CN104462813B - 一种变电站变结构双尺度数据融合方法 - Google Patents
一种变电站变结构双尺度数据融合方法 Download PDFInfo
- Publication number
- CN104462813B CN104462813B CN201410736920.XA CN201410736920A CN104462813B CN 104462813 B CN104462813 B CN 104462813B CN 201410736920 A CN201410736920 A CN 201410736920A CN 104462813 B CN104462813 B CN 104462813B
- Authority
- CN
- China
- Prior art keywords
- scale
- fine
- fusion
- coarse
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 202
- 238000005259 measurement Methods 0.000 claims abstract description 172
- 239000013598 vector Substances 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000002347 injection Methods 0.000 claims description 15
- 239000007924 injection Substances 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种变电站变结构双尺度数据融合方法,属于电力***运行和控制技术领域,该方法包括:构造粗、细尺度状态向量;采用母线模型对细尺度融合周期内的PMU和RTU节点量测量进行细尺度数据融合,构建细尺度融合量测方程;根据不同情况给定细尺度状态向量的初值;进行细尺度状态估计;直至粗尺度融合周期开始时刻到来构建粗尺度融合量测方程;给定粗尺度状态向量初值进行粗尺度状态估计,将粗尺度状态估计结果上送至调度中心,供调度员使用。本发明可以高效地、充分地利用变电站内来自RTU、PMU的多源数据,将量测量中的坏数据进行辨识和剔除,显著提高变电站状态估计的抗差性能。
Description
技术领域
本发明属于电力***运行和控制技术领域,特别涉及一种变电站变结构双尺度数据融合方法。
背景技术
随着越来越多的新能源接入,电网的不确定性增加,对电网进行监测与控制的实时性要求也逐渐提高。近年来,由于相量量测单元(Phasor Measuring Unit,以下简称PMU)在电力***中的广泛应用,使得广域量测***(Wide Area Measurement System,WAMS)得到了快速发展。PMU量测具有速度快、精度高、同步性好等优点,有效利用PMU量测有利于捕捉电力***的动态信息,提高调度人员故障应变能力,从而更好地监测和控制电力***的安全经济运行。在电力***状态估计领域,PMU的出现使得实现快速、精确的线性状态估计成为可能。Phadke首次提出了基于PMU的线性状态估计,以复电压、复电流为量测量,采用直角坐标建立量测方程进行求解,克服了非线性状态估计收敛性差的问题,提高了状态估计结果的可靠性。然而,出于价格和通信技术方面的考虑,较长时间内不可能在全网范围内普及PMU,PMU量测难以满足整个电网可观测性的要求。因此,在相当长的时间内,电力***状态估计仍将依靠传统的远方终端单元(Remote Terminal Unit,以下简称RTU)量测来保证网络的可观测性。目前,传统的状态估计方法仅利用了RTU量测,使得大量精确的PMU数据被浪费掉了。同时采用PMU量测与RTU量测进行状态估计,有利于提高量测量冗余度、状态估计的精度及坏数据的辨识能力。但是,就目前的技术水平来看,实现PMU量测与RTU量测融合的过程中还存在着以下两个难点:
难点之一是两种量测的成份不同。RTU量测量包括电压幅值及功率量测值等,而PMU量测量则为复电压、复电流等量测量。最简单直接的融合方法是只引入PMU复电压量测量,但代价是丢失了其余PMU量测量的冗余信息。
难点之二是两种量测数据的采集周期不同。由于RTU在传送数据时采用的方式是变位传送,其数据采集周期通常为几秒;而PMU在传送数据时采用的方式是广播,其数据采集周期一般为10或20毫秒。在如果只引入PMU复电压量测量进行融合,融合周期仍然是RTU量测的采集周期,而相邻两次融合间的高频PMU量测无法得到充分利用,融合的实时性仍然没有得以改善。Glavic提出了一种基于伪量测的状态跟踪算法,即选择PMU量测的采集周期作为融合周期,在进行高频状态估计时,选取RTU量测中的部分量测作为伪量测与PMU量测进行融合,并同时认为这些伪量测的数值不变,伪量测的数值可以是PV节点的电压及变化缓慢的负荷等,但是这种方法并不能保证***的可观测性。
在变电站级的数据融合方面,Meliopoulos提出的Super Calibrator概念中提到了同时利用PMU、RTU等量测进行混合状态估计,融合周期为RTU采集周期,同样没有考虑高频的PMU量测数据。变电站网络规模较小,使快速敏捷的计算与控制成为可能。因此,在RTU时间尺度的多源数据融合已经不再满足变电站快速监测的需求。然而,由于变电站独特的零阻抗开关模型,PMU的分布亦具有其独特性,通常零阻抗开关模型中只有节点(母线和出线)上才有PMU量测,而零阻抗开关模型中的零阻抗开关支路上没有PMU量测。也就是说,仅使用PMU量测无法保证变电站零阻抗网络的可观测性。同时,由于变电站零阻抗支路上的功率流动具有随机性,不存在波动缓慢或有规律性的伪量测用于改善PMU量测***下的零阻抗网络可观测性。因此,如何在量测冗余度不够的情况下,实现PMU采集时间尺度上的快速数据融合,是变电站多源数据融合的难点问题。
发明内容
本发明的目的是为了解决变电站多源数据融合的难点问题,提出的一种变电站变结构双尺度数据融合方法,该方法从信息融合理论的角度出发,选择适用于变电站量测***的融合结构及融合准则:根据不同时间尺度状态量的特点,选择不同的融合算法。通过这种变结构双尺度的融合方式,可以高效地、充分地利用变电站内来自RTU、PMU的多源数据,将量测量中的坏数据进行辨识和剔除,显著提高变电站状态估计的抗差性能。
本发明提出的一种变电站变结构双尺度数据融合方法,其特征在于,该方法包括以下步骤:
1)构造粗、细尺度状态向量
粗尺度融合周期开始时刻,采用变电站零阻抗开关模型,选取各零阻抗开关支路功率及各节点复电压为状态量,构造粗尺度状态向量如式(1):
其中,x为粗尺度状态向量,由xcb,p和xv组成;xcb,p为粗尺度功率状态向量,即各零阻抗开关支路的三相有功功率及无功功率;xv为粗尺度电压状态向量,即各母线三相复电压;
细尺度融合周期开始时刻,采用变电站母线模型,选取各非零阻抗支路功率及各节点复电压为状态量,构造细尺度状态向量如式(2):
其中,y为细尺度状态向量,由ynd,p和yv组成;ynd,p为细尺度功率状态向量,即各非零阻抗支路的三相有功功率及无功功率;yv为细尺度电压状态向量,即各母线三相复电压;
2)构建细尺度融合量测方程
在细尺度融合周期开始时刻,采用母线模型对细尺度融合周期TF内的PMU和RTU节点量测量进行细尺度数据融合,构建细尺度融合量测方程如式(3):
其中,zF为细尺度量测向量,zF由节点功率量测向量和节点电压量测向量组成,F为细尺度量测矩阵,eF为细尺度量测误差向量;
式(3)中的节点功率量测向量由式(4)中的三部分组成:
式中,为细尺度融合周期内来自PMU的非零阻抗支路三相功率量测,为细尺度融合周期内来自RTU的非零阻抗支路三相功率量测;为依据基尔霍夫电流定律构造的细尺度零注入伪量测,表示母线各节点注入功率之和为零;在该细尺度融合周期TF内,如果没有RTU量测数据,此时不存在,仅由和组成,如式(5):
式(3)中的节点电压量测向量由式(6)中的两部分组成:
其中,为细尺度融合周期内的来自PMU的各节点三相复电压量测;为细尺度融合周期内来自RTU的各节点三相电压量测;在该细尺度融合周期TF内,如果没有RTU量测数据时,此时不存在,仅由组成,如式(7):
3)给定细尺度状态向量y的初值
根据不同情况给定式(2)中细尺度状态向量y的初值y(0):
a.在首个细尺度融合周期的初始时刻,将该初值取为这一时刻对应状态量的量测值,如式(8):
其中,y0(0)为首个细尺度融合周期的初始时刻的状态向量初值,和分别表示首个细尺度融合周期的初始时刻的功率状态向量和电压状态向量的初值,和分别为首个细尺度融合周期的初始时刻的功率量测值和电压量测值;
b.在其他细尺度融合周期的初始时刻,若前一细尺度融合周期的初始时刻未进行粗尺度数据融合,则取前一细尺度融合周期的初始时刻对应状态量的估计值作为本时刻细尺度数据融合的状态向量初值,如式(9):
其中,yk+1(0)为第k+1个细尺度融合周期开始时刻的状态向量初值,和分别表示第k+1个细尺度融合周期开始时刻的功率状态向量和电压状态向量的初值,和分别为第k个细尺度融合周期开始时刻的功率状态向量和电压状态向量估计值;
c.在其他细尺度融合周期的初始时刻,若前一细尺度融合周期内进行了粗尺度数据融合和粗尺度状态估计,则取粗尺度状态估计结果中对应于细尺度融合状态向量的估计值作为本时刻细尺度数据融合的状态向量初值,如式(10):
其中,y1(0)为进行了粗尺度数据融合和粗尺度状态估计后的第1个细尺度融合周期开始时刻的状态向量初值,和分别表示进行粗尺度数据融合和粗尺度状态估计后的第1个细尺度融合周期开始时刻的功率状态向量和电压状态向量的初值,和分别为前一细尺度融合周期内进行的粗尺度状态估计后得到的功率状态向量和电压状态向量的估计值;
4)进行细尺度状态估计
利用式(3)构建的细尺度融合量测方程与式(8)、(9)或(10)给定的细尺度状态向量初值,进行细尺度状态估计;
5)重复步骤2)‐4),直至粗尺度融合周期开始时刻的到来,转步骤6);
6)构建粗尺度融合量测方程
在粗尺度融合周期开始时刻,采用零阻抗开关模型,将粗尺度融合周期TS内到达的RTU开关支路三相功率量测zcb,以及最近一次细尺度融合得到的细尺度融合状态量估计值和粗尺度零注入伪量测共同构成粗尺度量测向量zS并进行粗尺度数据融合;构建粗尺度融合量测方程如式(11):
其中,zS为粗尺度量测向量,zcb为粗尺度支路三相功率量测量,分别为最近一次细尺度融合得到的细尺度融合状态量yp、yv的估计值,为依据基尔霍夫电流定律构造的粗尺度零注入伪量测向量;x为由式(1)定义的粗尺度状态量,包括零阻抗支路功率及各节点复电压;s(x)为粗尺度量测函数;υcb为支路三相功率量测zcb的量测误差向量;ηp、ηv为最近一次细尺度融合得到的细尺度融合状态量yp、yv的估计误差向量,如式(12):
7)给定粗尺度状态向量初值
粗尺度状态向量的初值取这一时刻对应状态量的量测值,如式(13):
其中,x(0)为粗尺度状态向量的初值;xcb,p(0)和xv(0)分别表示粗尺度支路功率状态向量和粗尺度节点电压状态向量的初值;zcb和zv分别表示粗尺度融合周期开始时刻支路功率量测值和节点电压量测值;
8)进行粗尺度状态估计
利用式(11)构建的粗尺度融合量测方程与式(13)给定的粗尺度状态向量初值,进行粗尺度状态估计;将粗尺度状态估计结果上送至调度中心,供调度员使用;
9)进入下一个细尺度融合周期,重复步骤2)-8)。
本发明提出的变电站变结构双尺度数据融合方法,其优点为:根据不同尺度状态量的特点,选择不同的融合算法。细尺度融合的状态量为有阻抗支路的量测,由发电机注入和***负荷决定,有一定规律性及预测性。同时细尺度融合频率高,相邻两个细尺度融合周期开始时刻的潮流变化不会太大,因而可选择考虑先验信息的卡尔曼滤波算法进行融合。粗尺度融合的状态量为零阻抗支路潮流,其波动规律性较弱,且粗尺度融合周期长,在粗尺度融合周期内,零阻抗支路潮流可能已发生了较大波动,因而选择不考虑先验信息的加权最小二乘算法进行融合。通过这种变结构双尺度的融合方式,可以高效地、充分地利用变电站内来自RTU、PMU的多源数据,将量测量中的坏数据进行辨识和剔除,显著提高变电站状态估计的抗差性能。
附图说明
图1是本发明方法的流程框图
图2是本发明方法的一个实施例中采用的变电站模型
图3本发明方法在一个实施例中的坏数据快速检测与辨识结果
具体实施方式
本发明提出的一种变电站变结构双尺度数据融合方法,结合附图及实施例进一步说明如下:
该方法从信息融合理论的角度出发,选择适用于变电站量测***的融合结构及融合准则:根据不同时间尺度量测量的特点,选择不同的融合模型与算法。
定义:PMU的数据采集时间尺度称为细尺度,在细尺度利用PMU数据和RTU数据进行融合,称为细尺度数据融合(Fast Data Fusion,简称FDF);RTU的数据采集时间尺度称为粗尺度,在粗尺度PMU数据和RTU数据进行融合,称为粗尺度数据融合(Slow Data Fusion,简称SDF)。
由于上述定义的两种尺度下的量测量不同,因而在不同尺度融合周期开始时刻使用不同的融合模型:在细尺度融合周期开始时刻(支路功率不可观)将变电站零阻抗开关模型转为母线模型进行融合;而在粗尺度融合周期开始时刻(支路功率可观),采用变电站零阻抗开关模型进行融合;
设细尺度融合周期为TF,TF通常取为PMU的数据采集周期,即20ms;粗尺度融合周期为TS,TS通常取为RTU的数据采集周期,一般变电站内取为500ms。
本发明方法的流程如图1所示,主要包括以下步骤:
1)构造粗、细尺度状态向量
粗尺度融合周期开始时刻(开关支路功率可观),采用变电站零阻抗开关模型,选取各零阻抗开关支路功率及各节点复电压为状态量,构造粗尺度状态向量如式(1):
其中,x为粗尺度状态向量,由xcb,p和xv组成。xcb,p为粗尺度功率状态向量,即各零阻抗开关支路的三相有功功率及无功功率;xv为粗尺度电压状态向量,即各母线三相复电压;
细尺度融合周期开始时刻(由于零阻抗开关支路功率不可观),采用变电站母线模型,选取各非零阻抗支路功率及各节点复电压为状态量,构造细尺度状态向量如式(2):
其中,y为细尺度状态向量,由ynd,p和yv组成。ynd,p为细尺度功率状态向量,即各非零阻抗支路的三相有功功率及无功功率;yv为细尺度电压状态向量,即各母线三相复电压;
2)构建细尺度融合量测方程
在细尺度融合周期开始时刻,采用母线模型对细尺度融合周期TF内的PMU和RTU节点量测量进行细尺度数据融合,构建细尺度融合量测方程如式(3):
其中,zF为细尺度量测向量,zF由节点功率量测向量和节点电压量测向量组成,F为细尺度量测矩阵,eF为细尺度量测误差向量;
式(3)中的节点功率量测向量由式(4)中的三部分组成:
式中,为细尺度融合周期内来自PMU的非零阻抗支路三相功率量测,为细尺度融合周期内来自RTU的非零阻抗支路三相功率量测;为依据基尔霍夫电流定律构造的细尺度零注入伪量测,表示母线各节点注入功率之和为零;(由于RTU数据采集周期远大于PMU的数据采集周期,)在该细尺度融合周期TF内,如果没有RTU量测数据,此时不存在,仅由和组成,如式(5):
式(3)中的节点电压量测向量由式(6)中的两部分组成:
其中,为细尺度融合周期内的来自PMU的各节点三相复电压量测;为细尺度融合周期内来自RTU的各节点三相电压量测;(由于RTU采样周期远大于PMU采样周期,)在该细尺度融合周期TF内,如果没有RTU量测数据时,此时不存在,仅由组成,如式(7):
3)给定细尺度状态向量y的初值
根据不同情况给定式(2)中细尺度状态向量y的初值y(0):
a.在首个细尺度融合周期的初始时刻,将该初值取为这一时刻对应状态量的量测值,如式(8):
其中,y0(0)为首个细尺度融合周期的初始时刻的状态向量初值,和分别表示首个细尺度融合周期的初始时刻的功率状态向量和电压状态向量的初值,和分别为首个细尺度融合周期的初始时刻的功率量测值和电压量测值。
b.在其他细尺度融合周期的初始时刻,若前一细尺度融合周期的初始时刻未进行粗尺度数据融合,则取前一细尺度融合周期的初始时刻对应状态量的估计值作为本时刻细尺度数据融合的状态向量初值,如式(9):
其中,yk+1(0)为第k+1个细尺度融合周期开始时刻的状态向量初值,和分别表示第k+1个细尺度融合周期开始时刻的功率状态向量和电压状态向量的初值,和分别为第k个细尺度融合周期开始时刻的功率状态向量和电压状态向量估计值。
c.在其他细尺度融合周期的初始时刻,若前一细尺度融合周期内进行了粗尺度数据融合和粗尺度状态估计,则取粗尺度状态估计结果中对应于细尺度融合状态向量的估计值作为本时刻细尺度数据融合的状态向量初值,如式(10):
其中,y1(0)为进行了粗尺度数据融合和粗尺度状态估计后的第1个细尺度融合周期开始时刻的状态向量初值,和分别表示进行粗尺度数据融合和粗尺度状态估计后的第1个细尺度融合周期开始时刻的功率状态向量和电压状态向量的初值,和分别为前一细尺度融合周期内进行的粗尺度状态估计后得到的功率状态向量和电压状态向量的估计值。
4)进行细尺度状态估计
利用式(3)构建的细尺度融合量测方程与式(8)、(9)或(10)给定的细尺度状态向量初值,进行细尺度状态估计(状态估计方法可使用卡尔曼滤波等方法);
5)重复步骤2)‐4),直至粗尺度融合周期开始时刻的到来,转步骤6);
6)构建粗尺度融合量测方程
在粗尺度融合周期开始时刻,采用零阻抗开关模型,将粗尺度融合周期TS内到达的RTU开关支路三相功率量测zcb,以及最近一次细尺度融合得到的细尺度融合状态量估计值和粗尺度零注入伪量测共同构成粗尺度量测向量zS并进行粗尺度数据融合;构建粗尺度融合量测方程如式(11):
其中,zS为粗尺度量测向量,zcb为粗尺度支路三相功率量测量,分别为最近一次细尺度融合得到的细尺度融合状态量yp、yv的估计值,为依据基尔霍夫电流定律构造的粗尺度零注入伪量测向量(表示母线各节点注入功率之和为零);x为由式(1)定义的粗尺度状态量,包括零阻抗支路功率及各节点复电压。s(x)为粗尺度量测函数。υcb为支路三相功率量测zcb的量测误差向量。ηp、ηv为最近一次细尺度融合得到的细尺度融合状态量yp、yv的估计误差向量,如式(12):
7)给定粗尺度状态向量初值
粗尺度状态向量的初值取这一时刻对应状态量的量测值,如式(13):
其中,x(0)为粗尺度状态向量的初值。xcb,p(0)和xv(0)分别表示粗尺度支路功率状态向量和粗尺度节点电压状态向量的初值。zcb和zv分别表示粗尺度融合周期开始时刻支路功率量测值和节点电压量测值。
8)进行粗尺度状态估计
利用式(11)构建的粗尺度融合量测方程与式(13)给定的粗尺度状态向量初值,进行粗尺度状态估计(状态估计方法可使用加权最小二乘等方法)。将粗尺度状态估计结果上送至调度中心,供调度员使用。
9)进入下一个细尺度融合周期,重复步骤2)-8)。
以下介绍本发明方法的变电站变结构双尺度数据融合方法实施例
本实施例的变电站模型如图2所示:图2中的变电站模型采用常见的3/2接线方式及典型量测配置。为便于分析,本实施例只考虑单相量测和模型。其中,各开关(CB1~9)有来自RTU的功率量测量Pcb、Qcb。各出线节点(ND1~6)上有来自PMU的复电压复电流量测以及来自RTU的功率量测Pnd、Qnd。各出线节点和母线节点(ND7~8)还有来自RTU的电压幅值量测Und。
在给定量测真值的基础上,加入高斯白噪声,则可得到各量测的实际量测值。不同量测的误差标准差不同。对于RTU功率量测,误差标准差设为0.02,电压幅值量测误差标准差为0.01。由PMU复电压及复电流量测可计算出功率伪量测,其误差标准差设为0.002。PMU复电压量测的幅值部分标准差为0.005,相角部分标准差为0.002。PMU的采样频率设为50帧/min,RTU采样频率设为2帧/min。正则化残差检测门槛值为3.0。在计算中,细尺度融合采用具有较好预测精度的无迹卡尔曼滤波(UKF)算法。
为了体现变电站变结构双尺度数据融合的效果,仿真中对以下两种典型的数据融合方法进行对比:
已有的方法:仅在粗尺度融合周期开始时刻采用最新到达的RTU量测和PMU量测进行单断面混合量测状态估计;
本发明实施例的方法:即在细尺度同时采用RTU和PMU节点注入量测进行局部数据融合,在粗尺度融合周期开始时刻同时采用细尺度融合结果及最新到达的RTU支路量测进行混合式数据融合。
两种方法的测试场景为:假设从某一时刻开始,节点ND1的PMU和RTU注入有功功率量测Pnd,1以及开关CB2上的支路有功量测Pcb,2发生了一致性坏数据。
两种方法的测试结果如图3所示,图中,实线表示真值,虚线表示PMU量测值,圆圈连线表示采用已有方法的估计值,棱形连线表示采用本实施例方法的估计值。
可以看出:采用已有方法进行融合,在发生坏数据时刻无法辨识这些坏数据,在以后时刻得到错误的估计结果,其中,Pnd,1和Pcb,2在粗尺度融合周期开始时刻的估计结果如图3中“o”线所示。
采用本实施例的方法,在细尺度就能将PMU和RTU节点注入有功功率量测Pnd,1坏数据辨识出来并剔除,得到了正确的融合估计结果,从而为粗尺度融合提供了更可靠的融合数据。其中,Pnd,1和Pcb,2在粗尺度融合周期开始时刻的估计结果如图3中“◇”线所示。
通过本实施例,验证了本发明方法可有效辨识和剔除变电站内的坏数据,提高变电站状态估计的抗差性能。
Claims (1)
1.一种变电站变结构双尺度数据融合方法,其特征在于,该方法包括以下步骤:
1)构造粗、细尺度状态向量
粗尺度融合周期开始时刻,采用变电站零阻抗开关模型,选取各零阻抗开关支路功率及各节点复电压为状态量,构造粗尺度状态向量如式(1):
其中,x为粗尺度状态向量,由xcb,p和xv组成;xcb,p为粗尺度功率状态向量,即各零阻抗开关支路的三相有功功率及无功功率;xv为粗尺度电压状态向量,即各母线三相复电压;
细尺度融合周期开始时刻,采用变电站母线模型,选取各非零阻抗支路功率及各节点复电压为状态量,构造细尺度状态向量如式(2):
其中,y为细尺度状态向量,由yp和yv组成;yp为细尺度功率状态向量,即各非零阻抗支路的三相有功功率及无功功率;yv为细尺度电压状态向量,即各母线三相复电压;
2)构建细尺度融合量测方程
在细尺度融合周期开始时刻,采用母线模型对细尺度融合周期TF内的PMU和RTU节点量测量进行细尺度数据融合,构建细尺度融合量测方程如式(3):
其中,zF为细尺度量测向量,zF由节点功率量测向量和节点电压量测向量组成,F为细尺度量测矩阵,eF为细尺度量测误差向量;
式(3)中的节点功率量测向量由式(4)中的三部分组成:
式中,为细尺度融合周期内来自PMU的非零阻抗支路三相功率量测,为细尺度融合周期内来自RTU的非零阻抗支路三相功率量测;为依据基尔霍夫电流定律构造的细尺度零注入伪量测,表示母线各节点注入功率之和为零;在该细尺度融合周期TF内,如果没有RTU量测数据,此时不存在,仅由和组成,如式(5):
式(3)中的节点电压量测向量由式(6)中的两部分组成:
其中,为细尺度融合周期内的来自PMU的各节点三相复电压量测;为细尺度融合周期内来自RTU的各节点三相电压量测;在该细尺度融合周期TF内,如果没有RTU量测数据时,此时不存在,仅由组成,如式(7):
3)给定细尺度状态向量y的初值
根据不同情况给定式(2)中细尺度状态向量y的初值y(0):
a.在首个细尺度融合周期的初始时刻,将该初值取为这一时刻对应状态量的量测值,如式(8):
其中,y0(0)为首个细尺度融合周期的初始时刻的状态向量初值,和分别表示首个细尺度融合周期的初始时刻的功率状态向量和电压状态向量的初值,和分别为首个细尺度融合周期的初始时刻的功率量测值和电压量测值;
b.在其他细尺度融合周期的初始时刻,若前一细尺度融合周期的初始时刻未进行粗尺度数据融合,则取前一细尺度融合周期的初始时刻对应状态量的估计值作为本时刻细尺度数据融合的状态向量初值,如式(9):
其中,yk+1(0)为第k+1个细尺度融合周期开始时刻的状态向量初值,和分别表示第k+1个细尺度融合周期开始时刻的功率状态向量和电压状态向量的初值,和分别为第k个细尺度融合周期开始时刻的功率状态向量和电压状态向量估计值;
c.在其他细尺度融合周期的初始时刻,若前一细尺度融合周期内进行了粗尺度数据融合和粗尺度状态估计,则取粗尺度状态估计结果中对应于细尺度融合状态向量的估计值作为本时刻细尺度数据融合的状态向量初值,如式(10):
其中,y1(0)为进行了粗尺度数据融合和粗尺度状态估计后的第1个细尺度融合周期开始时刻的状态向量初值,和分别表示进行粗尺度数据融合和粗尺度状态估计后的第1个细尺度融合周期开始时刻的功率状态向量和电压状态向量的初值,和分别为前一细尺度融合周期内进行的粗尺度状态估计后得到的功率状态向量和电压状态向量的估计值;
4)进行细尺度状态估计
利用式(3)构建的细尺度融合量测方程与式(8)、(9)或(10)给定的细尺度状态向量初值,进行细尺度状态估计;
5)重复步骤2)‐4),直至粗尺度融合周期开始时刻的到来,转步骤6);
6)构建粗尺度融合量测方程
在粗尺度融合周期开始时刻,采用零阻抗开关模型,将粗尺度融合周期TS内到达的RTU开关支路三相功率量测zcb,以及最近一次细尺度融合得到的细尺度融合状态量估计值和粗尺度零注入伪量测共同构成粗尺度量测向量zS并进行粗尺度数据融合;构建粗尺度融合量测方程如式(11):
其中,zS为粗尺度量测向量,zcb为粗尺度支路三相功率量测量,分别为最近一次细尺度融合得到的细尺度功率状态向量yp、细尺度电压状态向量yv的估计值,为依据基尔霍夫电流定律构造的粗尺度零注入伪量测向量;x为由式(1)定义的粗尺度状态量,包括零阻抗支路功率及各节点复电压;s(x)为粗尺度量测函数;υcb为支路三相功率量测zcb的量测误差向量;ηp、ηv为最近一次细尺度融合得到的细尺度功率状态向量yp、细尺度电压状态向量yv的估计误差向量,如式(12):
7)给定粗尺度状态向量初值
粗尺度状态向量的初值取这一时刻对应状态量的量测值,如式(13):
其中,x(0)为粗尺度状态向量的初值;xcb,p(0)和xv(0)分别表示粗尺度支路功率状态向量和粗尺度节点电压状态向量的初值;zcb和zv分别表示粗尺度融合周期开始时刻支路功率量测值和节点电压量测值;
8)进行粗尺度状态估计
利用式(11)构建的粗尺度融合量测方程与式(13)给定的粗尺度状态向量初值,进行粗尺度状态估计;将粗尺度状态估计结果上送至调度中心,供调度员使用;
9)进入下一个细尺度融合周期,重复步骤2)-8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410736920.XA CN104462813B (zh) | 2014-12-05 | 2014-12-05 | 一种变电站变结构双尺度数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410736920.XA CN104462813B (zh) | 2014-12-05 | 2014-12-05 | 一种变电站变结构双尺度数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104462813A CN104462813A (zh) | 2015-03-25 |
CN104462813B true CN104462813B (zh) | 2017-07-14 |
Family
ID=52908842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410736920.XA Expired - Fee Related CN104462813B (zh) | 2014-12-05 | 2014-12-05 | 一种变电站变结构双尺度数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104462813B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106921156B (zh) * | 2015-12-25 | 2019-11-01 | 中国电力科学研究院 | 一种基于多采样周期混合量测的主动配电网状态估计方法 |
CN109711662B (zh) * | 2018-11-14 | 2021-03-09 | 华北电力大学 | 一种基于多源数据融合的电网抗差状态估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200943754A (en) * | 2008-04-03 | 2009-10-16 | Cable Wave Tech Corp | Optical fiber monitoring method |
CN101924364A (zh) * | 2010-07-23 | 2010-12-22 | 清华大学 | 变电站-调度中心两级分布式电网的非线性状态估计方法 |
CN102361353A (zh) * | 2011-10-26 | 2012-02-22 | 东北电网有限公司 | 基于双时间尺度延时估计的断面生数据对齐方法 |
-
2014
- 2014-12-05 CN CN201410736920.XA patent/CN104462813B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200943754A (en) * | 2008-04-03 | 2009-10-16 | Cable Wave Tech Corp | Optical fiber monitoring method |
CN101924364A (zh) * | 2010-07-23 | 2010-12-22 | 清华大学 | 变电站-调度中心两级分布式电网的非线性状态估计方法 |
CN102361353A (zh) * | 2011-10-26 | 2012-02-22 | 东北电网有限公司 | 基于双时间尺度延时估计的断面生数据对齐方法 |
Non-Patent Citations (7)
Title |
---|
a simulatino and training system for active distribution network;Yangbin Sun等;《innovation smart grid technologies-Asia,2012 IEEE》;20120524;第1-6页 * |
family of energy management system for smart grid;Hongbin Sun;《innovative smart grid technologies(ISGT Europe),2012 3rd IEEE PES international conference and exhibition on 》;20121017;第1-5页 * |
optimal placement of PMU and RTU by hybrid genetic algorithm and simulated annealing for multiarea power system state estimation;thawatch kerdchuen等;《hybrid genetic algorithm&simulated annealing》;20091231;第51-55页 * |
transition to a two-level linear state estimator-part II:algorithm;Tao Yang等;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20110228;第26卷(第1期);第54-62页 * |
two level PMU-based linear state estimator;Tao Yang等;《Power systems conference and exposition,2009,PSCE 09.IEEE/PES》;20090318;第1-6页 * |
基于零阻抗支路模型的变电站三相非线性状态估计方法;李青芯等;《中国电机工程学报》;20110905;第31卷(第25期);第73-80页 * |
自律协同的智能电网能量管理***家族:概念、体系架构和示例;孙宏斌等;《电力***自动化》;20140510;第38卷(第9期);第1-5、14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104462813A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Della Giustina et al. | Electrical distribution system state estimation: measurement issues and challenges | |
CN101924364B (zh) | 变电站-调度中心两级分布式电网的非线性状态估计方法 | |
Schenato et al. | Bayesian linear state estimation using smart meters and pmus measurements in distribution grids | |
Liao et al. | Online optimal transmission line parameter estimation for relaying applications | |
Dutta et al. | Transmission-line fault analysis using synchronized sampling | |
CN100523840C (zh) | 通过辨识电网薄弱环节实时识别电网电压稳定性的方法 | |
Khoshkhoo et al. | On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system | |
CN103870703B (zh) | 一种基于戴维南等值参数跟踪的动态短路比计算方法 | |
Cordova et al. | Fault location identification in smart distribution networks with distributed generation | |
CN101958543A (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
Seyedi et al. | Distributed generation monitoring for hierarchical control applications in smart microgrids | |
CN103020726A (zh) | 面向全pmu量测的抗差状态估计方法 | |
CN103593566B (zh) | 混合二次规划形式的电力***综合状态估计方法 | |
CN105548719A (zh) | 一种对地绝缘电阻的检测电路及方法 | |
CN106253244B (zh) | 一种基于电流自构参考量的电流方向纵联保护方法 | |
CN102135588B (zh) | 一种利用s变换频谱特性的辐射网故障智能测距方法 | |
CN103762594A (zh) | 基于时钟同步数据矩阵的馈线合环冲击电流计算方法 | |
Pradhan et al. | Cable fault location in a dc microgrid using current injection technique | |
CN104462813B (zh) | 一种变电站变结构双尺度数据融合方法 | |
Duong et al. | Online voltage stability monitoring based on PMU measurements and system topology | |
Zhang et al. | Real-time transformer parameter estimation using terminal measurements | |
CN105069707A (zh) | 一种基于正态分布统计的母线功率平衡分析方法 | |
Ordonez et al. | Prony-based on-line oscillation detection with real PMU information | |
CN104078975A (zh) | 单变压器变电站谐波状态估计方法 | |
Quan et al. | The real-time digital simulation system for distribution network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170714 Termination date: 20201205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |