状态估计中不良数据的混合检测辨识法
关于电力系统状态估计中不良数据的估计识别方法
关于电力系统状态估计中不良数据的估计识别方法的报告，
800字
电力系统状态估计是指通过监测电力系统中测量和观测变量的变化，对电力系统的实时状态进行估计。
由于电力系统中存在各种物理、控制和环境因素，会导致电力系统估计中出现不良数据。
因此，如何有效识别和处理不良数据是电力系统状态估计中一个重要问题。
目前，已经开发出许多不良数据识别方法，可以有效识别电力系统状态估计中的不良数据。
其中，最常用的方法是基于规则的方法和基于模型的方法。
基于规则的方法是建立一系列规则，根据这些规则来识别不良数据。
该方法的优点在于实现简单，而且容易检测出大多数不良数据，但是存在着检测精度较低的缺点。
基于模型的方法则是建立一个数学模型，来模拟电力系统状态估计过程，并利用模型进行不良数据识别。
该方法的优点在于检测精度高，能够准确地检测不良数据，但存在着模型参数较难定义的缺点。
此外，目前也有综合性的不良数据识别方法，既利用基于规则的方法识别较大的不良数据，又利用基于模型的方法识别较小的不良数据，以达到最优的检测精度。
由于不良数据对电力系统状态估计有着至关重要的影响，因此，有效地识别和处理不良数据对于电力系统状态估计和稳定运行
至关重要。
上述提出的方法既可以满足电力系统状态估计的需求，又可以保证识别的准确性和合理性，极大地提高了不良数据识别的效率。
综上所述，电力系统状态估计中不良数据的识别方法可以分为基于规则的方法和基于模型的方法以及综合性的方法，这些方法都可以有效地识别电力系统状态估计中出现的不良数据，从而有效地提高电力系统状态估计的准确性和可靠性，以实现安全可靠的电力系统运行。
基于增广状态估计的混合不良数据诊断与参数辨识
基于增广状态估计的混合不良数据诊断与参数辨识陆东生;马龙鹏【摘要】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.【期刊名称】《江苏电机工程》【年(卷),期】2019(038)002【总页数】6页(P99-104)【关键词】参数辨识;状态估计;数据诊断;残差平衡度【作者】陆东生;马龙鹏【作者单位】国网江苏省电力有限公司,江苏南京210024;国网江苏省电力有限公司经济技术研究院,江苏南京210008【正文语种】中文【中图分类】TM7150 引言状态估计是能量管理系统(energy management system，EMS)的重要组成部分，其结果准确性直接影响电网调度的智能化分析与决策[1—4]。
在实际运行系统中，要想得到完全准确的量测数据和电网参数十分困难，而错误参数或坏数据的存在会影响状态量的准确性，所以剔除坏数据和修正错误参数有着重大的实际意义[5]。
传统的检测坏数据方法有目标函数检测法、加权残差检测法、标准化残差检测法、测量突变检测法[6]等。
目标函数检测法检测电网是否存在坏数据[7]；加权残差检测法、标准化残差检测法分别通过求加权残差和标准化残差确定坏数据[8]。
参数辨识一般采用增广状态估计方法，将待估参数直接作为状态量进行估计[9—11]，另一类方法是量测残差灵敏度分析[12]，该方法在常规状态估计结束后再利用量测残差进行参数估计。
4 不良数据的检测和辩识
i 1 i 1 j 1 m m m
j i
概述
残差方程
检测方法 1
辨识方法
目标函数的分布特性
的数学期望值: EJ x ˆ Jx
m 2 i m
Aii E vi2 Aij Evi v j
m i 1
i2
0
j i
ˆ E J x Aii Aii Ri m n k
i 1 i 1
k是冗余量测数
是自由度为k的 2 分布 Jx
方差:
E J x k 2k Var J x
2
由概率论可知，随着自由度k的增大，χ2(k)越 来越逼近于正态分布；当k≥30时，可以用相应 的正态分布来代替χ2(k)分布。
r Wv W I H H R H H T R 1
T 1 1
残差方程
残差灵敏度矩阵
概述
残差方程
检测方法
辨识方法
残差灵敏度矩阵的性质
r Wv
1 T 1 T 1 W I H H R H H R
（1）W是奇异矩阵，其秩k=m-n； （2）W是等幂矩阵：WW=W； （3）WR-1W=R-1W； （4）WRWT=WR=RWT； （5）0<Wij<1。
v z h( x )
概述
残差方程
检测方法
辨识方法
残差和误差的关系
ˆ ) v H ( x)x r z h( x
ˆ R1 z h x ˆ 0 最小二乘的基本原理 H T x ˆ R1 v H ( x)x 0 得到： H T x
第四章 电力系统状态估计.ppt
不良数据
三、不良数据的辨识方法
1、残差搜索法：将量测按残差（加权残 差或标准化残差）由大到小排队，去掉 残差最大的量测重新进行状态估计。再 进行残差检测，还有可疑数据时继续上 述过程。
2、非二次准则辨识法：在迭代中按残差 的大小修改其权重，残差大者降低其权 重，进一步削弱其影响得到较准确的状 态估计结果。
第2类基尔霍夫型伪量测量：0阻抗支路
i j 0 (i, j ZBR)
Vi V j 0 (i, j ZBR)
x
Pij
Qij
(i, j ZBR)
二、基本加权最小二乘 数学模型 法状态估计
迭代修正式
xˆ (l) H T ( xˆ (l) )R1H ( xˆ (l) ) H T ( xˆ )(l) R1 z h( xˆ (l) )
不良数据
二、不良数据的检测方法
1、粗检测 2、残差型检测
加权残差检测 标准残差检测
rw,i rw rN,i rN
3、量测突变检测
Ci c
Ci
z
( i
k
)
z (k 1) i
不良数据
二、不良数据的检测方法
4、残差与突变联合检测
Si k
Si rw,i K rw Cw,i Kcw
Pij Qij
z
Pi
Qi
Vi
待求的 状态量
x
i
Vi
数学模型
一、状态估计的数学描述
量测方程
Pij (ij ,Vij )
现代电力系统分析-往年试卷与复习资料 (6)
一、潮流计算方法之间的区别联系高斯-赛德尔法：原理简单，导纳矩阵对称且高度稀疏，占用内存小。
收敛速度很慢，迭代次数随节点数直接上升，计算量急剧增加，不适用大规模系统。
牛顿-拉夫逊法：收敛速度快，迭代次数和网络规模基本无关。
相对高斯-赛德尔法，内存量和每次迭代所需时间较多，其可靠的收敛还取决于一个良好的启动初值。
PQ 分解法（快速解耦法）：PQ 分解法实际上是在极坐标形式的牛顿法的基础上，在交流高压电网中，输电线路等元件的R<<X ，即有功功率主要取决于电压相角，而无功功率主要取决于电压幅值，根据这种特性对方程组进行简化，从而实现了有功和无功的解耦。
两大条件：(1)线路两端的相角相差不大(小于10°～20°)，而且||||ij ij G B ≤，于是可以认为：cos 1;sin ij ij ij ij G B θθ≈≤； (2)与节点无功功率相对应的导纳2/i i Q U 通常远小于节点的自导纳ii B ，也即2i i ii Q U B <<。
1. PQ 分解法用一个1n -阶和一个1n m --阶的方程组代替牛顿法中22n m --阶方程组，显著减少了内存需量和计算量。
2. 计算过程中B '、B ''保持不变，不同于牛顿法每次迭代都要重新形成雅可比矩阵，因此显著提高了计算速度。
3.雅可比矩阵J 不对称，而B '、B ''都是对称的，使求逆等运算量和所需的存储容量都大为减少。
4. PQ 分解法的迭代次数要比牛顿法多，但是每次迭代所需时间比牛顿法少，所以总的计算速度仍是PQ 分解法快。
在低压配电网中PQ 分解法不适用。
交流高压电网的输电线路的元件满足R<<X ，PQ 分解法正是基于此条件简化而来；而低电压配电网络一般R/X 比值很大，大R/X 比值病态问题也正是PQ 分解法应用中的一个最大障碍。
第四章 电力系统状态估计
Si k
Si rw,i K rw Cw,i Kcw
Cw,i R
1 2 i
Ci
不良数据
三、不良数据的辨识方法
1、残差搜索法：将量测按残差（加权残 差或标准化残差）由大到小排队，去掉 残差最大的量测重新进行状态估计。再 进行残差检测，还有可疑数据时继续上 述过程。 2、非二次准则辨识法：在迭代中按残差 的大小修改其权重，残差大者降低其权 重，进一步削弱其影响得到较准确的状 态估计结果。
ji
Qi ViV j (Gij sin ij Bij cos ij )
ji
数学模型
一、状态估计的数学描述
状态估计的目标函数
J ( x) minz h( x) R 1 z h( x)
T
伪量测数据： （1）负荷预测和发电计划数据；
（2）第1类基尔霍夫型伪量测量：无源母线， 注入量为0；
(l ) (l )
, θ (l )
, θ (l )
不良数据
第三节 不良数据的检测与辨识
不良数据：误差大于某一标准（如3~10 倍标准方差）的量测数据。 不良数据的检测：对SCADA原始量测数据 的状态估计结果进行检查，判断是否存在 不良数据并指出具体可疑量测数据的过程。 不良数据的辨识：对检测出的可疑数据验 证真正不良数据的过程。
第2类基尔霍夫型伪量测量：0阻抗支路
i j 0
(i, j ZBR) (i, j ZBR) Vi V j 0
Pij x Qij (i, j ZBR)
二、基本加权最小二乘 法状态估计
迭代修正式
数学模型
八、电力系统状态估计
东南大学电气工程系
四、最小二乘法
状态估计计算是状态估计的核心，一般意义的状态估 计就指估计计算功能，或称状态估计器（STATE ESTIMATOR）。 这类方法有两大类：一类是基于传统的统计方法，这 类方法假设量测量误差分布属于正态分布。主要有目 前广泛采用的最小二乘算法，并发展了快速分解法、 正交化算法等。这类算法的一个特点是算法计算过程 与不良数据的检测辨识过程是分离的。 第二类是属于稳健估计（ROBUST ESTIMATION）方 法，这类算法不认为量测量符合正态分布，属于有偏 估计，其特点是从理论上计算过程与不良数据的检测 辨识甚至排除一体化。这类方法有基于Huber分布的加 权对小绝对值估计等。
©版权所有
东南大学电气工程系
其中，h（x）是以状态量x及导纳矩阵建立的量测 函数向量。 量测个数与状态量个数一致，因此，哪怕这些输入 量z中有一个数据无法获得，常规的潮流计算也无 法进行。
当一个或多个输入量z中存在粗差（gross error，又 称不良数据）时，也会导致潮流计算结果状态量x 出现偏差而无用。
属于滤波问题，是对系统某一时间断面的遥测量和 遥信信息进行数据处理，确定该时刻的状态量的估 计值。 是对静态的时间断面上进行，故属于静态估计。 状态估计是由Schweppe于七十年代引入电力系统， 利用的是基本加权最小二乘法。
©版权所有
东南大学电气工程系
采集数据存在的问题
采集的数据是有噪音或误差的，或者局部信息不完 整。 模拟量—Байду номын сангаас母线电压、线路功率、负载功率。
东南大学电气工程系
三、可观测性与量测配置
状态估计计算是在特定的网络结线及量测量配置情况 下进行的，在计算之前，应当对系统量测是否可以在 该网络结线下进行状态估计计算加以分析 当收集到的量测量通过量测方程能够覆盖所有母线的 电压幅值和相角时，则通过状态估计可以得到这些值， 称该网络是可观测的 。 研究的主要问题：
现代电力系统分析-往年试卷与复习资料 (6)
消去节点 k 之前， jk 个节点间原有的支路数为
则
k
消除后所增加的新支路数为（即注入元个数为 dk
） bk
1 2
jk .(
jk
1) dk
动态优化法：（1）按上式分别统计消去网络各节点时增加的出线数，选其中出 线数最少的被消节点编为 1 号节点，消
去节点 1 。
（2）修改其余节点的出线数目，然后对余下节点重复出节点 2，3，、、、，直到所有节点编完为止。
一、潮流计算方法之间的区别联系 高斯-赛德尔法：原理简单，导纳矩阵对称且高度稀疏，占用内存小。 收敛速度很慢，迭代次数随节点数直接上升，计算量急剧增加，不适用大规模系统。 牛顿-拉夫逊法：收敛速度快，迭代次数和网络规模基本无关。 相对高斯-赛德尔法，内存量和每次迭代所需时间较多，其可靠的收敛还取决于一个良好的启动初值。 PQ 分解法（快速解耦法）： PQ 分解法实际上是在极坐标形式的牛顿法的基础上，在交流高压电网中，输电线路等元件的 R<<X，即有功功率主要 取决于电压相角，而无功功率主要取决于电压幅值，根据这种特性对方程组进行简化，从而实现了有功和无功的解耦。
1.静态优化法：按静态节点支路数的多少编号。 统计电力网络节点的出线支路数，然后按出线支路数从少到多的顺序编号，当有 m 个节点的出线数相同时，则可按任 意次序对此 m 个节点进行编号。
其依据是：在 Y 阵中，出线数最少的节点所对应的行中非零元素也最少，因此在消去过程中产生注入元的可能性 也最小。
2.半动态优化法： 动态地按最少出线支路数编号。 静态优化法中，各节点的出线数是按原始网 络统计 出来的，在编号过程中认为固定不变。而事实上在节点消去
(1)利用常规牛顿潮流算法每次迭代所求出的修正向量 x(k) (J(x(k) )1 f(x(k) ) 作为搜索方向，并称之为目标函数在
《电力系统自动化》复习提纲2021
《电力系统自动化》复习提纲2021复习提纲1. 什么是发电机的并列运行？同步发电机的并列操作分为哪两种，各自的定义及适用的情况？进行自动准同期并列应该满足的条件？答：将一台发电机组在投入系统运行之前，它的电压UG与并列母线电压Ux的状态量往往不相等，须对待并发电机组进行适当的调整，使之符合并列条件后才允许断路器QF合闸作并网运行。
同步发电机的并列操作分为：准同期并列和自同期并励。
准同期并列使用情况：在电力系统正常运行情况下，一般采用准同期并列；自同期并列：当电力系统发生故障时，为了迅速投入水轮发电机组。
自动准同期并列条件：ωal=（0.2%~0.5%）ωN；Ual=（5%~10%）UN；δal=3°~5°。
2. 恒定越前时间的含义？数值角差的含义？线性整步电压的定义及物理意义？线性整步电压如何对滑差和压差进行检查？答：恒定越前时间:自动准同期装置在检查压差和频差已符合并列条件时，还必须在角差为零的时刻前发出合闸命令才能使断路器主触头闭合瞬间的相角差恰好为零，这一时间称为“越前时间”，由于越前时间只需按断路器的合闸时间闭合，与滑差及压差无关，故称为“恒定越前时间”。
数值角差：线性整步电压：幅值在一周期内角差分段按比例变化的电压。
物理意义：线性整步电压如何对滑差和压差进行检查：3. 微机自动准同期装置的合闸原理？模拟式自动准同期装置的合闸原理？（了解框图）4. 发电机同期操作实验的注意事项？解列的步骤？数据分析。
5. 什么是同步发电机的励磁电流？同步发电机励磁控制系统的任务有哪些？对励磁系统的基本要求有哪些？6. 同步发电机励磁系统的分类，及各类的结构和运行特点？7. 在事故情况下，励磁系统中转子磁场的建立有哪两个重要指标？强励作用的定义？转子回路的灭磁原理，理想灭磁的原理和快速灭磁开关的原理？交流系统的灭磁原理？ 8. 自动调压器的特性与功能？微机型自动调压器的组成部分及各部分功能？可控硅自动调压器中测量单元的工作原理？什么是同步发电机的调差系数，其物理意义是什么？9. 励磁实验中的注意事项？恒α和恒UF、恒IL起励的方式有何不同？数据的分析。
基于混合量测技术的电力系统状态估计研究
基于混合量测技术的电力系统状态估计研究作者：金涛李少华来源：《海峡科学》2012年第08期[摘要] 电力系统状态估计是能量管理系统（EMS）的重要组成部分，也是电力系统在线监测、分析、控制的基础，如何快速、高效地对电网的状态信息进行预测估计已成为电力系统研究中的热点问题。
该文在分析状态估计理论和广域监测的基础上，提出了一种利用电力广域测试系统（WAMS）和监测控制和数据采集（SCADA）混合量测的静态状态估计算法，此算法可以直接利用电流相量量测量，高效快速地进行电网信息的状态估计。
相关的仿真和实验结果证明，这种算法具有良好的估计性能，并能够对不良数据进行有效的检测和辨识。
[关键词] 电力系统状态估计广域检测 WAMS随着电力系统的迅速发展，电力系统的结构和运行方式日趋复杂，电力系统调度中心的自动化水平也需要逐步由低级向高级发展。
现代化的调度系统要求能迅速、准确而全面地掌握电力系统的实际运行状态，预测分析系统的运行趋势，对运行中发生的各种问题提供下一步运行的决策，从而保证电力系统运行的安全性和经济性[1]。
状态估计技术也被称为滤波，它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，已在电力系统中得到了较多应用[2,3]。
本文在研究状态理论和广域监测技术的基础上，提出了一种基于WAMS/SCADA混合量测的电力系统状态估计技术，这种状态估计量测量既包括由SCADA系统提供的传统量测，又包括由WAMS系统提供的电压和电流相量量测，且此状态估计不用特意指定相角参考母线，所有母线相角都是以全球定位系统授时基准为参考。
相关的仿真和实验结果证明这种算法具有良好的估计性能，并能够对不良数据等进行有效的检测和辨识，具有较好的工程使用价值。
1 电力系统状态估计理论在给定网络结线、支路参数和量测系统的条件下，根据量测值求最优状态估计值的计算方法称为状态估计算法，它是状态估计程序的核心部分，因此状态估计算法的选择对整个状态估计程序的性能有很大的影响[4]。
D5000系统状态估计应用研究 刘烁
D5000系统状态估计应用研究刘烁发表时间：2018-06-12T10:07:59.540Z 来源：《电力设备》2018年第5期作者：刘烁[导读] 摘要：由于国内经济水平的快速发展，在生活方面，民众对于电力资源的需求日渐增大，进而使得我国电力系统的规模将逐渐增大，怎么去科学性地对电力资源进行调度便是每一个电力工作者的主要使命，一种智能电网的大脑D5000系统便出现在人们眼前。
（身份证号码：62042219860415xxxx；国网甘肃省电力公司白银供电公司 730900）摘要：由于国内经济水平的快速发展，在生活方面，民众对于电力资源的需求日渐增大，进而使得我国电力系统的规模将逐渐增大，怎么去科学性地对电力资源进行调度便是每一个电力工作者的主要使命，一种智能电网的大脑D5000系统便出现在人们眼前。
想要使得D5000电力系统的高级应用功能得以实现，并且保证智能电网调度技术支持系统基础平台之中的每个应用的顺利完成，都有必要应用到电力系统状态估计功能。
本文针对D5000系统进行状态估计应用研究，将会对D5000系统的建立起到关键作用，并能够让它的未来得到有效的发展。
关键词：D5000系统；状态估计；智能电网调度技术支持系统1 电力系统状态估计概念电力系统状态估计，是电力系统调度中心的能量管理系统（EMS）的核心功能之一，其主要的功能是根据电力系统的各种量测信息，估计出电力系统当前的运行状态。
另外，电力系统状态估计还使用了估计算法将已经坏掉的数据检查出来，然后清除这些数据，以求到达数据的统一性以及准确性，使得网络分析之时，有非常可靠的信息数据供其使用，为整个系统的运行起到保障作用。
2 D5000系统中状态评估的应用在整个D5000系统之中状态评估所起到的用处，包含了网络拓扑分析方面，根据遥信结果，确定网络拓扑，即节点-支路的连接关系；.根据遥测结果，估计系统的潮流分布，即节点电压，支路功率等，其结果符合电路定律；量测系统的分析方面；量测预检测方面，D5000系统状态估计计算方面以及对不良数据的检查与辨别方面[1]。
浅谈电力系统状态不良数据检测与辨识方法的研究与应用
浅谈电力系统状态不良数据检测与辨识方法的研究与应用发表时间：2018-04-28T16:58:09.170Z 来源：《电力设备》2017年第34期作者：张志生段琳潘媛[导读] 摘要：结合电力系统状态不良数据表现，本文结合量测量数据，对系统不良数据检测方法和辨识方法展开了分析，并对方法应用效果进行了验证，从而为关注这一话题的人们提供参考。
（云南电网有限责任公司信息中心 650011）摘要：结合电力系统状态不良数据表现，本文结合量测量数据，对系统不良数据检测方法和辨识方法展开了分析，并对方法应用效果进行了验证，从而为关注这一话题的人们提供参考。
关键词：电力系统状态不良数据；量测量数据；可疑数据集合引言在电力系统运行的过程中，系统状态可能受到量测量及其通道误差的干扰，导致不良数据产生，从而给系统运行管理带来不良影响。
因此，还应加强对电力系统状态不良数据检测与辨识方法的研究，从而更好的解决系统状态预估问题。
1电力系统状态不良数据表现分析在电力系统中，配电网需完成大量数据的采集，运行方式复杂、多变，需频繁进行负荷转供，所以容易产生带有自身状态特点的不良数据。
从表现上来看，这些数据大多缺少某些量测量信息，会出现遗漏值或零值。
其次则表现为遥测量与遥信量不匹配，如遥信量显示开关开启状态，但遥测量却为非零值。
此外，可能出现线路对端数据相差过大或量测量超过限值的情况。
结合这些不良数据表现，可采取合理的检测和辨识方法。
2电力系统状态不良数据检测与辨识方法的分析与应用 2.1不良数据检测电力系统状态不良数据检测，通常需要从实时数据中完成可疑数据集的筛选。
就目前来看，可以采用的检测方法包含量测量残差法和量测量突变检测法。
采用前一种方法需利用系统冗余量测信息完成系统状态估计，可以通过矩阵变换完成残差协方差矩阵计算，通过快速解耦状态估计实现不良数据检测。
但是采用该方法，容易出现残差淹没和污染等问题。
为解决这些问题，量测量突变检测法得以被提出。
状态估计
1概念状态估计就是在测量量有误差的情况下，通过计算得到可靠并且为数最少的状态变量值。
2全系统独立测量量的数目与状态变量数目之比叫做冗余度。
只有具有足够的冗余度，才能通过电力系统调度中心的计算机以状态估计算法提高实时信息的可靠性和完整性，建立4数据库。
3状态估计前先进行可观察性检验，协同工作还有不良数据的检测和辨识状态估计流程图4测量向量z 包括支路功率、节点注入功率、节点电压摸值等测量量待求的状态量是x 是：各节点的电压模值和相角5计算值 （由估计的 求出）和实际值z 之间的误差，称为残差向量 6状态估计和潮流计算的区别方程式数目求解方法 潮流计算一般用牛拉法求解2n 个非线性方程状态估计是根据一定的估计准则，按估计理论求解方程组7状态估计的理论和计算方法不良数据检测和辨识的理论和计算方法电力系统网络拓扑分析和结构辨识的基本概念8电力系统运行状态的数学描述和可观察性电力系统的运行状态可以用节点电压模值、电压相角、线路有功与无功潮流、节点有功与无功注入量等物理量来表示。
状态估计的目的就是应用经测量得到的上述物理量通过估计计算求出能表征系统运行状态的状态变量。
联系状态向量与测量量向量之间的函数关系 9状态估计误差来源 模型 vV 为高斯白噪声，概率密度越大表示误差大的概率越大用协方差 表示不同时刻测量数据误差之间均值的相关程度测量误差的方差为可观察性 对系统进行有限次独立的观察（测量），由这些观察向量确定的状态是唯一的 n 状态量的维数即可。
ˆz ˆx()=+z h x νi σi R10最小二乘估计估计误差 判断估计方法的优劣不是根据 中个别分量的估计误差值，而是根据它的统计特性目标函数为加权的测量误差方差阵 h(x)为非线性函数，无法直接由目标函数求解 需要用迭代的方法 迭代格式为收敛判据为三者之一 第一个最常用此时测量量的估计值为 幻灯片53最小二乘估计流程框图11信息矩阵A 稀疏性和对称性结构与系统网络结构和测量系统配置的关系 ˆ=- xx x ˆx 2T 1()(())[()][()]m i i i J z h ==-=--∑x x z h x z h x ˆx()()1()1()1()ˆˆˆˆˆ[()()]()[()]l T l l T l l ---∆=-x H x R H x H x R z h x (1)()()ˆˆˆl l l +=+∆x x x ()ˆˆ=z h x1T -H R H。
基于 PMU／SCADA 混合量测状态估计及不良数据检测方法
基于 PMU／SCADA 混合量测状态估计及不良数据检测方法许勇【摘要】A new state estimation method for bad data detection and identification based on PMU /SCADA hybrid measurement is presented by making full use of PMU and SCADA measurements .At first, the rapid decomposition state estimation is done on the condition of taking nodes'status values measured by SCADA , and then the linear state estimation is done with both state estimation results and PMU measurements .Meanwhile, whether there is bad data or not in critical measurements in SCADA is detected and identified by using the second linear state estimation to update the residual covariance matrix .Finally the effec-tiveness of the model is verified by the numerical calculation results of IEEE -30 bus system.%充分利用PMU量测及SCADA量测值，讨论并发展了一种基于PMU／SCADA混合量测的电力系统状态估计及不良数据检测方法。
首先利用快速分解状态估计得到估计结果，再将状态估计结果和PMU量测值进行二次线性状态估计。
电力系统状态估计算法的综合分析
电力系统状态估计算法的综合分析古浩原;崔建强;杨浩;赵虎【摘要】简要介绍了电力系统状态估计的基本概念及功能,描述了状态估计的数学模型.介绍了几种电力系统状态估计的基本算法,即加权最小二乘法、快速分解法、基于量测变换及逐次型的状态估计算法等,并对这些算法作了简明的对比,指出各个算法的优缺点.最后,为了满足电力系统状态估计的要求,又提出了几种新型的状态估计算法.并且指出了状态估计算法中值得研究的几个方面.【期刊名称】《电气开关》【年(卷),期】2013(051)006【总页数】5页(P11-14,18)【关键词】电力系统;状态估计;算法【作者】古浩原;崔建强;杨浩;赵虎【作者单位】西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031【正文语种】中文【中图分类】TM71状态估计是当代电力系统能量管理系统(EMS)的重要组成部分，尤其在电力市场环境中发挥重要作用。
而研究电力系统估计算法的目的在于找出好的算法，使之满足工程精度和响应速度要求的前提下，尽可能减少内存使用量，提高估计质量。
对此，人们已经进行了大量的研究，提出了许多适于状态估计的计算方法。
下面对常用的估计算法作简单的介绍并分析其各自的优缺点。
2.1 电力系统状态估计简介状态估计是利用实时测量系统的冗余度来提高数据精度，自动排除随机干扰和噪声所引起的错误信息，估计或预报系统的运行状态。
它是远动装置和数据库之间的重要一环，并能从远动装置接受低精度、不完整、少量的不良数据，而有状态估计后输出到数据库的是提高了精度，并且是完整而可靠的数据。
状态估计功能流程图如图1所示。
2.2 状态估计的数学模型2.2.1 量测模型电力系统的量测量方程可表示为z=h(x)+v式中：z为量测量矢量；h(x)为量测量的计算值矢量；v为量测误差矢量；设量测量共m个，则上述矢量均为m维；x为状态量，设系统节点数为n，则x为维。
【国家自然科学基金】_电力系统状态估计_基金支持热词逐年推荐_【万方软件创新助手】_20140801
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
2011年 科研热词 状态估计 电力系统 不良数据 抗差估计 动态状态估计 不良数据辨识 齿轮箱 频率波动 非马尔可夫环境 非线性状态估计 随机最优控制 采样频率 配网 遗传算法 逆变器 负荷突变 衰减直流分量 蚁群算法 荷电状态估计 节点类型 舰船综合电力系统 自动发电控制 网络传输时延 线性自抗扰控制 筛选 神经网络 相位状态估计 直线感应电动机 电池管理系统 电气传输特性 电动汽车 电力采集系统 电力电子 状态监测 热管理 热态试验 灵敏度分析 潮流 滑动窗口统计 混杂系统 混合卡尔曼粒子滤波器 汽包锅炉单元机组 残差 检测与辨识 核密度估计 杠杆量测 暂态信号 无迹卡尔曼滤波器 无迹卡尔曼滤波 新息图 故障诊断 故障时刻 推荐指数 8 7 3 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 pmu 54 pi调节器
推荐指数 8 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
3不良数据的检测和辩识
1.2207 rN = D −1 r = −2.0922 1.6750
2 T J = rW rW = 4.6899 < J α = x0.01 ( 2 ) = 9.21
不良数据的检测举例(续)
. 105 Z = 2.0 1.当 102 .
T
2 rWj ∑ j =1
m
∴
ˆ J ( x ) 是χ 2分布
将残差方程 r = W ⋅ v 代入
ɵ J ( x ) = v T W T R −1Wv = v T R −1Wv
定义A=R-1 W
ɵ J ( x ) = v T Av = ∑ vi2 Aii + ∑ ∑ Aij vi v j
i =1 i =1 j =1 m m m
解：
Σ = ( H R H ) = 12900 −1
T −1 −1
0.06008 ˆ r = Z − Hx = −0.0992 0.03008
1.2016 rW = R −1 r = −0.992 1.504
0.0024225 D = diag {R − H ΣH T } = 0.000022481 0.00032248
χ 2 (n)分布的概率密度函数为：
n −y −1 1 y2 e 2 , y ≥ 0 n n f ( y ) = 2 2 Γ( ) 2 0, y < 0
f(x)
式中：
n Γ( ) = 2
+∞
∫e
0
n −1 −t 2
t
dt
x
χ 分布的性质
2
(1)数学期望值等于参数n,即： ( χ 2 ) = n E
兰州理工大学科研人员提出用于配电网量测数据中坏数据的辨识与修正方法
兰州理工大学科研人员提出用于配电网量测数据中坏数据的辨识与修正方法阅读提示：本文约 1000 字状态估计的准确性为电力系统的安全稳定提供了重要保障。
多种量测设备的技术特性随着配电网智能化水平的发展而不断提高，状态估计的准确性也在一定程度上得到提升。
现阶段，电力系统的量测数据主要来自数据采集与监控（supervisory control and data acquisition, SCADA）系统和同步相量量测单元（phasor measurement unit, PMU）。
SCADA量测主要用于支路功率和电压幅值等信息的测量，其优点是在配电网中装设较多，数据资源丰富，主要缺陷是数据精度低、无时标，数据质量欠佳。
PMU量测数据较SCADA量测具有精度高、时标准、延时低、刷新快等特点，还能直接测量电压相量等信息。
PMU 是目前较为理想的数据量测装置，但其装设受经济和技术等原因限制，仅靠配电网中已配置的PMU很难满足可观测性要求。
在相当长的一段时间内，配电网中的SCADA/PMU两套数据仍会作为状态估计的数据源持续并存。
两种量测设备为状态估计提供了海量数据，但与此同时这些数据中也包含着大量的坏数据，若不对其进行处理，会对配电网状态估计精度造成巨大的影响。
如何有效地对坏数据进行辨识并修正是亟需解决的问题。
目前针对坏数据辨识，相关学者进行了大量研究，相关坏数据辨识方法如图1所示。
图1 坏数据辨识方法兰州理工大学电气工程与信息工程学院的张铄、吴丽珍，在2022年第11期《电气技术》上撰文，针对量测数据中存在坏数据的问题，提出一种针对量测数据中坏数据的辨识修正方法。
该方法运用了多级辨识和多方法检验技术，流程如图2所示。
图2 本文方法坏数据辨识流程研究人员首先通过新息序列和基于密度的含噪声空间应用聚类（density-based spatial clustering of applications with noise, DBSCAN）算法进行初级辨识，将两种检验结果的交集数据作为异常数据、非交集数据作为可疑数据；然后将可疑数据通过基于时间惯性的检验进行二次辨识，若可疑数据与前后时刻呈现强相关性，则为正常数据，否则为异常数据；最后对挖掘的异常数据通过改进长短期记忆神经网络（long-short term memory, LSTM）算法进行预测修正。
- 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)。
Keywords power transformer PD on2line locating
第6期
刘 浩 状态估计中不良数据的混合检测辨识法
19
或发电机组非计划停运等 。量测误差定义为从系统
所获得的错误量测信息 。其主要有两个来源 : ①由
仪表传输等所引起的量测系统误差 。 ②由断路器
关 、断的错误状态信息所引起的网络结构误差 。本
- 01338 - 01139 - 01830 - 01713
01449
节点编号
( i2j)
10211 10212 10213 10215 12213 13214 15216 16217 16218
注 : 实际量测数为 38 个 。
表 3 第二采样线路潮流部分量测值
线路潮流 (标幺值) 有功 无功
因为有突变量的情况下 , a ( i) 也将呈现出较大 的数值而被检测出 ,此法不能区分检测出的可疑数 据是不良数据还是突变量 。本文讨论了用残差检测 法来区分不良数据与突变量 。
4 异常数据的区分
在无不良数据时 ,残差总是很小 ,在有不良数据 时 ,总会有残差较大的量测 。此为区分不良数据与 突变量的依据 。
4 Howells E , Norton E T. Parameters Affecting the Velocity of
sound in Transformer Oil. IEEE Trans on PAS , 1984 , 103 (5) : 1111～1114. 5 Lundgaad L E. Partial Discharge2Part XIII : Acoustic Partial Discharge Detection2Fundamental Considerations. IEEE Elec2 trical Insulation Magazine , 1992 , 8 (4) : 25～31 6 Lundgaad L E , Partial Discharge2Part XIV : Acoustic Partial Discharge Detection2Practical Application. IEEE Electrical In2 sulation Magazine , 1992 , 8 (5) : 34～43 7 李灿 , 楼樟达. 变压器局放超声法在线定位中的信号处 理. 变压器 , 1998 , 35 (7) : 11～14
第6期
电工技术杂志
1999 年 11 月
状态估计中不良数据的混合检测辨识法
刘 浩 (山东建筑工程学院 250014)
摘 要 提出了状态预估与 Rn 检测相结合的不良数据的检测辨识方法 。该法既能克服残差污 染 、残差淹没现象 , 又能区分不良数据与突变量 。在 18 结点系统上进行了数字仿真实验 , 得到 了良好的结果 。 关键词 状态预估 Rn 检测 检测与辨识
Fk ∑k
F
t k
+
Sk
(4)
若取 Fk = 1 , Gk = 0 ,则式 (3) 、(4) 可简化为
xk + 1 = ^xk
(5)
Mk + 1 = ∑k + Sk
(6)
当采样间隔很短时 , 用式 (5) 进行状态预估
也是比较准确的 。
3 状态预估检测辨识法
异常数据可分为在系统运行点有突变量的数据 或具有较大量测误差的数据 。突变量发生于甩负荷
1100 - 01547 - 1155
010959 - 01339
31003 - 11225
2116 1127
01499 - 01361 201721 01334 - 01111 - 11335 - 01361 11025 01815
节点编号 ( i2j)
10211 10212 10213 10215 12213 13214 15216 16217 16218
阻抗 (标幺值)
(319 + j1514) e - 3 (513 + j2718) e - 3 (413 + j4415) e - 3 (1319 + j2319) e - 3 (1513 + j6618) e - 3 (016 + j415) e - 3 (1610 + j8210) e - 3 (210 + j1011) e - 3 (819 + j4617) e - 3
≈| z ( i) - z + ( i) | /σR ( i) = |α| (12) 即 a ( i)σR ( i) 将近似地代表真正的量测误差幅值。
可疑量测的检测可概括如下 :首先找出最大的 参数 a ( i) ,如果 a ( i) 比所给阀值 μa 小 ,则认为无
异常数据 ,状态估计向下进行 。否则 ,若参数 a ( i) ≥μa 则认为该量测为可疑数据 。再找出第二个最 大的参数 a ( j) ,若 a ( j) < μa 则只有一个量测 ( i) 为 可疑量测 ,否则 , ( i) 和 ( j) 均为可疑量测 。检测过程 继续进行 ,直至所有可疑量测全被检测出为止 。
文只考虑前者 ,并认为不良数据与突变量同时发生
的概率很小 ,可以忽略 。
当获得 ( k + 1) 采样点一组新的量测量后 ,可算
出革新矢量 γk + 1
γk + 1 = zk + 1 - zk + 1
(7)
为简化表示 ,以后的表达式中的下标 ( k + 1) 被
省略 。
革新矢量 γk + 1的协方差矩阵为
5 突变量的处理
若区分结果可疑数据为不良数据 , 状态估计向 下进行 , 若可疑数据为突变量 , 则需将其预估值再 换成相应的量测值 , 并重新进行一次状态估计 。此 种情况下 , 需进行两次状态估计 , 比较费时 。但实 践证明 : 突变量比不良数据出现的概率小 , 因而用 本文方法需进行两次状态估计的概率也较小 。
μa ———阀值 ,这里取 μa = 415
即| γ( i) | 超过 415 倍的量测量标准差σR ( i) 即被认
为是异常数据被检测出来 。
参数 a ( i) 比 γN ( i) 更能精确地表达量测误差 幅值 ,因而我们采用参加 a ( i) 来进行检测 。
为此 ,我们考虑量测分量 z ( i) 的量测误差为
表 2 线路潮流部分量测值 (第一采样)
线路容纳 Y/ 2 (标幺值)
- j111e - 6 - j115e - 6 - j916e - 6 - j319e - 6 - j316e - 6 - j015e - 6 - j413e - 6 - j212e - 6 - j215e - 6
节点编号
( i2j)
1 前言
不良数据的检测与辨识是电力系统状态估计中 很重要的一环 , 但迄今为止 , 尚没有一种很完善的 检测辨识方法 。残差检测法存在残差污染 、残差淹 没现象 ; 状态预估检测法虽能有效克服残差污染 、 残差淹没现象 , 但却不能区分不良数据与突变量 , 即该法将不良数据与突变量均作为异常数据检测出 来 。本文将二者结合起来 , 既克服了残差污染 、残 差淹没现象 , 又能区分不良数据与突变量 。
Acoustic2electric Forecast2emending Method for On2line Locating Partial Discharge in Transformers
Li can Lou Zhangda
(Southeast University 210096 China)
阻抗 (标幺值)
122
(411 + j2115) e - 3
123
(311 + j1616) e - 3
1210
(2517 + j7813) e - 3
324
(317 + j1912) e - 3
425
(512 + j2616) e - 3
4216
(919 + j5417) e - 3
526
(319 + j2010) e - 3
6 计算实例
图 18 结点系统网络图
20
电工技术杂志
1999 年 11 月
利用本文方法对 18 结点系统进行了数字仿真 如表 1 , 量测数据如表 2 、表 3 , 计算结果列于表 实验 。18 结点系统网络如图所示 , 系统原始数据 4 、表 5 。
表 1 系统原始数据
节点编号 ( i其动态系统可由下列 方程来描述
xk + 1 = Fk xk + Gk + Wk
(1)
zk = h ( xk) + vk
(2)
式中 k ———时间采样点
x ———状态矢量 ( n ×1)
1999 01 08 收到稿件 。
z ———量测矢量 ( m ×1)
F 、 G ———非零对角阵 ( n ×n) 和矢量 ( n ×1)
N = JM - 1 Jt + R
(8)
式中 J ———量测方程的雅可比矩阵
事实上 ,式 (8) 为一近似表达式 ,因为它是由将
量测方程围绕 x 线性化得到的 。在正常运行条件