计及系统误差的状态估计算法

现有的状态估计算法认为误差服从标准正态分布,基于这种假设的加权最小二乘估计是无偏估计。但由于系统误差的存在,使得状态估计结果是有偏的。本文根据系统误差产生的原因、特点,提出了一种计及系统误差的状态估计算法,可以有效消除系统误差对状态估计结果的影响。     

配电网量测配置评估及优化

利用算例分析研究了配电网中不同量测类型对提高状态估计结果精度的影响特性,并初步分析和探讨了其原因;提出了一种量测配置优化方法,以期在配电网中增加实时量测时,使其能最大限度地提高状态估计结果精度。算例验证表明所提方法可以用于指导配电网量测布点的优化决策。     

配电网状态估计误差的电路表示方法

量测信息少、测量精度不足是影响配电网状态估计精度的重要问题。根据实时量测和伪量测数据的精度,判断配电网状态估计结果的误差范围,对配电网的运行和观测规划具有重要指导意义。现有的采用信息矩阵求逆的方法,物理意义不明确,难以分析各类型量测的作用。提出一种配电网状态估计误差的电路表示方法,将量测精度对配电网状态估计误差的影响用导纳电路表示,并用源强度和关联强度分析不同类型量测在状态估计中的作用。理论分析和算例验证表明,该方法可直观表示配电网状态估计的误差分布,确定各个量测对状态估计误差的影响,从而为配电网的运行规划提供指导。     

一种电力系统量测噪声自适应抗差状态估计方法

为克服传统状态估计方法在处理量测噪声方面的局限性,文中首先提出一种基于最大相关熵准则的抗差状态估计一般模型,该模型可从理论上统一已有的几种抗差状态估计方法,并可导出新的抗差状态估计方法。在此基础上提出一种量测噪声自适应抗差状态估计方法(ARSE),ARSE能够通过统计学习获得量测噪声的分布规律,并与所提出的抗差状态估计一般模型进行在线匹配,从而实现对量测噪声类型的自适应,即在常见的量测噪声分布类型下,ARSE可得到更接近于状态变量真值的估计结果。最后通过仿真算例验证了所述方法的有效性。     

考虑量测相关性的容积卡尔曼滤波动态状态估计

针对电力系统动态状态估计中SCADA量测量间存在相关性的实际情况,文中提出了一种考虑量测相关性的容积卡尔曼滤波动态状态估计方法。首先进行了SCADA量测相关性分析,然后基于状态转移方程推导过程噪声协方差矩阵,基于容积变换方法计算考虑SCADA量测相关性的量测误差协方差矩阵,并提出了考虑量测相关性的电力系统动态状态估计流程,每次估计实时修正量测误差协方差矩阵及过程噪声协方差矩阵。IEEE-39节点系统的仿真结果表明,相较于不考虑量测相关性的容积卡尔曼滤波算法,文中方法能够明显提高状态估计结果的精度。     

多源量测数据融合的配电网状态估计及应用

随着同步相量量测装置的引入,配电网中存在着不同时间尺度与量测精度的多源量测数据。如何充分融合多源量测数据,实现快速准确的配电网状态估计是高效运行决策的重要前提。该文提出一种考虑不同类型量测时间尺度、同步性和精度特点的配电网多源量测融合状态估计方法,讨论同步相量量测数据引入对状态估计分析模型的影响,对多源量测数据进行等值转换实现量测函数的线性化,针对不同类型的量测数据采用相应的数据融合策略,以提高状态估计的精度、减小状态估计的计算周期。基于广州某地区的示范工程算例,分析验证了不同量测配置及运行条件下所提出的多源量测数据融合方法对网络可观性提升、状态估计精度改善的有效性。     

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。     

抵御多点虚假数据攻击的主动配电网状态估计方法

引入同步相量量测装置（PMU）识别虚假数据注入攻击（FDIA）的动态状态估计是实现主动配电网安全准确决策的有效途径。提出一种融合贝叶斯定理的深度森林（BA-DF）FDIA检测机制的混合量测加权平方根容积卡尔曼滤波（WASRCKF）动态状态估计方法。首先,通过图卷积神经网络预测PMU和SCADA混合量测融合,提高数据冗余度;其次,利用WASRCKF估计状态量和混合量测预测量进行加权估计,降低FDIA对状态估计更新层的影响;然后,采用BA-DF进行FDIA检测,判断虚假数据攻击位置,使用混合量测预测值进行修正,形成BA-DF-WASRCKF组合方法。最后,采用PG&E69配电网进行验证,结果表明该方法在不同PMU配置下均可获得更高精度状态估计结果,配置24台PMU的FDIA识别率为95%,较传统方法状态估计精度提高了77.8%。     

基于免疫离散粒子群算法的主动配电网PMU测量位置优化

主动配电网的状态估计是配电管理系统必不可少的组成要素,其估计结果的准确性受量测位置的影响较大。为了提高系统状态估计的精度,优化实时数据库,本文结合一种基于并行置信传播算法的状态估计方法,建立了以主动配电网状态估计误差最小为目标的PMU量测位置优化模型,同时提出了利用优化粒子初始位置的改进免疫离散粒子群算法进行模型求解。最后通过算例仿真,得到了量测装置的优化配置方案,且在该方案下,状态估计的精度明显提高。     

基于时空特征图卷积网络的配电网实时状态估计方法

为了在考虑负荷时空特性以及不健全量测的场景下实现配电网的实时、高容错状态估计,本文从时空图的角度提出一种基于时空特征图卷积网络的动态状态估计算法。首先将配电网量测数据组成三维张量;然后利用时空特征图卷积网络分别提取量测数据的空间拓扑、时间序列和节点属性上的特征信息,通过特征融合得到实时状态估计结果;最后根据状态估计结果生成虚拟量测以消除不良数据的影响。实验结果表明,本状态估计方法具有较高的鲁棒性,且准确性和计算速度均优于传统方法。研究结果可为基于机器学习的电力系统状态估计方法提供参考。     

基于相量量测的电力系统线性状态估计

分析了相量量测装置的量测误差情况,指出了相量量测参与状态估计计算的必要性。在完全使用相量量测的情况下,给出了基于直角坐标系的实数形式的电力系统线性量测方程和相应的线性静态状态估计算法。对负荷预报加潮流计算的系统状态预报方法进行改进,通过对误差协方差阵计算公式的推导与简化,提出了新的预报误差协方差阵计算公式,并将其与线性量测方程相结合,提出了基于相量量测的线性动态状态估计算法。最后讨论了线性状态估计算法的使用条件,并采用IEEE30节点系统对提出的算法进行了验证。     

基于最大测点正常率的线路参数增广状态估计方法

线路参数误差会导致状态估计不准确,进而影响能量管理系统的高级应用。基于加权最小二乘的增广状态估计法是一种有代表性的线路参数估计方法,但该方法存在易受量测误差影响等问题。基于测量不确定度理论,提出了一种以最大测点正常率(MNMR)为目标函数的线路参数增广状态估计新方法。与传统增广状态估计方法不同,该方法基于测量不确定度信息,目标是使测点的正常率最大,同时考虑电力系统实际的潮流和物理约束信息。此外,采用高斯核密度估计和点估计方法来提取参数估计结果的统计特征。仿真实验表明,所述方法继承了MNMR抗差状态估计的"抗差"特性,辨识结果不易受量测误差影响,能得到更加合理的线路参数。     

考虑总体误差下降指标的电网参数辨识方法

电网参数错误是影响状态估计结果准确性的重要因素。文中以加权最小二乘状态估计为基础,分析了不良数据及错误参数集合对总体误差的影响,提出了基于总体误差下降指标的逐次型参数错误与不良数据辨识方法。该方法在辨识单个不良数据或参数错误时与正则化拉格朗日乘子法等价,并具备同时辨识多个不良数据及参数错误的能力。通过IEEE 14节点测试系统的仿真结果验证了所述方法的准确性与优越性。     

基于抗差总体最小二乘法的电力系统谐波状态估计

介绍了谐波状态估计的数学模型及最小二乘和总体最小二乘的求解算法,综合考虑测量误差和参数误差的影响,利用总体最小二乘法进行谐波状态估计。分析了测量粗差对估计结果的影响,针对总体最小二乘法不具备抑制粗差能力的缺点,提出利用抗差总体最小二乘法进行谐波状态估计。用Matlab搭建了IEEE-14节点谐波测试系统仿真模型,在测量数据和参数矩阵中分别加入含有粗差的正态分布误差及正态分布误差,画出概率密度曲线图,并对总体最小二乘法、抗差最小二乘法和抗差总体最小二乘法进行比较,结果表明利用抗差总体最小二乘法能够得到更精确的谐波状态估计结果。     

基于PMU的状态估计的研究

传统的状态估计是基于单相纯正弦模型的,但实际电力系统的三相并不是完全对称,这就导致了传统的状态估计存在着固有的误差。随着基于GPS同步相量测量单元(PMU)的应用和计算机技术的发展,该文提出了一种以PMU为基础的三相状态估计和谐波状态估计算法以消除这种固有误差。利用PMU的电压幅值测量值和相角测量值与SCADA原有的测量值构成的混和量测系统一起用于状态估计,从而提高网络的可观测性及状态估计的精度,来弥补传统状态估计的不足。所以这种算法可根本解决系统三相不平衡和状态向量非纯正弦带来的误差问题。最后讨论了对该算法的评估方法。     

基于线性内点法及正交变换的抗差参数估计

参数估计目前主要采用加权最小二乘算法.由于包含参数估计,该方法在处理电网坏数据混杂及数值稳定性上都面临着困难.考虑到实际电网中有时会同时出现量测错误及参数错误,提出了使用基于线性内点法及正交变换的加权最小绝对值(WLAV)增广参数估计.基于L1范数的WLAV估计具有良好的抗差特性,用以应对混杂有坏数据、拓扑错误及参数错误的混杂估计.为提高增广参数估计的数值稳定性,将正交变换引入线性内点法修正方程的求解中.对算法的测试结果表明,该方法具有良好的应用前景.     

基于改进Hampel抗差法的电网谐波状态估计

针对电网谐波状态的估计问题,分析了量测粗差对于估计结果的影响,建立了考虑粗差辨识的谐波状态估计数学模型,应用Hampel抗差法对量测数据进行了辨识分类,并根据谐波状态估计的特点对算法的阈值函数进行了改进,有效地解决了"残差污染"和"残差淹没"问题。仿真计算及分析结果表明,求解谐波状态估计问题时,改进Hampel抗差法能有效抑制粗差对估计结果的影响,提高了估计精度。     

考虑双侧量测误差的配电网拓扑识别及参数联合估计方法

配电网参数估计和拓扑识别是配电网规划、运行分析和安全控制的基础,传统线性回归方法对量测数据误差或噪声数据具有较高要求,只有在无噪声情况下,估计才是准确的。然而实际输入测量值(如电压幅值和相位角)和输出测量值(如有功和无功功率)均存在噪声数据,对于拓扑估计,即使量测误差很小,回归方法也无法得到准确拓扑。针对上述问题,首先构建了配电网参数估计的基本模型,并定量分析了量测误差对线路参数估计和拓扑识别的影响。在此基础上,建立了考虑双侧量测误差的线路参数估计模型。针对其非凸导致的难以求解的问题,基于拉格朗日函数进行等价转化,得到易于求解的最小化瑞利熵问题。最后,基于IEEE 8节点系统进行仿真分析,并与传统线性回归、最小二乘法进行对比,证明所提方法在量测误差达到10%时,依然具有良好的估计精度。     

基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计

伴随着中国国家能源革命战略与电力体制改革的发展,综合能源系统作为综合各能源属性的新型能源发展形态逐步兴起,最大限度提升了能源利用效率.然而,综合能源系统存在量测数据冗余度低、量测设备的量测误差较大以及电网与气网量测设备的数据采集单位时间标尺不统一的问题,对电-气耦合的综合能源系统状态估计问题提出严峻挑战.考虑到数据驱动方法具有高度的可移植性与对不同信息提炼归纳的能力,建立了一种基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计模型.采用贝叶斯学习获取量测量的概率统计特征,利用蒙特卡洛采样生成完备量测数据,通过电-气耦合综合能源系统潮流检验所生成数据的合理性,从而得到长短期记忆深度学习网络的训练样本集合.采用均方根误差的评判标准对长短期记忆深度学习网络进行训练,有效提升了电-气耦合综合能源系统状态估计的精度.与经典模型驱动的状态估计方法比较,算例仿真验证了所提数据驱动状态估计方法的有效性与鲁棒性.