基于时序数据相关性挖掘的WAMS/SCADA数据融合方法

在电力系统多运行方式的背景下,研究WAMS/SCADA等量测数据融合是解决大电网在线稳定分析的关键点之一。为此,基于理论分析,从2者数据相关性角度研究了WAMS/SCADA相关性系数,提出了基于时序数据相关性挖掘的WAMS/SCADA数据融合方法。通过构建Pearson相关性系数,对WAMS/SCADA的相关性进行评估;运用广义EM算法对量测数据曲线时差问题进行函数模型求解;在考虑量测权值的情况下对量测有效性进行分析。结果表明:对3种不同数据进行状态估计后,经过数据融合后的曲线结果在系统稳定时段与出现扰动时段均保持平稳;基于时序数据相关性融合法所得到的状态估计曲线变化趋势与其他算法相同,混合量测状态估计结果误差5%。IEEE 118节点母线系统算例的仿真结果验证了上述方法的有效性与稳定性。     

基于超短期负荷预测和混合量测的线性动态状态估计

目前电力系统量测主要是广域测量系统(wide area measurement system,WAMS)和数据采集与监控系统(supervisory control and data acquisition,SCADA)混合量测并存。利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS量测组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。此外,采用高精度的母线超短期负荷预测并通过潮流计算得到预测值,实现了系统状态的实时跟踪预测。该算法减少了动态状态估计的计算时间,提高了动态状态估计的计算精度。采用IEEE14节点系统对提出的算法进行了验证。     

基于混合量测的电力系统线性动态状态估计算法

针对当前电力系统中广域测量系统（WAMS）和数据采集与监控（SCADA）系统并存的现状,利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。该算法采用Holt两参数线性指数平滑技术,结合线性定常系统Kalman滤波原理,实现了系统状态的预测和估计。该算法具有常数雅可比矩阵,从而大大减少了动态状态估计的计算时间,保证了动态状态估计的计算精度。通过IEEE14节点系统的仿真结果,验证了该算法的有效性和优越性。     

基于广域测量系统的状态估计研究综述

广域测量系统（WAMS）的逐步发展给电力系统在线分析方法提供了一个新思路。针对WAMS测量精度高、具有同步相量测量功能以及数据传输快等特点，分别从引入高精度节点电压相量量测的状态估计算法、引入高精度支路电流相量量测的算法、引入全部WAMS量测的算法以及其他与WAMS状态估计相关的问题等4个方面，介绍了目前引入WAMS量测的各种状态估计算法；并详细分析了各种算法的优缺点和适用范围，从工程应用出发研究其可行性，对部分算法给出了改进措施。讨论了WAMS的不良数据检测与辨识问题、相量测量装置（PMU）的最优配置问题以及基于PMU的动态状态估计和谐波状态估计等与WAMS状态估计相关的其他问题。     

基于WAMS/SCADA数据兼容和改进FCM聚类算法的PMU最优配置

针对当前应用于状态估计的广域量测系统(wide area measurement system,WAMS)和SCADA系统混合量测中相量测量单元(phasor measurement unit,PMU)最优配置点的选取问题,在分析WAMS/SCADA数据差异的基础上,提出一种基于数据兼容和改进模糊C均值(fuzzy C-means,FCM)聚类算法的PMU最优配置方案。采用大数据挖掘理念,通过改进FCM聚类算法对SCADA数据依据相关度分区,在分区内可观测度最大的节点配置PMU,各分区内采用该PMU节点的最优平滑系数进行Vondrak插值,得到满足兼容性的数据,应用于混合模型的状态估计。相对只考虑可观测度的PMU配置方案,新方案不仅可以实现WAMS/SCADA数据有效兼容,提高估计精度,应用混合量测的状态估计还可有效控制系统负荷快速变化时的估计误差。通过在IEEE 39节点系统上模拟日负荷变化,验证了该PMU最优配置方案的有效性。     

计及PMU量测的分步线性状态估计模型

提出一种基于广域量测系统(wide area measurement system,WAMS)和数据采集与监控(supervisory control and data acquisition,SCADA)系统混合量测的电力系统状态估计方法,该方法充分利用相量测量单元(phasor measurement unit,PMU)量测方程为线性方程的特点,将SCADA量测方程分解为两步线性化方程,并将PMU量测数据中的电压幅值平方、电流幅值平方和相角量测分别添加到2个线性化方程中,从而实现PMU和SCADA混合量测状态估计的非迭代计算,提高了计算效率。通过IEEE标准系统和波兰电网仿真算例,验证了所提方法的有效性。     

混合量测下基于UKF的电力系统动态状态估计

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)法存在收敛速度慢、鲁棒性差的缺点,采用一种新的非线性方法——无迹卡尔曼滤波(UKF)法进行电力系统动态状态估计。UKF法由于使用了无迹变换,避免了线性化误差的引入和雅可比矩阵的计算,相比EKF法有更高的估计精度和稳定性。广域测量系统(WAMS)能够提供相量信息,具有精度高、全网严格同步等优点。因此,将WAMS量测数据和数据采集与监控(SCADA)系统量测数据相结合,形成应用混合量测的电力系统动态状态估计。仿真表明,UKF法相比EKF法能够更准确地估计动态系统中的状态量,WAMS信息的引入进一步提高了动态状态估计的性能。     

基于SCADA和WAMS的电网仿真运行方式

电网仿真初始运行方式是影响计算结果的主要因素之一。由于SCADA覆盖了电网主要运行设备,因此可以将SCADA数据作为建立电网仿真计算运行方式的主要数据源。然而,仅仅依赖SCADA数据建立的初始运行方式与实际系统相比可能存在较大偏差。随着广域实时动态监测系统(WAMS)逐步在电网中的广泛应用,由其采集的电网实时动态数据也成为建立仿真初始运行方式的主要数据源之一。作者提出了一种利用SCADA数据和WAMS数据建立电网仿真计算运行方式的方法。该方法计及了SCADA和WAMS的特点,确定了SCADA、WAMS与仿真计算数据库间的数据流,具有明确校核调整机制。利用该方法所建立的运行方式可以经受SCADA、WAMS实测数据的反复校核。     

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.     

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的分布式电力系统动态状态估计新算法

随着电力系统的发展,区域电网互联,形成更大的系统。各区域电网相对独立,且有各自相对独立的调度中心。为适应这种分区管理模式,状态估计应采用分布式并行算法。在动态估计扩展Kalman滤波算法的基础上,结合搭接式分布并行算法,提出了一种基于相量测量单元(PMU)的分布式电力系统动态状态估计新算法。该算法利用少量PMU测点,真正实现各子系统的并行计算,避免了原算法进行串行等待的过程。并结合量测数据预处理、对雅可比矩阵加权等方法,加快了计算速度,提高了数值精度和稳定性。最后给出了IEEE 14节点的仿真结果,验证了该算法的有效性及优越性。     

电力系统谐波分析的有效方法——谐波状态估计技术综述

谐波状态估计技术是在GPS技术(Global Position System)和PMU技术(Phasor Measurement Unit)基础发展起来的一项新型技术,它通过状态估计手段实现对监测的电网谐波进行分析。系统地介绍了电力系统谐波状态估计技术的概念、谐波测量系统、估计算法和工程应用情况。在介绍状态估计算法时,通过将其分为静态状态估计算法和动态状态估计算法,分别对其进行评述;最后对谐波状态估计技术以后的研究进行了展望。     

基于保留二次项迭代的电力系统动态状态估计算法

与电力系统静态估计不同,动态估计可以准确的跟踪系统状态,并在电力系统保护和控制中发挥重要作用。以往在做状态估计时,通常将非线性测量函数进行泰勒级数展开,舍弃二次及以上的高阶项,不可避免的造成估计误差。本文针对电力系统中的量测方程是直角坐标下电压实部和虚部的二次函数,借鉴保留非线性潮流算法中保留二次项的思想,结合无迹变换,提出基于保留二次项迭代的电力系统动态状态估计算法,该算法在卡尔曼滤波过程中进行泰勒级数展开时没有近似,精度更高。基于IEEE39节点标准系统进行仿真分析,仿真结果表明,本文所提算法是有效的,且估计精度相对不保留二次项得到了提高。     

Decentralized unscented Kalman filter based on a consensus algorithm for multi-area dynamic state estimation in power systems

A decentralized unscented Kalman filter (UKF) method based on a consensus algorithm for multi-area power system dynamic state estimation is presented in this paper. The overall system is split into a certain number of non-overlapping areas. Firstly, each area executes its own dynamic state estimation based on local measurements by using the UKF. Next, the consensus algorithm is required to perform only local communications between neighboring areas to diffuse local state information. Finally, according to the global state information obtained by the consensus algorithm, the UKF is run again for each area. Its performance is compared with the distributed UKF without consensus algorithm on the IEEE 14-bus and 118-bus systems. The low communication requirements and high estimation accuracy of the decentralized UKF make it an alternative solution to the multi-area power system dynamic state estimation.     

用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法

针对动态状态估计中传统无迹卡尔曼滤波(UKF)采样方法的不足,对UKF算法进行改进,每次估计实时调节比例修正因子,提高滤波性能。动态状态估计结果精度受量测粗差影响较大,为此提出一种鲁棒无迹卡尔曼滤波(RUKF)算法,引入粗差判据检测粗差,通过增强因子来降低粗差对系统状态估计结果的影响。将RUKF算法运用于电力系统动态状态估计,仿真结果表明,该算法具有良好的估计性能及较强的鲁棒性。     

基于直接神经动态规划的电网状态估计及理论线损计算

针对电网线损的理论计算值与实际值之间的差别问题,提出利用基于直接神经动态规划的电网状态估计结果来计算线损。首先采用模糊聚类算法进行网络拓扑辨识,根据聚类向量弥补量测向量的不足,避免了不良数据的影响,得到正确的系统网络结构;然后对自适应动态规划算法进行扩维改进,建立了基于直接神经动态规划的电网状态估计模型,利用该模型的状态估计结果进行理论线损计算,得到逼近电网真实情况的线损数据。仿真结果证明了本文算法的可靠性和实用性。     

卡尔曼滤波理论在电力系统中的应用综述

现代电力系统中,由于可再生能源输出功率、负荷变化以及其他随机过程的存在,使得系统状态参数中往往混杂着噪声,因此有必要采取适当的方法,从随机干扰的观测信号中提取有效的系统状态参数。首先对卡尔曼滤波基本理论进行了介绍,给出了卡尔曼滤波的基本过程。然后主要综述卡尔曼滤波及其扩展形式在电力系统短期负荷预测、动态状态估计、电能质量分析、继电保护、风电场风速预测、电机状态和参数估计等方面的应用。最后给出了卡尔曼滤波在电力系统中应用的相关结论及其未来发展趋势。     

基于KKT条件分解的互联电网分布式状态估计算法

分布式状态估计可用于在线生成互联电网一体化潮流断面.针对无约束优化问题描述的全网状态估计,提出了一种新的分解协调算法.采用节点撕裂法对互联电网进行切分,将全网状态估计问题的KKT(Karush-Kuhn-Tucker)条件方程分解为协调侧和分区侧2个部分.在边界节点状态给定情况下,各分区电网可独立求解分区侧KKT条件方程,获得自身状态估计结果.此时,若协调侧KKT条件方程的残差满足设定条件,则可判断全网状态估计收敛.由此出发,可构建全网状态估计分解协调计算模型,通过求解协调侧KKT条件方程获得边界节点状态修正量,从而调整分区状态估计结果,使其达到一致收敛.文中分别采用JFNG(Jacobian-free Newton-GMRES (generalized minimal residual))算法和逆Broyden拟Newton法这2种方法实现协调侧KKT条件方程求解过程.IEEE 14节点系统、IEEE 39节点系统和实际电网1 165节点系统的测试结果证明,所提出的分布式状态估计算法具有较高的准确性、收敛速度和计算效率.     

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。     

考虑参数不确定性影响的发电机动态状态估计方法

噪声统计特性和模型参数的不确定性,会严重影响动态状态估计的精度。针对该问题,文中提出了一种基于H∞容积卡尔曼滤波(HCKF)的动态状态估计新方法。首先,建立发电机动态状态估计模型;其次,依据H∞滤波理论构造模型不确定性约束准则,并在容积卡尔曼滤波(CKF)中依据该准则计算更新估计误差协方差阵,抑制参数不确定性对状态估计精度的影响;最后,通过对IEEE 10机39节点系统和某实际大区域电网系统的算例测试,将所提方法与CKF方法和改进插值扩展卡尔曼滤波(IEKF)方法的估计性能进行对比。算例仿真结果表明,HCKF方法在估计精度和对模型不确定性的鲁棒性方面较CKF和IEKF方法均有所提高,能够有效抑制模型不确定性对发电机动态状态估计的影响。