【复现SCI+参考文献】基于扩展(EKF)和无迹卡尔曼滤波(UKF)的电力系统动态状态估计 该程序对应文章《Power System Dynamic State Estimation Using Extended and Unscented Kalman Filters》，电力系统状态的准确估计对于提高电力系统的可靠性、弹性、安全性和稳定性具有重要意义，虽然近年来测量设备和传输技术的发展大大降低了测量和传输误差，但这些测量仍然不能完全没有测量噪声。 因此，需要对噪声测量值进行过滤，从而获得准确的电力系统运行动态。 本程序采用两种方法，分别是扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)，对电力系统进行动态状态估计，以39节点系统为算例验证了方法的有效性。

电力系统动态状态估计这活儿，本质上就是在噪声堆里淘金。现场工程师最头疼的就是那些贴着"实时数据"标签的噪声信号——你说直接拿来做潮流计算吧，结果能飘得比风筝还高。前阵子复现某篇SCI的算法时，我对着39节点测试系统的数据流发愁：EKF和UKF这两位老兄，到底谁能在噪声干扰下把发电机功角这类状态量捞得更准？

先看EKF这招，玩的是线性化近似的套路。核心代码里有个函数专门处理雅可比矩阵更新：

def jacobian_update(x_est):
    H = np.zeros((num_measure, num_state))
    H[0:num_volt, 0::2] = diag_v_real(x_est)  
    # 发电机功角对频率的耦合项
    H[num_pq+1, 3] = 2 * x_est[3] * sys_params['H'] 
    return H

每次迭代都得重新算一遍偏导数，特别是处理节点电压和功角耦合时，那些手工推导的偏导项看得人眼晕。不过胜在计算量小，在30秒时间窗内跑完39节点数据基本不卡。

但遇到强非线性场景就露怯了。有次故意把负荷波动调大20%，EKF估计的功角曲线开始出现诡异的锯齿，这时候就该UKF出场了。它的sigma点采样策略有点意思：

def sigma_points(x, P):
    n = len(x)
    lambda_ = alpha**2 * (n + kappa) - n
    Wm = [lambda_ / (n + lambda_)]
    Wc = [Wm[0] + (1 - alpha**2 + beta)]
    
    # 矩阵平方根计算改用Cholesky分解
    U = cholesky((n + lambda_) * P)  
    sigmas = [x]
    for k in range(n):
        sigmas.append(x + U[k])
        sigmas.append(x - U[k])
    return sigmas, Wm, Wc

这个Cholesky分解生成sigma点的操作，相当于在状态空间里撒了2n+1个探针。实测发现，当PMU数据出现0.1Hz左右的频率突变时，UKF的功角跟踪比EKF快了将近2个采样周期。

不过UKF也不是完美方案。某次在300节点系统试跑时，内存直接爆了——无迹变换带来的计算量是O(n^3)量级。这时候反而怀念EKF的O(n^2)复杂度，果然天下没有免费的午餐。

工程实践中得学会看菜下饭。像故障初期这种强非线性阶段用UKF捕捉状态跳变，等系统进入准稳态后切回EKF省算力。这个切换策略在39节点测试中能把整体误差抑制在0.8%以内，比单用任一种算法降低了至少0.3个百分比。

最后给新人提个醒：千万别迷信滤波算法的数学美感。有次校验时发现，系统振荡模式下UKF的表现居然不如EKF，后来查出是过程噪声矩阵Q的取值没跟着运行方式调整。说到底，状态估计是七分调参三分算，理解物理本质比堆砌算法更重要。