CN105391062A - 一种基于直流潮流模型的有功不良数据辨识方法 - Google Patents

一种基于直流潮流模型的有功不良数据辨识方法 Download PDF

Info

Publication number
CN105391062A
CN105391062A CN201510896238.1A CN201510896238A CN105391062A CN 105391062 A CN105391062 A CN 105391062A CN 201510896238 A CN201510896238 A CN 201510896238A CN 105391062 A CN105391062 A CN 105391062A
Authority
CN
China
Prior art keywords
node
branch road
bad data
measurement
meritorious
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
Application number
CN201510896238.1A
Other languages
English (en)
Other versions
CN105391062B (zh
Inventor
章杜锡
毛南平
李丰伟
范黎敏
戚军
谢宏
周洋
江昊
邬航杰
杨翔
周飞
盛海静
李力
谢楚
焦旭明
杨锦晶
董树锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN201510896238.1A priority Critical patent/CN105391062B/zh
Publication of CN105391062A publication Critical patent/CN105391062A/zh
Application granted granted Critical
Publication of CN105391062B publication Critical patent/CN105391062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于直流潮流模型的有功不良数据辨识方法。本发明基于直流潮流模型，通过选取不同的有功量测组合来计算状态变量的值，得到多组状态量，然后对其进行聚类分析，根据聚类结果快速地辨识出有功不良数据。本发明提出的方法具有计算量小、易于并行、辨识正确率高的特点，适合于状态估计前对量测进行在线预处理。

Description

一种基于直流潮流模型的有功不良数据辨识方法
技术领域
本发明属于电力系统技术领域，具体涉及一种通过量测组合计算得到多组状态量，然后对其进行聚类分析，快速地辨识出有功功率不良数据的方法。
背景技术
不良的量测数据，又称为坏数据，是指偏离真实变化轨迹较远的数据，不良数据的存在可能导致状态估计结果受到污染。不良数据检测和辨识是判断某次量测量中是否存在不良数据，并确定哪些量测量为不良数据。目前不良数据辨识的主要方法有残差搜索法、以非二次准则估计为基础的方法以及量测量突变检测法。残差搜索法一般只能辨识单个不良数据，而且需要进行多次状态估计迭代，实时性差；以非二次准则估计为基础的方法具有很强的经验性，一般只能辨识单个不良或弱相关的多个不良，由于不能完全排除不良的影响，并非最优估计；量测量突变检测法有效的前提是相邻采样时刻的电力网络结构不变，且前一个采样时刻的量测数据中的坏数据已经被检测出来并得到修正。
目前已有的研究大多基于残差进行研究，属于估计后辨识，对估计前辨识技术的研究较少。在估计计算前对不良数据进行检测，防止不良数据进入状态估计器是电力系统状态估计研究的重要课题之一。
发明内容
本发明针对现有技术的不足，提供了一种基于直流潮流模型的有功不良数据辨识方法。
本发明包括以下步骤：
步骤一：取出下一个节点及其有功量测，以及与该节点相连支路上的有功量测，如果节点上没有有功量测，则进入步骤五。
步骤二：利用传统的检测方法判断是否存在不良数据，如果没有不良数据则转步骤一。
步骤三：计算当前节点i的所有状态量。
设该节点与m个节点相连，使用直流潮流模型，以支路两端相角差[θi1,θi2,…,θim]为状态变量。对于其中一条支路，该支路两端节点的相角差计算公式如下：
θik＝PikXik(1)
其中Pik为从节点i和流向节点k的有功功率，Xik为节点i至节点k支路的电抗。
选取不同的有功量测组合得到状态变量的不同计算值，将每种量测组合称为一个case，选取的方法如下：
(1)每条支路上选择一个有功功率量测作为式(1)中的支路有功，对于支路末端有功量测Pki需要取反，则可以得到m个方程。
(2)选取节点上的有功量测，然后选取m-1条支路，并在每条支路上选取一个有功功率，并通过节点功率平衡方程式计算出没被选中的支路上的有功功率，从而计算出状态量。
通过计算所有的case，可以得到多组状态量。
步骤四：对上述状态进行聚类分析，根据判据辨识量测中的不良数据：
根据状态量用K-means算法将所有case聚成两类，分别记作和对中所有量测组合取交集，结果记作对中所有量测组合取交集，结果记作 和的并集为包含不良数据的量测集合。
步骤五：判断所有节点是否都已经处理完毕，如果是，则完成，如果否，则返回步骤一。
本发明不需要依赖估计残差，也不需要知道量测的权重、分布等信息，只要有量测值即可进行分析，对支路、节点逐个进行坏数据检测，检测速度快，且易于使用并行方式处理，非常适合在状态估计之前对量测进行在线预处理。
附图说明
图1为单个节点及其相连支路图；
图2为4节点系统量测配置图。
具体实施方式
以下结合附图对本发明作进一步说明。
图1为单个节点及其相连支路图，以下以图2所示4节点系统量测配置图为例，该系统数据见表1。
表1支路数据表
支路号 起点i 终点j 电阻R(Ω) 电抗X(Ω) 对地电纳1/2yc(S) 变比K
1 1 2 0.52 2.66 0.00014 -
2 1 3 3.05 8.37 0.00056 -
3 2 3 0.41 2.15 0.00044 -
4 3 4 0.00 7.50 - 1.05
该系统潮流数据真实值和量测值如表2所示。
表2真实值和正常量测值(单位为MW/MVar)
量测项 P1 Q1 P12 Q12 P13 Q13 P31 Q31
真实值 20.86 35.79 40.33 38.35 -19.47 -2.56 19.57 -11.12
量测值 18.71 34.05 41.79 37.96 -19.1 -2.24 17.55 -10.74
量测项 P32 Q32 P3 Q3 P34 Q34 U1 U3
真实值 130.42 41.35 -50 -40 -199.99 -70.22 111.5 111.71
量测值 132.57 42.61 -49.49 -41.93 -193.22 -71.08 112.15 110.99
令P13为不良数据，值为-30.1MW。
以下计算中采用标幺值(功率基准值取100MVA)。
从节点1开始辨识，具体过程如下：
1.节点1
步骤一：取节点1及其有功量测P1，以及与该节点相连支路上的有功量测P12、P13、P31。
步骤二：利用传统的检测方法判断出该节点存在不良数据。
步骤三：计算节点1的所有状态量：
选取的量测组合、状态变量计算式和计算结果如表3所示：
表3节点1的所有量测组合及状态变量计算结果
步骤四：对上述状态进行聚类分析，聚类方法采用K-means，结果表4所示：
表4节点1的状态变量聚类结果
组号 量测组合 状态变量[θ13,θ12] 类别
1 P13,P12 [0.008204,-0.01905] 0
2 P31,P12 [0.008204,-0.01111] 1
3 P1,P12 [0.008204,-0.01423] 1
4 P1,P13 [0.009737,-0.01905] 0
5 P1,P31 [0.007213,-0.01111] 1
对第0类的所有量测组合取交集得{P13}，对第1类的所有量测组合取交集得故节点1不良数据辨识的结果为{P13}。
步骤五：还有节点未处理，跳转至步骤一，取节点2进行分析。
2.节点2
步骤一：取节点2，该节点无注入有功量测，转至步骤五。
步骤五：还有节点未处理，跳转至步骤一，取节点3进行分析。
3.节点3
步骤一：取节点3及其有功量测P3，以及与该节点相连支路上的有功量测P31、P32、P34、P13。
步骤二：利用传统的检测方法判断出该节点存在不良数据。
步骤三：计算节点3的所有状态量：
选取的量测组合、状态变量计算式和计算结果如表5所示：
表5节点3的所有量测组合及状态变量计算结果
步骤四：对上述状态进行聚类分析，聚类方法采用K-means，结果表6所示：
表6节点3的状态变量聚类结果
组号 量测组合 状态变量[θ31,θ32,θ34] 类别
1 P31,P32,P34 [0.011107,0.02155,-0.1151] 0
2 P13,P32,P34 [0.019050,0.02155,-0.1151] 1
3 P3,P32,P34 [0.007063,0.02155,-0.1151] 0
4 P3,P31,P34 [0.011107,0.02051,-0.1151] 0
5 P3,P13,P34 [0.019050,0.01847,-0.1151] 1
6 P3,P31,P32 [0.011107,0.02155,-0.1189] 0
7 P3,P13,P32 [0.019050,0.02155,-0.1263] 1
对第0类的所有量测组合取交集得对第1类的所有量测组合取交集得{P13}，故节点3的不良数据辨识的结果为{P13}。
步骤五：还有节点未处理，跳转至步骤一，取节点4进行分析。
4.节点4
步骤一：取节点4，该节点无注入有功量测，转至步骤五。
步骤五：所有节点处理完毕，结束。

Claims (1)

1.一种基于直流潮流模型的有功不良数据辨识方法，其特征在于该方法包括以下步骤：
步骤一：取出下一个节点及其有功量测，以及与该节点相连支路上的有功量测，如果节点上没有有功量测，则进入步骤五；
步骤二：判断是否存在坏数据，如果没有坏数据则转步骤一；
步骤三：计算当前节点i的所有状态量：
设该节点与m个节点相连，使用直流潮流模型，以支路两端相角差[qi1,qi2,···,qim]为状态变量；对于其中一条支路，该支路两端节点的相角差计算公式如下：
qik＝PikXik(1)
其中Pik为从节点i和流向节点k的有功功率，Xik为节点i至节点k支路的电抗；
选取不同的有功量测组合得到状态变量的不同计算值，将每种量测组合称为一个case，选取的方法如下：
(1)每条支路上选择一个有功功率量测作为式(1)中的支路有功，对于支路末端有功量测Pki需要取反，则可以得到m个方程；
(2)选取节点上的有功量测，然后选取m-1条支路，并在每条支路上选取一个有功功率，并通过节点功率平衡方程式计算出没被选中的支路上的有功功率，从而计算出状态量；
通过计算所有的case，可以得到多组状态量；
步骤四：对上述状态进行聚类分析，根据判据辨识量测中的坏数据：
根据状态量用K-means算法将所有case聚成两类，分别记作和对中所有量测组合取交集，结果记作对中所有量测组合取交集，结果记作和的并集为包含不良数据的量测集合；
步骤五：判断所有节点是否都已经处理完毕，如果是，则完成，如果否，则返回步骤一。
CN201510896238.1A 2015-12-07 2015-12-07 一种基于直流潮流模型的有功不良数据辨识方法 Active CN105391062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510896238.1A CN105391062B (zh) 2015-12-07 2015-12-07 一种基于直流潮流模型的有功不良数据辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510896238.1A CN105391062B (zh) 2015-12-07 2015-12-07 一种基于直流潮流模型的有功不良数据辨识方法

Publications (2)

Publication Number Publication Date
CN105391062A true CN105391062A (zh) 2016-03-09
CN105391062B CN105391062B (zh) 2017-12-22

Family

ID=55423027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510896238.1A Active CN105391062B (zh) 2015-12-07 2015-12-07 一种基于直流潮流模型的有功不良数据辨识方法

Country Status (1)

Country Link
CN (1) CN105391062B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956205A (zh) * 2019-11-21 2020-04-03 华北电力大学 一种基于k均值聚类的pmu数据检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177188A (zh) * 2013-04-02 2013-06-26 东南大学 一种基于特征映射的电力系统负荷动特性分类方法
US20130226538A1 (en) * 2010-06-11 2013-08-29 Abb Research Ltd. Detecting State Estimation Network Model Data Errors
CN103324847A (zh) * 2013-06-17 2013-09-25 西南交通大学 电力系统动态不良数据检测与辨识方法
JP2013219902A (ja) * 2012-04-06 2013-10-24 Fuji Electric Co Ltd 電力系統の状態推定方法
CN103887815A (zh) * 2014-02-21 2014-06-25 华南理工大学 基于运行数据的风电场参数辨识及动态等值方法
CN104537271A (zh) * 2015-01-21 2015-04-22 国家电网公司 一种基于质量标签的配电网不良数据辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226538A1 (en) * 2010-06-11 2013-08-29 Abb Research Ltd. Detecting State Estimation Network Model Data Errors
JP2013219902A (ja) * 2012-04-06 2013-10-24 Fuji Electric Co Ltd 電力系統の状態推定方法
CN103177188A (zh) * 2013-04-02 2013-06-26 东南大学 一种基于特征映射的电力系统负荷动特性分类方法
CN103324847A (zh) * 2013-06-17 2013-09-25 西南交通大学 电力系统动态不良数据检测与辨识方法
CN103887815A (zh) * 2014-02-21 2014-06-25 华南理工大学 基于运行数据的风电场参数辨识及动态等值方法
CN104537271A (zh) * 2015-01-21 2015-04-22 国家电网公司 一种基于质量标签的配电网不良数据辨识方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956205A (zh) * 2019-11-21 2020-04-03 华北电力大学 一种基于k均值聚类的pmu数据检测方法

Also Published As

Publication number Publication date
CN105391062B (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
CN110082640B (zh) 一种基于长短时记忆网络的配网单相接地故障辨识方法
CN103412242B (zh) 一种基于快速独立分量分析和互信息的谐波源定位方法
CN103941163B (zh) 利用模糊k均值聚类的谐振接地系统故障选线方法
CN104766175A (zh) 一种基于时间序列分析的电力系统异常数据辨识与修正方法
CN107453484B (zh) 一种基于wams信息的scada数据校准方法
CN104836223B (zh) 电网参数错误与不良数据协同辨识与估计方法
CN110190600B (zh) 一种基于ami量测近邻回归的三相配电网拓扑辨识方法
CN110659693B (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及介质
CN108957225B (zh) 一种计及电缆分布电容的直流配电线路单端故障测距方法
CN110289613B (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
CN104537271A (zh) 一种基于质量标签的配电网不良数据辨识方法
CN105406471A (zh) 电网不良数据辨识与估计方法
CN105183938A (zh) 电网不良数据辨识与估计方法
CN115000947A (zh) 基于智能电表量测的配电网拓扑结构与线路参数辨识方法
CN104979829A (zh) 一种基于改进的FastICA算法的谐波电流估计方法
CN107462810B (zh) 一种适用于有源配电网的故障区段定位方法
CN107505534B (zh) 配网故障遗传搜索定位方法
CN110824299B (zh) 基于零序电流曲线簇的二维平面判断的故障选线方法
CN106384298B (zh) 一种基于两阶段插补模型的智能用电缺失数据修正方法
CN105391062A (zh) 一种基于直流潮流模型的有功不良数据辨识方法
CN105160166B (zh) 一种光伏阵列状态判断方法
CN104239716A (zh) 一种基于参数偏差灵敏度的电网设备参数识别与估计方法
Yan et al. Fault location for 10kV distribution line based on traveling wave-ANN theory
CN105552887A (zh) 一种基于支路有功潮流的电网拓扑错误辨识方法
Suttisinthong et al. Selection of proper activation functions in back-propagation neural network algorithm for single-circuit transmission line

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant