基于稀疏回归无迹卡尔曼滤波的光伏系统数据驱动动态状态估计
系统与控制
2024-06-17 v1 系统与控制
摘要
动态状态估计在现代电力系统中至关重要，其中包含大量基于逆变器的分布式能源（包括太阳能和风能），它确保了跟踪系统变量的实时准确性并优化了电网稳定性。本文提出了一种数据驱动的动态状态估计方法，专为受到过程噪声和测量噪声影响的光伏能量转换系统（单级和两级）设计。所提出的框架遵循两阶段方法，包括“数据驱动模型辨识”和“状态估计”。在初始模型辨识阶段，收集状态反馈以利用非线性稀疏回归技术揭示光伏系统的动力学。在辨识出光伏动力学之后，将利用非线性数据驱动模型来估计光伏系统的动力学，用于监测和保护目的。为了考虑不完整测量、固有不确定性和噪声，我们采用了“无迹卡尔曼滤波器”，它通过处理含噪输出数据来促进状态估计。最后，本文通过仿真结果证实了所提出的基于稀疏回归的无迹卡尔曼滤波器的有效性，并与基于物理的动态状态估计进行了比较分析。
引用
@article{arxiv.2404.18305,
title = {Data-Driven Dynamic State Estimation of Photovoltaic Systems via Sparse Regression Unscented Kalman Filter},
author = {Elham Jamalinia and Zhongtian Zhang and Javad Khazaei and Rick S. Blum},
journal= {arXiv preprint arXiv:2404.18305},
year = {2024}
}