CN108710036A - 一种基于智能变电站状态估计的采样环节状态评估方法 - Google Patents
一种基于智能变电站状态估计的采样环节状态评估方法 Download PDFInfo
- Publication number
- CN108710036A CN108710036A CN201810332808.8A CN201810332808A CN108710036A CN 108710036 A CN108710036 A CN 108710036A CN 201810332808 A CN201810332808 A CN 201810332808A CN 108710036 A CN108710036 A CN 108710036A
- Authority
- CN
- China
- Prior art keywords
- intelligent substation
- abnormal
- data
- sampling element
- state
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Abstract
一种基于智能变电站状态估计的采样环节状态评估方法,通过梳理并分析智能变电站二次系统量测数据的冗余关系,利用加权最小二乘法,对智能变电站二次系统的采样数据进行状态估计,获取智能变电站二次系统的采样真实状态,发现并排除不良数据。同时,通过采样真实状态的评估结果以及不良数据的评估分析,对智能变电站中的采样环节运行状态进行准确有效的评估,有效解决智能变电站采样环节的“零漂”异常、变比异常、延时异常等异常运行状态,解决上述背景技术中所述的问题。
Description
技术领域
本发明涉及智能电网技术,具体是一种基于智能变电站状态估计的采样环节状态评估方法。
背景技术
智能变电站存在大量的电流、电压互感器以及合并单元设备,其正常工作以及量测结果的准确度是智能变电站的计量、保护、测控等子系统得以安全稳定运行的重要保障。对智能变电站的采样环节进行状态评估,能够及时发现互感器、合并单元的运行异常,提前排除安全隐患,提高解决故障的效率,是提高智能变电站运行安全性、可靠性和稳定性的关键技术。
目前,针对智能变电站的采样环节状态评估有不少的实现方案,基本方法主要包括两种,一是借助于多种传感元器件,如温度传感器等,发现采样环节的运行异常,如温升、绝缘下降、接触接口等运行异常等;二是通过对采样环节的整体功能如采样结果,如采样值质量位,时间同步位等,监视采样整体功能能否正常实现。
目前智能变电站互感器、合并单元的状态评估方法主要存在以下缺陷:1.借助于多种传感元器件的采样环节状态检测与运行评估方法,往往存在部分之和难以反映整体运行情况的现象,不能从功能层面与采样输出结果完成对采样的整体评价,此外需要装备大量的传感元件;2.传统的基于整体功能分析采样环节的方法,一方面没有有效利用智能变电站信息共享优势,难以体现智能变电站特点,另一方面,传统的基于整体功能分析采样环节的方法得到的往往是整体的评价结果,难以实现评估结果与一场运行类型转换,难以指导进一步的运维工作
发明内容
本发明所解决的技术问题在于提出一种基于智能变电站状态估计的采样环节状态评估方法,通过梳理并分析智能变电站二次系统量测数据的冗余关系,利用加权最小二乘法,对智能变电站二次系统的采样数据进行状态估计,获取智能变电站二次系统的采样真实状态,发现并排除不良数据。同时,通过采样真实状态的评估结果以及不良数据的评估分析,对智能变电站中的采样环节运行状态进行准确有效的评估,有效解决智能变电站采样环节的“零漂”异常、变比异常、延时异常等异常运行状态,解决上述背景技术中所述的问题。
本发明所解决的技术问题采用以的技术方案是:
基于智能变电站状态估计的采样环节状态评估框架
基于智能变电站状态估计的采样环节状态评估首先从智能变电站状态估计的量测冗余关系出发,获取同一时刻的SV(Sampled Value)报文并解析SV报文,得到采集系统的量测值,并输入状态估计器,进行智能变电站的状态估计,发现并排除不良数据。状态估计不良数据辨识结果作为采样环节状态评估的数据接口。通过智能变电站的状态估计排查得到不良数据,根据不良数据的特点,推测采样环节可能出现的异常形式,及时排查运行异常,为站内的采样环节正常工作、智能变电站安全稳定运行提供有效保障。
有益效果:本发明提出了一种基于智能变电站状态估计的采样环节状态评估方法,能够有效解决采样环节零漂异常、变比异常以及延时异常的不良状态识别,进一步补充了采样环节的状态评估理论,这对保证电流电压互感器、合并单元正常工作、提高智能变电站的运维效率、增强智能变电站的安全可靠性有着至关重要的实际意义,创新点总结如下:
1、借鉴电网一次系统的状态估计理论和工程实践技术,结合了一次系统物理冗余与二次设备配置冗余的智能变电站状态估计方法;
2、把智能变电站的状态估计不良数据辨识结果作为采样环节状态评估的数据接口。根据不良数据的特点,完成采样环节的状态评估;3、基于不良数据特性分析,完成采样环节异常的分析方法。
附图说明
图1基于智能变电站状态估计的采样环节状态评估框架。
图2采样环节的零漂异常。
图3采样环节的变比异常。
图4采样环节的延时异常。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效,易于明白了解、下面结合具体图示,进一步阐述本发明。
1)基于智能变电站状态估计的采样环节状态评估框架
如图1所示,基于智能变电站状态估计的采样环节状态评估首先从智能变电站状态估计的量测冗余关系出发,获取同一时刻的SV(Sampled Value)报文并解析SV报文,得到采集系统的量测值,并输入状态估计器,进行智能变电站的状态估计,发现并排除不良数据。状态估计不良数据辨识结果作为采样环节状态评估的数据接口。通过智能变电站的状态估计排查得到不良数据,根据不良数据的特点,推测采样环节可能出现的异常形式,及时排查运行异常,为站内的采样环节正常工作、智能变电站安全稳定运行提供有效保障。
基于智能变电站状态估计的采样环节状态评估流程简要说明如下:
1、量测冗余包括配置冗余和物理冗余。配置冗余:针对具有高可靠性要求的二次设备,智能变电站大部分采取双套冗余配置的方案,一是可以提供故障情况下设备的无缝切换,二是可以提供了两组相同的数据,构成二次系统最基本的配置冗余关系。此外,另一方面,现阶段智能变电站二次系统同一采样数据具有多种异构冗余形式,分别来自保护、测控等二次设备。物理冗余:基于基尔霍夫的电流电压基本定律构成了电流、电压的物理冗余关系。
2、SV报文包含了互感器采集的电流、电压采样瞬时值相关信息,对SV报文解析,能够获取互感器采集的电流、电压采样瞬时值,作为生数据,输入智能变电站的状态估计器,利用冗余关系完成智能变电站的状态估计,完成不良数据的辨识。
3、状态估计不良数据辨识结果作为采样环节状态评估的数据接口。根据不良数据的特点,分析智能变电站的状态量与量测量的关系,推测采样环节可能出现的异常情况,包括偶发异常与重复异常,及时排查异常,为站内的采样环节正常工作、智能变电站安全稳定运行提供有效保障。
4、偶发异常是偶然出现的异常,这里不作细究。而对于重复异常,对不良数据的特点进行进一步的分析,能够发现个别异常状况,如零漂异常、变比异常或者延时异常等,为采样环节的异常排查、检修提供。
2)智能变电站的状态估计
基于量测数据的冗余性,智能变电站状态估计方法通过获取同一时刻的SV报文并解析SV报文获取瞬时采样数据,并对采样数据作线性静态状态估计,基本步骤如下。
设采样数据量测量矩阵为z,如式(2-1)所示,其中m代表采样数据的个数,zi的数值表示第i个采样数据的实际量测值。
z=[z1 z2 ... zm]T (2-1)
设采样数据状态量矩阵x,如式(2-2)所示,其中,n代表状态量的个数,xi的数值表示第i个状态量的大小。
x=[x1 x2 ... xn]T (2-2)
根据智能变电站的基尔霍夫电压电流基本定律,量测量z与状态量x之间存在一定的量测函数h(x),如式(2-3)
h(x)=[h1(x) h2(x) ... hm(x)]T (2-3)
其中,hi(x)表示第i个采样数据的测量函数。
智能变电站采样数据的量测方程可以表示为
z=h(x)+v其中,v代表测量误差 (2-4)
量测方程是基于基尔霍夫电压电流基本定律而形成的,因此,量测方程是多元线性方程
状态量x与测量量z之间的关系为
z=Hx+v (2-6)
为使得通过采样状态量与实际采样测量数据大小之间的整体误差最小,本文采用加权最小二乘法(WLS,Weighted least square method)进行状态估计。
以h(x)为量测方程,则整体误差最小目标函数为:
其中,W为权重矩阵,W=R-1
其中,σi为第i个测量数据的测量误差,误差越大测量值对最小二乘目标函数的贡献值越小。
求极值可获得状态量估计值
由状态量估计值可以求解得到测量量估计值
3)采样环节的状态评估
定义残差r,表示量测实际值与量测估计值之间差值大小
残差r与误差v之间的关系满足
r=Wv (2-10)
正常情况下,误差v是满足均值为0的正态分布(0,σ2),因此,残差r类似误差v,在正常情况下,残差r服从均值为0的正态分布(0,σ'2)。
根据残差的特性分析,可以对采样环节进行异常状态辨识。
1、零漂异常
如图2所示采样环节的零漂异常
当第i个测量数据zi出现零漂异常时,残差ri'虽然服从正态分布,但是其均值变为非零,即:
ri'=εi+ri (2-11)
其中,ri'为出现零漂异常后的残差,εi为零漂的大小值,ri为正常情况下的残差。
因此,出现零漂异常时,残差ri'服从均值非零的正态分布(εi,σi 2)。
2、变比异常
如图3所示采样环节的变比异常
当第i个测量数据zi出现变比k异常时,残差ri'满足
其中,zi满足
则
因此,出现变比异常时,残差ri'与成线性关系。
3、延时异常
如图4所示采样环节的延时异常
当第i个测量数据zi出现延时异常时,残差ri'满足
其中,zi满足T为采样周期
则
因此,出现延时异常时,残差ri'与成线性关系。
4)采样环节的运行异常判别方法
基于上面分析,可以根据残差ri'的特点,完成对采样环节零漂异常、变比异常以及延时异常的不良状态识别。
通过式(2-16)、(2-17)、(2-18)、(2-19)分别计算残差ri'与的线性相关系数r,判断残差ri'与的线性相关性,进一步辨识采样环节的异常状态。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于智能变电站状态估计的采样环节状态评估方法,其特征在于:基于智能变电站状态估计的采样环节状态评估首先从智能变电站状态估计的量测冗余关系出发,获取同一时刻的SV(Sampled Value)报文并解析SV报文,得到采集系统的量测值,并输入状态估计器,进行智能变电站的状态估计,发现并排除不良数据,状态估计不良数据辨识结果作为采样环节状态评估的数据接口,通过智能变电站的状态估计排查得到不良数据,根据不良数据的特点,推测采样环节可能出现的异常形式,及时排查运行异常,为站内的采样环节正常工作、智能变电站安全稳定运行提供有效保障,基于智能变电站状态估计的采样环节状态评估流程简要说明如下:
1、量测冗余包括配置冗余和物理冗余,配置冗余:针对具有高可靠性要求的二次设备,智能变电站大部分采取双套冗余配置的方案,一是可以提供故障情况下设备的无缝切换,二是可以提供了两组相同的数据,构成二次系统最基本的配置冗余关系,此外,另一方面,现阶段智能变电站二次系统同一采样数据具有多种异构冗余形式,分别来自保护、测控等二次设备,物理冗余:基于基尔霍夫的电流电压基本定律构成了电流、电压的物理冗余关系,
2、SV报文包含了互感器采集的电流、电压采样瞬时值相关信息,对SV报文解析,能够获取互感器采集的电流、电压采样瞬时值,作为生数据,输入智能变电站的状态估计器,利用冗余关系完成智能变电站的状态估计,完成不良数据的辨识,
3、状态估计不良数据辨识结果作为采样环节状态评估的数据接口,根据不良数据的特点,分析智能变电站的状态量与量测量的关系,推测采样环节可能出现的异常情况,包括偶发异常与重复异常,及时排查异常,为站内的采样环节正常工作、智能变电站安全稳定运行提供有效保障,
4、偶发异常是偶然出现的异常,这里不作细究,而对于重复异常,对不良数据的特点进行进一步的分析,能够发现个别异常状况,如零漂异常、变比异常或者延时异常等,为采样环节的异常排查、检修提供。
2.根据权利要求1所述一种基于智能变电站状态估计的采样环节状态评估方法,其特征在于:所述智能变电站的状态估计是基于量测数据的冗余性,智能变电站状态估计方法通过获取同一时刻的SV报文并解析SV报文获取瞬时采样数据,并对采样数据作线性静态状态估计,基本步骤如下:
设采样数据量测量矩阵为z,如式(2-1)所示,其中m代表采样数据的个数,zi的数值表示第i个采样数据的实际量测值,
z=[z1 z2 ... zm]T (2-1)
设采样数据状态量矩阵x,如式(2-2)所示,其中,n代表状态量的个数,xi的数值表示第i个状态量的大小,
x=[x1 x2 ... xn]T (2-2)
根据智能变电站的基尔霍夫电压电流基本定律,量测量z与状态量x之间存在一定的量测函数h(x),如式(2-3)
h(x)=[h1(x) h2(x) ... hm(x)]T (2-3)
其中,hi(x)表示第i个采样数据的测量函数,
智能变电站采样数据的量测方程可以表示为
z=h(x)+v其中,v代表测量误差 (2-4)
量测方程是基于基尔霍夫电压电流基本定律而形成的,因此,量测方程是多元线性方程
状态量x与测量量z之间的关系为
z=Hx+v (2-6)
为使得通过采样状态量与实际采样测量数据大小之间的整体误差最小,本文采用加权最小二乘法(WLS,Weighted least square method)进行状态估计,
以h(x)为量测方程,则整体误差最小目标函数为:
其中,W为权重矩阵,W=R-1
其中,σi为第i个测量数据的测量误差,误差越大测量值对最小二乘目标函数的贡献值越小,
求极值可获得状态量估计值
由状态量估计值可以求解得到测量量估计值
3.根据权利要求1所述一种基于智能变电站状态估计的采样环节状态评估方法,其特征在于:采样环节的状态评估
定义残差r,表示量测实际值与量测估计值之间差值大小
残差r与误差v之间的关系满足
r=Wv (2-10)
正常情况下,误差v是满足均值为0的正态分布(0,σ2),因此,残差r类似误差v,在正常情况下,残差r服从均值为0的正态分布(0,σ'2),
根据残差的特性分析,可以对采样环节进行异常状态辨识,
1、零漂异常
如图2所示采样环节的零漂异常
当第i个测量数据zi出现零漂异常时,残差ri'虽然服从正态分布,但是其均值变为非零,即:
ri'=εi+ri (2-11)
其中,ri'为出现零漂异常后的残差,εi为零漂的大小值,ri为正常情况下的残差,
因此,出现零漂异常时,残差ri'服从均值非零的正态分布(εi,σi 2),
2、变比异常
如图3所示采样环节的变比异常
当第i个测量数据zi出现变比k异常时,残差ri'满足
其中,zi满足
则
因此,出现变比异常时,残差ri'与成线性关系,
3、延时异常
如图4所示采样环节的延时异常
当第i个测量数据zi出现延时异常时,残差ri'满足
其中,zi满足T为采样周期
则
因此,出现延时异常时,残差ri'与成线性关系。
4.根据权利要求1所述一种基于智能变电站状态估计的采样环节状态评估方法,其特征在于:采样环节的运行异常判别方法
基于上面分析,可以根据残差ri'的特点,完成对采样环节零漂异常、变比异常以及延时异常的不良状态识别,
通过式(2-16)、(2-17)、(2-18)、(2-19)分别计算残差ri'与的线性相关系数r,判断残差ri'与的线性相关性,进一步辨识采样环节的异常状态,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810332808.8A CN108710036B (zh) | 2018-04-13 | 2018-04-13 | 一种基于智能变电站状态估计的采样环节状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810332808.8A CN108710036B (zh) | 2018-04-13 | 2018-04-13 | 一种基于智能变电站状态估计的采样环节状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710036A true CN108710036A (zh) | 2018-10-26 |
CN108710036B CN108710036B (zh) | 2021-05-25 |
Family
ID=63866790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810332808.8A Active CN108710036B (zh) | 2018-04-13 | 2018-04-13 | 一种基于智能变电站状态估计的采样环节状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710036B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125837A (zh) * | 2021-04-16 | 2021-07-16 | 奇瑞商用车(安徽)有限公司 | 一种电流采样零漂的处理方法及系统 |
CN113238107A (zh) * | 2021-04-26 | 2021-08-10 | 南京国电南自电网自动化有限公司 | 一种用于emc试验的交流采样异常分析方法 |
CN113859022A (zh) * | 2021-08-24 | 2021-12-31 | 安徽绿舟科技有限公司 | 基于策略的换电站内部异常质检与冗余可用的系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499659A (zh) * | 2009-03-06 | 2009-08-05 | 清华大学 | 基于基尔霍夫电流定律的变电站分布式状态估计方法 |
CN102332751A (zh) * | 2011-07-13 | 2012-01-25 | 国电南京自动化股份有限公司 | 智能变电站接入双套过程层设备的测控装置及其测控方法 |
CN105005946A (zh) * | 2015-07-17 | 2015-10-28 | 国家电网公司 | 一种基于支路有功潮流的电网拓扑错误辨识方法 |
CN105974245A (zh) * | 2016-07-08 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种全冗余的合并单元装置 |
CN107340436A (zh) * | 2016-04-28 | 2017-11-10 | 中国电力科学研究院 | 一种智能变电站继电保护采样数据异常模拟测试方法 |
CN107706914A (zh) * | 2017-11-21 | 2018-02-16 | 广东电网有限责任公司电力科学研究院 | 一种智能变电站二次系统状态估计方法及装置 |
-
2018
- 2018-04-13 CN CN201810332808.8A patent/CN108710036B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499659A (zh) * | 2009-03-06 | 2009-08-05 | 清华大学 | 基于基尔霍夫电流定律的变电站分布式状态估计方法 |
CN102332751A (zh) * | 2011-07-13 | 2012-01-25 | 国电南京自动化股份有限公司 | 智能变电站接入双套过程层设备的测控装置及其测控方法 |
CN105005946A (zh) * | 2015-07-17 | 2015-10-28 | 国家电网公司 | 一种基于支路有功潮流的电网拓扑错误辨识方法 |
CN107340436A (zh) * | 2016-04-28 | 2017-11-10 | 中国电力科学研究院 | 一种智能变电站继电保护采样数据异常模拟测试方法 |
CN105974245A (zh) * | 2016-07-08 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种全冗余的合并单元装置 |
CN107706914A (zh) * | 2017-11-21 | 2018-02-16 | 广东电网有限责任公司电力科学研究院 | 一种智能变电站二次系统状态估计方法及装置 |
Non-Patent Citations (2)
Title |
---|
胡春潮等: "基于信息冗余的电力系统分布式状态估计", 《电力系统保护与控制》 * |
薛伟等: "基于加权最小二乘法的广域测量系统状态估计", 《科学技术与工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125837A (zh) * | 2021-04-16 | 2021-07-16 | 奇瑞商用车(安徽)有限公司 | 一种电流采样零漂的处理方法及系统 |
CN113238107A (zh) * | 2021-04-26 | 2021-08-10 | 南京国电南自电网自动化有限公司 | 一种用于emc试验的交流采样异常分析方法 |
CN113859022A (zh) * | 2021-08-24 | 2021-12-31 | 安徽绿舟科技有限公司 | 基于策略的换电站内部异常质检与冗余可用的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108710036B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512962B (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
CN104217110B (zh) | 一种利用基准态分析的gis状态评估方法及装置 | |
CN107680368A (zh) | 一种基于采集数据的计量装置在线监测与智能诊断方法 | |
CN108710036A (zh) | 一种基于智能变电站状态估计的采样环节状态评估方法 | |
CN113783272B (zh) | 一种基于超级电容监控管理系统的安全控制方法 | |
CN103399241A (zh) | 基于温升与负荷关系的配电变压器故障诊断系统及方法 | |
CN111537939A (zh) | 一种基于多指标融合的电压互感器状态评估方法及装置 | |
Blakely et al. | Identifying common errors in distribution system models | |
CN109188082A (zh) | 一种基于bp神经网络的变压器状态评估方法 | |
CN112098915A (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
CN114065875B (zh) | 基于大数据的电力电网故障识别系统 | |
CN113050017A (zh) | 一种电子式互感器误差状态智能监测及故障诊断系统 | |
Zhang et al. | An online detection method for capacitor voltage transformer with excessive measurement error based on multi-source heterogeneous data fusion | |
CN105425182B (zh) | 一种用于故障指示器生产环节的电流精度校准方法 | |
CN105353332B (zh) | 一种电子式互感器长期带电性能考核方法及系统 | |
CN105242129B (zh) | 一种变压器绕组故障概率确定方法 | |
CN116736212B (zh) | 一种互感器运行误差在线监测及计量方法 | |
CN103364669B (zh) | Gis设备运行状态在线检测方法与系统 | |
CN111308259A (zh) | 一种基于电动汽车充电桩可靠性数据的便携式评估装置 | |
CN109613465B (zh) | 一种低压电流互感器自动化检定流水线的计量监督方法 | |
CN114325555B (zh) | 一种计量设备异常在线监测模型及误差计算方法 | |
CN106093222A (zh) | 一种电网体系中色谱检测装置层次化评估方法 | |
CN115656674A (zh) | 一种格雷码处理卡件的离线测试装置和寿命预测方法 | |
CN113672658B (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
CN105548939B (zh) | 一种电压互感器状态检验方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |