基于测量不确定度的电力系统状态估计（二）方法研究

基于正常测点概念构造了相应测点评价函数,用于评价测点是正常测点还是异常测点;在此基础上,提出了以测点正常率最大为目标函数的状态估计新模型.为使估计结果更接近于实际运行情况,模型中可考虑潮流约束和实际物理约束.用现代内点法求解该模型,计算速度快,收敛性好.与以往方法相比,文中所述方法的状态估计结果测点正常率高,可自动辨识不良数据,估计结果不易受不良数据影响,有较强的抗差性;所求得的解为潮流解,满足各种物理约束,更加接近实际;计算中无需进行不良数据检验,无需主观设定测点权重,大幅度减少了调试和维护工作量.     

以测点正常率最大为目标的状态估计改进算法

已有研究指出基于测量不确定度的测点正常率是真值未知情况下可信的状态估计结果评价指标,进而提出了以测点正常率最大为目标的抗差状态估计新方法。该方法通过整数测点评价函数的连续近似,建立了状态估计的非线性连续变量优化模型,并采用内点法求解该模型,获取近似优化的估计结果。在上述研究基础上,文中提出了一种改进算法:通过对异常测点进行相容性校验,以获得测点正常率更高的估计结果;通过考虑不等式约束的最小二乘估计对正常测点进行滤波,以获得精度更高的估计结果。算例表明该改进算法可有效提高估计结果的抗差性和准确性,且增加的计算量能够满足应用要求。     

基于同步相量测量的配电网状态估计方法

为保证现代电力系统配电网的安全稳定运行和供电能力,需要快速获取配电网准确的实时状态进而对系统进行动态分析、评估和控制。本文构建了复数域下基于同步相量测量的配电网线性状态估计模型,考虑节点注入约束提升了测量的冗余性,分析同步相量测量的误差特点并提出复数域最小二乘法求解状态估计问题。面向实际应用需求,通过分析测量残差提出一种权重自适应调整算法,以及一种不良数据辨识和校正的方法。仿真结果表明,所提方法能有效提高配电网状态估计的准确性、实时性和适用性。     

以合格率最大为目标的电力系统状态估计新方法

以合格率最大为目标,考虑潮流约束和运行中上下界约束,提出一种电力系统状态估计方法.该方法可用现代内点法求解,收敛性好.与以往方法相比,文中方法得到的状态估计结果合格率高;估计结果有较强的抗差性;所求的解为潮流解,满足各种物理约束,更加接近实际;计算中无需做坏数据检验、可观性校验,无需主观设定测点权重,大幅减少了调试和维护工作量.IEEE 39节点系统、IEEE 118节点系统和某实际输电网等试验系统的测试结果验证了该方法的优越性.     

基于SCADA/PMU混合测量的变电站状态估计

变电站是电力系统的重要组成部分,变电站数据的可靠性和准确性至关重要。为了进一步提升变电站状态估计的可靠性,提出一种基于SCADA/PMU混合测量的变电站状态估计方法。首先对PMU数据和SCADA数据进行融合,在充分利用测量数据的同时,减小随机误差对状态估计的影响。然后在此基础上,建立变电站状态估计模型。最后将标准化残差法和量测值突变法结合,提出一种新的不良数据处理方法,以有效避免残差淹没现象。仿真结果表明,该方法能有效提高状态估计的精度。     

基于测量不确定度的电力系统状态估计（三）算法比较

加权最小二乘估计准则在电力系统状态估计中应用广泛,但其结果易受不良测点影响.为解决这一问题,已经提出了加权最小绝对值准则、非二次准则等估计器.应用大量算例,对已有估计准则和文中所提出的以最大测点正常率为目标的状态估计方法进行了对比研究,进一步对残差污染情况进行了讨论.算例表明,在估计结果合理性方面,当测点中不合不良数据时,文中所提出的方法与加权最小二乘估计相当,优于其他方法;当测点中含有不良数据时,文中所提出的方法大幅度优于以往状态估计方法,说明所提出的方法可较好地解决残差污染问题.     

基于改进两阶段鲁棒优化的电力系统状态估计方法

误差是测量值相对于真值的偏差,由于实际中真值不可得,传统基于误差理论建立的状态估计模型具有较大的局限性。为此,首先基于马氏距离,确定PMU最佳缓冲长度并与SCADA数据统一到同一时间断面;然后,在两阶段算法框架下,基于不确定测度理论和在该理论下的测点相对偏离,考虑严格的零注入约束关系,以加权不确定测度相对偏离之和最小为目标,提出一种基于改进两阶段鲁棒优化的电力系统状态估计方法。仿真结果表明,相对于传统状态估计方法,所提方法能够严格满足零注入节点的注入功率为零,且鲁棒性好,估计结果契合度较高。     

电网量测信息在线智能检测评价及拓展应用

利用能量管理系统获取电网实时模型,依据电网量测信息、设备参数及电网运行方式检测量测不平衡信息和可疑拓扑状态,建立测点质量评估机制和厂站量测质量定量评估体系,动态生成量测权重,利用测点和厂站的量测信息评价得分,以科学的方法动态修正状态估计的量测计算权重,降低或屏蔽量测评分低的测点量测权重,避免"残差污染"或"残差淹没",提高状态估计的精度,为电网的安全稳定运行提供基础数据支持。     

基于SC-DNN和多源数据融合的新能源电力系统状态估计方法

大规模新能源并网重塑了电力系统的控制运行特性,现有的电力系统状态估计方法面临新能源波动数据识别困难、估计精度低、估计速度慢等问题。为改善现有方法的不足,提出了一种基于残差连接(skip connection,?SC)-深度神经网络(deep neural network, DNN)和多源数据融合的新能源电力系统状态估计方法。首先采用基于双向长短期神经网络(bidirectional long short-term memory, BILSTM)预测的改进插值法进行多源数据融合。然后利用联合时空交叉机制和BILSTM网络的数据辨识技术替代传统的量测量突变检测法,以便更好地处理新能源波动数据。最后根据原始量测数据集建立基于SC-DNN的状态估计模型,把残差模块的拟合优势和神经网络的速度优势结合起来,从而实现状态估计精度和速度的提高。基于IEEE39节点系统和新疆某地区实网的算例分析表明,相比于传统方法,所提方法能在更准确地分辨新源波动数据与不良数据的同时提高状态估计的精度和速度。     

基于电力系统运行模式的状态估计研究

在原状态估计程序的基础上,对不良数据的处理提出了最大误差不良数据丢弃法和基于运行模式的伪量测替代法。并针对量测量数据采集的实际困难,设计了量测量数据的随机产生程序。改进后的程序具有有效克服“残差污染”和“残差淹没”的能力,提高了状态估计的精度和速度。     

含指数型目标函数的电力系统抗差状态估计方法在江西电网中的应用

电力系统状态估计是能量管理系统的核心和基础模块,然而当量测系统中存在不良杠杆量测或一致性不良数据时,传统的含不良数据辨识程序的最小二乘估计不能很好地排除不良数据对状态估计的影响。为此介绍了一种能够自动排除不良数据对状态估计影响的含指数型目标函数的电力系统抗差状态估计模型,分析了该模型的理论基础和数学特性,给出了该模型在江西电网的应用方法和效果。结果表明,该抗差状态估计模型能够显著提升电力系统状态估计的精度,同时还能够保证严格满足零注入等式约束。     

上海电网实时状态估计软件的开发与应用

介绍了上海电网实时状态估计软件（ＲＴＮＥＴ）的基本原理及功能，在算法上采用快速分解的加权最小二乘法，并引入了正交ＧＩＶＥＮＳ分解法，具有较好的数值稳定性和计算速度；不良数据检测上采用加权残差与预报残差相结合的组合检测逻辑以及基于预测残差的多不良数据辨识法，保证了估计精度。并重点对上海电网状态估计软件的实用化特点作了分析。     

基于抗差理论的P-Q分解状态估计算法

状态估计是能量管理系统(EMS)的重要组成部分,提高状态估计的计算精度具有重要意义,基于此,在当前状态估计计算中广泛应用的P-Q分解法的基础上,应用抗差估计理论中的极大似然型估计(M估计),构造出一组权函数,从第二次迭代计算开始,根据每次迭代计算后各量测量残差与量测量自身之比的大小,对相应加权值进行修正,使不良数据的权值越来越小,达到弱化不良数据对后续迭代过程影响的目的。最后,以某地区的220 kV电网为实际背景,通过Matlab编程仿真,与P-Q分解的估计数据相比较,证明该改进方法简单实用,并在提高状态估计的估计精度和自动弱化不良数据影响上有很好的效果。     

基于抗差理论的P-Q分解状态估计算法

状态估计是能量管理系统(EMS)的重要组成部分,提高状态估计的计算精度具有重要意义,基于此,在当前状态估计计算中广泛应用的P-Q分解法的基础上,应用抗差估计理论中的极大似然型估计(M估计),构造出一组权函数,从第二次迭代计算开始,根据每次迭代计算后各量测量残差与量测量自身之比的大小,对相应加权值进行修正,使不良数据的权值越来越小,达到弱化不良数据对后续迭代过程影响的目的.最后,以某地区的220 kV电网为实际背景,通过Matlab编程仿真,与P-Q分解的估计数据相比较,证明该改进方法简单实用,并在提高状态估计的估计精度和自动弱化不良数据影响上有很好的效果.     

基于转移潮流的状态估计模型

传统的状态估计把量测方程作为约束条件,以量测残差的加权平方和或加权绝对值之和最小等为目标函数进行估计,因而不能直接辨识出拓扑错误.为了同时辨识拓扑错误和不良数据,文中把转移潮流方程增广为状态估计的约束条件,在目标函数中同时计及转移潮流的残差和量测残差,对已有的加权最小绝对值状态估计进行了改进,提出了可以同时辨识支路拓扑错误和不良数据的状态估计模型.文中给出了某省实际电网的计算实例.     

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上,该方法利用发电机状态量受动态方程约束不能突变的特性,提出了基于指数平滑的状态量预报方法,将该预报值与发电机动态方程预报值进行比较,提出了输入量不良数据检测方法。进一步,检测到不良数据后用指数平滑预报值代替动态方程的预报值,提出了基于最小二乘法的输入量校正方法。仿真算例结果表明,所提方法能有效抑制输入量不良数据对发电机动态状态估计的影响,提高动态状态估计算法的鲁棒性。     

基于新型PMU配置的局部配电网状态估计

针对配电网网络结构复杂,点多面广,配电自动化设备无法实现全覆盖,提出了一种基于非线性动力系统的局部配电网状态估计方法。所提出的方法是全局收敛的,并且可以使用PMU提供的稀疏同步相量量测而不受传统状态估计网络可观性的限制。对于电压控制或热极限控制等实际应用,需要有针对性地提高电压幅度或电压相角的精度,在这种情况下,提出了一种增强的状态估计模型,包括电压幅值测量残差约束和电压相角测量残差约束。仿真结果证实了所提方法的有效性。     

电力系统运行状态快变对状态估计影响分析

针对基于现有SCADA数据状态估计结果可信度不高甚至不收敛的问题,深入分析了电力系统运行状态快变对测量数据精度以及状态估计结果的影响,指出电力系统中部分测点运行状态的急剧变化是导致状态估计可信度不高的重要原因之一。提出了数字滤波的方法滤除部分测点运行状态快变行为造成的数据误差,从而获取可用于安全分析的电力系统稳态运行状态数据。对某一实际电网的算例分析验证了该方法的有效性。     

基于不确定测度的电力系统抗差状态估计：(一)理论基础

传统电力系统状态估计的理论基础是传统统计学的大数定律,即当量测量的数目趋近于无穷大时,估计值以概率为1逼近于真值。而实际系统中量测量的数目有限,有时甚至是小样本,此时传统状态估计的评价指标和估计精度没有理论上的保证。针对这种情况,引入不确定理论体系下不确定测度概念,阐述了在状态估计中不确定测度与测量不确定度和量测误差的区别与联系;进一步在不确定理论体系下,重新给出了正常测点、异常测点、测点正常率的定义,并提出考虑正常率和量测量偏离真值程度的新的状态估计结果评价指标,证明了其合理性。     

一种识别闭合开关元件信息错误的状态估计方法

广义状态估计中,为识别闭合开关元件连通片信息错误,提出虚拟开关元件概念,并以此构建不影响识别结果的最小特征电网;在模拟量测方程基础上,补充虚拟开关元件的两端电压相等约束条件,由此建立具有等式约束的最小二乘数学模型.在此基础上,给出基于概率的量测残差和拉格朗日乘子间关联的规律以及识别的准则,论证了正常情况下开关元件信息错误的识别与模拟量不良数据的识别之间互不混淆.最后,以3节点简单电力系统与烟台实际电网为例进行了计算和分析,验证了模型和算法的有效性.