k-means聚类算法在负荷曲线分类中的应用

为了提高电力系统状态估计结果的准确性,利用k-means聚类算法并结合有效指数准则,提出了一种辨识系统不良数据的新方法.研究内容是以某一节点负荷数据为研究对象,运用数据挖掘中k-means聚类算法并结合有效指数准则提取出日负荷特征曲线,分别对输电网状态估计中的不良数据检测和辨识、配电网状态估计中的伪量测补充进行了研究....     

k-means聚类算法在负荷曲线分类中的应用

为了提高电力系统状态估计结果的准确性,利用k-means聚类算法并结合有效指数准则,提出了一种辨识系统不良数据的新方法.研究内容是以某一节点负荷数据为研究对象,运用数据挖掘中k-means聚类算法并结合有效指数准则提取出日负荷特征曲线,分别对输电网状态估计中的不良数据检测和辨识、配电网状态估计中的伪量测补充进行了研究.最终用Matlab编制算法程序并进行仿真分析,结果表明,此方法效果良好.     

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。     

基于差分进化粒子群算法的配电网状态估计

为防止不良数据对状态估计结果产生不良影响,提出了一种辨识与修正配电网母线上不良电流数据的简易算法,引入质量标签来表示数据的可信度,提高输入电流的数据质量。同时,提出了采用基于差分进化的混合粒子群(DEPSO)算法来进行配电网状态估计,能够解决分布式电源接入后造成的非线性问题。算例仿真表明,输入状态估计的数据质量得到有效提高;与PSO算法相比,DEPSO算法更适用于配电网状态估计,计算结果更加准确。     

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。     

基于增广状态估计的混合不良数据诊断与参数辨识

电网同时存在遥测坏数据和参数错误时,由于坏数据会影响参数辨识结果,全网参数辨识和估计方法很难保证结果的准确性。文中提出一种基于增广状态估计的混合不良数据诊断与参数辨识方法,先通过残差平衡度判断不良数据是遥测坏数据还是错误参数,将遥测坏数据直接剔除;然后,通过分区方法将多个潜在的不良参数尽可能分开在不同的局部区域,以减弱不良数据之间的相互影响;最后,采用分区增广状态估计方法修正不良参数。算例结果表明,该方法能有效区分坏数据和错误参数,且分区参数辨识能避免不良数据之间相互影响,从而提高了可疑参数辨识的精度。     

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。     

基于最大测点正常率与GPU并行加速的不良数据辨识方法

基于测量不确定度的概念,以测点正常率最大(MNMR)为目标的电力系统抗差状态估计方法具有较好的不良数据辨识能力。然而,该模型求解困难,已有研究对该模型进行了近似等效,并采用现代内点法进行求解,但存在因近似而辨识效果降低的问题。为此,基于MNMR状态估计模型,采用杂交变异粒子群算法,提出一种基于图形处理器(GPU)并行加速的不良数据辨识算法。该算法不对MNMR模型进行近似等效,根据GPU并行计算架构特点,设计了粗粒度和细粒度结合的并行加速策略。算例结果表明,所提的算法对不良数据的误检率和漏检率较低,具有较好的不良数据辨识能力,且计算时间短,加速效率高,能够满足实际运行需求。     

基于B样条函数的不良负荷数据改进辨识方法

高质量的负荷数据是电力系统规划和运行调度的重要根据。针对基于B样条函数的不良负荷数据辨识方法存在的主要问题,提出了一种改进方法,以降低B样条函数的节点向量数据规模和提高局部波动幅值较小的不良负荷数据辨识精度。该方法以负荷曲线数据的局部特征值点作为B样条函数的节点向量,在原方法单平滑参数项的基础上引入可以同时反映原始负荷曲线曲率和弧长信息的多平滑参数项,并利用相似日负荷曲线的聚类分析方法进行不良数据校正。实际算例的仿真结果表明所提改进方法可以有效改善不良负荷数据B样条函数辨识及校正的精度和计算效率。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败。回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败.回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望.     

基于超短期负荷预测的智能配电网状态估计

状态估计作为智能配电网自愈控制的数据出口和态势感知工具的核心板块,需要在1个数据采集周期内对全网进行1次状态估计计算,传统的配电网状态估计算法不能满足以上要求,需要研究高效的配电网状态估计算法。提出了一种基于超短期负荷预测的智能配电网的状态估计方法,为自愈控制状态评估模块和潮流计算模块提供所需数据。该算法将预测速度快、预测精度高的超短期负荷预测技术引入智能配电网状态估计,实时预测节点负荷,实现了配电系统节点负荷的实时跟踪;采用指数函数抑制不良数据的影响,提高了状态估计的精度;利用配电网潮流计算的前推回代算法计算状态变量的初始幅值和相角,提高了算法的收敛性;考虑了分布式电源接入,体现了智能电网透明开放的特点。基于IEEE36节点标准算例的计算分析,验证了算法的有效性。     

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。     

新息图状态估计中多相关不良数据辨识

新息图状态估计处理坏数据较传统状态估计方法有优越性。文中研究了新息图状态估计中多相关不良数据的辨识问题,分析了多相关不良数据条件下新息差向量的表现特征,为新息图法准确排除测量系统中的多相关不良数据提供了理论依据,使得新息图能准确辨识状态估计中与拓扑变化（包括拓扑错误）相关的多相关不良数据,提高了新息图法识别不良数据的能力。IEEE30节点系统中不同类型的多相关坏数据识别结果表明了算法的有效性。     

电力系统不良数据监测和辨识方法

电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据,检测和辨识这些不良数据是电力系统状态估计的重要组成部分。分析了不良数据的检测方法及识别方法,采用IEEE-4、IEEE-14、IEEE-30节点系统对等效电流量测变换算法进行算例分析验证此方法的优越性。     

基于无迹卡尔曼滤波的电力系统抗差动态估计

为解决电力系统动态状态估计准确性易受量测不良数据影响的问题,提出基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的电力系统抗差动态估计方法。在预测过程中引入时变噪声估计器处理未知系统噪声;利用新息向量判断量测是否存在异常,并使用基于测点正常率最大的静态估计方法辨识不良数据;然后构建更新因子矩阵降低不良数据在动态估计更新过程中的影响。将算法运用于IEEE 14节点标准系统中,仿真结果表明该方法估计结果准确且抗差效果良好。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要。目前广泛应用的状态估计法,存在残差污染等缺点。论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识。论文借助M atlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要.目前广泛应用的状态估计法,存在残差污染等缺点.论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识.论文借助Matlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检.     

新息图拓扑可观测性及不良数据可辨识性分析

新息图状态估计在拓扑结构获取和不良数据辨识方面与一般状态估计差异较大。文中研究了新息图状态估计拓扑结构可观测性、量测数据的相关性、不良数据的可检测性和可辨识性问题。由获得连支推算新息的必要条件确定拓扑结构可观测性;利用新息差向量的表现特征分析不良数据可检测性和可辨识性,最后给出了较优的辨识连支不良数据的顺序。对该算法的分析及IEEE30节点系统算例表明,新息图状态估计中不良数据可辨识性可进行定性分析,其辨识不正常事件的能力强,量测冗余度要求较低。     

东北电网实时静态安全分析和最优潮流

介绍了东北电网实时静态安全分析和最优潮流软硬件结构；软件包中的状态估计和不良数据辨识、系统和母线负荷预测、外部网络静态等值和在线潮流、自动故障选择和静态安全评定、最优潮流和校正对策分析等软件使用的算法，其中不良数据辨识采用递归量测误差估计辨识法，负荷预测使用了ＡＲＩＭＡ模型，在快速静态安全评定中使用稀疏矢量法的快速因子修正算法，最优潮流采用独创的交叉逼近算法，并考虑了各种约束条件，包括联络线族的潮流约束。在线实际应用证明，这套系统对提高电网安全经济运行水平起到至关重要的作用。