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。     

考虑风电场量测相关性的双馈风力发电机鲁棒动态状态估计

基于相量测量单元（PMU）的风力发电机动态状态估计能够为风电场能量管理系统提供实时可靠的数据基础。然而，目前多数风电场不具备为每台风机都安装PMU的量测条件，且动态状态估计易受不良数据及扰动的影响。针对上述问题，提出一种考虑风电场量测相关性的双馈风机鲁棒动态状态估计方法。在用最少数量的PMU实现风电场所有节点可观的基础上，提出基于PMU量测空间相关性和风机动态模型时间相关性的冗余量测集构造方法，进而利用加权最小绝对值鲁棒估计得到所有风机的机端电气量，并滤除不良数据。考虑到扰动时状态预报值不准确，提出了基于过程噪声尺度因子的鲁棒滤波方法，在扰动时降低不准确预报值的权重。仿真表明，所提方法对量测配置要求低，并能准确估计风电场内单台风机的动态状态。     

基于扰动传播时空相关性的电网扰动事件快速定位方法

广域测量系统(wide area measurement system,WAMS)为快速准确地定位扰动事件提供了量测信息和数据基础。然而,由于电网中有限的同步相量测量单元(phasor measurement unit,PMU)布点以及通讯堵塞、硬件故障、GPS信号丢失和网络攻击等原因带来的数据质量问题,使得量测信息呈现不冗余性,给定位带来额外的挑战。该文提出一种适用于PMU量测信息不冗余场景下的电网扰动事件快速定位方法。利用主站电压相角量测数据生成Hankel矩阵,提出一种基于奇异值分解的扰动响应时间检测方法。基于电网子拓扑中的PMU测点以及网络拓扑连接关系,分别从时间和空间维度提取了表征扰动传播的时间差特征和空间距离差特征。进而,通过扰动传播的波速,耦合扰动传播空间距离差特征,提出基于时空相关性的自适应电网扰动事件定位方法。通过扰动传播过程的时空约束特性,实现了电网量测信息在时间维度不冗余的情况下,快速定位扰动事件的功能。基于IEEE 10机39节点系统和中国某西部实际电网,验证了所提方法的有效性和鲁棒性。     

基于瞬时值比较的PMU动态性能在线评测方法及系统

同步相量测量单元(PMU)的动态性能,是广域测量系统(WAMS)的各项高级应用可靠性的重要基础。提出一种基于大扰动的特征动态时段的瞬时值比较的PMU动态性能评测方法。将PMU相量数据还原为相量暂态录波数据,获取对应的实际暂态录波数据,分析两者在相关性、相量算法快速响应、纯幅值缩放和总体相似性上的差异,对PMU动态性能进行全面定量的评价。采用实际现场PMU数据验证了上述理论分析的正确性和可行性。此外,设计了在线评测系统,可应用于实际电网运行过程中实时监控和评价PMU动态性能。     

相量测量装置实时数据的三段式变频传输方法

为了有效降低广域测量系统(WAMS)主站与相量测量装置(PMU)子站之间实时数据的传输频率,同时又不影响WAMS基于PMU实时数据的各类高级应用,提出了一种实现PMU实时数据"三段式变频传输"方法。对PMU数据的应用现状和应用场景进行了分析总结,在此基础上提出了PMU实时数据的"三段式变频传输"方法,将PMU实时数据分为A,B,C三段,在电网正常运行时,PMU子站以较低传输频率传输PMU实时数据,当PMU子站在检测到电网发生扰动时,PMU子站立即以较高传输频率先传输缓冲区内的A段数据,然后再继续以较高传输频率传输扰动过程中的B段实时数据,直至扰动消失后,再将传输频率降低,传输C段实时数据。通过对现行的PMU通信规约进行扩展,实现了与现有通信规约兼容的PMU实时数据"三段式变频传输"方法。最后,通过仿真验证了该方法的可行性及效果。     

基于差分波形奇异值极差的通用电力扰动检测方法

电力扰动数据蕴含大量系统和设备状态信息，基于电力扰动检测分析可实现系统和设备的状态感知。现有扰动检测方法以检测电能质量扰动和故障扰动为主，算法针对性强，通用性和适应性较差，尤其当扰动幅值小或持续时间短时，检测灵敏度较低。为此，提出一种通用的高灵敏度电力扰动检测方法，基于相邻周期差分信号的奇异值分布规律实现扰动检测，利用奇异值极差进行扰动与正常波形区分，提出基于历史奇异值极差序列参考值和差分信号分布特征的自适应阈值计算规则。通过大量仿真和现场实测数据对算法进行验证，结果表明算法在强噪声背景下对各类微弱扰动均具有较高检测灵敏性，证明了算法的正确性和有效性。     

采用变压器量测无功分析GIC-Q扰动的方法

我国电网地磁感应电流(geomagnetically induced current,GIC)的研究已取得重要进展,研究、认识GIC侵害变压器的次生干扰,制定电网灾害的防治策略是迫切需要解决的问题。根据GIC侵害变压器次生的无功损耗(GIC-Q)扰动的机理,建立了基于变电站相量测量单元(phasor measurement unit,PMU)量测的无功分析变压器GIC-Q扰动的模型,提出了基于PMU量测无功计算变压器的GIC-Q的方法,并通过2016年5月8日地磁暴侵害山西阳泉500 kV变压器的实测数据计算了GIC-Q,与基于磁暴数据计算的变压器中性点GIC比较分析,验证了所提模型和算法的有效性。结果表明,利用PMU量测无功能有效计算变压器的GIC-Q,这对电网调度运行基于广域测量系统识别地磁暴侵害电网事件或评估GIC灾害风险有重要参考价值。     

基于增强生成对抗网络的PMU丢失数据恢复方法

同步相量测量单元(phasormeasurementunits,PMUs)因能够提供实时测量数据,使得电力系统动态行为的实时监测成为可能。但是,由于现场环境复杂,受干扰、硬件故障等诸多因素影响,PMU数据存在一定程度的数据丢失问题。PMU数据丢失直接影响其在电力系统中的应用,甚至威胁到系统的安全稳定运行。为了提高PMU数据质量,该文提出了一种基于PMU分群的丢失数据恢复算法。为利用相关度高的PMU数据以提高恢复精度,首先提出一种基于层次聚类的PMU分群方法,利用不同PMU数据的相关度来对PMU进行分群。进一步,利用长短期记忆构造了一种增强型生成对抗神经网络丢失数据恢复方法。该算法不需要系统的拓扑结构和参数,可通过将相关度高的数据作为神经网络的输入来恢复不同扰动下的丢失数据,并且在扰动条件下也能高精度恢复。仿真和测试结果表明,该方法能够有效地实现丢失数据的恢复,为提高PMU的数据质量,保证其在电力系统中的应用效果提供基础。     

多机下无功扰动孤岛检测法的改进与参数设计

针对孤岛检测中无功扰动(RPV)法在多台逆变器并联的情况下出现扰动稀释的问题,此处提出一种公共耦合点(PCC)频率与扰动状态相结合的方法。所提方法一方面在孤岛可能发生时重置扰动序列以实现多台逆变器RPV同步,另一方面将频率正反馈引入RPV幅值中以降低并网时扰动幅值。另外,此处对所提方法中的扰动幅值与同步阈值等参数进行理论分析与设计,使所提方法具有良好的检测效果。根据IEEE Std.1547中的反孤岛测试条例,通过仿真和实验验证了参数理论分析的正确性及所提方法的有效性和可靠性。     

混合量测状态估计相角参考点坏数据问题的处理方法

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,一旦其相角参考点上的PMU电压相角量测为坏数据,将影响其余所有相角量测引入,污染有功量的总体计算,严重影响计算精度。文中在建立混合量测状态估计计算模型的基础上,提出一种解决相角参考点坏数据问题的处理方法,改变传统状态估计将相角参考点状态量值固定且不参与迭代求解的做法,形成雅可比矩阵时增加相角参考点状态量对应列和PMU量测对应行,将相角参考点状态量同其他节点一样参与迭代求解,当相角参考点上的PMU电压相角量测为坏数据时同样能够被检测和辨识,彻底消除其对计算结果的不利影响。最后,结合电网实例验证了该方法的有效性。     

PMU小扰动信号下的综合负荷模型参数辨识方法

电力系统日常运行过程中时刻存在类似噪声的小扰动信号，利用小扰动信号开展负荷参数辨识可解决传统总体测辨法无法处理的负荷时变性和分布性难题。基于PMU实测小扰动信号提出一种“Z+IM”综合负荷模型参数辨识方法。该方法采用PMU量测数据滚动识别框架，滚动识别主要包括数据处理和负荷参数辨识两个步骤。首先，针对PMU量测小扰动信号的特点，通过厂站初筛、预处理、可辨识集粗筛和去噪等步骤得到较为优质的PMU小扰动数据集。然后，基于预报误差思想通过两阶段辨识策略辨识负荷时变参数、电磁参数和机电参数。所提方法得到的负荷参数无需折算可直接应用于PSASP、BPA等国内主流仿真程序，具有实际工程应用价值。最后，算例通过3机9节点系统仿真和湖南实际电网验证所提方法的有效性和鲁棒性。     

基于SCADA/PMU混合量测的广域动态实时状态估计方法

根据来自监视控制与数据采集(supervisory control and data acquisition，SCADA)系统和相量测量单元(phasor measurement unit，PMU)的数据特点，提出了一种基于SCADA/PMU混合量测的广域动态实时状态估计方法，该方法充分利用了各节点间电压变化的相互联系，通过SCADA系统提供的初始值和安装PMU的节点的电压量测可简单地获得其他未安装PMU节点的电压相量。该方法有效地解决了在PMU配置不足的情况下如何观测电网状态以及如何在动态过程下实时观测电网。最后，通过对新英格兰10机39节点系统的多种故障进行仿真，验证了该方法的有效性和准确性。     

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。     

基于奇异值分解的PMU数据恢复法

同步相量量测单元(phasor measurement units,PMUs)因其同步性、快速性和准确性成为电网动态实时监测最有效的手段之一,并得到迅速发展。但由于通信堵塞、硬件故障、传输延迟等因素,现场PMU通常存在不同程度的数据丢失问题,严重制约其在电力系统中的应用与发展,甚至威胁电网安全。该文通过分析现场PMU量测信息,归纳了3种数据丢失类型;提出基于奇异值分解的动态数据成分分析方法,并采用盖氏圆法确定其最优特征成分数,可有效提取原始信号中各特征分量。进一步,提出基于训练、验证与丢失数据分类的数据恢复迭代计算方法,实现系统动态条件下仅利用单通道PMU量测信息的高精度数据恢复。通过仿真与实测数据验证该方法的可行性和准确性。该方法解决传统方法对系统动态信号丢失数据恢复失真的问题,为PMU量测信息更好的应用于电力系统的各个方面提供保证。     

A PMU data recovering method based on preferred selection strategy

Nowadays, the technology of renewable sources grid-connection and DC transmission has a rapid development. And phasor measurement units(PMUs) become more notable in power grids, due to the necessary of real time monitoring and close-loop control applications. However, the PMUs data quality issue affects applications based on PMUs a lot. This paper proposes a simple yet effective method for recovering PMU data. To simply the issue, two different scenarios of PMUs data loss are first defined. Then a key combination of preferred selection strategies is introduced. And the missing data is recovered by the function of spline interpolation. This method has been tested by artificial data and field data obtained from on-site PMUs. The results demonstrate that the proposed method recovers the missing PMU data quickly and accurately. And it is much better than other methods when missing data are massive and continuous. This paper also presents the interesting direction for future work.     

同步相量测量装置校准器参考相量计算方法

电力电子设备的广泛应用导致电力系统逐渐出现了新的稳定性与可靠性问题,亟需高精度实时测量与感知技术,为解决上述问题提供数据基础。作为最有效的动态监测手段之一,同步相量测量装置(PMU)的测量精度至关重要。提出了一种PMU校准器的参考相量计算方法,为PMU测试提供校准参考值。该方法分析了电力系统典型静动态信号特性,建立了基波相量通用信号拟合模型,可表征PMU测试标准中除阶跃测试外的所有静动态测试信号。提出了基于非线性拟合的相量幅值、相角与频率迭代求解方法,并根据所得频率提出了基于最小二乘法的频率变化率计算方法。进一步,分析揭示了迭代初始值、计算时间窗长和拟合阶数对计算精度的影响及其设置方法。仿真与实验测试结果表明,该方法精度至少比标准规定的精度要求高1个数量级,可用于PMU的测试与校准。     

计及相量测量单元信息不可观性的强迫功率振荡扰动源定位

强迫功率振荡的扰动源定位是低频振荡诊断与分析中的重要问题。目前,利用相量测量单元(PMU)的数据进行扰动源位置识别已引起了一定的关注,但相关研究成果大多未考虑PMU尚无法完整配置的现状,因而难以在实际电力系统中推广应用。为此,提出了一种计及PMU信息不可观性的强迫功率扰动源定位方法,并从扰动源定位的角度出发,提出了PMU分区配置的基本要求。仿真结果表明,该方法可在PMU信息不可观的情况下准确识别扰动源位置。     

基于SDAE-ELM伪量测建模的高容错快速状态估计方法

目前在电力系统中无法保证相量量测单元完全覆盖的情况下,状态估计需要采用相量量测单元（phasor measurement unit, PMU）与数据采集与监控（supervisory control and data acquisition, SCADA）混合量测进行传统非线性状态估计,但是SCADA数据精度低,含有较多不良数据,同时混合数据需要迭代求解,会导致计算效率低且存在截断误差。针对该问题,文章提出了一种基于堆叠去噪自编码器（stack denoising autoencoder, SDAE）与极限学习机（extreme learning machine, ELM）伪量测建模的电力系统高容错快速状态估计方法。其将含有不良量测的SCADA量测数据作为SDAE-ELM伪量测模型的输入,节点电压实部与虚部作为输出,根据历史数据进行训练得到伪量测值与伪量测误差模型,训练完成后得到精度较高的伪量测;将伪量测与PMU量测一起进行快速的线性状态估计。仿真结果表明,所提方法在保证估计精度的基础上,提高了计算效率,验证了所提方法的有效性。     

Optimal PMU placement method for complete topological and numerical observability of power system

This paper presents a new method of optimal PMU placement (OPP) for complete power system observability. A two-stage PMU placement method is proposed, where stage-1 finds out the minimum number of PMUs required to make the power system topologically observable and stage-2 is proposed to check if the resulted PMU placement (from stage-1) leads to a full ranked measurement Jacobian. In case the PMUs placed, ensuring topological observability in stage-1, do not lead to the Jacobian of full rank, a sequential elimination algorithm (SEA) is proposed in stage-2 to find the optimal locations of additional PMUs, required to be placed to make the system numerically observable as well. The proposed method is tested on three systems and the results are compared with three other topological observability based PMU placement methods. The simulation results ensure the complete system observability and also demonstrate the need of using stage-2 analysis along with the topological observability based PMU placement methods.