型的误差协方差矩阵经C holesky分解法求得；权　利　要　求　书 2/3 页 3 CN 114417575 A 3