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
- 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