基于混合量测的二次线性状态估计方法及其工程应用

基于相量测量单元(PMU)和数据采集与监控(SCADA)混合量测进行状态估计计算时,如果仍采用传统非线性估计模型,将面临PMU量测计算权值难以确定、PMU量测坏数据辨识不准、相角参考点和成熟商用程序改动等多方面问题。提出了一种基于混合量测的二次线性状态估计方法。该方法在传统非线性状态估计收敛后,利用其结果中的各节点电压幅值及相角估计值和PMU相量量测再进行二次线性状态估计计算,有效解决了上述问题。最后结合电网实例验证了该方法的有效性。     

考虑量测坏数据的发电机动态状态估计方法

随着相量测量单元(PMU)的广泛应用,基于PMU的发电机动态状态估计的研究越来越受到重视。如果存在量测坏数据,动态状态估计的滤波效果会受到严重的影响。首先介绍了一种基于无迹卡尔曼滤波(UKF)的发电机动态状态估计方法。然而,由于PMU数据的质量不高,为解决坏数据的问题,推导残差方程得出时变的阈值,再通过一种迭代检测的方法确定坏数据的测点位置。对于坏数据对应的量测,算法将其剔除后重新进行一次估计,以修正估计结果。算例结果表明,该方法能有效抑制量测坏数据对发电机动态状态估计的影响。     

基于混合量测的电力系统线性动态状态估计算法

针对当前电力系统中广域测量系统（WAMS）和数据采集与监控（SCADA）系统并存的现状,利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。该算法采用Holt两参数线性指数平滑技术,结合线性定常系统Kalman滤波原理,实现了系统状态的预测和估计。该算法具有常数雅可比矩阵,从而大大减少了动态状态估计的计算时间,保证了动态状态估计的计算精度。通过IEEE14节点系统的仿真结果,验证了该算法的有效性和优越性。     

计及等效电流量测变换及坏数据辨识的状态估计方法

针对输电系统和配电系统量测类型多样性及传统状态估计算法的不足,讨论并发展了一种基于等效电流量测变换的状态估计及坏数据检测与辨识方法。该方法是通过对量测系统的实际量测进行等效电流量测变换,并根据误差传播理论改变相应的量测权值而推导出来的,其不仅保留了传统状态估计算法的快速解耦特性,并在无任何假设的情况下实现了雅可比矩阵的完全常数化。算例分析表明,该方法快速有效,并能有效地处理不良数据,能较好地应用于输电系统和配电系统的状态估计计算。     

利用PMU数据提高电力系统状态估计精度的方法

同步相量测量单元(phasor measurements units,PMU)因能测得高精度的同步相量数据而被广泛应用于电力系统中,而传统的监控及数据采集系统(supervisory control and data acquisition,SCADA)是电力系统运行和静态安全监视的基础。文中提出了一种PMU与SCADA数据共存的数学模型用于电力系统状态估计。该模型在保留原有SCADA数据的同时,通过虚拟测量方法对PMU观测范围进行大范围拓展,提高数据冗余度及状态估计的精度。仿真结果表明,该方法具有较高的估计精度,且不受网络拓扑结构和PMU数量限制,适于SCADA和PMU数据共存系统。     

基于灵敏度分析的线性混合量测状态估计

提出一种基于灵敏度矩阵并以相量测量单元(PMU)采样为周期的混合量测线性估计方法.把PMU的电流量测转换成功率量测,在初始计算时刻与基于监控和数据采集系统的量测一起进行非线性运算,得到状态估计值和功率量测量之间的灵敏度矩阵.在后续的PMU采样时刻,将转换得到的功率量测和通过负荷预报补充的伪量测组成混合量测,然后根据求得的灵敏度矩阵进行以PMU采样为周期的线性跟踪计算.当估计误差积累到一定程度时,重新进行一次混合非线性计算以更新灵敏度矩阵.通过IEEE 118节点系统,给出了负荷变化速率、预报误差和PMU量测数对所提估计方法计算精度的影响.结果表明,负荷变化越慢、预报误差越小、PMU的个数越多,其跟踪计算精度越高.     

基于WAMS/SCADA混合量测的电网参数辨识与估计

针对目前电网参数辨识与估计方法存在的数值稳定性变差、易发散及易受残差污染干扰等问题,提出了一种基于混合量测的电网参数辨识与估计方法。该方法首先利用广域测量系统(WAMS)的测量数据计算相对残差,初步判断是否存在参数错误,然后利用相量测量单元(PMU)能够测量电压和电流相量的特性,建立支路两端变量之间的直接联系,对存在参数错误的支路进行辨识,并在此基础上使用智能优化算法估计支路参数。在IEEE 39测试系统上的仿真实验表明,该方法只需安装约1/2总母线数的PMU即可对全网传输线路和变压器进行参数辨识与估计。     

基于混合量测的电力系统动态状态估计

针对目前广域量测量无法单独进行状态估计的问题,引入部分SCADA功率量测与广域量测一起构成混合量测系统,提出了基于混合量测的动态状态估计算法。该算法采用扩展卡尔曼滤波算法实现状态预测与滤波,并能利用精度高和短期更新的广域量测数据去提高状态滤波效果。仿真分析表明,当广域量测在混合量测数据所占比例逐渐增加以及广域量测更新周期缩短后,状态预测和滤波结果精度均会有明显提高。     

基于混合量测状态估计的配电网故障定位方法

微型相量测量单元(micro-phasor measurement unit, μPMU)为配电自动化的进一步升级提供了良好的量测基础,但现阶段电网中μPMU数量有限,难以满足传统配电网故障定位的需求。针对该问题,结合电网中μPMU与智能电表等量测设备,并基于虚拟节点的多重状态估计方法,提出了一种基于混合量测状态估计的故障定位方法。首先,通过等效变换将μPMU和智能电表的测量信息输入到故障状态估计器当中。然后,利用μPMU将网络划分为不同的区域。根据状态估计结果计算故障电流,缩小故障搜索区域以减少计算复杂度。为了识别区域内的故障位置,通过设置附加虚拟故障节点形成多种特定的故障拓扑结构并执行多重状态估计,计算出用于识别故障位置的加权测量残差指标,以确定故障位置。最后,在实时仿真系统(real-time digital simulation, RTDS)中进行仿真测试,结果表明所提方法在不同故障场景下均能准确有效地定位故障,且对量测误差具有较好的鲁棒性。     

基于PMU/SCADA混合量测的电力系统求积分卡尔曼滤波的状态估计

针对目前电力系统状态估计主要采用的扩展卡尔曼滤波(EKF)存在鲁棒性差,精确度被非线性程度制约大等缺点,提出一种电力系统的计算线性方法——求积分卡尔曼滤波(QKF)进行电力系统的状态估计,该算法从统计线性回归的角度,运用高斯-厄米特积分点,使得估计精确度大幅提高,并且引入精确度高,全网实时同步的同步相量测量单元(PMU)数据,成熟性好,技术成熟的SCADA数据进行混合量测。仿真结果表明,QKF法比EKF法具有更高的计算精确度,PMU数据的引入又进一步提高了电力系统状态估计的性能。基于混合量测的QKF法状态估计在正常状态和系统发生扰动情况下均有较好的估计性能,且估计精确度在系统加入混合量测的数据后明显高于单一SCADA系统。     

状态估计中不良数据的混合检测辨识程序设计

设计了状态估计中不良数据的混合检测辨识通用的程序框图,并对框图进行了逐项论述说明。参照框图,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真试验,得到了在无不良数据、有不良数据、有突变量等情况下的辨识结果。验证了本文介绍的检测辨识方法及程序框图的有效性。     

状态估计中不良数据的混合检测辨识法

提出了状态预估与Rn 检测相结合的不良数据的检测辨识方法。该法既能克服残差污染、残差淹没现象 ,又能区分不良数据与突变量。在 18结点系统上进行了数字仿真实验 ,得到了良好的结果     

Bad Data Groups in Power System State Estimation

A problem in Power System State Estimation is the detection of Bad Data Groups. These are groups of measurements topologically related so that their normalized residuals are always equal (or nearly so). In this paper we derive numerical and topological methods to identify Bad Data Groups and include simulation and real time test results for the proposed methods.     

考虑输入量不良数据的发电机动态状态估计方法

近年来,基于同步相量测量单元(PMU)量测数据的发电机动态状态估计得到广泛研究.然而,现场运行的PMU受多种因素的影响,可能导致作为状态估计输入量的发电机机端电压或电流量测相量存在不良数据,对状态估计产生影响.针对该问题,提出了一种考虑输入量不良数据的发电机动态状态估计方法.在输入量不良数据对动态状态估计影响分析的基础...     

复杂状态估计不良数据的前推回代追踪辨识方法

本文综合考虑量测数据之间以及量测数据与网络参数之间的电路关联关系,提出了复杂状态估计不良数据的前推回代追踪辨识方法。首先,基于节点度等于1的拓扑搜索原则和节点不平衡功率最小的解环原则,通过拓扑搜索,将电网分解成辐射网结构并形成电网的支路层次矩阵L及对应支路的首末端节点信息矩阵M,然后利用L和M矩阵和本文定义的不良数据判据进行功率和电压的同步前推回代计算和不良数据判断,最终实现参数错误、不良量测数据及拓扑错误的有效辨识。基于IEEE39节点算例系统的仿真验证了该方法的有效性。     

抗差估计法应用于状态估计中不良数据的检测和辨识

电力系统状态估计是电能管理系统（EMS）的重要组成部分，然而在实际运行的电网自动化系统中，量测数据中不可避免含有不良数据，从而影响状态估计的结果。不良数据的检测是电力系统状态估计的重要功能之一，它能够排除量测采样数据中偶然出现的少数不良数据，提高状态估计的可靠性。文章采用突变检测和抗差估计相结合的方法，并在IEEE118节点网络上进行了验证，结果证明该方法检测辨识的有效性和可靠性。     

基于无相位实测数据的系统侧谐波阻抗估计方法

系统侧谐波阻抗的准确估计是合理划分谐波责任的前提,已有方法估计谐波阻抗需要公共连接点的谐波电压电流相量信息,但在实际工程应用中,一般电能质量监测仪(如Fluke 1760等)都只提供量测点的谐波电压电流幅值及相互间的相位差而非谐波电压电流相量值,导致已有方法失效。在随机独立矢量法的基础上,提出了一种在监测数据无相位情况下的系统侧谐波阻抗估计方法,该方法只需要公共连接点谐波电压电流幅值及相互间的相位差,而无需谐波电压电流的相位角信息即可估计出系统侧谐波阻抗值,为有效解决工程实测数据无相位难题提供了一条新途径。通过算例仿真分析和工程实测数据分析,证明了所提方法的正确性和有效性。