CN101615789B - 广域量测***追踪状态估计方法 - Google Patents

Abstract

一种WAMS追踪状态估计方法，涉及电力***运行技术领域；所要解决的是WAMS量测的技术问题；该方法的流程如下：1)建立相关数据区；2)对每个节点获取节点支路模型信息；3)获取支路WAMS变化信息；4)划分网络子区域；5)对每个子区域建立决策树；6)选择决策树的节点，属性；7)获取多个样本数据训练决策树，得到决策树的属性值：8)用部分样本训练、验证得到的决策树，获取最优决策树：9)把每个子区域的决策树保存到数据区；10)如果节点支路模型有变化，要重复上述2)-9)重新生成决策树。本发明WAMS追踪状态估计方法具有既能够在满足***实时性要求，又能够满足有限资源要求的特点。

Description

广域量测***追踪状态估计方法

技术领域

本发明涉及电力***运行与分析技术，特别是涉及一种用于电力***分析的基于广域量测***(Wide Area Measurement System，WAMS)进行状态估计的实现技术。

背景技术

电力***状态估计(State Estimation，SE)是能量管理***(EnergyManangement System，EMS)管理软件的重要组成部分，其功能是在可获得的实时量测信息的基础上，自动排除随机干扰所引起的错误信息，计算出电力***的状态变量，即所有母线的电压幅值和相角。一方面，状态估计使调度中心能够及时掌握和监视到电网的实时运行状态，并且是EMS其它网络分析软件的实时数据源；另一方面，调度中心需要根据状态估计所提供的信息，制定运行控制对策，保证电网运行在一个安全而经济的状态。因此，状态估计的用途，总体上可概括为两大方面：一是网络状态监视，二是电网运行控制。电力***状态估计的精度和实时性将影响到电力***监测、决策和控制的准确性以及实时性。

状态估计只能够计算某一时间断面状态，而由于电网状态是在不断发生变化的，因此状态估计势必要提供***在运行过程中的一系列断面状态。在状态估计算法精度一定时，状态估计的触发间隔对状态估计的效用是存在较大影响的。理想情况下，状态估计应该以数据采集与监视控制(Supervisory Control And Data Acquisition，SCADA)扫描周期(现阶段为2~10s)进行，然而由于算法和条件限制，状态估计一般是大于10s进行一次计算，也有***1分钟内进行一次状态估计计算。

现有的时间周期触发方式的状态估计，在状态监视和运行控制两方面用途之中，都存在一定的局限性。首先，由于状态估计触发和SCADA扫描在周期上存在差距大、不协调的矛盾，调度中心难以通过状态估计掌握到***运行过程中细致的运行状态变化情况。其次，调度中心只能通过状态估计提供的单一时间断面状态来制定控制策略，然而单一时间断面状态无法全面地反映***在一个过程中的运行情况，因而控制策略的制定难以做到安全性与经济性兼顾。

电力***负荷是动态变化的，这使得状态向量不断发生变化，因此每当负荷或者电网结线方式发生变化时，就需要进行一次状态估计计算。这种***变化的特点适合使用一种考虑时间变化的递推算法来动态地估计***状态。动态状态估计是针对静态状态估计而言的，静态状态估计不考虑***状态随时间的变化特点，对于某一时间断面的量测，在计算其对应的***状态-节点电压幅值和相角。动态状态估计是以扩展卡尔曼滤波为基础发展而来的，它考虑了***状态随时间缓慢变化的特点，不但对***当前状态进行估计，而且能够利用以前的估计状态和***的动态模型去预报下一时刻的***状态。

动态状态估计是为了安全分析服务的，安全分析使用的是对于***运行状态来说具有代表性的时间断面作为考虑的基本情况。从这一目的出发，***的动态模型是由时间序列断面上的一系列静态模型来描述的。动态状态估计跟踪的是负荷变化的“趋势”，而不是负荷的随机变化。动态状态估计采用的模型实际上为准稳态模型。

为考虑***状态随时间变化的特性，还出现了追踪状态估计的概念。在追踪状态估计中，以前一时刻的状态估计值作为下一时刻状态估计的初始值，是一种没有明显考虑任何***动态模型却能够跟踪***状态变化的高效算法。

SCADA量测***在电力***中占据主导地位，基本所有的分析与应用都是建立在SCADA量测基础上的。随着自动化水平的提高，相当部分的变电站及电厂已安装了相量测量单元(Phasor Measurement Unit，PMU)，逐渐形成了由PMU构成的广域量测***(Wide Area Measurement System，WAMS)。目前，WAMS尚不能覆盖全网，完全根据WAMS还不能对整个电网进行可观测性估计，因此出现了研究WAMS与SCADA混合进行状态估计的课题。

WAMS量测具有实时、准确的特点，根据现场运行情况看，WAMS量测可以提供20ms间隔的数据，因此充分利用WAMS量测实时性的特点，基本可以做到实时的状态估计，但是对20ms间隔的数据，如果都用来建立雅可比矩阵，进行状态估计，受硬件性能的制约，将造成机器资源的极大耗费。因此对WAMS量测数据进行分析处理，有选择性的进行状态估计就成为一个较前沿的课题。

目前解决这种问题的方法一般是：1)周期方式运行；2)触发运行。这两种方法有其固有的不足。前者忽视了WAMS的实时性特点，使WAMS量测的作用没有充分发挥出来，后者对***资源有较强的要求，将占用大量的内存资源和网络负荷，有可能造成网络阻塞。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种在计算机CPU、内存资源和网络流量限制下，能寻求到一个最优的结合点，使基于WAMS的追踪状态估计既能够在满足***实时性要求，又能够满足有限资源要求的WAMS追踪状态估计方法。

为了解决上述技术问题，本发明所提供的一种WAMS追踪状态估计方法，其特征在于，估计方法的具体实现流程如下：

1)建立相关数据区；用来存放2)和3)中的追踪状态估计数据变化值、以及当前WAMS的变化量，并且供决策树快速的检索；

2)对每个节点获取节点支路模型信息，包括获取相连的支路数目，支路上的WAMS量测情况，以及获取状态估计节点变化结果，数据保存在1)中的数据区中，在形成建立决策树时，可以以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

3)获取支路WAMS变化信息；记录支路两侧WAMS量测变化情况，保存在1)中的数据区中；

4)划分网络子区域；利用2)中网络模型数据，划分多个子网络，这个子网络是追踪状态估计的最小单位，子网络中至少包含了能够形成一棵决策树的节点，不包含任何决策树的节点，不在划分之列；

5)对每个子区域建立决策树；根据决策树的成立条件，建立一棵或者多棵决策树，以完成子区域的追踪状态估计调用；

6)选择决策树的节点，属性，对每个决策树选择支路的WAMS量测对作为节点，属性值为时间序列的变化值；

7)获取多个样本数据训练决策树，得到决策树的属性值：对多个时间断进行连续的小间隔20ms的追踪状态估计，以获取需要的样本数据信息；

8)用部分样本训练、验证得到的决策树，获取最优决策树：把7)中的部分样本训练决策树，根据状态估计节点计算结果的变化量不断修正属性值，以获得满意的追踪属性值。其余样本用来验证决策树的效果，以获得最优的决策树；

9)把每个子区域的决策树保存到数据区，同时保存还有训练用的节点支路模型；

10)如果某个子区域的节点支路模型不变化，保存的决策树可以使用，如果节点支路模型有变化，要重复上述2)-9)重新生成决策树。

进一步的，所述电力***中节点存在决策树的条件：

4)有出力或者有负荷的节点；

5)此节点相连支路至少存在一条支路，量测都有相同类型的WAMS量测；

6)相同类型的量测有下列类型：有功、无功、电压、相角、电流；

确定一个满足上述3个条件的节点，就可以建立一棵决策树，***中满足条件的有N个节点，就建立N棵决策树。

进一步的，所述决策树是一个树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，每个树叶节点代表类。树的最顶层节点是根节点，为了对未知的样本分类，样本的属性值在决策树上测试。路径由根到叶节点。然后将决策树转换为分类规则。

进一步的，所述决策树的基本算法是贪心(ID3)算法，它以自顶向下各个击破的方式构造决策树。在决策树的构造过程中，许多分支可能反映的是训练数据中的噪声或孤立点，树剪枝方法可以检测并剔除这种干扰数据。

进一步的，所述贪心(ID3)算法是一个典型的决策树学***均深度较小，分类速度较快。

本发明采用数据挖掘的分类方法来寻求这个最优点，在这个最优点下，启动基于WAMS的追踪状态估计既可以实时的追踪***的状态变化，又不会对资源造成浪费。采用本发明的这种方法可以对历史的追踪状态估计结果信息和调用时的WAMS状态信息进行挖掘，对每个计算点可以形成一个定量的数据标准，这个数据将指导基于WAMS的追踪状态估计的使用。这个定量数据标准和当前节点的接线方式有关，如果接线方式不变化，这个数据标准将在后续的追逐状态估计中使用，满足电力***对实时性的要求。

本发明的基于数据挖掘的WAMS追踪状态估计方法有以下优点：

1)考虑了支路两侧两端WAMS量测差的时间上的变化量作为节点，避免了WAMS不同地点带来的固有采集误差；

2)基于数据挖掘的方法在WAMS追踪状态估计实现中是首次使用，根据已有的追踪状态估计结果和WAMS采集信息，可以实现跨平台跨应用***；

3)采用数据挖掘的方法可以满足电网分析的实时运行，还突破了***资源的限制；

4)采用数据挖掘的方法在寻优时直接浏览决策树，优化更快，生成的结果明确，直接指导WAMS状态估计的使用；

基于数据挖掘的WAMS追踪状态估计实现了一种运行控制方法，此方法能既可以实时的追踪***的状态变化，又不会对资源造成浪费，为数据平台提供一个实时的数据源，供在线电力市场和在线分析监控软件使用，给网络安全分析提供及时可靠的数据，预防电力***事故的发生，达到电网安全运行的目的。

附图说明

图1A是现有技术中子区域无决策树的示意图；

图1B是本发明实施例子区域存在决策树的示意图；

图2是本发明实施例一个模型节点的决策树节点生长示意图；

图3是本发明实施例基于数据挖掘的WAMS追踪状态估计流程图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似方法及其相似变化，均应列入本发明的保护范围。

本发明采用数据挖掘的基于决策树的方法，对每个有负荷或者有注入功率的节点建立一棵决策树，每个决策树之间不存在关联。从历史追踪估计结果数据和调用的WAMS状态值提取出有用的信息，这种信息用来指导追踪状态估计是否调用。最终结果是给出一系列的解决方案，这些方案将完成全网的追踪状态估计的网络状态追踪。

采用数据挖掘(Data Mining)的决策树(Descision Tree)的方法，根据历史的追踪状态估计数据，结合电网模型，按照一定的估计精度，根据数据挖掘的结果来决定追踪状态估计是否进行，这种方法结合了目前两种处理问题方法的长处，既实时的跟踪了***状态变化，又考虑了***资源问题，完成了***状态的追踪，还减轻了服务期的计算负载，减少网络数据的传输，节省了***资源。

采用数据挖掘的决策树方法是利用信息论中的信息增益寻找示例数据库中具有最大信息增益的属性字段，建立决策树的一个节点，再根据该属性字段的不同取值建立树的分支；在每个分枝集中重复建立树的下一个节点和分支的过程。

决策树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，每个树叶节点代表类。树的最顶层节点是根节点，为了对未知的样本分类，样本的属性值在决策树上测试。路径由根到叶节点。然后将决策树转换为分类规则。

决策树的基本算法是贪心(ID3)算法，它以自顶向下各个击破的方式构造决策树。在决策树的构造过程中，许多分支可能反映的是训练数据中的噪声或孤立点，树剪枝方法可以检测并剔除这种干扰数据。通常它使用统计度量，剪去最不可靠的分枝，这将导致较快的分类，提高测试数据正确分类的能力，从而提高在未知数据上分类的准确性。

ID3是一个典型的决策树学***均深度较小，分类速度较快。图1B表示是本发明实施例子区域存在的决策树，相同形状的小点表示同类型的WAMS量测。

图3描述了本发明实施例的实现流程：

第一步，建立一个可以存储大量数据的数据区，此数据区可以存储结构化的数据，还有非结构化的数据。结构化的数据包括采集到的支路两侧WAMS遥测变化值和状态估计的节点注入或者负荷结果变化信息。非结构化的数据包括子区域的节点支路连接关系等；

第二步，对每个模型节点j获取节点支路Nd_Branch模型信息，模型节点j是状态估计计算用的计算节点，节点支路模型Nd_Branch包括获取相连的支路数目BranchNum，支路i上的WAMS量测情况，如果支路两侧的WAMS量测没有成对，则记入IsBranchMea[i]＝0，否则记入IsBranchMea[i]＝1，仅仅记录有WAMS量测对的支路，数据保存在1)中的数据区中，在形成建立决策树时，可以以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

第三步，同时记录WAMS量测对时间序列t上的变化量BranchMeaDiffvalue[i][t]，以及状态估计节点NodeSeDiffvalue[j][t]变化结果，获取支路WAMS变化信息；保存在第一步中的数据区中；

第四步，划分网络子区域SubArea；利用第二步中网络模型Nd_Branch数据，划分多个子网络，子网络是追踪状态估计的最小单位，子网络k中至少包含了能够形成一棵决策树的节点j，不包含任何决策树的节点，不在划分之列，既最少包含一个节点j的IsBranchMea[i]＝1，如果SubArea[k]中至少有一个节点的IsBranchMea[i]＝1则SubArea[k]＝1，否则SubArea[k]＝0；

第五步，对每个子区域建立决策树DecisionTree，如果某个子区域的SubArea[k]＝1，检索包含的节点j的IsBranchMea[i]＝1则建立决策树，根据决策树的成立条件，每个子区域可能建立零棵、一棵或者多棵决策树，以完成子区域的追踪状态估计调用；

第六步，选择决策树的节点，属性。选择支路两侧的WAMS量测差作为节点，属性值为时间序列的变化值NodeSeDiffvalue[j][t]；

第七步，对多个时间断进行连续m次的小间隔20ms的追踪状态估计，以获取需要的m个样本数据信息。取0.7×m个样本数据训练决策树，根据状态估计节点计算结果的变化量NodeSeDiffvalue[j][t]不断修正属性值NodeProperty，以获得满意的追踪属性值，从而得到决策树的属性值NodeProperty；

第八步，用部分0.3×m样本验证得到的决策树，获取最优决策树；

第九步，把每个子区域的决策树DecisionTree保存到数据区，同时保存还有训练用的节点支路模型Nd_Branch；

最后，如果某个子区域的节点支路模型Nd_Branch不变化，保存的决策树DecisionTree可以使用，如果节点支路模型Nd_Branch有变化，要重复上述第二步-第九步重新生成决策树DecisionTreenew，把这棵决策树DecisionTreenew保存到数据区中，在需要判断是否调用追踪状态估计时加载使用。

图2为一个模型节点的决策树三层节点生长示意图，

其中节点1支路1的WAMS量测对变化值；

节点21支路2的WAMS量测对变化值；

节点22支路2的WAMS量测对变化值；

节点31支路3的WAMS量测对变化值；

节点32支路3的WAMS量测对变化值；

叶子节点101：启动；

叶子节点102：不启动。

Claims (3)

1.一种WAMS追踪状态估计方法，其特征在于，估计方法的具体实现流程如下：

1)建立相关数据区；用来存放2)和3)中的追踪状态估计数据变化值、以及当前WAMS的变化量，并且供决策树快速的检索；

2)对每个节点获取节点支路模型信息，包括获取相连的支路数目，支路上的WAMS量测情况，以及获取追踪状态估计数据变化值，数据保存在1)中的数据区中，在形成建立决策树时，能以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

3)获取支路WAMS变化信息；记录当前WAMS的变化量，保存在1)中的数据区中；

4)划分网络子区域；利用2)中网络模型数据，划分多个子网络，这个子网络是追踪状态估计的最小单位，子网络中至少包含了能够形成一棵决策树的节点，不包含任何决策树的节点，不在划分之列；

5)对每个子区域建立决策树；根据决策树的成立条件，建立一棵或者多棵决策树，以完成子区域的追踪状态估计调用；

6)选择决策树的节点，属性，对每个决策树选择支路的WAMS量测对作为节点，属性值为时间序列的变化值；

7)获取多个样本数据训练决策树，得到决策树的属性值：对多个时间段进行连续的小间隔20ms的追踪状态估计，以获取需要的样本数据信息；

8)用部分样本训练、验证得到的决策树，获取最优决策树：把7)中的部分样本训练决策树，根据状态估计节点计算结果的变化量不断修正属性值，以获得满意的追踪属性值，其余样本用来验证决策树的效果，以获得最优的决策树；

9)把每个子区域的决策树保存到数据区，同时保存还有训练用的节点支路模型；

10)如果某个子区域的节点支路模型不变化，保存的决策树可以使用，如果节点支路模型有变化，要重复上述2)-9)重新生成决策树。

2.根据权利要求1所述的WAMS追踪状态估计方法，其特征在于，所述节点存在决策树的条件：

1)有出力或者有负荷的节点；

2)此节点相连支路至少存在一条支路，并且此支路量测有相同类型的WAMS量测；

3)相同类型的量测有下列类型：有功、无功、电压、相角、电流；

确定一个满足上述3个条件的节点，就可以建立一棵决策树，***中满足条件的有N个节点，就建立N棵决策树。

3.根据权利要求1所述的WAMS追踪状态估计方法，其特征在于，所述决策树是一个树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，每个树叶节点代表类；树的最顶层节点是根节点，为了对未知的样本分类，样本的属性值在决策树上测试；路径由根到叶节点；然后将决策树转换为分类规则。

Images