CN107403261A - 一种海量电网数据量测坏数据的快速检测辨识方法 - Google Patents
一种海量电网数据量测坏数据的快速检测辨识方法 Download PDFInfo
- Publication number
- CN107403261A CN107403261A CN201710561374.4A CN201710561374A CN107403261A CN 107403261 A CN107403261 A CN 107403261A CN 201710561374 A CN201710561374 A CN 201710561374A CN 107403261 A CN107403261 A CN 107403261A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- bad data
- data
- measures
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000012850 discrimination method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010937 topological data analysis Methods 0.000 claims abstract description 7
- 230000011664 signaling Effects 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 84
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000011109 contamination Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种海量电网数据量测坏数据的快速检测辨识方法,属于电网数据的检测辨识领域,针对现有的状态估计的坏数据检测方法,存在面对大量数据的时候不能同时满足坏数据辨识率高,计算速度快的问题,另外还存在漏检与误检的缺点,本发明提出了海量电网数据两侧坏数据的快速检测辨识技术,首先,对遥信进行拓扑分析,然后基于拓扑关系,进行坏数据检测SCADA辨识,最后对不良数据进行动态分区,双层精细化坏数据检测与辨识,实现在大数据的情况下,快速准确高效的坏数据检测与辨识,提高坏数据辨识准确率,节省检测时间,提高效率。
Description
技术领域
本发明涉及电网数据的检测辨识方法,特别涉及一种海量电网数据量测坏数据的快速检测辨识方法。
技术背景
电力工业是国民经济的重要支柱产业,是国家经济发展战略中的重点和先行产业。随着产业发展,科学技术进步,电力***呈现出广域分布、数据量庞大、模型复杂等特点,是一个典型的数据密集型、通信密集型和计算密集型的大型***,由于采样、发送、通信、接收、存储等环节以及其他因素,导致状态估计计算用的量测数据不可避免的存在坏数据,从而对状态估计的计算精度产生了很大的影响。而电力***状态估计是EMS(能量管理***)的重要组成部分,也是EMS(能量管理***)其他高级应用软件的基础,在调度自动化***起着举足轻重的作用。其主要功能是利用电网实时量测***的冗余量测信息,通过最佳估计准则计算得到最接近***真实状态的最佳估计值。电力***状态估计的精度和实时性将直接影响到电力***监测、决策和控制的准确性以及实时性,而坏数据检测与辨识技术又是提高状态估计计算精度的关键步骤,因此准确的坏数据检测辨识环节对状态估计以及后续应用的准确分析、控制具有重要意义。
由于在状态估计过程中,坏数据是不可避免的,同时参数错误也是可能存在的,已知计算条件和待求量都不确定,这给取信对象的选取以及出现较大残差时定位问题根源带来了困难。此外,大多坏数据在辨识过程中都会设定坏数据门槛值,且此门槛值是针对整个量测***的,其辨识过程存在不灵敏和不准确问题,有很多真正的坏数据被排在可疑数据队列的最后面,而很多非坏数据的可疑数据却排在了可疑数据队列的前面,导致最终辨识结果的不正确。如何从海量电网数据中检测辨识坏数据,是状态估计中的难题,各种检测辨识方法层出不穷,但切实有效能够真正很好的应用于实际电力***的统一方法,之前并没有。事实上,经实验发现,坏数据的影响范围是非常有限的,可以把坏数据检测与辨识的范围限制在某一局部范围内,以提高坏数据检测辨识的灵敏性和准确性。
针对现有的状态估计的坏数据检测方法,主要有一下几种,如目标函数极值检测法不能确定坏数据的具***置,且其需要至少完成一次状态估计,计算效率低;加权残差检测法属于静态检测法,需要求解出状态量后计算加权残差矢量,至少需要一次状态估计,其缺点是漏检与误检虽然概率较小,但无法避免;标准化残差检测法属于静态检测法,需要求解出状态量后计算标准化残差矢量,至少需要一次状态估计,其缺点也是漏检与误检虽然概率较小,但无法避免;残差搜索辨识法在一定程度上是有效的,但其单独使用时效果一般较差,可与别的一些方法相结合以提升总体辨识的准确性;估计辨识法对估计误差的求解精度依赖于数据检测***的完备性,若可信量测集中包含了坏数据,则估计结果仍将受到不小的影响;对于上述提到的现有技术都存在面对大量数据的时候不能同时满足坏数据辨识率高,计算速度快的问题,另外还存在漏检与误检的缺点,本发明提出了一种海量电网数据量测坏数据的快速检测辨识方法,实现在大数据的情况下,快速准确高效的坏数据检测与辨识,并开发坏数据检测辨识软件,提高坏数据辨识准确率。
发明内容
为了克服上述现有技术的不足,本发明提供了一种海量电网数据量测坏数据的快速检测辨识方法,实现在大数据的情况下,快速准确高效的坏数据检测与辨识,并开发坏数据检测辨识软件,提高坏数据辨识准确率,对电网发展,有着很重要的实际意义。
一种海量电网数据量测坏数据的快速检测辨识方法,本发明所述的方法包括以下步骤:
步骤1:基于SCADA遥信进行拓扑分析;
步骤2:基于拓扑关系,进行坏数据检测辨识;
步骤3:进行双层精细化坏数据检测与辨识。
所述步骤1基于SCADA遥信进行拓扑分析,包含如下步骤:
步骤1.1根据电网中开关、刀闸等逻辑设备的状态以及各种原件的连接关系,产生电网计算用的母线和网络模型;
步骤1.2进行结线分析任务,处理实时开关状态;
步骤1.2.1母线分析任务,分析变电站的母线段由闭合开关联结成多少估计计算用的节点;
步骤1.2.2和***分析任务,分析整个***的计算用节点由支路联结成多少子***;
步骤1.2.3在进行量测***分析任务,按子***划分量测***,并检查各子***的可观测性;
量测***的分析结果满足世界电力***状态估计和潮流计算的数据要求。
所述步骤2基于拓扑关系,进行坏数据检测辨识,包含如下步骤:
步骤2.1:形成节支关联矩阵、支节关联矩阵、回支关联矩阵;
步骤2.2:检测,基于kcl(基尔霍夫电流定律)和kvl(基尔霍夫电压定律)原理,对PMU量测和SCADA量测进行扫描;
步骤2.2.1支路有功平衡性扫描,量测SCADA有功量测、PMU有功量测,忽略支路有功损耗,设定门槛值;
步骤2.2.2支路无功平衡性扫描SCADA无功量测、PMU无功量测,采用以下近似公式进行无功平衡性判断:
Qij=vivjbcos(θij)-vi 2(b+yc)-vivjgsin(θij)
Qji=vivjbcos(θij)-vj 2(b+yc)+vivjgsin(θij)。
ΔQ=2vivjbcos(θij)-(vj 2+vi 2)(b+yc)
≈2vivjb-(vj 2+vi 2)(b+yc)
|Qij+Qji-ΔQ|≈0
Qij两个节点间无功;νii点的节点电压;νjj点的节点电压;
θij两个节点间相角差;g电导;b电纳;y补偿的无功;
ΔQ无功损耗;
步骤2.2.3节点功率平衡性扫描,量测SCADA有功无功量测,PMU有功无功量测,无功量测考虑电容电抗器;
步骤2.2.4支路有功电流平衡性扫描,量测PMU量测;
步骤2.2.5节点电流平衡性扫描,量测PMU量测;
步骤2.2.6电压回路平衡性扫描,量测PMU量测;
根据环路电压相角和为0,检测电压相角信息的正确性;
通过以上扫描对所有量测进行初步检测确定可信量测和可疑量测,对为量测赋值对应平衡性标志。
步骤2.3辨识,利用拓扑关系,SCADA和PMU互相校正的信息,来辨识和修正坏数据。
步骤2.3.1排序:
统计SCADA所有节点有功功率不平衡节点关联有功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
统计SCADA所有节点无功功率不平衡节点关联无功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
统计PMU所有节点有功功率不平衡节点关联有功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
统计PMU所有节点无功功率不平衡节点关联无功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
步骤2.3.2辨识与修正,考虑到状态估计量测的一致性和准确性,本方法以PMU量测为主,SCADA量测为辅进行坏数据辨识。
循环PMU有功量测不平衡节点:
关联有功功率不平衡支路数为0,此时说明注入量测为坏数据,综合SCADA量测和当前节点功率平衡修正。如果不存在注入功率,则说明门槛值设置不太合理,可以忽略(保持可疑量测质量位)或对支路功率不平衡量最大的支路进行修正。同时更新量测质量位。
关联有功功率不平衡支路数大于0,考虑可疑量测较多,则不能采用本节点功率平衡的原则,采用支路对端节点功率平衡的方法进行辨识和修正,如果仍不能辨识和修正,则采用SCADA量测进行辨识和修正。若仍不能修正则保持可疑量测质量位。
通过以上辨识修正过程,基本涉及到了所有的功率不平衡量测,如果仍有可疑量测则保持可疑量测质量位。
考虑到充裕的量测信息,电压量测信息和电流量测信息,直接根据检测结果,保持可信量测质量位和可疑量测质量位。
根据以上检测辨识结果,对不同的量测施以不同的量测权重,进行状态估计计算。
步骤3双层分区精细化坏数据检测辨识技术;
通过上文所述的方法进行坏数据检测与辨识,基本判明了可疑量测分布的区域并进行了坏数据辨识和修正,但仍有部分数据未能辨识和修正,需进一步的提高辨识度和修正准确度。
残差污染现出现时不仅坏数据本身不能正确估计,而且还对好数据量测的估计值产生影响,使原本量测准确的量测的估计值偏离正确量测值,进而使状态估计计算结果精度大大降低。有时还会出现被污染的估计残差比真正坏数据的估计残差还大,此时传统的坏数据检测与辨识方法一般都很难真确辨识坏数据,出现误判,导致状态估计结果更差。
通过对大量算例的仿真分析,发现坏数据产生的残差污染现象具有很强的局部效应。因此,只需针对当前量测情况,对量测集合进行动态分区,并对单个区域内的量测开展坏数据检测与辨识。由于各分区内的坏数据检测辨识工作可并行开展,使得坏数据辨识速度得到大大提高。
基于坏数据影响的局部性,本发明提出了动态分区的坏数据检测与辨识技术,并针对单个分区提出了双层精细化坏数据辨识算法,以提高状态估计计算精度,步骤如下:
步骤3.1基于拓扑法辨识结果,考虑可疑数据量测权重进行状态估计计算;
步骤3.2根据状态估计计算结果,对电网进行分区;
步骤3.3对各分区及内部量测进行双层坏数据检测辨识。
步骤3.2.1电网分区
(1)计算各测点的残差并取绝对值,按残差绝对值大小降序排列,形成绝对残差队列lr;
(2)取出lr队列中最大的残差,根据拓扑连接关系,搜索当前残差量测关联的其他量测量,并把关联量测量对应的残差信息从lr队列中取出,直到取出的量测残差信息足够小(小于设定阈值),截止到现在第一个动态区域形成;
(3)重复以上过程,完成对当前数据断面的所有量测的分区。
步骤3.3.1检测与辨识
(1)读取分区个数n,如果n大于0,则从所有分区中取出一个分区,计算分区量测的正则化残差,并给所有量测置可疑,如果n等于0,转步骤5;
(2)判断此分区是否存在坏数据,如果存在转步骤3,如果不存在执行n=n-1,转步骤1;
(3)剔除分区内正则残差超过辨识门槛值且最大可疑量测,并继续迭代计算,同时修正区域内各量测正则化残差。
(4)检测局部区域绝对残差变化情况,如果大大降低则认为剔除的当前量测为坏数据,同时置为坏数据,若有量测对应的正则化残差大大减小,若满足可信数据门槛要求,则将其设定为可信数据,若已被置为坏数据且满足数据恢复门槛,则将其恢复,转步骤2。如果正则化残差没有明显变化,则当前数据为好数据,置可信量测,并转步骤3;
(5)双层坏数据检测辨识结束。
为方便描述辨识思路,以上步骤是对各分区进行逐个辨识,实际由于各分区耦合性较低,各分区可以同时进行,这将大大提高算法计算性能。
与现有技术相比的有益效果:现有的技术一般都是要经过状态估计计算后,才能辨识出坏数据及其位置,并且,面对海量数据时,运算速率不够高效,本方法优点在于,第一步在状态估计计算前,就可以通过网络拓扑进行检测,重点是对不能粗检测的数据,可以将电网中大量的数据进行有效分区,在各分区及内部量测同时采取双层精细化坏数据检测辨识,能够在电网海量数据中快速准确辨识出坏数据。
附图说明
图1拓扑分析流程图
图2网络物理模型
图3基于动态分区的双层坏数据监测与辨识方法流程图
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
一种海量电网数据量测坏数据的快速检测辨识方法,本发明所述的方法包括以下步骤:
步骤1:基于SCADA遥信进行拓扑分析(见图1);
步骤2:基于拓扑关系,进行坏数据检测辨识;
步骤3:进行双层精细化坏数据检测与辨识。
所述步骤1基于SCADA遥信进行拓扑分析,包含如下步骤:
步骤1.1根据电网中开关、刀闸等逻辑设备的状态以及各种原件的连接关系,产生电网计算用的母线和网络模型(见图2);
步骤1.2进行结线分析任务,处理实时开关状态;
步骤1.2.1母线分析任务,分析变电站的母线段由闭合开关联结成多少估计计算用的节点;
步骤1.2.2和***分析任务,分析整个***的计算用节点由支路联结成多少子***;
步骤1.2.3在进行量测***分析任务,按子***划分量测***,并检查各子***的可观测性;
量测***的分析结果满足世界电力***状态估计和潮流计算的数据要求。
所述步骤2基于拓扑关系,进行坏数据检测辨识,包含如下步骤:
步骤2.1:形成节支关联矩阵、支节关联矩阵、回支关联矩阵;
步骤2.2:检测,基于kcl(基尔霍夫电流定律)和kvl(基尔霍夫电压定律)原理,对PMU量测和SCADA量测进行扫描;
步骤2.2.1支路有功平衡性扫描,量测SCADA有功量测、PMU有功量测,忽略支路有功损耗,设定门槛值;
步骤2.2.2支路无功平衡性扫描SCADA无功量测、PMU无功量测,
采用以下近似公式进行无功平衡性判断:
Qij=vivjbcos(θij)-vi 2(b+yc)-vivjgsin(θij)
Qji=vivjbcos(θij)-vj 2(b+yc)+vivjgsin(θij)。
ΔQ=2vivjbcos(θij)-(vj 2+vi 2)(b+yc)
≈2vivjb-(vj 2+vi 2)(b+yc)
|Qij+Qji-ΔQ|≈0
Qij两个节点间无功;νii点的节点电压;νjj点的节点电压;
θij两个节点间相角差;g电导;b电纳y补偿的无功;
ΔQ无功损耗;
步骤2.2.3节点功率平衡性扫描,量测SCADA有功无功量测,PMU有功无功量测,无功量测考虑电容电抗器;
步骤2.2.4支路有功电流平衡性扫描,量测PMU量测;
步骤2.2.5节点电流平衡性扫描,量测PMU量测;
步骤2.2.6电压回路平衡性扫描,量测PMU量测;
根据环路电压相角和为0,检测电压相角信息的正确性;
通过以上扫描对所有量测进行初步检测确定可信量测和可疑量测,对为量测赋值对应平衡性标志。
步骤2.3辨识,利用拓扑关系,SCADA和PMU互相校正的信息,来辨识和修正坏数据。
步骤2.3.1排序:
统计SCADA所有节点有功功率不平衡节点关联有功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
统计SCADA所有节点无功功率不平衡节点关联无功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
统计PMU所有节点有功功率不平衡节点关联有功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
统计PMU所有节点无功功率不平衡节点关联无功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
步骤2.3.2辨识与修正,考虑到状态估计量测的一致性和准确性,本方法以PMU量测为主,SCADA量测为辅进行坏数据辨识。
循环PMU有功量测不平衡节点:
关联有功功率不平衡支路数为0,此时说明注入量测为坏数据,综合SCADA量测和当前节点功率平衡修正。如果不存在注入功率,则说明门槛值设置不太合理,可以忽略(保持可疑量测质量位)或对支路功率不平衡量最大的支路进行修正。同时更新量测质量位。
关联有功功率不平衡支路数大于0,考虑可疑量测较多,则不能采用本节点功率平衡的原则,采用支路对端节点功率平衡的方法进行辨识和修正,如果仍不能辨识和修正,则采用SCADA量测进行辨识和修正。若仍不能修正则保持可疑量测质量位。
通过以上辨识修正过程,基本涉及到了所有的功率不平衡量测,如果仍有可疑量测则保持可疑量测质量位。
考虑到充裕的量测信息,电压量测信息和电流量测信息,直接根据检测结果,保持可信量测质量位和可疑量测质量位。
根据以上检测辨识结果,对不同的量测施以不同的量测权重,进行状态估计计算。
步骤3双层分区精细化坏数据检测辨识技术(见图3);
通过上文所述的方法进行坏数据检测与辨识,基本判明了可疑量测分布的区域并进行了坏数据辨识和修正,但仍有部分数据未能辨识和修正,需进一步的提高辨识度和修正准确度。
残差污染现出现时不仅坏数据本身不能正确估计,而且还对好数据量测的估计值产生影响,使原本量测准确的量测的估计值偏离正确量测值,进而使状态估计计算结果精度大大降低。有时还会出现被污染的估计残差比真正坏数据的估计残差还大,此时传统的坏数据检测与辨识方法一般都很难真确辨识坏数据,出现误判,导致状态估计结果更差。
通过对大量算例的仿真分析,发现坏数据产生的残差污染现象具有很强的局部效应。因此,只需针对当前量测情况,对量测集合进行动态分区,并对单个区域内的量测开展坏数据检测与辨识。由于各分区内的坏数据检测辨识工作可并行开展,使得坏数据辨识速度得到大大提高。
基于坏数据影响的局部性,本发明提出了动态分区的坏数据检测与辨识技术,并针对单个分区提出了双层精细化坏数据辨识算法,以提高状态估计计算精度,步骤如下:
步骤3.1基于拓扑法辨识结果,考虑可疑数据量测权重进行状态估计计算;
步骤3.2根据状态估计计算结果,对电网进行分区;
步骤3.3对各分区及内部量测进行双层坏数据检测辨识。
步骤3.2.1电网分区
(1)计算各测点的残差并取绝对值,按残差绝对值大小降序排列,形成绝对残差队列lr;
(2)取出lr队列中最大的残差,根据拓扑连接关系,搜索当前残差量测关联的其他量测量,并把关联量测量对应的残差信息从lr队列中取出,直到取出的量测残差信息足够小(小于设定阈值),截止到现在第一个动态区域形成;
(3)重复以上过程,完成对当前数据断面的所有量测的分区。
步骤3.3.1检测与辨识
(1)读取分区个数n,如果n大于0,则从所有分区中取出一个分区,计算分区量测的正则化残差,并给所有量测置可疑,如果n等于0,转步骤5;
(2)判断此分区是否存在坏数据,如果存在转步骤3,如果不存在执行n=n-1,转步骤1;
(3)剔除分区内正则残差超过辨识门槛值且最大可疑量测,并继续迭代计算,同时修正区域内各量测正则化残差。
(4)检测局部区域绝对残差变化情况,如果大大降低则认为剔除的当前量测为坏数据,同时置为坏数据,若有量测对应的正则化残差大大减小,若满足可信数据门槛要求,则将其设定为可信数据,若已被置为坏数据且满足数据恢复门槛,则将其恢复,转步骤2。如果正则化残差没有明显变化,则当前数据为好数据,置可信量测,并转步骤3;
(5)双层坏数据检测辨识结束。
Claims (11)
1.一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于如下步骤:步骤1基于SCADA遥信进行拓扑分析;步骤2基于拓扑关系,进行坏数据检测辨识;步骤3进行双层精细化坏数据检测与辨识;步骤3包括3个子步骤,步骤3.1基于拓扑法辨识结果,根据可疑数据量测权重进行状态估计计算;步骤3.2根据状态估计计算结果,对电网进行分区;步骤3.3对各分区及内部量测进行双层坏数据检测辨识。
2.如权利要求1所述一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于步骤1包括如下步骤:步骤1.1根据电网中开关、刀闸等逻辑设备的状态以及各种原件的连接关系,产生电网计算用的母线和网络模型;步骤1.2进行结线分析任务,处理实时开关状态。
3.如权利要求2所述一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于步骤1.2包括如下步骤:步骤1.2.1母线分析任务,分析变电站的母线段由闭合开关联结成多少估计计算用的节点;步骤1.2.2和***分析任务,分析整个***的计算用节点由支路联结成多少子***;步骤1.2.3在进行量测***分析任务,按子***划分量测***,并检查各子***的可观测性。
4.如权利要求1所述一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于步骤2包括如下步骤:步骤2.1形成节支关联矩阵、支节关联矩阵、回支关联矩阵;步骤2.2检测,基于kcl(基尔霍夫电流定律)和kvl(基尔霍夫电压定律)原理,对PMU量测和SCADA量测进行扫描;步骤2.2.1支路有功平衡性扫描,量测SCADA有功量测、PMU有功量测,忽略支路有功损耗,设定门槛值;步骤2.2.2支路无功平衡性扫描SCADA无功量测、PMU无功量测,进行无功平衡性判断;步骤2.2.3节点功率平衡性扫描,量测SCADA有功无功量测,PMU有功无功量测,无功量测考虑电容电抗器;步骤2.2.4支路有功电流平衡性扫描,量测PMU量测;步骤2.2.5节点电流平衡性扫描,量测PMU量测;步骤2.2.6电压回路平衡性扫描,量测PMU量测;步骤2.3辨识,利用拓扑关系,SCADA和PMU互相校正的信息,来辨识和修正坏数据;步骤2.3.1排序;步骤2.3.2辨识与修正,考虑到状态估计量测的一致性和准确性,本方法以PMU量测为主,SCADA量测为辅进行坏数据辨识。
5.根据权利要求4所述的一种海量电网数据量测坏数据的快速检测辨识方法步骤2.2,其特征在于步骤2.2.2采用以下近似公式进行无功平衡性判断:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>b</mi>
<mi> </mi>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>b</mi>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>g</mi>
<mi> </mi>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>b</mi>
<mi> </mi>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>b</mi>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>g</mi>
<mi> </mi>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>Q</mi>
<mo>=</mo>
<mn>2</mn>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>b</mi>
<mi> </mi>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>b</mi>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&ap;</mo>
<mn>2</mn>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>b</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>b</mi>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>Q</mi>
<mo>|</mo>
<mo>&ap;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
Qij两个节点间无功;νi i点的节点电压;νj j点的节点电压;
θij两个节点间相角差;g电导;b电纳 y补偿的无功;
ΔQ无功损耗。
6.根据权利要求4所述的一种海量电网数据量测坏数据的快速检测辨识方法步骤2.3,其特征在于步骤2.3.1统计SCADA所有节点有功功率不平衡节点关联有功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列;
统计SCADA所有节点无功功率不平衡节点关联无功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列;
统计PMU所有节点有功功率不平衡节点关联有功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列;
统计PMU所有节点无功功率不平衡节点关联无功功率不平衡支路数,并按照关联不平衡支路数从小到大的顺序排列。
7.根据权利要求4所述的一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于步骤2.3.2辨识与修正,考虑到状态估计量测的一致性和准确性,本方法以PMU量测为主,SCADA量测为辅进行坏数据辨识。
8.根据权利要求4所述的一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于步骤2.3.2辨识与修正,考虑到状态估计量测的一致性和准确性,本方法以PMU量测为主,SCADA量测为辅进行坏数据辨识,循环PMU有功量测不平衡节点,关联有功功率不平衡支路数为0,此时说明注入量测为坏数据,综合SCADA量测和当前节点功率平衡修正。如果不存在注入功率,则说明门槛值设置不太合理,可以忽略(保持可疑量测质量位)或对支路功率不平衡量最大的支路进行修正,同时更新量测质量位。
9.根据权利要求4所述的一种海量电网数据量测坏数据的快速检测辨识方法,其特征在于步骤2.3.2辨识与修正,考虑到状态估计量测的一致性和准确性,本方法以PMU量测为主,SCADA量测为辅进行坏数据辨识,关联有功功率不平衡支路数大于0,考虑可疑量测较多,则不能采用本节点功率平衡的原则,采用支路对端节点功率平衡的方法进行辨识和修正,如果仍不能辨识和修正,则采用SCADA量测进行辨识和修正,若仍不能修正则保持可疑量测质量位;
通过以上辨识修正过程,基本涉及到了所有的功率不平衡量测,如果仍有可疑量测则保持可疑量测质量位;
考虑到充裕的量测信息,电压量测信息和电流量测信息,直接根据检测结果,保持可信量测质量位和可疑量测质量位;
根据以上检测辨识结果,对不同的量测施以不同的量测权重,进行状态估计计算。
10.根据权利要求1所述的一种海量电网数据量测坏数据的快速检测辨识方法步骤3.2,其特征在于步骤3.2.1电网分区:
(1)计算各测点的残差并取绝对值,按残差绝对值大小降序排列,形成绝对残差队列lr;
(2)取出lr队列中最大的残差,根据拓扑连接关系,搜索当前残差量测关联的其他量测量,并把关联量测量对应的残差信息从lr队列中取出,直到取出的量测残差信息足够小(小于设定阈值),截止到现在第一个动态区域形成;
(3)重复以上过程,完成对当前数据断面的所有量测的分区。
11.根据权利要求1所述的一种海量电网数据量测坏数据的快速检测辨识方法步骤3.3,其特征在于步骤3.3.1检测与辨识:
(1)读取分区个数n,如果n大于0,则从所有分区中取出一个分区,计算分区量测的正则化残差,并给所有量测置可疑,如果n等于0,转步骤5;
(2)判断此分区是否存在坏数据,如果存在转步骤3,如果不存在执行n=n-1,转步骤1;
(3)剔除分区内正则残差超过辨识门槛值且最大可疑量测,并继续迭代计算,同时修正区域内各量测正则化残差;
(4)检测局部区域绝对残差变化情况,如果大大降低则认为剔除的当前量测为坏数据,同时置为坏数据,若有量测对应的正则化残差大大减小,若满足可信数据门槛要求,则将其设定为可信数据,若已被置为坏数据且满足数据恢复门槛,则将其恢复,转步骤2。如果正则化残差没有明显变化,则当前数据为好数据,置可信量测,并转步骤3;
(5)双层坏数据检测辨识结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710561374.4A CN107403261A (zh) | 2017-07-11 | 2017-07-11 | 一种海量电网数据量测坏数据的快速检测辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710561374.4A CN107403261A (zh) | 2017-07-11 | 2017-07-11 | 一种海量电网数据量测坏数据的快速检测辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107403261A true CN107403261A (zh) | 2017-11-28 |
Family
ID=60404946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710561374.4A Pending CN107403261A (zh) | 2017-07-11 | 2017-07-11 | 一种海量电网数据量测坏数据的快速检测辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403261A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007195A (zh) * | 2019-04-30 | 2019-07-12 | 国网山东省电力公司电力科学研究院 | 基于输电线路电流不平衡量的scada不良数据剔除方法及*** |
CN111931318A (zh) * | 2020-07-07 | 2020-11-13 | 中国电力科学研究院有限公司 | 一种基于图计算的供电路径分析方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324847A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 电力***动态不良数据检测与辨识方法 |
CN103745109A (zh) * | 2014-01-10 | 2014-04-23 | 国家电网公司 | 一种基于pmu量测和scada量测的不良数据检测与辨识方法 |
-
2017
- 2017-07-11 CN CN201710561374.4A patent/CN107403261A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324847A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 电力***动态不良数据检测与辨识方法 |
CN103745109A (zh) * | 2014-01-10 | 2014-04-23 | 国家电网公司 | 一种基于pmu量测和scada量测的不良数据检测与辨识方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007195A (zh) * | 2019-04-30 | 2019-07-12 | 国网山东省电力公司电力科学研究院 | 基于输电线路电流不平衡量的scada不良数据剔除方法及*** |
CN110007195B (zh) * | 2019-04-30 | 2021-04-06 | 国网山东省电力公司电力科学研究院 | 基于电流不平衡量的scada不良数据剔除方法及*** |
CN111931318A (zh) * | 2020-07-07 | 2020-11-13 | 中国电力科学研究院有限公司 | 一种基于图计算的供电路径分析方法及*** |
CN111931318B (zh) * | 2020-07-07 | 2022-09-27 | 中国电力科学研究院有限公司 | 一种基于图计算的供电路径分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745109B (zh) | 一种基于pmu量测和scada量测的不良数据检测与辨识方法 | |
Kong et al. | Fault location technology for power system based on information about the power internet of things | |
CN103324847B (zh) | 电力***动态不良数据检测与辨识方法 | |
CN104836223B (zh) | 电网参数错误与不良数据协同辨识与估计方法 | |
CN107453357A (zh) | 一种基于分层求解的配电网状态估计方法 | |
CN104578053B (zh) | 基于受扰电压轨迹簇特征的电力***暂态稳定性预测方法 | |
CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN106646130B (zh) | 一种基于电流极性比较的主动配电网故障定位方法及*** | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
CN109100614B (zh) | 一种基于pmu装置的输电线路故障定位方法 | |
CN103825364B (zh) | 一种应用于电力***状态估计的主子站信息交互方法 | |
CN105930900B (zh) | 一种混合风力发电的预测方法及*** | |
CN107370150A (zh) | 基于同步相量量测的电力***状态估计不良数据处理方法 | |
CN108074198B (zh) | 一种电力***pmu不良数据识别方法 | |
CN103995948B (zh) | 一种基于多项式模型的振荡中心电压预测方法 | |
CN107453484A (zh) | 一种基于wams信息的scada数据校准方法 | |
CN107403261A (zh) | 一种海量电网数据量测坏数据的快速检测辨识方法 | |
CN112446114A (zh) | 基于三维模型比对的输电线路工程施工进度监测方法 | |
CN110969214B (zh) | 一种基于支持向量机综合模型的暂态安全域在线构建方法 | |
CN113922412A (zh) | 一种新能源多场站短路比全景化评估方法、***、存储介质及计算设备 | |
CN103793585A (zh) | 一种提高理论线损计算完整性和准确性的方法 | |
CN109829246B (zh) | 一种基于参数综合可疑度的线路参数辨识方法 | |
CN104537581A (zh) | 采用模糊相似度匹配的电压暂降源在线定位方法 | |
CN107958120B (zh) | 一种基于幂级数展开的***戴维南等值参数计算方法 | |
CN104502800B (zh) | 一种电力***故障因子特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171128 |