CN106022972B - 一种基于状态矩阵对称性的配电网异常数据辨识方法 - Google Patents
一种基于状态矩阵对称性的配电网异常数据辨识方法 Download PDFInfo
- Publication number
- CN106022972B CN106022972B CN201610509492.6A CN201610509492A CN106022972B CN 106022972 B CN106022972 B CN 106022972B CN 201610509492 A CN201610509492 A CN 201610509492A CN 106022972 B CN106022972 B CN 106022972B
- Authority
- CN
- China
- Prior art keywords
- matrix
- state matrix
- data
- state
- power
- 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.)
- Active
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 73
- 238000009826 distribution Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims description 30
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- 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)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于状态矩阵对称性的配电网异常数据辨识方法，包括：确定无功优化输入状态矩阵的状态量；采集样本数据，获取该样本数据的概率分布；构建基于概率分布的期望状态矩阵；利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据。从而快速准确地辨识异常数据，实现全局最优。
Description
技术领域：
本发明属于电力系统配电网领域，具体涉及一种基于状态矩阵对称性的配电网异常数据辨识方法。
背景技术
电力系统中的潮流计算、无功优化以及规划都建立在完善的数据采集基础上。例如，无功优化是增强电力系统电压水平，提高电压稳定性并降低网损的重要手段。配电网中大量无功补偿控制器依旧决策控制无功补偿容量，但缺乏全局无功优化的手段。为了保证电力系统的正常运行，电力部门通常安装许多监控和数据采集装置(Supervisory Controland Data Acquisition，简称SCADA)，用于采集电网中的母线电压、线路功率、负载功率、开关状态等信息，并通过信息通道传输给计算机监控系统。
由于采集的量测信息对于获取系统运行状态繁多，并且存在一定的冗余，因此可以利用冗余的量测量对带有噪声甚至错误的数据进行分析，得出系统的真实运行状态。电力系统状态估计(State Estimation)不仅可以根据量测数据估计系统的真实状态，还可以检验开关状态，去除异常不良数据，提高数据精度，补充难以测量的量测量，它是保证实时数据质量的重要一环，为其他无功优化、经济调度等应用程序的实现奠定了基础。
电力系统状态估计的基础在于复杂电网的潮流计算，状态估计计算在特定的网络接线和量测量配置下进行的，在计算之前通常应当对该网络拓扑下的状态估计计算分析，即可观测性分析，以免状态估计无法进行。系统的可观测性取决于网络结构和量测配置，当系统不可观测时，可以选择较小的可观测岛进行状态估计计算，或者人为添加和预测数据或计划型数据作为量测量，使状态估计正常进行。传统方法通常假设量测量误差属于正态分布，采用最小二乘法，或者及快速分解法、正交化算法，经过计算所有量测量的加权残差绝对值相等或相近，通过逐一去除量测量并计算来辨识不良数据。
原有配电网潮流计算、电力系统规划、无功优化等处理输入数据所使用的状态估计方法，需要迭代收敛计算，不但计算耗时长且在配电网开放式结构下不易收敛。
发明内容
为了克服上述缺陷，本发明提供一种基于状态矩阵对称性的配电网异常数据辨识方法，通过统计配电网自动化系统积累的历史运行数据，分析系统状态规律，并基于埃尔米特矩阵的对称性辨识异常数据。
本发明的目的是采用下述技术方案实现的：
一种基于状态矩阵对称性的配电网异常数据辨识方法，所述方法包括下述步骤：
1)确定无功优化输入状态矩阵的状态量；
2)采集样本数据，获取该样本数据的概率分布；
3)构建基于概率分布的期望状态矩阵；
4)利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据。
优选的，所述步骤1)中的无功优化输入状态矩阵中的状态量，包括配电网中支路i、j的有功潮流Pij和无功潮流Qij以及母线k的有功注入功率量Pk、无功注入功率量Qk和电压幅值Uk。
优选的，所述步骤2)具体包括：利用数据采集装置采集配电自动化系统数据库中的历史运行数据，首先根据电力系统校验规则剔除明显的不良数据；其次确定样本数据和采样频率，获取单日内各采样点的概率密度函数。
进一步地，所述电力系统校验规则剔除明显的不良数据包括：设置约束条件，执行状态变量约束校验或者基尔霍夫定律校验进行剔除；其中，所述约束条件包括节点电压幅值上下限约束、线路传输功率限值约束和发电机无功输出功率上下限约束。
进一步地，所述确定样本数据和采样频率，获取单日内各采样频率的概率密度函数包括：选取不少于1年的历史运行数据作为样本数据，根据实际需要设置采样频率，获取单日内各采样点的概率密度函数；其中，第n个采样点的概率密度函数记作fn(xn)，xn为第n个采样点的状态量。
优选的，所述步骤3)中基于概率分布的期望状态矩阵为埃尔米特矩阵，其构建方法包括：将单日的n个采样点的概率密度函数f1(x1)…fn(xn)转化为标准正分布f’1(x1)…f’n(xn)，以n个标准正分布为对角线元素，则对角线以外的点即为行向量与列向量的联合概率密度f’ij(xn)，建立基于各采样点概率分布的期望状态矩阵；其中，x1为第一个采样点的状态量，xn为第n个采样点的状态量；i为期望状态矩阵的行向量，j为期望状态矩阵的列向量，i、j∈n且i≠j。
优选的，所述步骤4)中，利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据包括：将无功优化输入状态矩阵状态量逐一加入期望状态矩阵，基于期望状态矩阵的自对称性，对无功优化输入状态矩阵进行检验，若加入的状态量使得期望状态矩阵与其转置矩阵不相等，则认定为异常数据。
与最接近的现有技术相比，本发明的有益效果为：
1、本发明尤其适用于分布式电源高密度的接入配电网情况下，针对电源间歇性增加了系统状态变化的频度，通过电力系统规则校验，以快速准确辨识异常数据，并且利用有效的大数据应用手段，较为容易的实现全局最优。
2、本发明充分考虑分布式电源接入的情况，将分布式电源高密度的接入配电网，间歇性增加了系统状态变化的频度；并在此基础上，对历史运行数据进行统计，获取系统状态规律，建立标准正态分布函数为元素的埃尔米特矩阵，利用其对称性辨识异常数据，实时性高，准确高效。
3、针对复杂网络拓扑和大量运行数据，常规状态估计的方法辨识异常数据通常计算趋于复杂，本发明基于统计方法辨识异常数据，利用大数据效应下，数据量的增加反而使系统分析更加准确、简化高效。
附图说明
图1为本发明提供的异常数据辨识方法流程图；
具体实施方式：
本发明提供一种基于状态矩阵对称性的配电网异常数据辨识方法，所述方法包括下述步骤：
1)确定无功优化输入状态矩阵的状态量；
步骤1)中的无功优化输入状态矩阵中的状态量，包括配电网中支路i、j的有功潮流Pij和无功潮流Qij以及母线k的有功注入功率量Pk、无功注入功率量Qk和电压幅值Uk。
2)采集样本数据，获取该样本数据的概率分布；利用数据采集装置采集配电自动化系统数据库中的历史运行数据，首先根据电力系统校验规则剔除明显的不良数据；其次确定样本数据和采样频率，获取单日内各采样点的概率密度函数。
201.电力系统校验规则剔除明显的不良数据包括：设置约束条件，执行状态变量约束校验或者基尔霍夫定律校验进行剔除；其中，所述约束条件包括节点电压幅值上下限约束、线路传输功率限值约束和发电机无功输出功率上下限约束。
202.确定样本数据和采样频率，获取单日内各采样频率的概率密度函数包括：选取不少于1年的历史运行数据作为样本数据，以每15分钟为时间间隔进行采样，获取单日内各采样点的概率密度函数；其中，第n个采样点的概率密度函数记作fn(xn)，xn为第n个采样点的状态量。
3)构建基于概率分布的期望状态矩阵；
步骤3)中基于概率分布的期望状态矩阵为埃尔米特矩阵，其构建方法包括：将单日的n个采样点的概率密度函数f1(x1)…fn(xn)转化为标准正分布f’1(x1)…f’n(xn)，以n个标准正分布为对角线元素，则对角线以外的点即为行向量与列向量的联合概率密度f’ij(xn)，建立基于各采样点概率分布的期望状态矩阵；其中，x1为第一个采样点的状态量，xn为第n个采样点的状态量；i为期望状态矩阵的行向量，j为期望状态矩阵的列向量，i、j∈n且i≠j。
4)利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据，其包括：将无功优化输入状态矩阵状态量逐一加入期望状态矩阵，基于期望状态矩阵的自对称性，对无功优化输入状态矩阵进行检验，若加入的状态量使得期望状态矩阵与其转置矩阵不相等，则认定为异常数据。
若剔除检验出的异常数据后，状态估计所需的数据不足时，可以根据具体工况需求使用预测和计划型数据作为伪量测数据，所述伪量测数据必须满足基尔霍夫定律的相关要求。
研究通过对埃尔米特矩阵特征谱的对称不变性分析，达到快速异常状态辨识的方法，提供大数据的实时分析技术；利用大数据效应下，数据量的增加反而使系统分析简化高效的优势，开发基于大数据的配电网全局无功优化实时分析工具。
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，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：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，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于状态矩阵对称性的配电网异常数据辨识方法，其特征在于，所述方法包括下述步骤：
1)确定无功优化输入状态矩阵的状态量；
2)采集样本数据，获取该样本数据的概率分布；
3)构建基于概率分布的期望状态矩阵；
4)利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据；
所述步骤1)中的无功优化输入状态矩阵中的状态量，包括配电网中支路i、j的有功潮流Pij和无功潮流Qij以及母线k的有功注入功率量Pk、无功注入功率量Qk和电压幅值Uk；
所述步骤3)中基于概率分布的期望状态矩阵为埃尔米特矩阵，其构建方法包括：将单日的n个采样点的概率密度函数f1(x1)…fn(xn)转化为标准正分布f’1(x1)…f’n(xn)，以n个标准正分布为对角线元素，则对角线以外的点即为行向量与列向量的联合概率密度f’ij(xn)，由于f’ij(xn)均与xn相关，从而建立基于各采样点概率分布的期望状态矩阵；其中，x1为第一个采样点的状态量，xn为第n个采样点的状态量；i为期望状态矩阵的行向量，j为期望状态矩阵的列向量，i、j∈n且i≠j；
所述步骤4)中，利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据包括：将无功优化输入状态矩阵状态量逐一加入期望状态矩阵，基于期望状态矩阵的自对称性，对无功优化输入状态矩阵进行检验，若加入的状态量使得期望状态矩阵与其转置矩阵不相等，则认定为异常数据。
2.根据权利要求1所述的方法，其特征在于，所述步骤2)具体包括：利用数据采集装置采集配电自动化系统数据库中的历史运行数据，首先根据电力系统校验规则剔除明显的不良数据；其次确定样本数据和采样频率，获取单日内各采样点的概率密度函数。
3.根据权利要求2所述的方法，其特征在于，所述电力系统校验规则剔除明显的不良数据包括：设置约束条件，执行状态变量约束校验或者基尔霍夫定律校验进行剔除；其中，所述约束条件包括节点电压幅值上下限约束、线路传输功率限值约束和发电机无功输出功率上下限约束。
4.根据权利要求2所述的方法，其特征在于，所述确定样本数据和采样频率，获取单日内各采样频率的概率密度函数包括：选取不少于1年的历史运行数据作为样本数据，根据实际需要设置采样频率，获取单日内各采样点的概率密度函数；
其中，第n个采样点的概率密度函数记作fn(xn)，xn为第n个采样点的状态量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610509492.6A CN106022972B (zh) | 2016-06-30 | 2016-06-30 | 一种基于状态矩阵对称性的配电网异常数据辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610509492.6A CN106022972B (zh) | 2016-06-30 | 2016-06-30 | 一种基于状态矩阵对称性的配电网异常数据辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106022972A CN106022972A (zh) | 2016-10-12 |
| CN106022972B true CN106022972B (zh) | 2022-10-21 |
Family
ID=57105955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610509492.6A Active CN106022972B (zh) | 2016-06-30 | 2016-06-30 | 一种基于状态矩阵对称性的配电网异常数据辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106022972B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194900A (zh) * | 2023-09-25 | 2023-12-08 | 中国铁路成都局集团有限公司成都供电段 | 一种基于自适应感知的设备运行轻量化监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104182644A (zh) * | 2014-08-29 | 2014-12-03 | 国家电网公司 | 一种融合分布式电源特性的配电网状态估计方法 |
| CN104269844A (zh) * | 2014-09-10 | 2015-01-07 | 国家电网公司 | 一种配电网状态估计异常识别方法及其装置 |
| 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 |
-
2016
- 2016-06-30 CN CN201610509492.6A patent/CN106022972B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104182644A (zh) * | 2014-08-29 | 2014-12-03 | 国家电网公司 | 一种融合分布式电源特性的配电网状态估计方法 |
| CN104269844A (zh) * | 2014-09-10 | 2015-01-07 | 国家电网公司 | 一种配电网状态估计异常识别方法及其装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106022972A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110471024B (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
| CN108376982B (zh) | 负载相序的识别方法及装置 | |
| CN104134999B (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
| CN107679768B (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
| CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
| CN113126019B (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
| CN105119282A (zh) | 一种电网理论线损在线计算系统及方法 | |
| CN111476427A (zh) | 低压台区拓扑识别方法及识别装置 | |
| CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
| CN104992010A (zh) | 一种基于拓扑分区的多断面联合参数估计方法 | |
| CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
| CN116105885B (zh) | 一种核电用电气设备状态监测方法及系统 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
| Huang et al. | Power distribution system synchrophasor measurements with non-Gaussian noises: Real-world data testing and analysis | |
| CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
| CN114519514A (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
| CN114915546A (zh) | 一种停电用户定位方法、装置、设备、介质 | |
| CN106874676B (zh) | 一种电能计量装置状态评估方法 | |
| CN111221811A (zh) | 一种基于集抄系统的低压配电网络线路参数估计方法 | |
| CN108596450B (zh) | 电网风险预警方法和系统 | |
| CN107204616B (zh) | 基于自适应稀疏伪谱法的电力系统随机状态估计方法 | |
| CN106022972B (zh) | 一种基于状态矩阵对称性的配电网异常数据辨识方法 | |
| CN116822366A (zh) | 一种径流污染负荷计算模型构建和径流污染负荷计算方法 | |
| CN109193639B (zh) | 一种电力系统抗差估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |