CN104166060A - 一种考虑大规模风电接入的抗差状态估计方法 - Google Patents
一种考虑大规模风电接入的抗差状态估计方法 Download PDFInfo
- Publication number
- CN104166060A CN104166060A CN201410403567.3A CN201410403567A CN104166060A CN 104166060 A CN104166060 A CN 104166060A CN 201410403567 A CN201410403567 A CN 201410403567A CN 104166060 A CN104166060 A CN 104166060A
- Authority
- CN
- China
- Prior art keywords
- measurement
- state estimation
- bad data
- state
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005259 measurement Methods 0.000 claims abstract description 143
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 241001123248 Arma Species 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010937 topological data analysis Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 19
- 238000011109 contamination Methods 0.000 description 14
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000258937 Hemiptera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种考虑大规模风电接入的抗差状态估计方法,即精细化抗差最小二乘状态估计计算方法。借鉴IGG(Institute of Geodesy&Geophysics,Chinese Academy of Sciences)法的权函数分区方法,在权函数中引入量测类型基准值对风电场量测进行精细化坏数据辨识,同时利用状态估计量测预校验信息引入坏数据参考因子,解决设备参数导致的坏数据误判问题。该方法在状态估计计算过程中可动态调整坏数据权重,消除其带来的残差污染问题,提高大规模风电接入电网的状态估计精度。
Description
技术领域
本发明涉及一种估计方法,具体涉及一种考虑大规模风电接入的抗差状态估计方法。
背景技术
随着电力系统的快速发展,为了响应低碳世界理念保护人类居住环境,大量新能源发电接入电力系统包括风力发电、太阳能发电、沼气发电、潮汐发电和地热发电等,大大减少了煤炭资源,为社会带了巨大的经济效益。尤其风力发电的发展更是迅速,风能作为一种清洁、安全和高效的能源,在保护生态环境、延缓全球气候变暖、推进可持续发展等方面具有重要的积极意义,越来越受到世界各国的强烈关注。大型风电场的并网运行,是风能发展利用的主要形式。
风电等大量新能源发电的接入带来了巨大的经济和社会效益,但是也给电力系统的自动化调度提出了新的挑战,尤其对作为自动化调度系统基础软件的状态估计应用提出了更高的要求。风力发电作为电源具有间歇性和难以调度的特性,风电场的功率输出具有很强的随机性,风电场接入电网使电力系统运行的不确定性因素增多。电力系统具有广域分布、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系统,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粗差,此时通过经典最小二乘法计算的结果出现残差污染现象,在一定程度上影响了大电网状态估计计算的准确性,从而不能提供准确表征真实系统状态的数据断面,影响调度员决策和判断,影响其他高级应用软件的分析计算和决策。而风电等大量新能源发电不确定因素的加入,更加加剧了不良数据的辨识难度,更加增加了残差污染程度,另外大量间隙性风力发电对状态估计的实时性也提出了更高的要求,在随机的风力发电功率变化过程中需要状态估计能够快速的给出当前电力系统的运行状态。
电力系统状态估计是智能电网调度技术支持系统的重要组成部分,各种在线分析软件如潮流计算、调度运行模拟仿真、电压稳定分析、静态和动态安全校核和安全约束调度等都要依赖状态估计所提供的实时可靠数据。随着区域电网互联大规模电网的发展,电力系统的运行方式和网络结构日趋复杂,对状态估计有了许多新的要求,涌现出了许多新的理论和新的技术,为解决状态估计的某些问题提供了可能。近年来为解决量测质量问题,各学者对抗差状态估计进行了大量研究。
目前,考虑大量风力发电这种不确定性和间歇性注入功率的状态估计方面的研究非常少,且当前抗差状态估计的研究大多都是进行理论方面的研究,在实际电网中实用性的极少,而且大多抗差状态估计模型仅适合较小规模的电网,处理常规坏数据,并未对风电等新能源量测进行精细化坏数据辨识,不能很好的消除大规模风电接入带来的残差污染问题。因此需要一种考虑大规模风电接入的快速抗差状态估计方法,提高状态估计计算精度,为其他分析类应用提供高质量的数据断面。
发明内容
为了克服上述现有技术的不足,本发明提供一种考虑大规模风电接入的抗差状态估计方法,即精细化抗差最小二乘状态估计计算方法。借鉴IGG(Institute of Geodesy&Geophysics,Chinese Academy of Sciences)法的权函数分区方法,在权函数中引入量测类型基准值对风电场量测进行精细化坏数据辨识,同时利用状态估计量测预校验信息引入坏数据参考因子,解决设备参数导致的坏数据误判问题。该方法在状态估计计算过程中可动态调整坏数据权重,消除其带来的残差污染问题,提高大规模风电接入电网的状态估计精度。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种考虑大规模风电接入的抗差状态估计方法,所述方法包括以下步骤:
步骤1:读取电网模型和SCADA实时量测数据,进行网络拓扑分析,通过拓扑分析将物理电网模型转化成母线-支路计算模型;
步骤2:进行量测预校验;
步骤3:状态估计一次迭代求解;
步骤4:一次迭代完成后,进行坏数据检测并处理;
步骤5:根据状态估计一次迭代求解的过程进行状态估计二次迭代求解;
步骤6:判断状态估计二次迭代求解是否满足计算收敛条件,若收敛则输出状态估计不良数据和可疑数据;
步骤7:输出状态估计计算结果。
所述步骤1包括以下步骤:
步骤1-1:从调度自动化系统基础平台读取电网模型和SCADA实时量测数据;
步骤1-2:根据物理电网模型中电气联接关系和开关/刀闸状态,进行厂站母线分析,形成闭合开关/刀闸相连的结点集合即计算母线,分配计算母线编号;
步骤1-3:进行网络拓扑分析,形成投运支路联接的计算母线集合,分配电气岛编号,并判断带电状态。
所述步骤2中,量测预校验项目包括:
1)检测母线、厂站的功率量测总和是否平衡;
2)检测线路首末端功率量测是否冲突;
3)检查变压器各侧的功率量测是否冲突;
4)检测并列运行母线电压量测是否一致;
5)对于同一量测位置的有功、无功、电流量测,检查是否匹配;
6)检测母线电压量测、机组出力量测、线路和变压器功率量测是否越限;
7)检测断路器/刀闸状态和相关设备量测是否冲突,并提供其合理状态;
8)检测断路器/刀闸状态和电网运行实时监控标志牌信息是否冲突,并提供其合理状态。
所述步骤3具体包括以下步骤:
步骤3-1:根据支路电抗形成节点导纳矩阵,针对各有功量测,并结合节点导纳矩阵建立矩阵Ba,其元素取支路电抗的倒数,计算系数矩阵A,有:
其中,系数矩阵A为na×na阶P-θ类常数雅克比矩阵,且其为对称矩阵;v0为系统参考节点电压,Ra为有功加权对角阵;
针对各无功量测量,并结合节点导纳矩阵建立矩阵Br,其元素取支路导纳的虚部,计算系数矩阵B,初始化所有节点电压幅值为1,节点相角为0,设置迭代次数l=1;有:
其中,系数矩阵B为nr×nr阶P-V类常数雅克比矩阵,且其为对称矩阵;Rr为无功加权对角阵;
步骤3-2:将当前节点电压幅值v(l)和相角θ(l)代入下式,计算相角修正方程常数项a(l);有:
其中,za为有功量测矢量;ha(v(l),θ(l))为关于v(l)和θ(l)量测方程;
求解相角修正方程AΔθ(l)=a(l),得到相角修正矢量Δθ(l),判断是否满足相角修正矢量最大值|Δθ(l)|max小于或等于有功收敛精度;若不满足,则计算θ(l+1)=θ(l)+Δθ(l),若满足,则有功收敛标志为1;
步骤3-3:将当前节点电压幅值v(l)和相角θ(l)代入下式,计算电压幅值修正方程常数项b(l),有:
其中,zr为无功量测矢量;hr(v(l),θ(l))为关于v(l)和θ(l)量测方程;
求解电压幅值修正方程BΔv(l)=b(l),得到电压幅值修正矢量Δv(l),判断是否满足电压幅值修正矢量最大值|Δv(l)|max小于或等于无功收敛精度,若不满足,则计算v(l+1)=v(l)+Δv(l),若满足,则无功收敛标志为1;
步骤3-4:判断有功收敛标志和无功收敛标志是否都为1,若都为1则状态估计迭代收敛;否则使l=l+1,判断l是否达到最大迭代次数,若达到则迭代不收敛,则计算结束,若未达到最大迭代次数,则返回步骤3-2继续计算。
所述步骤4包括以下步骤:
步骤4-1:根据状态估计一次迭代求解的结果计算所有遥测数据估计值残差vi,其中vi=量测值-估计值;
步骤4-2:根据抗差状态估计权函数的分区,将遥测分为保权区量测、降权区量测和淘汰区量测;
步骤4-3:根据量测预校验得到的预校验信息计算降权区量测和淘汰区量测的坏数据参考因子Rf;
步骤4-4:计算降权区量测权重和淘汰区量测权重,保权区量测权重不变;
步骤4-5:根据步骤4-4计算得到降权区量测权重和淘汰区量测权重,重新形成有功加权对角阵和无功加权对角阵,并按式(1)和(2)重新计算得到快速分解法状态估计的系数矩阵A和B。
所述步骤4-3具体过程下:
1)将功率不平衡厂站、母线、线路、变压器的相关量测的坏数据参考因子置为0;
2)将量测不一致的并列运行母线电压遥测的坏数据参考因子置为0;
3)将有功、无功和电流不匹配的量测的坏数据参考因子置为0;
4)将越限量测的坏数据参考因子置为0;
5)将与断路器/刀闸状态冲突的量测的坏数据参考因子置为0;
6)其余量测的坏数据参考因子通过计算,其中ri为量测i的权重。
所述步骤4-4中,根据抗差状态估计权函数计算降权区量测权重和淘汰区量测权重,有:
其中,ri *为降权区量测权重或淘汰区量测权重,St为量测类型基准值,k1和k2均为遥测数据估计值误差门槛,且k1大于0.03,k2大于k1。
所述步骤6中,输出状态估计不良数据和可疑数据中,最终权重发生变化的为可疑数据,权重被置0的为不良数据。
输出的状态估计计算结果包括各类电气设备的有功、无功、电压和相角,将状态估计计算结果回写到实时数据库并输出E文本。
与现有技术相比,本发明的有益效果在于:
1)本发明将量测类型基准值(即该量测量的满刻度值)引入到抗差状态估计权函数中,能够有效的区分不同电压等级、不同类型和特点的量测,实现根据风类型定位量测坏数据。在大规模风电接入实际电网的测试中发现,该方法能够有效的区分了量测类型和特点,能够较准确的定位风电场坏数据量测;
2)将量测预校验信息转化成坏数据参考因子引入到抗差状态估计权函数中,能够有效的区分坏数据的估计残差和设备参数误差导致的估计残差,消除参数误差给基于权函数的抗差状态估计带来的影响。在大规模风电接入实际电网的测试中发现,坏数据参考因子的引入,减小了参数污染对抗差状态估计的干扰,使得坏数据辨识更加准确;
3)能够有效排除设备参数误差对坏数据辨识的影响,准确定位风电场量测坏数据,消除大规模风电接入带来的残差污染问题,提高了状态估计的计算准确性。
附图说明
图1是某风机线等值机组全天有功出力曲线图;
图2是考虑大规模风电接入的抗差状态估计方法流程图;
图3是本发明实施例中权函数计算流程图;
图4是本发明实施例中大规模风电接入电网风电场A、B、C局部接线图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种考虑大规模风电接入电网的抗差状态估计方法,解决大规模风电接入给状态估计带来的残差污染问题。该方法针对风电场功率量测波动性、随机性、量测值小等特点,利用《智能电网调度控制系统实用化验收办法(试行)》中提供的量测类型基准值,将绝对误差转化成对量测量的满刻度值的相对误差,并结合状态估计量测预校验信息,引入坏数据参考因子,避免了参数误差导致的坏数据误判,实现对风电场坏数据的精细化辨识。考虑大规模风电接入的抗差状态估计方法将进一步降低调度控制中心的运行维护成本,进一步提升调度维护管理水平和系统运行可靠性。
风电量测特点如下:
(1)波动性
风能的稳定性差。风能属于过程性能源,具有间歇性和波动性,风速和风向经常变动,它们对风力发电机的工况影响很大。风能不稳定的这一自然属性使得风力发电机组的输出功率具有随机性,在较短时间内波动较大。图1为某风机线等值机组全天有功出力曲线。
(2)实时性和同步性
以往由数据传输通道带宽的限值,SCADA传输规约限制了数据传输的信息量,只能采用Polling方式,4~5s数据刷新一次,实际上SCADA的信息表征是4~5s以前系统的状态。多级调度系统之间数据转发会进一步加重数据延时问题。对于一般波动不大的量测数据,由于采集、通信等问题造成的数据延时不会对量测数据的实时性和同步性产生很大影响,但对于风电这类波动性较大的量测数据,其实时性和数据同步性会导致厂站功率不平衡甚至系统功率不平衡问题,影响在线分析应用计算。相比SCADA系统,PMU量测的采集频率更高、同步性更好、传输速率更快,因此其数据实时性较好。表1数据为某风电场风机线有功出力SCADA量测数据和PMU量测数据,从该表数据中不难看出,与PMU量测值相比,虽然单个量测值相差不大,但整个风电场出力总加存在较大差值。
表1
量测点(有功/MW) | SCADA量测 | PMU量测 |
量测点(有功/MW) | SCADA量测 | PMU量测 |
35kV.1#风机线 | 1.63 | 1.32 |
35kV.2#风机线 | 3.81 | 3.34 |
35kV.3#风机线 | 0.58 | 0.63 |
35kV.4#风机线 | 0.60 | 0.81 |
35kV.5#风机线 | -0.06 | 4.11 |
35kV.6#风机线 | 4.74 | 5.97 |
35kV.7#风机线 | 1.24 | 3.74 |
35kV.8#风机线 | 4.55 | 5.08 |
35kV.9#风机线 | 6.06 | 4.04 |
35kV.10#风机线 | 4.93 | 6.00 |
35kV.11#风机线 | 1.04 | 1.23 |
35kV.12#风机线 | 2.41 | 3.25 |
合计 | 31.53 | 39.52 |
(3)量测值小
目前国际上主流的风电机组已达到2-3MW,低压风机线等值发电机有功出力值一般为个位数,但功率总加误差较大,给不良数据检测辨识带来较大难度。
(4)风电场T接线量测
在风能资源丰富地区,风电场多且分布广,一般存在线路T接问题,T节点处没有功率采集装置,当线路T接众多时,将影响该区域可观测性。此外T接线路可能有不同线型线路组成,线路参数测量和计算困难,可能存在较大误差。
由于风电场量测量受风能变化影响,具有波点性和随机性的特点,因此,常规的量测量突变检测和利用伪量测量的检测不适合对风电场坏数据的检测。传统最小二乘状态估计不良数据检测和辨识一般采用目标函数极值进行检测,用加权残差或标准残差检测,在实际系统的测试中发现,这类方法采用全网统一的不良数据检测与辨识门槛,不能区分量测电压等级和特点,对风电量测的处理效果有限。风电场量测值较小,坏数据的残差也相对较小,传统抗差状态估计权函数的分段一般采用估计绝对残差判断坏数据,在常规电网中该方法能够起到减小会数据残差污染的作用,但对于大规模风电接入的电网,不能很好的检测出风电量测坏数据。
本方法针对风电场量测特点,将量测类型基准值引入到抗差状态估计权函数中,将绝对残差转化成相对残差,用于区分量测电压等级和类型,提高了不同量测的坏数据辨识能力。另一方面,利用状态估计量测预校验信息,对SCADA量测进行预处理,形成坏数据参考因子,用于区分参数误差导致的估计残差和坏数据导致的估计残差,从而解决大规模风电接入给状态估计带来的残差污染问题。本方法主要分两部分:(1)区分量测类型;(2)过滤参数误差导致的估计残差。详细方法如下所述。
(1)区分量测类型;
电力系统状态估计的量测方程为:z=h(x)+v;其中:z为量测向量,h(x)为量测方程,v为量测误差向量,x为状态向量。
加权最小二乘法(WLS)目标函数为:式中:ri为量测i的权重,vi是量测i的残差,m为量测个数。
加权最小绝对值(WLAV)估计的目标函数为:其可变为
令 式可写成 其中中的ri *是量测量i的残差函数,称为权函数。
基于权函数的电力系统状态估计算法与通常的WLS方法的区别是:该方法在求解迭代过程中量测的权值随量测残差而变化,而WLS在迭代过程中量测权值始终不变。采用为抗差状态估计权函数,量测残差成为影响权重的主要因素,但从状态估计量测方程和迭代修正方程不难看出,设备参数误差也会导致量测估计残差,可能导致将正确量测错误的辨识为坏数据,影响抗差状态估计计算准确性和收敛性。此外,在处理绝对残差较小的坏数据时,由于其权重取决于残差,因此不能完全消除绝对残差较小的坏数据对状态估计的影响。
在大规模风电接入的电网中,由于风电量测具有波动性、随机性、量测值小等特点,其坏数据的绝对残差也较小,同时实际应用过程中也存在参数误差导致的估计残差,所示权函数的抗差效果有限,因此需要进行精细化改进。
电力系统遥测量的标准误差σ大约为量测正常范围的0.5%~2.0%,误差大于±3σ的量测就可以认为是不良数据,在正常量测条件下,误差大于±3σ的量测值出现的概率仅为0.27%。因此,并不是所有的量测都需要对其权重进行调整。借鉴IGG法的权函数分区方法,将权函数分为保权区、降权区和淘汰区。由于不同电压等级、不同电气设备的量测值大小不同,精度不同,分区界限也应不同。利用绝对误差作为分区界限,不能很好的处理不同量测特点的坏数据,例如风电场量测坏数据。为此,精细化抗差最小二乘状态估计在权函数中引入量测类型基准值St,量测类型基准值通常是指该量测量的满刻度值,利用St计算相对残差,并以相对残差界限对权函数进行分段。改进后权函数下式所示:
其中,为遥信遥测数据估计值误差。
遥测数据估计值误差门槛k1,k2的值根据实际系统量测情况设置,其中k1大于0.03,k2大于k1。
说明:St取值参见2013年8月7日国家电网公司国家电力调度控制中心印发《智能电网调度控制系统实用化验收办法(试行)》。具体如下:
a.对于线路有功、无功参考值:1000kV电压等级取5196MVA;750kV电压等级取2598MVA,500kV电压等级取1082MVA,330kV电压等级取686MVA,220kV电压等级取305MVA,110kV电压等级取114MVA,66kV电压等级取70MVA,35kV电压等级取37MVA;
b.1000kV电压等级取1200kV,750kV电压等级取34900kV,500kV电压等级取600kV,330kV电压等级取396kV,220kV电压等级取264kV,110kV电压等级取132kV,66kV电压等级取79.2kV,35kV电压等级取42kV;
c.发电机取其额定容量;
d.对于变压器绕组取绕组容量。
(2)过滤参数误差导致的估计残差
状态估计量测预检测功能是对SCADA量测量进行状态估计计算前的检测分析,确定量测中的简单错误,具体要求如下:
1)检测母线、厂站的功率量测总和是否平衡。
2)检测线路首末端功率量测是否冲突。
3)检查变压器各侧的功率量测是否冲突。
4)检测并列运行母线电压量测是否一致。
5)对于同一量测位置的有功、无功、电流量测,检查是否匹配。
6)检测母线电压量测、机组出力量测、线路和变压器功率量测是否越限。
7)检测断路器/刀闸状态和相关设备量测是否冲突,并提供其合理状态。
8)检测断路器/刀闸状态和电网运行实时监控标志牌信息是否冲突,并提供其合理状态。
设备参数误差会导致估计残差,影响坏数据辨识,故本文利用状态估计量测预校验结果引入坏数据参考因子a,辅助定位量测坏数据。若位于降权区和淘汰区的量测符合下列预校验结果之一的,其参考因子Rf为0,否则为
预校验结果包括:
1)量测相关联母线功率不平衡;
2)首末端功率冲突线路的量侧;
3)功率不平衡变压器的量测;
4)量测越限;
5)同一量测位置的有功、无功、电流不匹配。
在权函数中引入坏数据参考因子,改进后的权函数如下形式:
遥测数据估计值误差门槛k1,k2的值根据实际系统量测情况设置,其中k1大于0.03,k2大于k1。
国家电网公司企业标准“《智能电网调度技术支持系统第4-4部分:实时监控与预警类应用网络分析》Q/GDW680.44-2011”中规定状态估计功能模块应具:可观测性分析、量测预检测、状态估计计算、不良数据检测与辨识、参数估计、指标统计等功能,固对考虑大规模风电接入的精细化抗差状态进行估计,流程图如图2所示。估计方法具体包括以下步骤:
步骤1:读取电网模型和SCADA实时量测数据,进行网络拓扑分析,通过拓扑分析将物理电网模型转化成母线-支路计算模型;
步骤2:进行量测预校验;
步骤3:状态估计一次迭代求解;
步骤4:一次迭代完成后,进行坏数据检测并处理;
步骤5:根据状态估计一次迭代求解的过程进行状态估计二次迭代求解;
步骤6:判断状态估计二次迭代求解是否满足计算收敛条件,若收敛则输出状态估计不良数据和可疑数据;
步骤7:输出状态估计计算结果。
所述步骤1包括以下步骤:
步骤1-1:从调度自动化系统基础平台读取电网模型和SCADA实时量测数据;
步骤1-2:根据物理电网模型中电气联接关系和开关/刀闸状态,进行厂站母线分析,形成闭合开关/刀闸相连的结点集合即计算母线,分配计算母线编号;
步骤1-3:进行网络拓扑分析,形成投运支路联接的计算母线集合,分配电气岛编号,并判断带电状态。
所述步骤2中,量测预校验项目包括:
1)检测母线、厂站的功率量测总和是否平衡;
2)检测线路首末端功率量测是否冲突;
3)检查变压器各侧的功率量测是否冲突;
4)检测并列运行母线电压量测是否一致;
5)对于同一量测位置的有功、无功、电流量测,检查是否匹配;
6)检测母线电压量测、机组出力量测、线路和变压器功率量测是否越限;
7)检测断路器/刀闸状态和相关设备量测是否冲突,并提供其合理状态;
8)检测断路器/刀闸状态和电网运行实时监控标志牌信息是否冲突,并提供其合理状态。
所述步骤3具体包括以下步骤:
步骤3-1:根据支路电抗形成节点导纳矩阵,针对各有功量测,,并结合节点导纳矩阵建立矩阵Ba,其元素取支路电抗的倒数,计算系数矩阵A,有:
其中,系数矩阵A为na×na阶P-θ类常数雅克比矩阵,且其为对称矩阵;v0为系统参考节点电压,Ra为有功加权对角阵;
针对各无功量测量,并结合节点导纳矩阵建立矩阵Br,其元素取支路导纳的虚部,计算系数矩阵B,初始化所有节点电压幅值为1,节点相角为0,设置迭代次数l=1;有:
其中,系数矩阵B为nr×nr阶P-V类常数雅克比矩阵,且其为对称矩阵;Rr为无功加权对角阵;
步骤3-2:将当前节点电压幅值v(l)和相角θ(l)代入下式,计算相角修正方程常数项a(l);有:
其中,za为有功量测矢量;ha(v(l),θ(l))为关于v(l)和θ(l)量测方程;
求解相角修正方程AΔθ(l)=a(l),得到相角修正矢量Δθ(l),判断是否满足相角修正矢量最大值|Δθ(l)|max小于或等于有功收敛精度;若不满足,则计算θ(l+1)=θ(l)+Δθ(l),若满足,则有功收敛标志为1;
步骤3-3:将当前节点电压幅值v(l)和相角θ(l)代入下式,计算电压幅值修正方程常数项b(l),有:
其中,zr为无功量测矢量;hr(v(l),θ(l))为关于v(l)和θ(l)量测方程;
求解电压幅值修正方程BΔv(l)=b(l),得到电压幅值修正矢量Δv(l),判断是否满足电压幅值修正矢量最大值|Δv(l)|max小于或等于无功收敛精度,若不满足,则计算v(l+1)=v(l)+Δv(l),若满足,则无功收敛标志为1;
步骤3-4:判断有功收敛标志和无功收敛标志是否都为1,若都为1则状态估计迭代收敛;否则使l=l+1,判断l是否达到最大迭代次数,若达到则迭代不收敛,则计算结束,若未达到最大迭代次数,则返回步骤3-2继续计算。
权函数所述步骤4包括以下步骤:
步骤4-1:根据状态估计一次迭代求解的结果计算所有遥测数据估计值残差vi,其中vi=量测值-估计值;
步骤4-2:根据抗差状态估计权函数的分区,将遥测分为保权区量测、降权区量测和淘汰区量测;
步骤4-3:根据量测预校验得到的预校验信息计算降权区量测和淘汰区量测的坏数据参考因子Rf;
步骤4-4:计算降权区量测权重和淘汰区量测权重,保权区量测权重不变;
步骤4-5:根据步骤4-4计算得到降权区量测权重和淘汰区量测权重,重新形成有功加权对角阵和无功加权对角阵,并按式(1)和(2)重新计算得到快速分解法状态估计的系数矩阵A和B。
所述步骤4-3具体过程下:
1)将功率不平衡厂站、母线、线路、变压器的相关量测的坏数据参考因子置为0;
2)将量测不一致的并列运行母线电压遥测的坏数据参考因子置为0;
3)将有功、无功和电流不匹配的量测的坏数据参考因子置为0;
4)将越限量测的坏数据参考因子置为0;
5)将与断路器/刀闸状态冲突的量测的坏数据参考因子置为0;
6)其余量测的坏数据参考因子通过计算,其中ri为量测i的权重。
所述步骤4-4中,根据抗差状态估计权函数计算降权区量测权重和淘汰区量测权重,有:
其中,ri *为降权区量测权重或淘汰区量测权重,St为量测类型基准值,k1和k2均为遥测数据估计值误差门槛,且k1大于0.03,k2大于k1。
所述步骤6中,输出状态估计不良数据和可疑数据中,最终权重发生变化的为可疑数据,权重被置0的为不良数据。
输出的状态估计计算结果包括各类电气设备的有功、无功、电压和相角,将状态估计计算结果回写到实时数据库并输出E文本。
实施例
分析某大规模风电接入的实际电网某时刻断面,风电场A、风电场B、风电场C的T接线处量测为零(量测坏数据),风电场B线路无功量测为0(量测坏数据),风电场A的220kV、35kV母线有功实测不平衡量分别为0.20MW、0.22MW,风电场B的220kV母线有功实测不平衡量为0.21MW,风电场C为0.1,、0.95MW,T接线流入流出功率不平衡量为-1.45,受T接线处量测坏数据残差污染影响,风电场A、风电场B、风电场C估计结果如表2所示。风电场A、B、C的局部接线方式如图4所示。
表2
将不良数据检测辨识门槛设置为5,不能辨识出T接点处功率量测不良数据。门槛设置为2时,能够辨识出T接点处功率量测不良数据,但有功不良数据从0个增加到了52个,其中存在参数原因被误判成不良数据的量测。可见风电场坏数据给状态估计带来了较大的残差污染,使坏数据周边量测估计残差增加,传统不良数据检测和辨识功能不能很好的处理这一类量测。
用精细化抗差状态估计方法对同一断面进行计算,结果如表3所示。
表3
比较表2和表3数据不难发现,传统抗差状态估计计算时,风电场B变压器高压侧有功估计值误差为5.15%,采用精细化抗差状态估计算法后,估计值误差下降到0.34%,T接点周边其他量测的估计值误差也明显下降,基本消除T接点处功率量测未采集导致的残差污染问题。风电场B线路无功量测值为0,估计值为-10.27,周边相关量测的遥测数据估计值误差均小于0.4%,可见本方法消除了风电场B线路无功量测坏数据带来的残差污染问题。
本方法提出的精细化抗差状态估计方法,能够有效排除设备参数误差对坏数据辨识的影响,准确定位风电场量测坏数据,消除大规模风电接入带来的残差污染问题,提高了状态估计的计算准确性。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种考虑大规模风电接入的抗差状态估计方法,其特征在于:所述方法包括以下步骤:
步骤1:读取电网模型和SCADA实时量测数据,进行网络拓扑分析,通过拓扑分析将物理电网模型转化成母线-支路计算模型;
步骤2:进行量测预校验;
步骤3:状态估计一次迭代求解;
步骤4:一次迭代完成后,进行坏数据检测并处理;
步骤5:根据状态估计一次迭代求解的过程进行状态估计二次迭代求解;
步骤6:判断状态估计二次迭代求解是否满足计算收敛条件,若收敛则输出状态估计不良数据和可疑数据;
步骤7:输出状态估计计算结果。
2.根据权利要求1所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤1包括以下步骤:
步骤1-1:从调度自动化系统基础平台读取电网模型和SCADA实时量测数据;
步骤1-2:根据物理电网模型中电气联接关系和开关/刀闸状态,进行厂站母线分析,形成闭合开关/刀闸相连的结点集合即计算母线,分配计算母线编号;
步骤1-3:进行网络拓扑分析,形成投运支路联接的计算母线集合,分配电气岛编号,并判断带电状态。
3.根据权利要求1所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤2中,量测预校验项目包括:
1)检测母线、厂站的功率量测总和是否平衡;
2)检测线路首末端功率量测是否冲突;
3)检查变压器各侧的功率量测是否冲突;
4)检测并列运行母线电压量测是否一致;
5)对于同一量测位置的有功、无功、电流量测,检查是否匹配;
6)检测母线电压量测、机组出力量测、线路和变压器功率量测是否越限;
7)检测断路器/刀闸状态和相关设备量测是否冲突,并提供其合理状态;
8)检测断路器/刀闸状态和电网运行实时监控标志牌信息是否冲突,并提供其合理状态。
4.根据权利要求1所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤3具体包括以下步骤:
步骤3-1:根据支路电抗形成节点导纳矩阵,针对各有功量测,并结合节点导纳矩阵建立矩阵Ba,其元素取支路电抗的倒数,计算系数矩阵A,有:
其中,系数矩阵A为na×na阶P-θ类常数雅克比矩阵,且其为对称矩阵;v0为系统参考节点电压,Ra为有功加权对角阵;
针对各无功量测量,并结合节点导纳矩阵建立矩阵Br,其元素取支路导纳的虚部,计算系数矩阵B,初始化所有节点电压幅值为1,节点相角为0,设置迭代次数l=1;有:
其中,系数矩阵B为nr×nr阶P-V类常数雅克比矩阵,且其为对称矩阵;Rr为无功加权对角阵;
步骤3-2:将当前节点电压幅值v(l)和相角θ(l)代入下式,计算相角修正方程常数项a(l);有:
其中,za为有功量测矢量;ha(v(l),θ(l))为关于v(l)和θ(l)量测方程;
求解相角修正方程AΔθ(l)=a(l),得到相角修正矢量Δθ(l),判断是否满足相角修正矢量最大值|Δθ(l)|max小于或等于有功收敛精度;若不满足,则计算θ(l+1)=θ(l)+Δθ(l),若满足,则有功收敛标志为1;
步骤3-3:将当前节点电压幅值v(l)和相角θ(l)代入下式,计算电压幅值修正方程常数项b(l),有:
其中,zr为无功量测矢量;hr(v(l),θ(l))为关于v(l)和θ(l)量测方程;
求解电压幅值修正方程BΔv(l)=b(l),得到电压幅值修正矢量Δv(l),判断是否满足电压幅值修正矢量最大值|Δv(l)|max小于或等于无功收敛精度,若不满足,则计算v(l+1)=v(l)+Δv(l),若满足,则无功收敛标志为1;
步骤3-4:判断有功收敛标志和无功收敛标志是否都为1,若都为1则状态估计迭代收敛;否则使l=l+1,判断l是否达到最大迭代次数,若达到则迭代不收敛,则计算结束,若未达到最大迭代次数,则返回步骤3-2继续计算。
5.根据权利要求1所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤4包括以下步骤:
步骤4-1:根据状态估计一次迭代求解的结果计算所有遥测数据估计值残差vi,其中vi=量测值-估计值;
步骤4-2:根据抗差状态估计权函数的分区,将遥测分为保权区量测、降权区量测和淘汰区量测;
步骤4-3:根据量测预校验得到的预校验信息计算降权区量测和淘汰区量测的坏数据参考因子Rf;
步骤4-4:计算降权区量测权重和淘汰区量测权重,保权区量测权重不变;
步骤4-5:根据步骤4-4计算得到降权区量测权重和淘汰区量测权重,重新形成有功加权对角阵和无功加权对角阵,并按式(1)和(2)重新计算得到快速分解法状态估计的系数矩阵A和B。
6.根据权利要求5所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤4-3具体过程下:
1)将功率不平衡厂站、母线、线路、变压器的相关量测的坏数据参考因子置为0;
2)将量测不一致的并列运行母线电压遥测的坏数据参考因子置为0;
3)将有功、无功和电流不匹配的量测的坏数据参考因子置为0;
4)将越限量测的坏数据参考因子置为0;
5)将与断路器/刀闸状态冲突的量测的坏数据参考因子置为0;
6)其余量测的坏数据参考因子通过计算,其中ri为量测i的权重。
7.根据权利要求5所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤4-4中,根据抗差状态估计权函数计算降权区量测权重和淘汰区量测权重,有:
其中,ri *为降权区量测权重或淘汰区量测权重,St为量测类型基准值,k1和k2均为遥测数据估计值误差门槛,且k1大于0.03,k2大于k1。
8.根据权利要求5所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:所述步骤6中,输出状态估计不良数据和可疑数据中,最终权重发生变化的为可疑数据,权重被置0的为不良数据。
9.根据权利要求5所述的考虑大规模风电接入的抗差状态估计方法,其特征在于:输出的状态估计计算结果包括各类电气设备的有功、无功、电压和相角,将状态估计计算结果回写到实时数据库并输出E文本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410403567.3A CN104166060B (zh) | 2014-08-15 | 一种考虑大规模风电接入的抗差状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410403567.3A CN104166060B (zh) | 2014-08-15 | 一种考虑大规模风电接入的抗差状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104166060A true CN104166060A (zh) | 2014-11-26 |
CN104166060B CN104166060B (zh) | 2017-01-04 |
Family
ID=
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512502A (zh) * | 2016-01-13 | 2016-04-20 | 重庆大学 | 一种基于残差归一化的权函数最小二乘状态估计方法 |
CN106713233A (zh) * | 2015-11-13 | 2017-05-24 | 国网智能电网研究院 | 一种网络安全状态的判断与保护方法 |
CN110428185A (zh) * | 2019-08-08 | 2019-11-08 | 河海大学 | 基于伪量测模型的电-热互联综合能源系统抗差状态估计方法 |
CN111695082A (zh) * | 2020-06-30 | 2020-09-22 | 上海交通大学 | 智能配电网抗差动态状态估计方法 |
CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 |
CN112383048A (zh) * | 2020-10-20 | 2021-02-19 | 重庆大学 | 考虑公专用配电变压器测量特点的中压馈线电网三相状态估计方法 |
CN113420405A (zh) * | 2021-05-10 | 2021-09-21 | 中国南方电网有限责任公司 | 一种输电线路参数修正方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106713233A (zh) * | 2015-11-13 | 2017-05-24 | 国网智能电网研究院 | 一种网络安全状态的判断与保护方法 |
CN106713233B (zh) * | 2015-11-13 | 2020-04-14 | 国网智能电网研究院 | 一种网络安全状态的判断与保护方法 |
CN105512502A (zh) * | 2016-01-13 | 2016-04-20 | 重庆大学 | 一种基于残差归一化的权函数最小二乘状态估计方法 |
CN105512502B (zh) * | 2016-01-13 | 2018-04-17 | 重庆大学 | 一种基于残差归一化的权函数最小二乘状态估计方法 |
CN110428185A (zh) * | 2019-08-08 | 2019-11-08 | 河海大学 | 基于伪量测模型的电-热互联综合能源系统抗差状态估计方法 |
CN111695082A (zh) * | 2020-06-30 | 2020-09-22 | 上海交通大学 | 智能配电网抗差动态状态估计方法 |
CN112383048A (zh) * | 2020-10-20 | 2021-02-19 | 重庆大学 | 考虑公专用配电变压器测量特点的中压馈线电网三相状态估计方法 |
CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 |
CN113420405A (zh) * | 2021-05-10 | 2021-09-21 | 中国南方电网有限责任公司 | 一种输电线路参数修正方法 |
CN113420405B (zh) * | 2021-05-10 | 2023-01-31 | 中国南方电网有限责任公司 | 一种输电线路参数修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324847B (zh) | 电力系统动态不良数据检测与辨识方法 | |
CN112803892B (zh) | 一种低压光伏发电故障的诊断算法 | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
CN103532137A (zh) | 一种三相四线低压配电网的状态估计方法 | |
CN110289613A (zh) | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 | |
CN112018784B (zh) | 一种基于同步相量测量数据的次同步谐振溯源方法 | |
CN101153881A (zh) | 基于同步相量测量的区域电压稳定性监视方法 | |
CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
CN113991856B (zh) | 一种微能网多适应性μPMU最优布点方法 | |
CN109146336B (zh) | 一种基于t分布的电力系统鲁棒状态估计方法 | |
Rao et al. | Wideband impedance online identification of wind farms based on combined data-driven and knowledge-driven | |
CN103825270B (zh) | 一种配电网三相状态估计雅可比矩阵常数化的处理方法 | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
Liu et al. | Dynamic equivalent modeling for microgrids based on LSTM recurrent neural network | |
CN102798751B (zh) | 一种新型电压稳定性检测方法 | |
CN106546824B (zh) | 基于变系数回归的含光伏电网系统谐波阻抗估计方法 | |
CN104166060B (zh) | 一种考虑大规模风电接入的抗差状态估计方法 | |
CN104166060A (zh) | 一种考虑大规模风电接入的抗差状态估计方法 | |
CN107069710A (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
CN106786498A (zh) | 一种主站‑变电站数据协同辨识方法及其装置 | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
Yang et al. | Dynamic Equivalent Research Based on Fuzzy C-means | |
Li et al. | Wind power correlation analysis based on mix copula | |
Guo et al. | Research on Dispatching and Control Strategy of UHVDC Blocking Fault in Sending-end Power Grid Based on K-means Clustering | |
Tsebia et al. | Reduction in the use of fossil fuels by improving the interconnection power system oscillation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |