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。     

基于残差符号信息识别残差污染

残差污染的存在对正确检测与辨识坏数据的危害很大,而用一种统一的方法,根据量测残差识别出残差污染,从而准确地检测与辨识坏数据一直非常困难。文中基于残差符号信息研究状态估计中的残差污染问题,探讨了基于残差灵敏度矩阵和残差符号判断存在严重的残差污染的可能性,在此基础上,提出了利用残差符号信息识别严重的残差污染的方法,用简单的图示直观地描述了这一方法。IEEE 30节点系统上的试验证实了所提出的方法提高了检测与辨识坏数据的准确性。     

考虑大规模风电接入的快速抗差状态估计研究

提出了精细化抗差最小二乘状态估计方法,用于解决大规模风电接入对状态估计带来的残差污染问题。该方法一方面在权函数中引入量测类型基准值,用于区分不同类型量测坏数据,提高了抗差状态估计的坏数据检测能力。另一方面,利用状态估计量测预校验信息,对SCADA量测进行预处理,形成坏数据参考因子,消除参数误差引起的坏数据误判,从而提高大规模风电接入电网的状态估计计算精度。同时使用Givens变换并行算法提升软件计算速度,提高抗差状态估计数据断面的实时性,实现精细化的快速抗差状态估计,以适应风电的大规模接入电网给分析控制类在线应用带来的影响。最后对某地区电网进行测试验证,证明该方法能够有效识别风电场遥测坏数据,消除其造成的残差污染,提高了估计计算速度和精度。     

基于残差符合信息识别残差污染

残差污染的存在对正确检测与辨识坏数据的危害很大,而用一种统一的方法,根据量测残差识别出残差污染,从而准确地检测了与辨识坏数据一直非常困难。文中基于残差符号信息研究状态估计中的残差污染问题,了基于残差灵敏度矩阵和残差符号判断存在严重的残差污染的可能性,在此基础上,提出了利用残差符号信息识别严重的残差污染的方法,用简单的图示直观地描述了这一方法,ＩＥＥＥ３０节点系统上的试验证实了所提出的方法提出了检测     

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。     

递归量测误差估计辨识法及其应用

本文提出不良数据检测和辨识新算法——递归量测误差估计辨识法(RMEEI法)。该算法利用线性递推公式计算量测集变化后状态变量、残差及其方差的新值,避免了状态再估计和计算残差灵敏度矩阵,大大提高了计算速度。文中给出了算法公式,并给出评定算法辨识性能,计算速度等方面的计算结果,还给出了本算法在东北电网控制中心EMS中实时运行的情况。     

基于等效电流量测变换的状态估计及不良数据检测与辨识方法

针对输电系统和配电系统量测类型多样性及传统快速解耦状态估计算法的不足，作者讨论并发展了一种基于等效电流量测变换的状态估计及不良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。它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，对r/x的比值不敏感，并能有效地处理不良数据，能较好地应用于输系统和配电系统的状态估计计算。     

基于抗差估计与改进GSA数据挖掘的配网异常数据聚类检测方法

配电网异常数据检测与辨识是智能配电网态势感知技术的核心基础。针对传统状态估计的残差污染与淹没问题,同时为使基于聚类分析的数据挖掘方法免于受初始分类和训练样本选取的影响,提出一种融合状态估计与数据挖掘技术的配网异常数据聚类辨识改进方法。该方法基于指数型目标函数抗差状态估计,计算配网最佳量测估计值,并以系统所有量测量的相对估计误差作为聚类辨识的待检数据集;采用改进GSA的智能算法快速搜寻最优聚类个数和初始聚类质心,实现异常数据的分组聚类检测,获得了较高的估计精度和辨识准确率。算例分析验证了方法的有效性和适用性。     

基于增广状态估计的广域继电保护算法

提出了一种基于增广状态估计的广域继电保护算法,通过搜集相邻区域保护装置的量测信息,建立广域继电保护的增广状态估计模型,进行准确的故障诊断和故障定位。利用相邻区域保护装置的冗余量测信息,通过最优估计修正量测误差,通过坏数据检测和辨识排除坏数据的影响,提高保护决策的准确度。对IEEE9节点系统和某实际电网模型进行了仿真计算,表明该方法容错性好,当存在局部量测错误和通信故障时,仍然能做出正确决策。     

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。     

利用WAMS的电力系统动态状态估计结果校正

由于电力系统的动态特性,由广域测量系统(wide area measurement system,WAMS)/数据采集与监视控制(supervisory control and data acquisition,SCADA)系统收集来的量测信息不可避免地存在粗量测误差、系统状态突变等各种异常情况。针对这一问题,提出一种采用自适应动态状态估计器的并能有效检测、辨识和排除WAMS/SCADA系统中异常情况的信息校正算法。该算法依据动态状态估计器预测系统状态的能力,利用标准化新息以及加权新息与标准化新息的最大比值来检测和辨识多个坏数据、负荷突变、网络拓扑结构错误以及这3种异常同时发生的情况,并利用标准化新息和残差来验证异常处理的效果。数值结果表明所提算法能够快速、准确、有效地检测、辨识和排除动态状态估计过程中的各种异常情况。     

基于PMU量测的线路参数辨识算法

利用PMU量测数据具有严格时间同步、均匀发送的特点,基于PI型等值电路模型,提出一种新的线路参数辨识方法。该方法以线路两端测量的电压和电流相量为基础,利用最小二乘算法实现线路参数的最小偏差辨识,理论分析和实际算例表明了该方法的可行性。对影响辨识精度的主要误差源进行了分析,并给出了一种实用的坏数据剔除方法,可进一步提高数据辨识的精度;亦对如何利用线路量测的残差分析结果指导状态估计中的权重系数设置进行了详细讨论。与传统方法相比,基于PMU量测的参数辨识方法具有灵活、简便、可重复和连续执行的优点,具有较高的实用价值。     

基于矩阵变换的双线性WLAV状态估计

当电力系统中的杠杆点存在不良数据时会严重影响状态估计的坏数据辨识和估计效果。现有的抗差估计方法也难以有效处理杠杆量测坏数据,而剔除杠杆点量测可能会影响系统的可观性。在双线性WLAV状态估计的基础上,通过对雅克比矩阵进行矩阵变换来实现对杠杆点不良数据的抗差。这种方法对算法本身进行改进,不需要剔除杠杆量测,既能提高对杠杆点不良数据的抗差能力,又不会影响系统的可观测性,是一种比较理想的处理杠杆点不良数据的方法。基于IEEE标准系统以及国内某实际省网的仿真结果验证了该方法在提高计算精度和计算效率方面的有效性。     

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WAMS的电力系统机电暂态过程动态状态估计

广域同步测量系统(wide area measurement system, WAMS)作为一种量测手段,不可避免地会存在量测误差和坏数据。如果对WAMS量测数据不进行估计而直接应用,将有可能导致采取错误的控制策略,甚至恶化系统状态,造成严重后果。针对该问题,根据WAMS实测数据,提出了一种电力系统动态过程中发电机状态变量估计的新方法。该方法将发电机转子运动方程与外部网络解耦,进而给出对WAMS实测功角轨迹进行估计的模型,提出了相应的坏数据检测和剔除方法以及整体算法流程。仿真结果表明该方法可以实时提供估计后的发电机状态信息,有效减小WAMS量测数据误差及坏数据的影响,为基于WAMS的各种动态应用与实时控制打下了基础。     

考虑电力参数和量测误差的网络拓扑误差辨识方法

电力系统的参数误差和量测误差在状态估计时经常同时发生。为此提出了一种同时辨识不正常状态支路和参数误差的方法。首先建立了含断路器的支路模型,确定了利用断路器状态估计的误差方程。然后,提出了一种基于扩展状态估计方程的能够同时辨识网络拓扑误差、参数误差和坏数据量测的多源误差的方法。所提拓扑结构误差辨识方法能够在含有坏数据和网络参数误差下辨识不正常状态支路。该方法将约束条件中的归一化拉格朗日乘子加入到断路器模型和参数误差中,通过估计含有拓扑和参数误差的可疑支路的参数来辨识不正常支路的状态,且仅利用传统状态估计的结果来辨识误差。最后利用IEEE118节点系统进行算例验证,对比分析了多种场景下所提方法与传统辨识方法的结果,说明了所提方法的有效性。     

考虑杠杆坏数据的参数辨识和快速修正方法

当存在杠杆坏数据时,现有的参数估计方法精度低、计算复杂,因此,该文提出一种基于拉格朗日乘子法的电网参数辨识和快速修正新方法。首先,建立了基于指数型目标函数的抗差状态估计模型,根据量测的误差大小而自动改变其权重,从而克服大部分坏数据,特别是杠杆坏数据对参数辨识精度的影响;进而基于拉格朗日乘子法确定可疑参数,再基于可疑参数在多个断面下的乘子值计算其用于误差修正的平均乘子值,实现参数误差的快速修正,并减少了计算量。通过3节点简单网络及IEEE 39系统的算例仿真,对比存在杠杆坏数据情况下该方法与传统方法的参数估计精度和计算时间,验证了所提方法的有效性和正确性。     

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WAMS／SCADA混合量测的电力系统强跟踪滤波动态状态估计

针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在鲁棒性差、建模具有不确定性等缺点,提出一种强跟踪滤波动态状态估计算法.该算法在扩展卡尔曼滤波器中引入时变次优渐消因子,在线调整状态预报误差协方差矩阵和相应的增益矩阵,使状态估计残差方差最小.同时,引入广域测量系统(WAMS)/-数据采集与监视控制(SCADA)系统的混合量测数据,增加了系统的冗余量测,进一步提高了动态状态估计的性能.仿真结果表明,所提方法在正常情况以及负荷突变、存在坏数据、网络拓扑错误各种情况下具有较好的预测和滤波效果.     

基于模糊聚类分析的分层估计算法在DTS中的应用

为了建立调度员培训仿真（DTS）系统逼真的培训初始条件，需要获取EMS/SCADA系统状态估计的结果。文中分析了状态估计的研究现状和模糊聚类分析法在辨识不良数据方面的应用，提出了基于模糊聚类分析的分层估计算法，即先在厂站级对量测数据进行检测和模糊聚类辨识，根据隶属度的大小辨识出不良数据和对不良数据进行重新估计，再进行全网状态估计。该算法将厂站估计与全网估计加以协调，较好地解决了多相关不良数据的辨识及整体式状态估计中的残差污染问题，并成功应用于河南电网DTS系统中，提供了良好的数据基础。