CN109472295B - 基于Pearson相关系数的WAMS/SCADA系统对时排序方法 - Google Patents

基于Pearson相关系数的WAMS/SCADA系统对时排序方法 Download PDF

Info

Publication number
CN109472295B
CN109472295B CN201811209711.4A CN201811209711A CN109472295B CN 109472295 B CN109472295 B CN 109472295B CN 201811209711 A CN201811209711 A CN 201811209711A CN 109472295 B CN109472295 B CN 109472295B
Authority
CN
China
Prior art keywords
data
scada
wams
node
scada data
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
Application number
CN201811209711.4A
Other languages
English (en)
Other versions
CN109472295A (zh
Inventor
马覃峰
王寅
唐建兴
姚瑶
王国松
欧阳可凤
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201811209711.4A priority Critical patent/CN109472295B/zh
Publication of CN109472295A publication Critical patent/CN109472295A/zh
Application granted granted Critical
Publication of CN109472295B publication Critical patent/CN109472295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种基于Pearson相关系数的WAMS/SCADA系统对时排序方法，属于电力调度领域。该方法充分利用Pearson相关系数能够适用于量纲不同的两个物理量相关性评估的特点，利用不完全布点的WAMS数据与完全布点的SCADA数据进行相关性评估，实现对SCADA数据的对时排序修正。该方法使用简单，充分考虑了WAMS数据和SCADA数据的自身特点。并将其与Pearson相关系数评估特点相结合，具有较强的使用效益。

Description

基于Pearson相关系数的WAMS/SCADA系统对时排序方法
技术领域
本发明涉及一种基于Pearson相关系数的WAMS/SCADA系统对时排序方法，属于电力调度领域。
背景技术
广域量测系统(WAMS)凭借其在电力系统暂态稳定分析等方面的独特优势，得到了越来越广泛的研究和应用。然而由于当前数据采集与监视控制系统(SCADA)已经实现了在电力系统中的全面覆盖，能够满足当前电网稳态运行监视与控制的需求。从运行经济性角度出发，大部分电网都仅在关键厂站配置WAMS数据的向量测量单元(PMU)。因此，WAMS/SCADA系统成为电网运行监视与控制系统的普遍形态。
从监测数据来看，WAMS系统与SCADA系统具有如下差别：
WAMS采集数据为带GPS时标的节点电压和支路电流相量，数据精度高，更新周期短，传输延时小，受限于当前PMU装置布点较少，WAMS数据覆盖率较低。
SCADA采集数据为不带时标的节点电压幅值、支路功率和节点注入功率，数据精度相对较低，更新周期长，当前SCADA已基本实现全面覆盖，数据较为全面。
因此，在WAMS/SCADA系统中如何利用不完全布点的WAMS数据修正SCADA数据，提升电力系统整体数据可靠性，成为电力系统中数据分析的重要内容。而在WAMS/SCADA系统数据修正中最重要的修正内容就是SCADA数据的对时排序。
由于SCADA数据为不带时标的节点电压幅值、支路功率和节点注入功率数据，由于采集装置自身精度差异、传输距离差异、传输效率差异等因素影响，不同节点的采集数据可能存在一定的时差。传统的SCADA系统中为降低时差等数据质量因素对电力系统计算分析的影响，一般首先采用状态估计方法，对不同节点的采集数据进行修正，以提升数据质量。
而在WAMS/SCADA系统中，由于部分装设了PMU装置的节点采集量为带时标的节点电压和支路电流相量，因此WAMS数据具备无时差特性。这一特点也是利用其对SCADA数据对时排序，提升数据质量的根本原因。
而利用WAMS数据对SCADA数据对时排序中存在两方面亟待解决的问题：
1)WAMS数据受限于PMU装置布点，是不完全布点的，则对于没有WAMS数据的节点，如何提升其数据质量需要考虑；
2)WAMS数据与SCADA数据内容不一致的问题，WAMS量测对象为节点电压和支路电流相量，而SCADA量测对象为节点电压幅值、支路功率和节点注入功率。
由于上述两方面差别，传统的对时排序算法往往需要首先对SCADA数据进行状态估计，将其转化为节点电压和支路电流相量，之后在通过对比WAMS数据和SCADA数据之间的相互关系，修正对应PMU布点的节点数据。
上述流程存在如下两方面问题：
1)没有PMU布点的节点数据没有得到修正，上述修正是不全面的；
2)首先利用SCADA数据进行状态估计，计算出的节点电压和支路电流相量实际上已经有所失真，且计算效率较低。
为解决上述两方面问题，本专利中引入Pearson相关系数，充分利用该系数能够用于解决量纲不同的物理量的时序相关性特点，对有PMU布点的节点数据直接进行修正；然后基于已修正的节点SCADA数据进行状态估计，通过调整不同类型节点的收敛判定条件权重，使得其他节点的SCADA数据也能得到一定程度的修正。
发明内容
有鉴于此，本发明的目的是提供一种基于Pearson相关系数的WAMS/SCADA系统对时排序方法。
本发明的目的是通过以下技术方案实现的：
基于Pearson相关系数的广域量测系统(WAMS)/数据采集与监视控制(SCADA)系统对时排序方法，包括以下步骤：
S1：获取基础数据；
S2：构造连续函数；
S3：计算Pearson相关系数；
S4：计算相对时延；
S5：状态估计，对非向量测量单元(PMU)布点的节点SCADA数据对时排序修正。
进一步，在所述步骤S1中，所需要获取的数据为所有节点SCADA数据和有PMU布点的WAMS数据；为满足Pearson相关系数分析的需要，上述数据须满足如下条件：
1)数据内容方面，SCADA数据为节点电压幅值、支路功率和节点注入功率三项数据，WAMS数据为带时标的节点电压、支路电流相量；
2)数据范围方面，SCADA数据为全网所有节点的上述三项数据，而WAMS数据则仅为PMU布点的WAMS数据；
3)数据时序方面，为满足Pearson相关系数分析的要求，SCADA数据和WAMS数据应为同一存储时段范围内的数据，且该时段持续时间不得低于5秒；
尽管SCADA数据本身不带时标，但在电力系统计算分析中以其存储时间为时标将其存储进入数据库，称该时标为SCADA数据的存储时标。
进一步，在所述步骤S2中，WAMS数据和SCADA数据具有不同的数据采样周期，为便于统计分析需首先将其拟合，构造连续函数；
对WAMS数据，以其自身时标为标准，对其节点电压幅值构造连续函数；对SCADA数据，以其存储时标为标准，对其节点电压幅值、支路功率和节点注入功率数据分别构造连续函数；
构造连续函数的过程实际上是函数拟合的过程，拟合函数表示为：
Figure BDA0001832136300000031
式(1)中，
Figure BDA0001832136300000032
为WAMS数据或SCADA数据的连续函数；Am为拟合函数的最大值；w为WAMS数据或SCADA数据的连续函数频率，WAMS数据和SCADA数据在拟合中均给定固定值50；ε为拟合连续函数相角；
规定WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数分别表示为：
Figure BDA0001832136300000033
式(2)中，
Figure BDA0001832136300000034
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数，
Figure BDA0001832136300000035
Figure BDA0001832136300000036
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数的最大值，
Figure BDA0001832136300000037
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数的相角。
进一步，在所述步骤S3中，Pearson相关系数是用于分析两个数据序列时序相关性的统计学方法，对于连续函数表示的两组数据，其Pearson相关系数表示为：
Figure BDA0001832136300000041
对于上述拟合计算得到的四组连续函数，分别计算WAMS数据中节点电压幅值连续函数与SCADA数据中节点电压幅值连续函数、SCADA数据中支路功率连续函数、SCADA数据中节点注入功率连续函数的Pearson相关系数，分别记为
Figure BDA0001832136300000042
Pearson相关系数反映两组数据的时序关系，本质上记为两组数据的时延。
进一步，在所述步骤S4中，对于有PMU布点的节点，其WAMS数据中节点电压幅值连续函数和SCADA数据中节点电压幅值连续函数应一致，但是由于传输延时等因素影响，两者的连续函数将存在一个相对时延；
用节点电压幅值连续函数的相对相角差与其Pearson相对函数的比例关系，对SCADA数据中支路功率和节点注入功率连续函数进行修正，修正关系式如下：
Figure BDA0001832136300000043
如式(4)中所示，
Figure BDA0001832136300000044
分别为考虑对应关系修正后所得的SCADA数据中支路功率和节点注入功率连续函数相角；
至此，已完成对由PMU布点的节点SCADA数据对时排序修正。
进一步，在所述步骤S5中，基于已修正的节点SCADA数据和未修正的节点SCADA数据进行状态估计，即实现对非PMU布点的节点SCADA数据对时排序修正；
为提升状态估计中已修正节点SCADA数据的效用，在收敛判定中增大其权重，调整后的收敛判定关系式p(u)如下：
Figure BDA0001832136300000045
如式(5)所示，NB为系统中节点数量，
Figure BDA0001832136300000047
表示非PMU布点的节点，i∈PMU表示PMU布点的节点，
Figure BDA0001832136300000046
ui分别为前后两次迭代的节点电压幅值；对于PMU布点的节点设定其权重系数为α2，非PMU布点的节点设定其权重系数为α1，并规定α2＞α1；则满足p(u)＜ε，则判定收敛；否则不收敛；ε为给定的收敛系数。
本发明的有益效果是：充分利用Pearson相关系数能够适用于量纲不同的两个物理量相关性评估的特点，利用不完全布点的WAMS数据与完全布点的SCADA数据进行相关性评估，实现对SCADA数据的对时排序修正。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明流程示意图；
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本发明所提出的一种基于Pearson相关系数的WAMS/SCADA系统对时排序方法，其实施流程如下图1所示。
(1)获取基础数据
所需要获取的数据为所有节点SCADA数据和有PMU布点的WAMS数据。为满足Pearson相关系数分析的需要，上述数据须满足如下条件：
1)数据内容方面，SCADA数据为节点电压幅值、支路功率和节点注入功率三项数据，WAMS数据为带时标的节点电压、支路电流相量；
2)数据范围方面，SCADA数据为全网所有节点的上述三项数据，而WAMS数据则仅为PMU布点的WAMS数据；
3)数据时序方面，为满足Pearson相关系数分析的要求，SCADA数据和WAMS数据应为同一存储时段范围内的数据，且该时段持续时间不得低于5秒。
特别说明，尽管SCADA数据本身不带时标，但在电力系统计算分析中以其存储时间为时标将其存储进入数据库，称该时标为SCADA数据的存储时标。
(2)构造连续函数
WAMS数据和SCADA数据具有不同的数据采样周期，为了便于统计分析需首先将其拟合，构造连续函数。
对WAMS数据，以其自身时标为标准，对其节点电压幅值构造连续函数。对SCADA数据，以其存储时标为标准，对其节点电压幅值、支路功率和节点注入功率数据分别构造连续函数。
构造连续函数的过程实际上是函数拟合的过程，拟合函数可表示为：
Figure BDA0001832136300000061
式(1)中，
Figure BDA0001832136300000062
WAMS数据或SCADA数据的连续函数；Am为拟合函数的最大值；w为WAMS数据或SCADA数据的连续函数频率，WAMS数据和SCADA数据在拟合中均给定固定值50；ε为拟合连续函数相角。
考虑到函数拟合是统计与分析领域较为常见的数据处理方法，不影响本发明主要内容，这里不赘述其具体实施流程，并规定WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数可分别表示为：
Figure BDA0001832136300000063
式(2)中，
Figure BDA0001832136300000064
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数，
Figure BDA0001832136300000065
Figure BDA0001832136300000066
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数的最大值，
Figure BDA0001832136300000067
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数的相角。
(3)计算Pearson相关系数
Pearson相关系数是用于分析两个数据序列时序相关性的统计学方法，对于连续函数表示的两组数据，其Pearson相关系数可表示为：
Figure BDA0001832136300000068
对于上述拟合计算得到的四组连续函数，分别计算WAMS数据中节点电压幅值连续函数与SCADA数据中节点电压幅值连续函数、SCADA数据中支路功率连续函数、SCADA数据中节点注入功率连续函数的Pearson相关系数，分别记为
Figure BDA0001832136300000069
Pearson相关系数反映了两组数据的时序关系，本质上记为两组数据的时延。
(4)计算相对时延
对于有PMU布点的节点，其WAMS数据中节点电压幅值连续函数和SCADA数据中节点电压幅值连续函数应一致，但是由于传输延时等因素影响，两者的连续函数将存在一个相对时延。据此，可以用节点电压幅值连续函数的相对相角差与其Pearson相对函数的比例关系，对SCADA数据中支路功率和节点注入功率连续函数进行修正，修正关系式如下：
Figure BDA0001832136300000071
如式(4)中所示，
Figure BDA0001832136300000072
分别为考虑对应关系修正后所得的SCADA数据中支路功率和节点注入功率连续函数相角。
至此，已完成对由PMU布点的节点SCADA数据对时排序修正。
(5)状态估计，对非PMU布点的节点SCADA数据对时排序修正
基于已修正的节点SCADA数据和未修正的节点SCADA数据进行状态估计，即可实现对非PMU布点的节点SCADA数据对时排序修正。为了提升状态估计中已修正节点SCADA数据的效用，可在收敛判定中增大其权重，调整后的收敛判定关系式p(u)如下：
Figure BDA0001832136300000073
如式(5)所示，NB为系统中节点数量，
Figure BDA0001832136300000075
表示非PMU布点的节点，i∈PMU表示PMU布点的节点，
Figure BDA0001832136300000074
ui分别为前后两次迭代的节点电压幅值。对于PMU布点的节点设定其权重系数为α2，非PMU布点的节点设定其权重系数为α1，并规定α2＞α1。则满足p(u)＜ε，则判定收敛；否则不收敛。ε为给定的收敛系数。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于Pearson相关系数的WAMS/SCADA系统对时排序方法，其特征在于：该方法包括以下步骤：
S1：获取基础数据；
S2：构造连续函数；
S3：计算Pearson相关系数；
S4：计算相对时延；
S5：状态估计，对非向量测量单元(PMU)布点的节点SCADA数据对时排序修正，基于已修正的节点SCADA数据和未修正的节点SCADA数据进行状态估计，即实现对非PMU布点的节点SCADA数据对时排序修正；
为提升状态估计中已修正节点SCADA数据的效用，在收敛判定中增大其权重，调整后的收敛判定关系式p(u)如下：
Figure FDA0003254433540000011
如式(5)所示，NB为系统中节点数量，
Figure FDA0003254433540000012
表示非PMU布点的节点，i∈PMU表示PMU布点的节点，
Figure FDA0003254433540000013
ui分别为前后两次迭代的节点电压幅值；对于PMU布点的节点设定其权重系数为α2，非PMU布点的节点设定其权重系数为α1，并规定α2＞α1；则满足p(u)＜ε，则判定收敛；否则不收敛；ε为给定的收敛系数。
2.根据权利要求1所述的基于Pearson相关系数的WAMS/SCADA系统对时排序方法，其特征在于：在所述步骤S1中，所需要获取的数据为所有节点SCADA数据和有PMU布点的WAMS数据；为满足Pearson相关系数分析的需要，上述数据须满足如下条件：
1)数据内容方面，SCADA数据为节点电压幅值、支路功率和节点注入功率三项数据，WAMS数据为带时标的节点电压、支路电流相量；
2)数据范围方面，SCADA数据为全网所有节点的上述三项数据，而WAMS数据则仅为PMU布点的WAMS数据；
3)数据时序方面，为满足Pearson相关系数分析的要求，SCADA数据和WAMS数据应为同一存储时段范围内的数据，且该时段持续时间不得低于5秒；
尽管SCADA数据本身不带时标，但在电力系统计算分析中以其存储时间为时标将其存储进入数据库，称该时标为SCADA数据的存储时标。
3.根据权利要求1所述的基于Pearson相关系数的WAMS/SCADA系统对时排序方法，其特征在于：在所述步骤S2中，WAMS数据和SCADA数据具有不同的数据采样周期，为便于统计分析需首先将其拟合，构造连续函数；
对WAMS数据，以其自身时标为标准，对其节点电压幅值构造连续函数；对SCADA数据，以其存储时标为标准，对其节点电压幅值、支路功率和节点注入功率数据分别构造连续函数；
构造连续函数的过程实际上是函数拟合的过程，拟合函数表示为：
Figure FDA0003254433540000021
式(1)中，
Figure FDA0003254433540000022
为WAMS数据或SCADA数据的连续函数；Am为拟合函数的最大值；w为WAMS数据或SCADA数据的连续函数频率，WAMS数据和SCADA数据在拟合中均给定固定值50；ε为拟合连续函数相角；
规定WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数分别表示为：
Figure FDA0003254433540000023
式(2)中，
Figure FDA0003254433540000024
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数，
Figure FDA0003254433540000025
Figure FDA0003254433540000026
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数的最大值，
Figure FDA0003254433540000027
分别为WAMS数据中节点电压幅值、SCADA数据中节点电压幅值、SCADA数据中支路功率、SCADA数据中节点注入功率的连续函数的相角。
4.根据权利要求3所述的基于Pearson相关系数的WAMS/SCADA系统对时排序方法，其特征在于：在所述步骤S3中，Pearson相关系数是用于分析两个数据序列时序相关性的统计学方法，对于连续函数表示的两组数据，其Pearson相关系数表示为：
Figure FDA0003254433540000028
对于上述拟合计算得到的四组连续函数，分别计算WAMS数据中节点电压幅值连续函数与SCADA数据中节点电压幅值连续函数、SCADA数据中支路功率连续函数、SCADA数据中节点注入功率连续函数的Pearson相关系数，分别记为
Figure FDA0003254433540000031
Pearson相关系数反映两组数据的时序关系，本质上记为两组数据的时延。
5.根据权利要求4所述的基于Pearson相关系数的WAMS/SCADA系统对时排序方法，其特征在于：在所述步骤S4中，对于有PMU布点的节点，其WAMS数据中节点电压幅值连续函数和SCADA数据中节点电压幅值连续函数应一致，但是由于传输延时等因素影响，两者的连续函数将存在一个相对时延；
用节点电压幅值连续函数的相对相角差与其Pearson相对函数的比例关系，对SCADA数据中支路功率和节点注入功率连续函数进行修正，修正关系式如下：
Figure FDA0003254433540000032
如式(4)中所示，
Figure FDA0003254433540000033
分别为考虑对应关系修正后所得的SCADA数据中支路功率和节点注入功率连续函数相角；
至此，已完成对由PMU布点的节点SCADA数据对时排序修正。
CN201811209711.4A 2018-10-17 2018-10-17 基于Pearson相关系数的WAMS/SCADA系统对时排序方法 Active CN109472295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811209711.4A CN109472295B (zh) 2018-10-17 2018-10-17 基于Pearson相关系数的WAMS/SCADA系统对时排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811209711.4A CN109472295B (zh) 2018-10-17 2018-10-17 基于Pearson相关系数的WAMS/SCADA系统对时排序方法

Publications (2)

Publication Number Publication Date
CN109472295A CN109472295A (zh) 2019-03-15
CN109472295B true CN109472295B (zh) 2021-11-12

Family

ID=65664870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811209711.4A Active CN109472295B (zh) 2018-10-17 2018-10-17 基于Pearson相关系数的WAMS/SCADA系统对时排序方法

Country Status (1)

Country Link
CN (1) CN109472295B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543720B (zh) * 2019-09-03 2021-06-08 北京交通大学 基于sdae-elm伪量测模型的状态估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103618307A (zh) * 2013-11-08 2014-03-05 天津大学 一种提高电力系统安全稳定性的紧急控制方法
CN103972884A (zh) * 2014-04-24 2014-08-06 西南交通大学 一种电力系统状态估计方法
EP2978095A1 (en) * 2014-07-23 2016-01-27 ABB Technology AG Power system operation
CN105914753A (zh) * 2016-05-25 2016-08-31 成都信息工程大学 主动配电网电压实时模糊控制方法
CN106203889A (zh) * 2016-07-26 2016-12-07 南瑞（武汉）电气设备与工程能效测评中心 非健全信息下基于最小二乘拟合法的配电网损耗评估方法
CN107453484A (zh) * 2017-08-24 2017-12-08 国网辽宁省电力有限公司 一种基于wams信息的scada数据校准方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661069B (zh) * 2009-09-25 2011-07-20 北京四方继保自动化股份有限公司 不依赖状态矩阵的弱可观非pmu测点动态过程实时估计方法
CN101750562B (zh) * 2010-01-13 2012-02-29 湖北省电力公司 基于潮流方程灵敏度分析的非pmu测点动态过程估计方法
US9746511B2 (en) * 2015-11-25 2017-08-29 Hitachi, Ltd. Estimating the locations of power system events using PMU measurements

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103618307A (zh) * 2013-11-08 2014-03-05 天津大学 一种提高电力系统安全稳定性的紧急控制方法
CN103972884A (zh) * 2014-04-24 2014-08-06 西南交通大学 一种电力系统状态估计方法
EP2978095A1 (en) * 2014-07-23 2016-01-27 ABB Technology AG Power system operation
CN105914753A (zh) * 2016-05-25 2016-08-31 成都信息工程大学 主动配电网电压实时模糊控制方法
CN106203889A (zh) * 2016-07-26 2016-12-07 南瑞（武汉）电气设备与工程能效测评中心 非健全信息下基于最小二乘拟合法的配电网损耗评估方法
CN107453484A (zh) * 2017-08-24 2017-12-08 国网辽宁省电力有限公司 一种基于wams信息的scada数据校准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WAMS/SCADA Data Fusion Method Study Based on Time-Series Data Correlation Mining;LiJin Zhao 等;《AIMEE 2017: Advances in Artificial Systems for Medicine and Education》;20170820;120-133 *
基于时序数据相关性挖掘的 WAMS/SCADA数据融合方法;魏大千 等;《高电压技术》;20160131;第42卷(第1期);第315-320页，正文摘要，第2、4节 *
魏大千 等.基于时序数据相关性挖掘的 WAMS/SCADA数据融合方法.《高电压技术》.2016,第42卷(第1期), *

Also Published As

Publication number Publication date
CN109472295A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN110880760A (zh) 一种低压配电网线损与无功补偿协同优化方法
CN103944165B (zh) 一种大电网参数辨识估计方法
CN111596232A (zh) 一种基于电压序列变点检测的户变关系校验方法
CN107658881A (zh) 基于戴维南等值方法的电压稳定临界点判断方法
CN102377180A (zh) 基于电能质量监测系统的电力系统负荷建模方法
CN106844952A (zh) 基于无迹粒子滤波理论的发电机动态状态估计方法
CN108448568A (zh) 基于多种时间周期测量数据的配电网混合状态估计方法
CN115453193B (zh) 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法
CN112087055A (zh) 一种应用于低压台区电表网络的拓扑识别方法
CN109472295B (zh) 基于Pearson相关系数的WAMS/SCADA系统对时排序方法
CN109754013A (zh) 一种基于无迹卡尔曼滤波的电力系统混合量测融合方法
CN113569201A (zh) 地磁Ap指数预报方法、装置及电子设备
CN111969604A (zh) 基于实测数据的台区线损动态计算方法及装置
Oleinikova et al. PMU measurements application for transmission line temperature and sag estimation algorithm development
CN108988975B (zh) 用于电表时钟的校正方法和装置
CN102928660B (zh) 基于fir数字滤波器的无功功率测量方法
CN109829246A (zh) 一种基于参数综合可疑度的线路参数辨识方法
CN108446861A (zh) 基于有向图排序的电力调度系统多源数据质量评价方法
CN115508662A (zh) 一种用于判定台区电表与表箱间归属关系的方法
CN113553538B (zh) 一种递推修正混合线性状态估计方法
CN110048408A (zh) 一种配电网电压功率灵敏度估计方法和系统
CN109255541A (zh) 一种基于最小二乘和一乘之和的配电网抗差状态估计方法
CN113282883B (zh) 一种逐日降水数据综合插值方法
CN110780114A (zh) 一种台区理论线损分析方法及可读存储介质
CN111709612A (zh) 一种考虑用采历史数据的配电网状态估计方法

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