2006-一种实用的不良数据处理方法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
根据量测数据类型的不同 , 常见的数据修正方 法有以下几种 :
量测数据为母线电压 : 单母线运行时 , 参考历 史数据修正 ; 双母线并列运行时 , 参考并列运行母 线的量测数据修正 。
量测数据为联络线支路功率 : 参考对端负荷量 测数据修正 。
量测数据为馈线负荷 : 应用基尔霍夫电流定律 约束修正 。
第 23 卷 第 4 期 2006 年 8 月
现 代 电 力
Modern Elect ric Power
文章编号 :100722322 (2006) 0420074205 文献标识码 : A 中图分类号 : TM732
Vol1 23 No1 4 Aug1 2006
一种实用的不良数据处理方法
电力系统正常运行时同一时刻的采样数据具有 相关性 , 不同时刻同一点的采样值具有时间上的延 续性 , 所以可以根据以下三个原则来判断遥测数据 是否可疑 :
量测 量的限 值检测 : 在系统 正常运 行条件 下 , 利用量测量的上下限值确定该量测值是否可 疑。
量测量的突变检测 : 利用负荷的平滑性 , 检测 冲击负荷的准确性 。
中提到的概念 : 越限系数 H , 本文利用 H 值来描 述量测值越限程度 。 H 的取值定义如下 :
0 Mmin < M i < Mmax
Hi =
M i - Mmax Mmax - Mmin
M i > Mmax
(1)
M i - Mmin Mmax - Mmin
M i < Mmin
式中 Mmin , Mmax 分别为量测量 Mi ≠0 时的上下限
{ p1 , p2 , …, pn} ( n 为系统总的注入有功功率量 测个数) , 根据检测原则判别 p 中元素得到可疑量
测集 F = { f 1 , f 2 , …, f l } ( l 为系统中可疑的注 入有功功率量测个数) , 其中 l < n , 且 F Α P。负
荷有功功率量测集为 PL = { pL1 , pL2 , …, PLm } ( m 为系统的有功负荷量测个数) , 用相同方法判别
关键词 : 不良数据 ; 状态估计 ; 节点分级 ; 约束关系 ; 收敛 性
Abstract : I n p owe r syste m , ba d data ca n reduce conve r2 gence eff icie ncy of state esti mati on , eve n result i n state esti2 mation f ailure1 So how t o detect a nd modif y bad da da exact2 ly is one of t he most dema ndi ng p roble ms i n application of state esti mation1 For p ractical application of state esti ma2 tion , t his p ap er p rese nts a new met hod t hat p rop osed a bound coeff icie nt H t o identif y data1 Then a solution f or ba d data p rocessi ng is devel op ed based on data const rai nt re2 lations hip a nd H value1 I n t he p rop osed met hod , bala nce betwee n i np ut a nd outp ut is f i rstly calculated t o modif y doubtf ul data1 The n re mote2a nalogue data is detected a nd modif ied node by node a nd class by class based on Ki rc h hoff ’s law1 Fi nally revised data is obtai ned by state es2 ti mation1 Also calculation exa mples s howed t his met hod ca n identif y and eff ectively modif y bad data , a nd t he conver2 gence of state esti mation is i mp roved wit h its a dva ntages as si mple , p ractical a nd f ast1
倪小华1 , 王永清2 , 李 慧3 , 杨明皓1
(11 中国农业大学 , 北京 100083 ; 21 天津泰达电力公司 , 天津 300457 ; 31 北京机械工业学院 , 北京 100085)
A Practical Method f or Bad Data Processing
Ni Xiao hua1 , Wang Yo ngqing2 , Li Hui3 , Yang Minghao1 (11 China Agricult ure U niversity , Beijing 100083 , China ; 21 Tianjin Teda elect ric Power Co mpany , Tianjin 300457 , China ;
值 , 由历史数据统计得到 。
76
现 代 电 力
2006 年
由以上的定义可知 H 为表征数据越限程度的
量 。 Hi = 0 , 则采样值 M i 在正常值范围内 ; Hi > 0 , 则采样值 Mi 越上限 ; Hi < 0 , 则采样值 Mi 越 下限 。 | Hi | 值越大 , 则表示采样值 Mi 偏离正常 值越远 , 反之亦成立 。
Key wபைடு நூலகம்rds : ba d data ; stat e esti mation ; node classi ng ; con2 verge nce efficiency ; const raint relationship
0 引 言
不良数据的检测和辨识是电力系统状态估计的 重要功能之一 , 其目的在于排除量测采样数据中偶 然出现的少数不良数据 , 以提高状态估计的可靠 性[1] 。不良数据的存在能降低状态估计的收敛性 能 , 甚至造成状态估计失败 。因此 , 对不良数据进 行可靠检测与辨识 , 是状态估计实用化的基础和关 键。
1 数据粗检及修正
目前 , 在电力系统中需要采集 、传输的数据量 非常庞大 。由于当前采集 、通讯等装置还有待完 善 , 在数据采集 、传输过程中难免会出现漏采 、误 采 、误传等现象 , 从而会产生一些空数据和明显的 坏数据 。数据粗检过程就是检测实时数据 , 剔除其 中的空数据 、坏数据并利用实时数据或历史数据补 全。 11 1 辨识原则
第4期
倪小华等 :一种实用的不良数据处理方法
75
解 。文献 [ 4 ] 根据误差散布的确定性规律 , 用图 论的方法进行不良数据的检测与辨识 。文献 [ 5 ] 在新息向量和网络图论基础上提出新息图理论 , 利 用新息元素间物理定律约束的内在联系 , 能有层 次 、简捷地解决坏数据 。
为了能够更好地消除不良数据 , 提高状态估计 的收敛性能 , 本文从实用性角度出发 , 利用量测量 之间的约束关系 , 介绍一种基于网络节点分级的不 良数据检测和修正方法 。运用本方法在实际工程中 建立基于专家系统的在线实时动态数据库 , 能够过 滤 、智能修复和补充实时数据 。
31 Beijing Mechanical Indust ry College , Beijing 100085 , China)
摘 要 : 电力系统中不良数据的存在会降低状态估计的收敛 性能 , 甚至造成状态估计失败 。如何可靠检测和修正不良数 据成为状态估计应用的难题 。针对这个问题 , 文章从状态估 计实用化角度出发 , 首先提出越限系数 H 的概念来表征量 测量的越限程度 , 然后利用电力系统量测量之间的约束关系 和 H 值 , 提出一种基于网络节点分级的不良数据处理方法 。 该方法首先通过计算输入输出差额检测系统总的功率是否平 衡 , 修正部分可疑量测量 ; 接着对系统节点进行分级 , 根据 节点分级结果运用基尔霍夫电流定律逐级逐点检测并修正可 疑数据 , 最后通过状态估计得到最终结果 。工程算例表明该 算法简单 、实用 、速度快 , 能够过滤 、智能修复和补充实时 数据 , 有效地辨识和修正不良数据 , 提高了状态估计的收敛 性能 。
现有的不良数据检测方法 , 大体上可分为两 类 , 一类是量测量残差检测 , 这类方法计算简单 、 直观 , 但存在 “残差污染”和 “残差淹没”等问 题 , 不能可靠检测多不良相关数据 ; 另一类是量测 量突变检测 , 在上一次估计结果正确且网络结构不 变的前提下 , 并且负荷变化不大时 , 这类检测方法 能够准确检测出多不良相关数据 。但这必须在上一 次估计结果正确且网络结构不变的前提下 , 具有一 定的局限性 。
本文认为 | Hi | >εH 的数据即为明显的坏数 据 , 将其修正 。
21 2 系统功率平衡检测和数据修正
计算全网的注入功率和负荷功率产生的不平衡
量 , 如果不平衡率超过预置阈值 , 则根据可疑量测
越限程度的不同 , 按比例修正可疑量测 , 改善系统
平衡性 。举例说明 :
假设某 系 统 注 入 有 功 功 率 量 测 集 合 为 P =
部修正四个步骤 。该过程首先检测系统输入输出是
否平衡 , 计算出输入输出差额 , 即平衡差额 ; 然后 分配平衡差额来修正可疑量测量 ; 接下来对整体修 正后的网络利用基尔霍夫电流定律原理进行分级逐
点检测 , 并局部修正检测到的可疑数据 , 最后通过 状态估计得到修正结果 。
21 1 越限系数 在详细介绍数据处理过程之前 , 先介绍一个文
②对端匹配检测 : 对联络线输入输出功率量测 作基尔霍夫电流定律检测 。即
| Pij | - | Pji | < εd 式中 i , j 为节点号 ; εd 为预设阈值 。
③变压器检测 : 对变压器输入输出功率作基尔 霍夫电流定律检测 。即
m
∑Pi < εt
i =1
式中 m = 2 或 3 , 表示变压器绕组数 ; εt 为预设 阈值 。 11 2 数据初步修正
以上几种工程上常用的不良数据的辨识和修正 方法简单 、快速 、实用性强 , 能够在一定程度上修 正量测数据 , 但并不能建立起完整的 , 精确的数据 库 , 作为本文量测数据修正的粗检模块 。
2 基于节点分级的不良数据处理方法
基于节点分级的不良数据处理过程分为系统平
衡检测 、可疑量测数据修正 、节点分级检测以及局
量测量的相关性检测 : 根据网络拓扑结构 , 对数据进行相关性检测 。根据检测对象不同分三 类:
①母线检测 : 对母线的所有注入功率量测作基 尔霍夫电流定律检测 。即
l
∑Pi < εm
i =1
式中 l 为母线上所连接的总支路数 。εm 为预定义 的阈值 , 该值根据运行经验得到 (以下ε均为运行 经验值) 。
针对传统检测与辨识方法的不足 , 许多学者提 出了一些新理论解决这个难题 。文献 [ 2 ] 结合现 有两类基本检测方法的优点 , 并考虑相关量测量之 间可相互校核的特点 , 提出了混合辨识方法 。此方 法避免了现有两类基本检测方法的缺点 , 提出了自 动选择检测方法的基本判据 , 满足了系统实际运行 中的要求 , 尽可能地降低了漏检和误检的概率 。文 献 [ 3 ] 基于模糊数学理论 , 将标准残差γN 和两相 邻采样时刻的量测数据差值 ΔZ 作为两个特征值 , 用加权形式的 ISODA TA 方法对量测值进行了模糊 聚类分析 , 说明该量测以多大度属于或不属于不良 数据 , 从而改善检测效果 。但是 , 该方法得到的是 在迭代初值 , 矩阵范数等一定条件下的局部最优
量测数据为母线电压 : 单母线运行时 , 参考历 史数据修正 ; 双母线并列运行时 , 参考并列运行母 线的量测数据修正 。
量测数据为联络线支路功率 : 参考对端负荷量 测数据修正 。
量测数据为馈线负荷 : 应用基尔霍夫电流定律 约束修正 。
第 23 卷 第 4 期 2006 年 8 月
现 代 电 力
Modern Elect ric Power
文章编号 :100722322 (2006) 0420074205 文献标识码 : A 中图分类号 : TM732
Vol1 23 No1 4 Aug1 2006
一种实用的不良数据处理方法
电力系统正常运行时同一时刻的采样数据具有 相关性 , 不同时刻同一点的采样值具有时间上的延 续性 , 所以可以根据以下三个原则来判断遥测数据 是否可疑 :
量测 量的限 值检测 : 在系统 正常运 行条件 下 , 利用量测量的上下限值确定该量测值是否可 疑。
量测量的突变检测 : 利用负荷的平滑性 , 检测 冲击负荷的准确性 。
中提到的概念 : 越限系数 H , 本文利用 H 值来描 述量测值越限程度 。 H 的取值定义如下 :
0 Mmin < M i < Mmax
Hi =
M i - Mmax Mmax - Mmin
M i > Mmax
(1)
M i - Mmin Mmax - Mmin
M i < Mmin
式中 Mmin , Mmax 分别为量测量 Mi ≠0 时的上下限
{ p1 , p2 , …, pn} ( n 为系统总的注入有功功率量 测个数) , 根据检测原则判别 p 中元素得到可疑量
测集 F = { f 1 , f 2 , …, f l } ( l 为系统中可疑的注 入有功功率量测个数) , 其中 l < n , 且 F Α P。负
荷有功功率量测集为 PL = { pL1 , pL2 , …, PLm } ( m 为系统的有功负荷量测个数) , 用相同方法判别
关键词 : 不良数据 ; 状态估计 ; 节点分级 ; 约束关系 ; 收敛 性
Abstract : I n p owe r syste m , ba d data ca n reduce conve r2 gence eff icie ncy of state esti mati on , eve n result i n state esti2 mation f ailure1 So how t o detect a nd modif y bad da da exact2 ly is one of t he most dema ndi ng p roble ms i n application of state esti mation1 For p ractical application of state esti ma2 tion , t his p ap er p rese nts a new met hod t hat p rop osed a bound coeff icie nt H t o identif y data1 Then a solution f or ba d data p rocessi ng is devel op ed based on data const rai nt re2 lations hip a nd H value1 I n t he p rop osed met hod , bala nce betwee n i np ut a nd outp ut is f i rstly calculated t o modif y doubtf ul data1 The n re mote2a nalogue data is detected a nd modif ied node by node a nd class by class based on Ki rc h hoff ’s law1 Fi nally revised data is obtai ned by state es2 ti mation1 Also calculation exa mples s howed t his met hod ca n identif y and eff ectively modif y bad data , a nd t he conver2 gence of state esti mation is i mp roved wit h its a dva ntages as si mple , p ractical a nd f ast1
倪小华1 , 王永清2 , 李 慧3 , 杨明皓1
(11 中国农业大学 , 北京 100083 ; 21 天津泰达电力公司 , 天津 300457 ; 31 北京机械工业学院 , 北京 100085)
A Practical Method f or Bad Data Processing
Ni Xiao hua1 , Wang Yo ngqing2 , Li Hui3 , Yang Minghao1 (11 China Agricult ure U niversity , Beijing 100083 , China ; 21 Tianjin Teda elect ric Power Co mpany , Tianjin 300457 , China ;
值 , 由历史数据统计得到 。
76
现 代 电 力
2006 年
由以上的定义可知 H 为表征数据越限程度的
量 。 Hi = 0 , 则采样值 M i 在正常值范围内 ; Hi > 0 , 则采样值 Mi 越上限 ; Hi < 0 , 则采样值 Mi 越 下限 。 | Hi | 值越大 , 则表示采样值 Mi 偏离正常 值越远 , 反之亦成立 。
Key wபைடு நூலகம்rds : ba d data ; stat e esti mation ; node classi ng ; con2 verge nce efficiency ; const raint relationship
0 引 言
不良数据的检测和辨识是电力系统状态估计的 重要功能之一 , 其目的在于排除量测采样数据中偶 然出现的少数不良数据 , 以提高状态估计的可靠 性[1] 。不良数据的存在能降低状态估计的收敛性 能 , 甚至造成状态估计失败 。因此 , 对不良数据进 行可靠检测与辨识 , 是状态估计实用化的基础和关 键。
1 数据粗检及修正
目前 , 在电力系统中需要采集 、传输的数据量 非常庞大 。由于当前采集 、通讯等装置还有待完 善 , 在数据采集 、传输过程中难免会出现漏采 、误 采 、误传等现象 , 从而会产生一些空数据和明显的 坏数据 。数据粗检过程就是检测实时数据 , 剔除其 中的空数据 、坏数据并利用实时数据或历史数据补 全。 11 1 辨识原则
第4期
倪小华等 :一种实用的不良数据处理方法
75
解 。文献 [ 4 ] 根据误差散布的确定性规律 , 用图 论的方法进行不良数据的检测与辨识 。文献 [ 5 ] 在新息向量和网络图论基础上提出新息图理论 , 利 用新息元素间物理定律约束的内在联系 , 能有层 次 、简捷地解决坏数据 。
为了能够更好地消除不良数据 , 提高状态估计 的收敛性能 , 本文从实用性角度出发 , 利用量测量 之间的约束关系 , 介绍一种基于网络节点分级的不 良数据检测和修正方法 。运用本方法在实际工程中 建立基于专家系统的在线实时动态数据库 , 能够过 滤 、智能修复和补充实时数据 。
31 Beijing Mechanical Indust ry College , Beijing 100085 , China)
摘 要 : 电力系统中不良数据的存在会降低状态估计的收敛 性能 , 甚至造成状态估计失败 。如何可靠检测和修正不良数 据成为状态估计应用的难题 。针对这个问题 , 文章从状态估 计实用化角度出发 , 首先提出越限系数 H 的概念来表征量 测量的越限程度 , 然后利用电力系统量测量之间的约束关系 和 H 值 , 提出一种基于网络节点分级的不良数据处理方法 。 该方法首先通过计算输入输出差额检测系统总的功率是否平 衡 , 修正部分可疑量测量 ; 接着对系统节点进行分级 , 根据 节点分级结果运用基尔霍夫电流定律逐级逐点检测并修正可 疑数据 , 最后通过状态估计得到最终结果 。工程算例表明该 算法简单 、实用 、速度快 , 能够过滤 、智能修复和补充实时 数据 , 有效地辨识和修正不良数据 , 提高了状态估计的收敛 性能 。
现有的不良数据检测方法 , 大体上可分为两 类 , 一类是量测量残差检测 , 这类方法计算简单 、 直观 , 但存在 “残差污染”和 “残差淹没”等问 题 , 不能可靠检测多不良相关数据 ; 另一类是量测 量突变检测 , 在上一次估计结果正确且网络结构不 变的前提下 , 并且负荷变化不大时 , 这类检测方法 能够准确检测出多不良相关数据 。但这必须在上一 次估计结果正确且网络结构不变的前提下 , 具有一 定的局限性 。
本文认为 | Hi | >εH 的数据即为明显的坏数 据 , 将其修正 。
21 2 系统功率平衡检测和数据修正
计算全网的注入功率和负荷功率产生的不平衡
量 , 如果不平衡率超过预置阈值 , 则根据可疑量测
越限程度的不同 , 按比例修正可疑量测 , 改善系统
平衡性 。举例说明 :
假设某 系 统 注 入 有 功 功 率 量 测 集 合 为 P =
部修正四个步骤 。该过程首先检测系统输入输出是
否平衡 , 计算出输入输出差额 , 即平衡差额 ; 然后 分配平衡差额来修正可疑量测量 ; 接下来对整体修 正后的网络利用基尔霍夫电流定律原理进行分级逐
点检测 , 并局部修正检测到的可疑数据 , 最后通过 状态估计得到修正结果 。
21 1 越限系数 在详细介绍数据处理过程之前 , 先介绍一个文
②对端匹配检测 : 对联络线输入输出功率量测 作基尔霍夫电流定律检测 。即
| Pij | - | Pji | < εd 式中 i , j 为节点号 ; εd 为预设阈值 。
③变压器检测 : 对变压器输入输出功率作基尔 霍夫电流定律检测 。即
m
∑Pi < εt
i =1
式中 m = 2 或 3 , 表示变压器绕组数 ; εt 为预设 阈值 。 11 2 数据初步修正
以上几种工程上常用的不良数据的辨识和修正 方法简单 、快速 、实用性强 , 能够在一定程度上修 正量测数据 , 但并不能建立起完整的 , 精确的数据 库 , 作为本文量测数据修正的粗检模块 。
2 基于节点分级的不良数据处理方法
基于节点分级的不良数据处理过程分为系统平
衡检测 、可疑量测数据修正 、节点分级检测以及局
量测量的相关性检测 : 根据网络拓扑结构 , 对数据进行相关性检测 。根据检测对象不同分三 类:
①母线检测 : 对母线的所有注入功率量测作基 尔霍夫电流定律检测 。即
l
∑Pi < εm
i =1
式中 l 为母线上所连接的总支路数 。εm 为预定义 的阈值 , 该值根据运行经验得到 (以下ε均为运行 经验值) 。
针对传统检测与辨识方法的不足 , 许多学者提 出了一些新理论解决这个难题 。文献 [ 2 ] 结合现 有两类基本检测方法的优点 , 并考虑相关量测量之 间可相互校核的特点 , 提出了混合辨识方法 。此方 法避免了现有两类基本检测方法的缺点 , 提出了自 动选择检测方法的基本判据 , 满足了系统实际运行 中的要求 , 尽可能地降低了漏检和误检的概率 。文 献 [ 3 ] 基于模糊数学理论 , 将标准残差γN 和两相 邻采样时刻的量测数据差值 ΔZ 作为两个特征值 , 用加权形式的 ISODA TA 方法对量测值进行了模糊 聚类分析 , 说明该量测以多大度属于或不属于不良 数据 , 从而改善检测效果 。但是 , 该方法得到的是 在迭代初值 , 矩阵范数等一定条件下的局部最优