一种基于PMU和SCADA单节点互校核的前端数据辨识框架

随着电网自动化技术的发展,数据中心可获取海量多源多时空数据,在此基础上进行多源量测值互校核有利于实现后续大数据高级应用。针对单节点同时存在PMU与SCADA量测值的情况,提出一种前端不良数据辨识框架。为克服量测值负样本较少的问题,采用基于粒子群优化的改进一分类支持向量机辨识方法,根据两源量测差值识别异常点。对接近向量机边界可能被误判的值利用间隙统计法进行修正,确定不良数据。然后检验其所在时间点的PMU量测值,最终确定不良数据位置。基于某省实际电网数据对PMU与SCADA互校核辨识框架进行了验证与分析。计算结果表明所提方法能够有效地辨识出两数据源的前端不良数据,计算量小、耗时较短,比仅利用单源数据进行校核的结果更加可靠。     

基于PMU误差校正的输电线路参数在线辨识方法

线路参数辨识对准确反映电网的实际运行状态具有重要作用,但其对相量量测单元(Phasor Measurement Unit, PMU)数据精度要求极高,实测数据难以直接满足应用需求。对此,提出了一种基于PMU误差校正的输电线路参数辨识方法。首先,根据误差类型及测量数据特点,分类型对PMU数据进行预处理。然后,针对缺乏显著特征的偏置误差,基于输电线路物理等效模型提出了考虑数据规律及误差灵敏度特性的PMU测量误差的校正方法。最后,在上述校正方法的基础上,提出了全厂站PMU数据质量的治理方案。通过模拟和实际数据进行仿真,结果表明所提方法相较于现有方法可改善PMU量测数据质量,进而实现输电线路参数的有效辨识。     

基于自适应融合数据的线路参数辨识

电网频率的变化会导致利用DFT算法计算PMU数据时相角差出现误差,进而影响线路参数辨识精度.因此,提出一种基于加权最小二乘(AFD-WLS)的自适应融合数据辨识线路参数的方法,通过结合峭度因子的互补集合经验模态分解(CEEMD)自适应选取故障录波数据中的高频分量从而实现不同位置故障录波数据和PMU数据的同步;该方法利用相关函数法计算故障前两个周波的电压相角差修正PMU数据中的相角差,将融合的PMU数据和故障录波数据通过加权最小二乘算法辨识线路参数.仿真和实测数据表明,自适应融合多种数据源方法可有效提高线路参数辨识精度,提高故障录波数据的应用价值.     

基于局部离群因子的PMU连续坏数据检测方法

同步相量测量单元(PMU)能为电力系统监测和控制提供实时数据。然而,PMU连续坏数据与扰动数据高度相似,可能会导致控制中心做出错误的决策。针对PMU连续坏数据难以与扰动数据区分的问题,提出了一种基于局部离群因子(LOF)的连续坏数据检测算法。通过大量现场数据分析得出连续坏数据空间相似性差、扰动数据空间相似性强的结论,依据此结论提出了基于动态时间规整(DTW)的空间相似性评估方法。通过评估不同PMU的空间相似性来计算每台PMU的LOF值,进一步,提出了基于箱线图的阈值确定方法。通过比较当前窗口每台PMU的LOF值是否超过阈值,在线识别连续坏数据。仿真和测试结果表明,所提方法能有效实现连续坏数据的辨识和检测,并区分扰动数据。     

考虑多时段量测数据随机误差的变压器正序参数辨识与评估方法

变压器离线参数已难以满足日益增长的电网安全、稳定分析计算需求。而在线参数的准确获取依赖于对量测数据随机误差的有效处理和变压器参数辨识结果的合理评估。基于变压器多时段同步相量测量单元(phasormeasurement unit,PMU)量测数据,首先通过在线辨识和查表修正相结合的方式求取准确变比参数,同时根据功率匹配分析法和箱形图数据筛选策略对PMU数据进行质量分析和异常值排除。在此基础上采用最小二乘法对电抗参数进行辨识,最后依据矩阵范数的相容性定理推导出相对误差率因子对结果准确度进行定量评估、优选。对某区域电网潮流模拟和实际PMU数据的算例测试验证了文中算法的有效性和实用性。     

WAMS错误数据的快速辨识及恢复方法

统计分析基于相量测量单元(PMU)的电力系统广域测量系统(WAMS)在实际应用中出现的监测数据的错误类型,提出基于模式识别的WAMS错误数据快速辨识及恢复方法。该方法通过对同一PMU上传的监测数据进行特征量提取,并与预先设置的时序相对变化量变化趋势矩阵和时序数值矩阵进行模式匹配,实现错误数据的实时辨识,并使用错误出现最近时刻的正常数据进行数据快速恢复。所提方法在实测的监测数据中的应用验证了其可行性。     

基于自适应卡尔曼滤波的负荷参数在线辨识方法

传统负荷模型参数辨识方法在数据获取、辨识精度和在线辨识上受到限制,且基于传统卡尔曼滤波的参数辨识算法易受噪声干扰,辨识结果不稳定.为此提出一种基于自适应卡尔曼滤波的负荷参数在线辨识算法.首先建立线性化的负荷模型,基于广域测量系统(WAMS)同步相量测量单元(PMU)测得的实时在线数据,运用预报误差法的思路,使用改进的Sage-Husa自适应卡尔曼滤波算法辨识负荷模型参数.基于浙江电网220 kV华金变电站PMU数据的算例表明了自适应卡尔曼滤波算法辨识结果具有更高的参数稳定性和良好的拟合度.     

基于同步测量信息的电网拓扑错误辨识方法

将相量测量单元（PMU）提供的同步测量信息引入到拓扑错误辨识中,提出了一种基于同步测量信息的拓扑错误辨识算法以提高电网拓扑分析的可靠性。该算法首先在对拓扑错误进行显性、隐性分类的基础上,构建错误辨识准则,然后结合图的矩阵运算,确定PMU所量测的开关量和模拟量之间的判别关系,最后根据判别结果,对各类拓扑错误进行有效辨识。仿真算例表明,该算法能够准确对单个拓扑错误、多个拓扑错误以及同时存在多个不良数据与多个拓扑错误的情况进行有效辨识,具有可靠性高、容错能力强等优点。     

基于多域并发的时间窗数据采集方法与应用

针对工业数据采集中所涉参数繁多、数据结构复杂、采集频率高但数据质量难以保证等问题,提出了一种基于多域并发的时间窗数据采集方法,该方法基于滑动时间窗口的划分构建数据域模型,以多线程数据域并发的方法实时采集多源异构数据,针对高维度的多源异构数据进行扁平化处理,采用字节数据连接的方式对多源异构数据进行集成存储,实现了工业多源异构数据的采集与集成。通过仿真实验验证了该方法对于实时数据采集与集成存储的有效性,并在冶金起重机多维健康监测系统中应用该方法进行多源异构数据采集,实际运行结果显示,该方法能够提高冶金起重机多维健康数据的采集实时性,保证采集数据的质量,增加多维健康数据的集成度,是一种有效的实时数据采集集成方法。     

Robust principal component analysis‐based coherency identification of generators with missing PMU measurements

This study provides a new algorithm for grouping coherent generators in power systems using robust principal component analysis. In coherency identification of generators based on measurements by a phasor measurement unit (PMU), PMU measurements can become unavailable because of unexpected failure of data acquisition or communication links. However, the proposed algorithm is robust to missing PMU measurements and is demonstrated on an IEEE 16‐generator 68‐bus system. This effective identification of coherent clusters with missing PMU measurements is validated and compared with results obtained using the principal component analysis and independent component analysis methods. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

考虑数据缺失的电力系统暂态稳定自适应集成评估方法

随着电力物联网概念的提出,暂态稳定评估在电力系统规划运行中扮演着越来越重要的角色.由于同步相量测量单元(PMU)的广泛配置,基于机器学习和PMU在线量测数据的暂态稳定实时评估方法展现出了巨大的发展潜力.针对这类方法在应用中可能因PMU失效而严重影响精度的问题,文中提出了一种考虑数据缺失的电力系统暂态稳定自适应集成评估方法.首先,在保证全网节点可观性的基础上构建考虑PMU重要性的PMU子集集合搜索算法.然后,根据PMU子集对应的特征集训练暂态稳定评估子模型.最后,在任意可能的PMU失效情况下采用自适应加权融合机制构建集成暂态稳定评估模型.在新英格兰10机39节点电力系统上的仿真表明,文中提出的方法在PMU失效造成的数据缺失下仍然能够准确、可靠地进行暂态稳定评估,在鲁棒性、计算量及准确率上相比已有的方法均具有较大优势.     

基于DSCADA和μPMU数据融合的配电网运行拓扑辨识

在配电网安装了配电网数据采集及监视控制系统（distribution network supervisory control and data acquisition, DSCADA）和部分节点安装少量微型同步相量测量装置（micro-synchronous phasor measurement unit, μPMU）情形下,提出了一种基于DSCADA和μPMU遥测数据融合的配电网运行拓扑辨识方法。首先,基于μPMU节点电压相位量测构建配电网拓扑变化时刻辨识模型,确定拓扑变化的时刻;然后,基于拓扑变化前后的节点电压变化,借助DSCADA和μPMU的遥测数据构建可能拓扑判据,缩小重构后可能拓扑的范围;最后,使用加权最小二乘法将DSCADA和μPMU遥测数据进行融合,估计出可能拓扑下的节点电压相位,并利用构建的拓扑相似度辨识模型辨识出实际拓扑。算例中考虑μPMU和DSCADA不同量测误差组合,对该算法辨识的准确性进行验证。     

PMU小扰动信号下的综合负荷模型参数辨识方法

电力系统日常运行过程中时刻存在类似噪声的小扰动信号，利用小扰动信号开展负荷参数辨识可解决传统总体测辨法无法处理的负荷时变性和分布性难题。基于PMU实测小扰动信号提出一种“Z+IM”综合负荷模型参数辨识方法。该方法采用PMU量测数据滚动识别框架，滚动识别主要包括数据处理和负荷参数辨识两个步骤。首先，针对PMU量测小扰动信号的特点，通过厂站初筛、预处理、可辨识集粗筛和去噪等步骤得到较为优质的PMU小扰动数据集。然后，基于预报误差思想通过两阶段辨识策略辨识负荷时变参数、电磁参数和机电参数。所提方法得到的负荷参数无需折算可直接应用于PSASP、BPA等国内主流仿真程序，具有实际工程应用价值。最后，算例通过3机9节点系统仿真和湖南实际电网验证所提方法的有效性和鲁棒性。     

基于差分正交匹配追踪和Prony算法的低频振荡模态辨识

根据实测数据对电力系统低频振荡模态进行辨识,有助于实现电力系统有效的阻尼控制,从而提高电网的稳定性。文中介绍了利用Prony算法辨识低频振荡模态参数的原理,针对Prony算法对噪声干扰敏感以及模型阶数辨识困难导致出现伪模态的缺点,提出了一种基于差分正交匹配追踪(DOMP)和Prony算法相结合的低频振荡模态参数辨识方法。EPRI-36节点系统和实际系统相量测量单元数据算例的仿真结果表明,所述方法能够准确地辨识出系统低频振荡模态参数。通过与Prony算法结果对比验证表明,该方法辨识结果更加准确,能够满足低频振荡模态参数辨识要求。     

基于FCM聚类的随机子空间低频振荡模态识别算法

振荡模态的精准捕捉对有效抑制低频振荡有重要意义,基于量测的低频振荡模态辨识方法在在线监测识别领域具有广阔应用前景。本文针对模态识别算法定阶困难、易存在虚假模态等问题,提出了基于模糊C均值聚类的多阶随机子空间算法。通过多阶子空间计算可捕捉所有可能的系统模态,并通过模糊C均值算法确定实际最低阶数,经虚假模态筛除确定最终振荡主导模态,并且能降低干扰,提升辨识抗噪性能。本文算法与Prony算法进行了性能对比,并通过四机两区系统和实际电网相量测量单元量测数据验证了算法的适用性和鲁棒性。