基于量测量替换与标准化残差检测的不良数据辨识

针对多不良数据辨识中存在的残差污染和残差淹没问题,提出一种多不良数据辨识方法,在应用P-Q分解法的基础上,首先选取部分量测进行状态估计,接着用剩余量测逐一替换参与估计计算的量测,并根据替换后各量测标准化残差的大小得到可疑数据,其间量测量的替换可以打破发生残差淹没的平衡,使得由于发生残差淹没而导致标准化残差合格的不良数据凸显出来,之后又通过状态估计对可疑数据进行校核,恢复受到残差污染的量测为正常量测,最终将不良数据辨识出来.此外,还给出替换和减少一维量测后计算标准化残差的简化方法,以提高计算速度.最后以某地区220 kV电网为背景进行算例分析,表明该方法的有效性和可行性.     

基于证据融合理论的多不良数据辨识

为更好地克服残差污染和残差淹没,实现多不良数据的辨识,引入电气距离、节点相关系数和灵敏度作为证据,运用证据融合理论确定测量关联度,测量关联度可反映测量数据出现残差污染和残差淹没的可能性。对于残差较大且测量关联度较小的数据,发生残差污染的可能性较小,可直接辨识为不良数据;对于残差较大且测量关联度较大的数据,采用模糊聚类方法,隔离不良数据,对系统进行分区,并逐步修正不良数据,选择可靠测量数据重新进行状态估计。算例结果验证了该方法的有效性。     

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.     

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.     

一种求解环网无功问题的状态估计方法

输电网存在大量环形结构,无功测量精度较低且时常出现不良测量数据,加权最小二乘状态估计方法易受残差污染影响,难以满足状态估计合格率考核的要求。基于正常测点的概念,建立考虑测量设备自身不确定度的测点评价函数,用来评价测点正常与否。并以异常测点数量最小为优化目标,考虑系统实际约束和潮流约束,建立新的状态估计模型,对比残差分析的不良数据辨识方法在求解速度和精度上具有显著优势。基于某市实际输电网模型和遥测遥信数据进行算例分析。计算结果表明方法提高了状态估计测点合格率指标,证明了方法的有效性。     

考虑PMU量测信息的配电网运行状态分析方法

同步相量量测单元PMU(phasor measurement unit)在配电网中的推广使用有效提升了电网系统的可观性。首先提出了一种考虑PMU信息的配电网运行状态分析方法,该方法在数据采集与监控SCADA(supervisory control and data acquisition)系统数据更新时,将SCADA和PMU等不同量测时间尺度的混合数据进行状态估计;之后通过PMU数据进行状态估计更新,直至新的SCADA数据到来,开始新的混合数据状态估计。目标函数由估计值与量测值之间残差指数的加权和组成,降低了不良数据对估计结果的影响,并通过抗残差加权减少由于量测坏数据引起的运行状态波动。最后通过IEEE 123节点的算例分析,验证了所提方法具有较好的运行状态分析效果和有较高的时效性。     

一种实用的不良数据处理方法

电力系统中不良数据的存在会降低状态估计的收敛性能,甚至造成状态估计失败。如何可靠检测和修正不良数据成为状态估计应用的难题。针对这个问题,文章从状态估计实用化角度出发,首先提出越限系数H的概念来表征量测量的越限程度,然后利用电力系统量测量之间的约束关系和H值,提出一种基于网络节点分级的不良数据处理方法。该方法首先通过计算输入输出差额检测系统总的功率是否平衡,修正部分可疑量测量;接着对系统节点进行分级,根据节点分级结果运用基尔霍夫电流定律逐级逐点检测并修正可疑数据,最后通过状态估计得到最终结果。工程算例表明该算法简单、实用、速度快,能够过滤、智能修复和补充实时数据,有效地辨识和修正不良数据,提高了状态估计的收敛性能。     

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。