电力系统状态估计在现代能量管理系统(EMS)中扮演着至关重要的作用,是调度人员进行正确决策的基础。但量测数据常因量测装置内在误差、传输噪声等原因受到污染,干扰状态估计结果,误导调度人员。因此,提高状态估计算法的鲁棒性以及抑制不良数据的能力,对保证电力系统稳定运行有重要意义。随着量测装置技术的发展,同步相量量测装置(PMU)在电力系统中推广应用,为状态估计提供高精度、高同步的量测。同时,PMU量测与SCADA量测来源不同,相互独立,从而互为备用,可以有效抑制SCADA量测中的不良数据,进一步提高算法的鲁棒性。因此,本文主要是提出一种鲁棒性更好的预测辅助状态估计算法,并探究PMU量测对该算法估计精度和鲁棒性的影响。本文主要内容如下:1.简单介绍了几种应用在状态估计中的算法,包括加权最小二乘法、卡尔曼滤波和扩展卡尔曼滤波。2.基于SCADA量测,在扩展卡尔曼滤波(EKF)的基础上改进,提出了广义最大似然类型一扩展卡尔曼滤波算法(GM-EKF)。基本思路:首先,利用EKF的状态方程与量测方程构建线性回归框架。然后,利用投影统计算法(PS)辨识异常值并构建等价权函数。接着,评价函数选择Huber函数,构建类似WLS形式的目标函数并利用IRLS求解。为验证算法的有效性和鲁棒性,将GM-EKF算法在IEEE标准测试系统中仿真,并与相关算法进行结果比较。3.基于SCADA/PMU混合量测,探究PMU量测对于GM-EKF算法估计精度和鲁棒性的影响。基本思路:针对PMU量测与SCADA量测不同融合方式,一种是状态变量为极坐标,直接添加PMU量测,形成非线性的鲁棒预测辅助状态估计算法。另一种是首先处理收集到的SCADA量测,将处理的状态估计值与PMU量测作为新的量测,在直角坐标系下,形成线性的鲁棒预测辅助状态估计算法。将算法在IEEE标准测试系统中仿真,分析仿真结果。