黄 昭，潘敦辉，董丽澜，郭瑞鹏

（1.浙江大学 电气工程学院，浙江 杭州310058；2.杭州沃瑞电力科技有限公司，浙江 杭州310027）

0 引 言

配电网状态估计利用系统采集的测量数据来估计系统的运行状态，对配电网运行的分析和管理具有重要意义。传统的电力系统状态估计是一个静态估计问题，多采用加权最小二乘（weighted least squares，WLS）方法求解。随着相量测量单位（phasor measurement unit，PMU）部署在系统中[1]，测量数据更新频率大大提高，电力系统动态状态监测已经成为可能。电力系统动态状态估计（dynamic state estimation，DSE）可以由历史状态数据估计下一时刻状态，再用量测数据进行修正，所以更适合实现电力系统状态的动态跟踪[2]。

电力系统动态状态估计多为扩展卡尔曼滤波（extend Kalman filter，EKF）状态估计[3]，虽然目前EKF有许多改进方法[4]，但EKF有其局限性，即在计算Jacobian矩阵时不可避免地引入线性化误差[5]。容积卡尔曼滤波（cubature Kalman Filter，CKF）基于数值积分理论[5]，通过选取确定的采样方法来近似非线性分布，进而解决非线性问题，滤波精度在二阶以上。同时相比Julier等提出的无迹卡尔曼滤波（unscented Kalman filter，UKF）算法[7]，CKF算法有严格完整的理论基础，具有更好的数值稳定性。因此本文引入CKF实现电力系统动态状态估计计算。目前，大多数电力系统动态状态估计算法在状态预测步骤中采用指数平滑法直接对状态变量进行线性外推[8]。然而这一过程，并不符合电力系统运行规律。实际上，状态量的变化是节点负荷以及发电机出力改变的结果。由此，通过母线负荷预测解决状态预测问题更具有现实意义和物理意义。……