1995电力系统状态估计中的不良数据辨识

电力系统状态估计中的不良数据辨识
李钊年
(青海大学水电系,青海西宁 810016)
摘要 文中以电力系统状态估计理论为依据,给出了一种新的不良数据检测和辨识的方法 Hypothesis 状态估计法。

关键词 状态估计 不良数据 辨识
中图分类号:TM74 文献标识码:A
Identification of Bad Data of Electric Power
System State Estimation
Li Zhaonian
(Hydroelec tric Department of Qinghai University,Xining 810016)
Abstract Based on the basis of the theory of elec tric po wer system state estimation,the Hypothesis
algorithm is presented in this paper.
Key words state estima tion,bad data,identification
状态估计是利用实时量测系统的冗余度来提高数据精度,自动排除随机干扰所引起的错误信息,估计或预报系统的运行状态(或轨迹)的。

它以测量误差的统计特点为基础,用数理统计的方法计算估计值。

以前,电力系统的结构相对比较简单,有经验的调度人员根据量测量的极限检查、量测量的突变检查和量测量的相关检查三个原则,可以正确判断不良数据,排除它们的影响,正确掌握系统运行状态。

但是,随着电力系统的日益扩大和调度手段的现代化,这种人工检测和辨识已不能满足实际运行的要求。

如今,在现代化的高度系统中,计算机的高度自动化功能已越来越多的应用于电力系统的状态估计中。

在实际应用中,不良数据检测和辨识的实时性,一方面要靠硬件装置的提高,减少不良数据的机会;另一方面要从软件着手,人为主动地检测和辨识出不良数据。

因此,如何借助于计算机所具备的程序这一强大功能,建立一个可靠而完整的数据的质量,是进一步提高计算机在线应用水平的关键。

本文基于上述原因,从软件着手,提出了一种在状态估计中不良数据检测和辨识的新方法 Hy pothesis 法。

1 Hypothesis 法不良数据的检测方法
状态估计中不良数据的检测方法一般采用残差搜索法。

可分为两类:一类是基于一系列非线性残差,通过计算残差进行的r W 和r N 法[1];第二类是基于一系列线性残差方程r =wv ,通过残差灵敏度矩阵W 的子矩阵,计算可疑集合中量测误差的估计值[2,3],以及正常数据集合中的量测进行残差修正[4]。

1.1 r N 检测法
r N 检测法是将m 维残差按假设检验方法进行:
H 0:|r M |< i =1,2, ,m H 0称为!零假设∀,无不良数据,H 0属真;
收稿日期:2000-09-29
作者简介:李钊年(1967 ),男,青海湟中人,讲师。

第19卷 第1期
2001年2月 青海大学学报(自然科学版)
Journal of Qinghai University Vol.19No.1
Feb.2001
H1:|r M|# i=1,2,,m H1称为!一假设∀,有不良数据,H1不真。

式中:r M 第i个标准化残差分量;
为标准化残差的检测门槛值,其值按P e=0.005时确定为 =2.81。

1.2 J(x)检测法
由上述r N检测法,将得到一个可疑数据集合e s,为确保用r N法能将所有不良数据检测出来,由马志强提出的J(x^)法[5]加以判别:J(x^c)=J(x^)-r s T R s-1^e s,式中:J(x^)为当前值下的值;J(x^)为删掉由r(N)法检测出来的可疑数据集后的值,为K-S维。

判别标准为:
J(x^c)∃0,则所有不良数据已检出;J(x^c)>0,则还有不良数据未被检出。

2 Hypothesis法不良数据的辨识(HTI法)
2.1 HTI的基础
通过上述介绍的检测方法,可以获得可疑数据集e s。

HTI是辩识e s中哪些是真正的不良数据,哪些是误检,而这则基于随机变量^e s的统计特性。

这样,通过辨识则得到一个减少了的集合e s1<e s;它的所有元素e s1I均为不良数据。

2.2 辨识规则
相应于误检率设置一阀值 i:
i=N(1-
2)
)i!ii 则有:|^e si|∃ i为非不良数据;|^e si|> i为不良数据。

2.3 HTI辨识方法
2.3.1 ∀固定情况下的HTI法(∀-HTI)
1)进行初始状态估计:由r N和J(x)法确定可疑数据集e s后,让e s1=e s,计算相应的e^sli;
2)对e sl中选中的量测通过阀值 i(N(1-
2)
固定)。

令e s1为大于 i的不良数据集;
3)删除e s1量测等后重新进行状态量估计及计算相应的J和r N1,如J W为负,则无不良数据存在;否则,不良数据存在。

4)令e s2为新的可疑数据集,一般e s2<e s1;
5)合并e s2和e s1为e s3=e s1+e s2,返回1),则e s3比e s1小得多。

2.3.2 #固定情况下的HTI法(#-HTI)
1)由r N和J(x)法确定可疑数据集e s1,同时确定e s1=a,N#=b,(N1=∀
2
)MAX;
2)计算!s1=W-1si sl和e^s1;
3)对于!ii计算N(1-∀
2)i
:
N(1-∀
2)i =
e%s+N#!ii-1
!ii
4)对每个e s1I,计算相应 i=N(1-
2)i i
!ii; i=1,2,,s,
5)检测|e^sli|<> i,选择出e s2为大于 i的不良数据集;
6)返回2)直至e sj中所有元素均为不良数据为止。

3 HTI法流程图
50 青海大学学报 第19卷
图1 初始可疑数据集e s 的检测流程
图2 ∀ HTI 辨识过程流程
图3 # HTI 辨识过程流程4 结语
通过上述可见,# HTI 法优于∀ HTI 法,其表现在:
1)它强调的是不良数据的辨识率,而∀ HTI 则强调的是误检率;
2)它仅仅涉及辨识过程,而∀ H TI 还要涉及重复状态估计计算;
3)它采用每个量测误差各自的判别阀值(尽管有些不良数据残差是相关的),因此可保持辨识准确度。

参 考 文 献
1 E.Handschin,F.C.Schweppe,J.Kohlas and A.Fi echter,Bad data analysis for po wer s ys te m s tate es ti mation.1975,(2):329~337
2 i,Th.VanCutsem,M.Ri bbens-Pavella,Hypothesis tes ti ng identification-a ne w msthod for bad data anal ysis i n power s ys te m s tate estimati on.1984,(11):3239~3253
3 Xiang Niande,Wang Shiying,Yu Erheng,A new approac h for detection &identification of multiple bad data in power s ys te m state es ti mation.1982,
(2):454~462
4 F.Brous solle,State es ti mation in power s ys ytem:detec ting bad data through the sparse inverse matrix method.1980,678~682
5 M a Zhi-qiang,Bad data rees ti mation-identi fication using residual sensi tirity matrix,1981,7
(责任编辑 王宝通)51第1期 李钊年:电力系统状态估计中的不良数据辩识。