CN106707061A

CN106707061A - 基于混合量测的配电网动态状态估计方法

Info

Publication number: CN106707061A
Application number: CN201611170195.XA
Authority: CN
Inventors: 涂春鸣; 何西; 帅智康; 王丽丽; 李昭颖; 郭祺; 孙勇
Original assignee: Hunan University
Current assignee: Hunan University
Priority date: 2016-12-16
Filing date: 2016-12-16
Publication date: 2017-05-24

Abstract

本发明公开了基于混合量测的配电网动态状态估计方法，读取配电网当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路‑节点关联矩阵；读取配电网各节点的SCADA数据和PMU数据，配置两种数据间的映射关系并处理两种数据间的差异；建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程；在传统的扩展卡尔曼滤波方法中加入容错机制，采用改进的扩展卡尔曼滤波方法对配电网进行状态估计。将动态状态估计应用于混合量测，提高状态估计的精确度，同时引入一种具有适应性的数据检测机制，提高动态状态估计的准确性。

Description

基于混合量测的配电网动态状态估计方法

技术领域

本发明属于电力***技术领域，涉及一种基于混合量测的配电网动态状态估计方法。

背景技术

PMU由于采集量测数据快、量测数据精度高等优点，正逐步应用于配电网。动态状态估计可以提前估计下一时刻的状态，能为优化调度和预防控制提供预报数据，能为配电网运行状态进行准确而全面的实时监测。然而大多数的基于PMU的配电网动态状态估计研究都停留在纯PMU***，由于目前全网配置PMU的不经济性，这些研究大多缺乏现实意义。

现有的坏数据的检测与辨识方法，大多是在假设***拓扑结构正确的前提下进行检测与辨识的，而***拓扑错误辨识是在假设量测***正常、无坏数据的情况下进行辨识的。当***量测量突然变化与坏数据同时发生以及网络拓扑错误和坏数据同时发生，原有方法将不再适用。

发明内容

为实现上述目的，本发明提供一种基于混合量测的配电网动态状态估计方法，将动态状态估计应用于混合量测，提高状态估计的精确度，同时引入一种具有适应性的数据检测机制，提高动态状态估计的准确性，解决了现有技术中存在的问题。

本发明所采用的技术方案是，基于混合量测的配电网动态状态估计方法，具体按照以下步骤进行：

步骤1，读取配电网当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵。

步骤2，读取配电网各节点的SCADA数据和PMU数据，配置两种数据间的映射关系并处理两种数据间的差异；

步骤3，建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程；

步骤4，在传统的扩展卡尔曼滤波方法中加入容错机制，采用改进的扩展卡尔曼滤波方法对配电网进行状态估计。

进一步地，步骤2中，配置SCADA数据和PMU数据间的映射关系包括以下步骤：

依此读入各PMU设备的通道序号、通道类型、通道名称、通道值类型、相量序等类型数据；选择与之硬件标识对应的厂站，得到厂站ID、厂站名称、拓扑名称、设备类型ID、设备类型、设备ID和设备名称等类型数据；将当前PMU设备的各种类型数据与与之通道类型对应的SCADA数据的各类型数据对应完全。

进一步地，步骤2中，在处理SCADA数据和PMU数据两种数据间的差异中，应用于状态估计的PMU数据和SCADA数据主要有以下4种差异：数据成分、数据时间断面、数据精度、数据刷新频率。PMU数据和SCADA数据这两套数据成分不同可以通过混合模型的状态估计解决；数据时间断面不一致的问题，通过时延校正法实现其兼容性；对不同精度的测量数据赋予不同的权重可以实现数据精度的兼容性；针对数据刷新频率方面的差异，采用适当的数据预测方法对SCADA数据进行预测使两种数据频率一致。

进一步地，步骤3中，建立与PMU/SCADA混合量测相适应的状态转移方程，采用Holt’s两参数线性指数平滑法建立：

F_k＝α(1+β)I

b_k＝β(a_k-a_k-1)+(1-β)b_k-1

式中：F_k为状态转移矩阵，G_k为控制向量；I为单位矩阵；a_k为k时刻的水平分量，a_k-1为k-1时刻的水平分量，b_k为k时刻的倾斜分量，b_k-1为k-1时刻的倾斜分量；为k时刻的状态估计值，为k时刻的状态预测值；α,β∈[0,1]为平滑参数，取α＝0.5，β＝0.8。

进一步地，步骤3中，建立与PMU/SCADA混合量测相适应的测量方程，按照以下步骤进行：

在SCADA***的基础上加入PMU数据，形成混合量测，SCADA***可以测得实时量测值P_i(x)，Q_i(x)，P_ij(x)，Q_ij(x)，其中P_i(x)，Q_i(x)表示节点注入有功、无功功率与状态向量的关系，P_ij(x)，Q_ij(x)表示输电线路有功、无功功率与状态向量关系，却不能测得节点电压幅值和相角，而PMU数据可精确测得节点电压幅值和相角，它所测得数据可以直接参与状态估计，为了更好地满足实时在线需求，将PMU的各种量测向量转换成节点电流向量，相应的节点电流向量为：

式中：P_i、Q_i为节点注入功率量测；P_ij、Q_ij为支路电流幅值量测；I_ij为支路电流幅值量测；I_i为节点注入电流量测；e_i、f_i分别为i侧的节点电压实部和节点电压的虚部，i、j为节点编号。

进一步地，步骤4中，加入数据检测机制的步骤为：

定义量测误差：

式中：r_i(k)为i节点的量测误差，z_i(k)为i节点的量测值，为i节点的量测估计值。

标准化量测误差：

式中：为i节点的标准化量测误差，σ_i(k)为i节点的量测标准差。

选取适当的阈值β对数据好坏进行判断。当时，可判定该量测值有效，可用于电力***状态预测；当时，则该量测值无效，应舍弃，用估计值代替测量值对电力***状态进行监测。β的取值影响数据检测的准确度，应根据实际***适当选择。

进一步地，步骤4中，改进的扩展卡尔曼滤波方法，包括：

预测步：

测量更新步：

式中：

为k+1时刻的状态预测值，x_k为k时刻的n维状态向量，f(x_k)为非线性状态转移函数，q_k为k时刻的n维误差向量，服从均值为零的正态分布，即q_k～N(0,Q_k)，Q_k为k时刻的n×n维误差方差矩阵，P_k+1|k为k+1时刻的预报误差协方差矩阵，F_k是k时刻的n×n维的状态转移函数，是k时刻的状态转移函数的转置，P_k为k时刻的估计误差协方差矩阵，P_k+1为k+1时刻的估计误差协方差矩阵，ε_k+1为误差矩阵，z_k+1为k+1时刻的m维量测向量；为非线性量测函数，r_k为k时刻的m维量测误差向量，服从均值为零的正态分布，即r_k～N(0,R_k)，R_k为k时刻的m×m维量测误差方差矩阵，K_k+1为增益矩阵，为k时刻m×m维量测矩阵的转置，H_k+1为k+1时刻的m×m维量测矩阵，为k+1时刻m×m维量测矩阵的转置，R_k+1为k+1时刻的m×m维量测误差方差矩阵，为k+1时刻的状态估计更新值；为k+1时刻的估计误差协方差矩阵，I为单位矩阵，m、n分别为***的量测量数目和状态变量数目。

本发明的有益效果：精确度高，基于SCADA/PMU混合量测数据，为***提供更加准确的量测信息，同时融入一种具有适应性的数据检测机制，能够及时的检测不良数据，为控制决策中心进行经济调度、安全评估和其它相关的高级应用提供数据支持，对于未来智能电网建设具有很重要的意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的流程图。

图2是本发明实施例10kV市中Ⅳ线拓扑结构图。

图3是一***节点电压测试结果。

图4是一***节点相角测试结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

(1)读取配电网当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵。

本实例以图2所示江西省共青城10kV配电线路中的市中Ⅳ线为例进行仿真，在节点3、8、9、10、25配置了PMU。

(2)读取配电网各节点的SCADA和PMU实时量测值，配置两种数据间的映射关系并处理两种数据间的差异。

(3)建立与PMU/SCADA混合量测相适应的状态转移方程和测量方程。

(4)在传统的扩展卡尔曼滤波方法中加入数据检测机制，采用改进的扩展卡尔曼滤波方法对配电网进行动态状态估计。

此外，为了更好的体现本发明所提到的数据检测机制的性能，将噪声加入到量测数据中，观察动态状态估计效果。结果如附图3、图4所示，可以很明显地看出，改进型的扩展卡尔曼滤波(Extend Kalman Filter，EKF)能更好地滤除噪声，更加真实地反映配电网状态。

综上，本发明能利用来自SCADA和PMU的量测数据实时快速地追踪预测电网各节点运行状态(电压幅值和相角)，并且估计精度高，能够及时的检测不良数据，为控制决策中心进行经济调度、安全评估和其它相关的高级应用提供数据支持，对于未来智能电网建设具有很重要的意义。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims

1.基于混合量测的配电网动态状态估计方法，其特征在于，具体按照以下步骤进行：

步骤1，读取配电网当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵；

2.根据权利要求1所述的基于混合量测的配电网动态状态估计方法，其特征在于，所述步骤2中，配置SCADA数据和PMU数据间的映射关系包括以下步骤：

依此读入各PMU设备的通道序号、通道类型、通道名称、通道值类型、相量序类型数据；选择与之硬件标识对应的厂站，得到厂站ID、厂站名称、拓扑名称、设备类型ID、设备类型、设备ID和设备名称类型数据；将当前PMU设备的各种类型数据与与之通道类型对应的SCADA数据的各类型数据对应完全。

3.根据权利要求1所述的基于混合量测的配电网动态状态估计方法，其特征在于，所述步骤2中，在处理SCADA数据和PMU数据两种数据间的差异中，应用于状态估计的PMU数据和SCADA数据有以下4种差异：数据成分、数据时间断面、数据精度、数据刷新频率；PMU数据和SCADA数据这两套数据成分不同可以通过混合模型的状态估计解决；数据时间断面不一致的问题，通过时延校正法实现其兼容性；对不同精度的测量数据赋予不同的权重可以实现数据精度的兼容性；针对数据刷新频率方面的差异，采用适当的数据预测方法对SCADA数据进行预测使两种数据频率一致。

4.根据权利要求1所述的基于混合量测的配电网动态状态估计方法，其特征在于，所述步骤3中，建立与PMU/SCADA混合量测相适应的状态转移方程，采用Holt’s两参数线性指数平滑法建立：

F_k＝α(1+β)I

b_k＝β(a_k-a_k-1)+(1-β)b_k-1

5.根据权利要求1所述的基于混合量测的配电网动态状态估计方法，其特征在于，所述步骤3中，建立与PMU/SCADA混合量测相适应的测量方程，按照以下步骤进行：

I_{i} = \frac{P_{i} e_{i} + Q_{i} f_{i}}{e_{i}^{2} + f_{i}^{2}} + j \frac{P_{i} f_{i} - Q_{i} e_{i}}{e_{i}^{2} + f_{i}^{2}}

I_{i j} = \frac{P_{i j} e_{i} + Q_{i j} f_{i}}{e_{i}^{2} + f_{i}^{2}} + j \frac{P_{i j} f_{i} - Q_{i j} e_{i}}{e_{i}^{2} + f_{i}^{2}}

6.根据权利要求1所述的基于混合量测的配电网动态状态估计方法，其特征在于，所述步骤4中，加入数据检测机制的步骤为：

定义量测误差：

式中：r_i(k)为i节点的量测误差，z_i(k)为i节点的量测值，为i节点的量测估计值；

标准化量测误差：

r_{i}^{N} (k) = \frac{r_{i} (k)}{σ_{i} (k)}

式中：为i节点的标准化量测误差，σ_i(k)为i节点的量测标准差；

选取适当的阈值β对数据好坏进行判断；当时，可判定该量测值有效，可用于电力***状态预测；当时，则该量测值无效，应舍弃，用估计值代替测量值对电力***状态进行监测；β的取值影响数据检测的准确度，应根据实际***适当选择。

7.根据权利要求1所述的基于混合量测的配电网动态状态估计方法，其特征在于，所述步骤4中，改进的扩展卡尔曼滤波方法，包括：

预测步：

P_{k + 1 | k} = F_{k} P_{k} F_{k}^{T} + Q_{k}

测量更新步：

K_{k + 1} = P_{k + 1 | k} H_{k}^{T} {(H_{k + 1} P_{k + 1} H_{k + 1}^{T} + R_{k + 1})}^{- 1}

式中：为k+1时刻的状态预测值，x_k为k时刻的n维状态向量，f(x_k)为非线性状态转移函数，q_k为k时刻的n维误差向量，服从均值为零的正态分布，即q_k～N(0,Q_k)，Q_k为k时刻的n×n维误差方差矩阵，P_k+1|k为k+1时刻的预报误差协方差矩阵，F_k是k时刻的n×n维的状态转移函数，是k时刻的状态转移函数的转置，P_k为k时刻的估计误差协方差矩阵，P_k+1为k+1时刻的估计误差协方差矩阵，ε_k+1为误差矩阵，z_k+1为k+1时刻的m维量测向量；为非线性量测函数，r_k为k时刻的m维量测误差向量，服从均值为零的正态分布，即r_k～N(0,R_k)，R_k为k时刻的m×m维量测误差方差矩阵，K_k+1为增益矩阵，为k时刻m×m维量测矩阵的转置，H_k+1为k+1时刻的m×m维量测矩阵，为k+1时刻m×m维量测矩阵的转置，R_k+1为k+1时刻的m×m维量测误差方差矩阵，为k+1时刻的状态估计更新值；为k+1时刻的估计误差协方差矩阵，I为单位矩阵，m、n分别为***的量测量数目和状态变量数目。