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。     

基于相量量测的等式约束二阶段状态估计模型

利用PMU的量测信息实现系统的动态可观测,考虑PMU数据刷新时间快的特点,在R.F.Nuqui的动态监测模型的基础上建立了适合静态估计的基于等式约束二阶段估计模型。该模型将PMU和SCADA的量测数据共同用于非线性估计,采用零注入节点功率作为等式约束条件来提高估计精度,然后对非线性估计的结果和PMU的支路电流相量进行线性估计。模拟了当系统某节点负荷持续变化时,利用等效导纳法对非线性区域节点状态量进行估计,最后采用IEEE 14和57节点系统算例对提出的模型进行了验证。     

一种计及零注入电流的PMU量测线性状态估计方法

为充分利用相量测量单元(Phasor Measurement Unit,PMU)数据进一步提升状态估计精度,提出一种完全基于PMU量测数据的线性加权最小二乘状态估计方法。该方法将联络节点的零注入电流作为虚拟量测。由于最小二乘法的实质是通过量测冗余度提高状态估计精度,因此,虚拟量测的引入提升了冗余度,从而能够提高估计精度。利用IEEE39节点和IEEE118节点系统进行仿真,结果表明完全基于PMU量测的线性状态估计与传统非线性状态估计和混合量测状态估计方法相比能够有效提高估计精度和计算速度。此外,利用IEEE39节点测试系统对量测变换误差进行了比较研究,结果表明提出的方法量测变换误差明显小于SCADA量测变换误差,有助于提升估计精度。     

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。     

基于广域测量系统的状态估计和PMU配置

同步相量测量单元(PMU)能够根据全球定位系统(GPS)提供的精确时钟,实现对电力系统实时数据的量测。该文分析了PMU与传统监控和数据采集(SCADA)系统相结合构成的混合量测系统对状态估计精度的影响。在混合量测模型的基础上,提出了一种以提高状态估计精度为目标的PMU配置方案。通过IEEE-39节点系统仿真证明了该方法的有效性和实用性。     

计及PMU的二次状态估计模型的研究

随着相量测量装置（PMU）在电网中的推广应用,其量测结果己成为电力系统重要的数据源之一。将PMU支路电流量测转换为支路潮流量测,使电流相量量测在状态估计中得到了有效的利用。二次估计模型首先把PMU节点的状态量测值作为估计值,PMU支路量测通过变换参与到非线性估计,收敛后再利用非线性估计结果和PMU量测进行线性估计。该模型在充分利用PMU量测特性,保持较高的估计精度的同时,也提高了方程数值稳定性和收敛速度。在快速分解算法的基础上,通过IEEE9和IEEE30节点系统仿真验证本文模型的有效性。     

基于Vondrak分区插值的WAMS/SCADA混合量测状态估计数据频率兼容性方案

针对当前应用于状态估计的广域测量系统(Wide Area Measurement System,WAMS)和数据监控及采集系统(Supervisory Control and Data Acquisition,SCADA)数据频率兼容问题,在分析WAMS/SCADA混合量测数据差异的基础上,提出了一种可行的解决混合量测数据频率兼容的方案。文章基于数据挖掘理念和Vondrak分区插值算法,对SCADA节点依据数据相关度划分插值区域,各分区内采用同一PMU节点的最优平滑系数进行Vondrk插值,得到WAMS测量时刻的SCADA拟量测数据,应用于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)动态状态估计。该方案不仅可以增补SCADA拟量测数据,提高量测数据和状态估计精度,有效控制系统负荷快速变化时的估计误差,还可以实现系统故障前后全网母线电压波动的可观测。通过在IEEE 118节点系统上模拟日负荷变化和故障过程的仿真分析,验证了该频率兼容方案的有效性。     

基于PMU/SCADA混合量测的电力系统状态估计

为提高电力系统状态估计的准确度,在现有理论基础上提出了基于PMU/SCADA混合量测的状态估计方法,将电力系统划分为线性区域和非线性区域,在线性区域内计算与安装PMU装置相关联节点处的电压相量,将该计算结果作为间接量测引入非线性区域的状态估计中,从而使状态估计的准确度有所提高。仿真实验表明,在IEEE-14系统中,该算法计算速度快,能有效提高状态估计的精度,具有一定的实用价值。     

WAMS中的PMU最优配置新方法

鉴于相量测量单元(phasor measurement unit,PMU)能够实时测量母线电压和相角,在传统监控和数据采集(supervisory control and data acquisition,SCADA)量测系统的基础上,提出了一种选择PMU最优配置方案的新方法。该法在假定系统完全可观测的前提条件下,考虑不同量测噪声信号比的影响,采用直接替代(direct sub-stitution,DS)法、加权最小二乘(weighted least squares,WLS)法和扩展加权最小二乘(augmented weighted least squares,AWLS)法计算状态估计值,验证了量测噪声对选择PMU配置点没有影响这一结论,并最大限度地提高了状态估计的准确度。在IEEE9节点和IEEE14节点测试系统上验证了此方法的正确性和有效性。     

基于禁忌搜索算法的相量测量装置最优配置

将相量测量装置(PMU)测量得到的电压相角引入到状态估计中,可有效地提高状态估计精度.但是工程实际中,不可能所有节点都安装PMU,为此,提出了采用禁忌搜索算法对PMU的装设地点进行最优配置.算例表明,经过最优配置后状态估计的精度得到了提高.     

计及PMU的电力系统状态估计混合模型的研究

在等效电流量测变换状态估计模型的基础上引入旋转变换,实现方程的实、虚部严格解耦,并建立一种非线性估计和线性估计相结合的混合状态估计模型:首先把PMU节点的状态量测值以及PMU相关节点的状态推算值作为估计值进行非线性估计,然后再利用非线性估计结果和PMU量测进行线性估计。该模型可以充分利用PMU的量测,提高状态估计收敛速度,同时可以进一步利用PMU量测来提高估计精度,所需的存储量较小,具有较好的工程应用前景。最后采用IEEE14和IEEE30节点系统对该模型进行了验证。     

计及PMU支路电流相量的状态估计模型

评述了相量量测在电力系统状态估计中的各种应用模型,包括仅采用相量测量装置(PMU)的量测进行线性估计、在非线性估计中加入PMU电压幅值和相角量测,以及把非线性估计和线性估计结合等方案.把PMU量测值直接作为估计值虽然可以降低估计的维数,但不一定有利于估计精度.当前PMU的配置还难以满足可观性要求,故必须将PMU量测与其他量测一起用于状态估计.但在非线性估计中,很难直接利用PMU支路电流量测,特别是其相角量测.文中提出通过量测变换来计及PMU支路电流幅值和相角量测的模型.对各种非线性估计模型的仿真说明该模型的估计精度优于其他方案.     

遗传算法在PMU优化配置中的应用

基于GPS的同步相量测量单元(PMU)是一种新型的高精度测量装置,能够测量母线电压相量.由于经济和技术等方面的原因,每个节点都配置PMU还不能成为现实.为此,提出了在传统的状态估计的基础上,部分安装PMU以后的状态估计模型.基于此模型,以提高状态估计的精度为目标,引入遗传算法,应用遗传算法的全局搜索特性,自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程来优化PMU的配置数量和安装位置,并用IEEE14节点网络验证了算法的可行性.     

A distributed state estimation method for power systems incorporating linear and nonlinear models

High-voltage transmission networks are commonly equipped with phasor measurement units (PMU), and some of them are PMU observable. However, PMUs are seldom installed in distribution networks due to budget limitations. The state estimation equations of PMU observable areas are linear, while those of other areas remain nonlinear. This paper proposes a new distributed state estimation method for solving multi-area state estimation problems, in which linear models are used for high-voltage transmission network, while nonlinear models are adopted for other areas. In PMU observable area, we select coordinating variables as generalized cost functions which accurately represent the sensitivity between the linear SE objective function and boundary states. Consequently, SE results identical to a centralized estimator can be obtained without iterations at the coordination level. This paper presents the problem model and theoretical analysis of the proposed method, and shows its effectiveness by numerical tests.     

基于混合量测的二次线性状态估计方法及其工程应用

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,如果仍采用传统非线性估计模型,将面临PMU量测计算权值难以确定、PMU量测坏数据辨识不准、相角参考点和成熟商用程序改动等多方面问题。提出了一种基于混合量测的二次线性状态估计方法。该方法在传统非线性状态估计收敛后,利用其结果中的各节点电压幅值及相角估计值和PMU相量量测再进行二次线性状态估计计算,有效解决了上述问题。最后结合电网实例验证了该方法的有效性。     

自适应遗传算法在PMU优化配置中的应用

基于GPS的同步相量测量单元(PMU)是一种新型的高精度测量装置,能够测量母线电压相量。由于经济和技术等方面的原因,每个节点都配置PMU还不能成为现实。为此,提出了在传统的状态估计的基础上,部分安装PMU以后的状态估计模型。基于此模型,以提高状态估计的精度为目标,引入自适应遗传算法,应用遗传算法的全局搜索特性,自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程来优化PMU的配置数量和安装位置。在遗传操作过程中,引入自适应规则,在线地改变交叉率和变异率,有效地加快了收敛速度和算法跳出局部最优的能力,并用IEEE14节点网络验证了算法的可行性。     

基于不可观测深度的分阶段PMU配置算法

首先介绍了不可观测深度的概念,然后提出混合运用广域测量系统和能量管理系统的数据进行线性状态估计的方法以弥补PMU量测的不足,以此作为在系统不完全可观条件下进行PMU配置的前提。不完全可观系统PMU配置模型能处理如通信条件限制、已配置了部分PMU等约束条件,并能用0-1线性整数规划模型求解。文章最后提出了PMU分阶段配置的方法,并在新英格兰测试系统和浙江电网中进行了验证。结果表明,PMU分阶段优化配置能有效减少初期费用,并且随着系统不可观测深度的降低,线性状态估计的效果更好。     

动态状态估计中PMU配置的离散粒子群优化算法

以提高动态状态估计精度为目标,采用离散粒子群优化(discrete particle swarm optimization,DPSO)算法对同步相量测量单元(phsor measurement unit,PMU)的配置点进行优化。该方法克服了传统解析优化方法难以适应不连续目标函数和不连通约束域等情况的缺点,同时,在配置有限PMU的情况下使PMU量测量发挥最大效益。最后对基于扩展Kalman滤波算法的动态状态估计模型进行仿真,证明了经DPSO优化后的配置与随机配置相比最大可能地利用了PMU的高精度量测信息,充分发挥了PMU量测的优点,大大提高了动态状态估计的精度。