CN110133400A - 一种融合递推状态估计的动态电力系统异常检测方法 - Google Patents
一种融合递推状态估计的动态电力系统异常检测方法 Download PDFInfo
- Publication number
- CN110133400A CN110133400A CN201910386907.9A CN201910386907A CN110133400A CN 110133400 A CN110133400 A CN 110133400A CN 201910386907 A CN201910386907 A CN 201910386907A CN 110133400 A CN110133400 A CN 110133400A
- Authority
- CN
- China
- Prior art keywords
- node voltage
- matrix
- power system
- value
- dynamic
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于动态电力系统态势感知技术领域,公开了一种融合递推状态估计的动态电力系统异常检测方法,其包括以下步骤:首先根据电力系统动态特性建立简化的系统节点电压的非线性递推模型,合理表征电力系统负荷动态变化对系统节点电压的影响;然后基于递推状态估计滤波算法实现基于非线性递推模型的系统节点电压动态估计,在此基础上,进一步构造系统节点电压残差随机矩阵;最后构造基于特征谱均值‑方差统计分析的系统残差动态性能指标,以有效反映动态电力系统异常对系统节点电压残差矩阵特征值分布的影响,进而根据自适应统计阈值判定,最终实现对动态电力系统的有效状态评估和异常检测。
Description
技术领域
本发明属于动态电力系统态势感知技术领域,尤其涉及一种融合递推状态估计的动态电力系统异常检测方法。
背景技术
作为一种新兴技术,动态电力系统态势感知可以有效获取、理解和预测导致系统状况变化的关键因素,为复杂电力系统智能运维和决策提供依据,在电力调度、输配电管理等领域具有广阔的应用前景。它可以促进电网自动化系统的集成,及时发现系统的弱点和威胁,并显着提高电力系统的智能化水平,从而保证电力系统安全稳定运行。此外,动态电力系统态势感知还可以与有效的系统决策和支持模块相结合,从而提高电力系统的可靠性。因此,动态电力系统态势感知是实现未来智能电网不可或缺的一部分。
近年来,随着电力系统规模的不断增大和大数据、人工智能等先进数据分析技术的发展,对动态电力系统态势感知的研究受到广泛关注。电力系统态势感知的时间尺度可以从瞬态过程的几毫秒、长时状态评估的几分钟到电网规划的几个月甚至几年变化。
在现代电力系统中,以实时向量测量单元为基础的监测数据集,其关联的数据管理至关重要。基于PMU数据流的数据驱动方法被认为非常适合于电力系统态势感知应用。其中,基于随机矩阵理论分析框架,提出了一种数据驱动分析架构来感知高维复杂电力网格的稳态运行状态,构造了一种基于圆环定理的平均谱半径统计指标进行系统运行异常事件检测。在此基础上,大量研究集中在基于RMT的电力系统稳态状态评估中,提出了多种基于线性特征值统计量的改进指标体系来评估电力系统稳定性,并分析了关联统计量的统计相关性。然而,线性特征值统计量指标的异常检测性能依赖于节点功率变化灵敏度。因此,必须根据经验设置其异常检测阈值,并且一些初期异常可能无法有效察觉。此外,在动态电力系统的长时状态监测中,由于电力负荷的正常变化,特别是当智能电网存在分布式可再生能源时,通常无法保证系统节点电压恒定不变。因此,上述电力系统态势感知性能指标是不合适的,无法实现对动态电力系统正常和异常运行状态的有效区分。值得注意的是,有效的系统状态观测器能够很好地估计动态电力系统的运行特征参数,有效地消除原始PMU数据流中存在的复杂时空关联,从而获得系统正常运行状态下具有显著随机分布特征的系统残差矩阵。
发明内容
本发明的目的在于提出一种融合递推状态估计的动态电力系统异常检测方法,以有效地实现动态电力系统长时状态评估和异常检测。
本发明为了实现上述目的,采用如下技术方案:
一种融合递推状态估计的动态电力系统异常检测方法,包括如下步骤:
s1.对复杂电力系统进行多节点电气等效,进而对由电气等效后的多节点构成的复杂电力系统,根据电力系统长时动态特性建立简化的系统节点电压的非线性递推模型;
s2.基于递推状态估计滤波算法实现基于非线性递推模型的系统节点电压动态递推估计,得到系统节点电压原始残差矩阵;
在此基础上,进一步构造随机扰动注入的系统节点电压残差随机矩阵;
s3.构造基于特征谱均值-方差统计量的系统残差动态性能指标,进而根据构造的自适应统计判定阈值,实现对动态电力系统的有效状态评估和异常检测。
优选地,步骤s1中,经过n节点电气等效的复杂电力系统可表示为:
xk+1=f(xk)+qk (1)
zk+1=h(xk+1)+rk+1 (2)
其中,xk为(2n-1)×1维电压幅值状态向量,包括n个系统节点电压幅值与相角;
zk为(2n+2m)×1维系统量测向量,包括n个系统节点电压幅值与相角,以及m条线路有功功率潮流与无功功率潮流;
f(x)为等效非线性过程方程,用以表征电压幅值的状态向量;
h(x)为等效非线性过程方程,用以表征系统量测向量的函数关系;
qk~N(0,Qk)为n×1维系统状态扰动向量;
rk+1~N(0,Rk+1)为m×1维系统量测扰动向量;
Qk和Rk+1分别为系统状态扰动向量和系统量测扰动向量对应的协方差矩阵。
优选地,非线性递推模型的表达式为:
xk+1|k=Sk+bk (3)
Sk=αHxk|k+(1-αH)xk|k-1 (4)
bk=βH(Sk-Sk-1)+(1-βH)bk-1 (5)
其中,xk+1|k表示k时刻对k+1时刻系统状态的预测值;
xk|k表示k时刻当前系统状态的量测值;
xk|k-1表示k-1时刻对k时刻系统状态的预测值;
Sk、Sk-1、bk以及bk-1均为中间过程变量;αH和βH分别为经验拟合系数。
优选地,步骤s2中,递推状态估计滤波算法包括无迹卡尔曼滤波算法或粒子滤波算法。
优选地,步骤s2中,系统节点电压原始残差矩阵为系统节点电压幅值与系统节点电压幅值递推估计值的差值矩阵 表示为:
其中,
xi,k为系统节点电压幅值矩阵的第i行、第k列元素;
为系统节点电压幅值递推估计矩阵的第i行、第k列元素;
为系统节点电压原始残差矩阵的第i行、第k列元素;
差值矩阵的列数为w,表示系统节点电压原始残差矩阵的采样窗口大小。
优选地,步骤s2中,随机扰动注入的系统节点电压残差随机矩阵Xk为:
其中,e为满足高斯分布的0均值随机注入扰动,其方差为
优选地,步骤s3中基于特征谱均值-方差统计量的系统残差动态性能指标SAk的表达式为:
其中,λj,k为k时刻随机扰动注入的系统节点电压残差随机矩阵的协方差矩阵特征值;
和分别为系统正常状态下节点j对应特征值序列λj的均值和标准差,该系统正常状态节点特征值序列由满足高斯分布的0均值随机注入扰动e的均值和标准差近似替代。
优选地,步骤s3中,自适应统计判定阈值δ为:
其中,
其中,f为施加于单一节点电压的异常分量值;
λn为实非相关Wishart矩阵w-1EET的最小特征值;
E为(2n-1)×w维矩阵,其中每一列分别对应随机注入扰动向量e,其方差为
表示异常分量值f的平方的数学期望;
表示实非相关Wishart矩阵w-1EET的最小特征值的数学期望;
为实非相关Wishart矩阵w-1EET的第i特征值的方差。
优选地,自适应统计判定阈值δ为单一异常幅值下异常分量值f检测的充分条件,当系统中多个节点叠加异常分量大于异常分量值f时,自适应统计判定阈值δ均能够可靠检测。
本发明具有如下优点:
如上所述,本发明融合递推状态估计理论,在对动态电力系统运行时空关联状态进行有效估计基础上,基于随机矩阵特征值统计分析方法,在设计有效的态势感知性能指标的同时,给出了明确的异常检测控制限,具有清晰严谨的数学物理意义,能更加有效的量化动态电力系统潜在异常特性,提高动态电力系统状态评估和异常检测的有效性和合理性。
附图说明
图1为本发明实施例中融合递推状态估计的动态电力系统异常检测方法实施流程图。
图2为本发明实施例中系统节点电压原始数据与残差生成数据的正态性检验对比图。
图3为本发明实施例中融合递推状态估计的动态电力系统异常检测方法实施效果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,一种融合递推状态估计的动态电力系统异常检测方法,包括如下步骤:
I.对复杂电力系统进行多节点电气等效,进而对由电气等效后的多节点构成的复杂电力系统,根据电力系统长时动态特性建立简化的系统节点电压的非线性递推模型。
其中,经过n节点电气等效的复杂电力系统可表示为:
xk+1=f(xk)+qk (1)
zk+1=h(xk+1)+rk+1 (2)
其中,xk为(2n-1)×1维电压幅值状态向量,包括n个系统节点电压幅值与相角,由于系统中有且仅有一个平衡节点,故该平衡节点的相角恒为0。
zk为(2n+2m)×1维系统量测向量,包括n个系统节点电压幅值与相角,以及m条线路有功功率潮流与无功功率潮流。
f(x)为等效非线性过程方程,用以表征系统节点电压幅值的状态向量。
h(x)为等效非线性过程方程,用以表征系统量测向量的函数关系。
qk~N(0,Qk)为n×1维系统状态扰动向量。
rk+1~N(0,Rk+1)为m×1维系统量测扰动向量。
Qk和Rk+1分别为系统状态扰动向量和系统量测扰动向量对应的协方差矩阵。
其中,系统节点电压的非线性递推模型表示为:
xk+1|k=Sk+bk (3)
Sk=αHxk|k+(1-αH)xk|k-1 (4)
bk=βH(Sk-Sk-1)+(1-βH)bk-1 (5)
其中,xk+1|k表示k时刻对k+1时刻系统状态的预测值;
xk|k表示k时刻当前系统状态的量测值;
xk|k-1表示k-1时刻对k时刻系统状态的预测值;
Sk、Sk-1、bk以及bk-1均为中间过程变量;αH和βH分别为经验拟合系数。
以上非线性递推模型可表征电力系统负荷动态变化对系统节点电压时间序列的影响。
II.基于递推状态估计滤波算法实现基于非线性递推模型的系统节点电压动态递推估计,得到系统节点电压原始残差矩阵。
在此基础上,进一步构造随机扰动注入的系统节点电压残差随机矩阵。
其中,I步骤中的非线性递推模型可由递推状态估计滤波算法进行有效的状态估计。递推状态估计滤波算法包括无迹卡尔曼滤波或粒子滤波等非线性状态估计算法。
下面以自适应无迹卡尔曼滤波状态估计算法为例,包括三个步骤:
II.1:系统状态与协方差初始化。
对于如式(3)到(5)中的两参数指数平滑递推模型,需要首先确定初始两步长对应状态,因此自适应无迹卡尔曼滤波状态估计算法的实际迭代过程从第三步开始,前两步对应状态采用实际系统真值,其协方差矩阵初始化为系统量测扰动向量对应的协方差矩阵Rk+1。
II.2:状态与协方差预测。
令和Pk分别为k时刻对应的状态向量和协方差矩阵的估计值;
为状态向量的估计均值。
根据对称采样原来,其Sigma点集{χi,k}定义为:
其中,n为系统节点数量,即系统状态数量;
λ=α2(n+κ)–n,κ为用于捕获特征分布的高阶矩信息,α为经验相关系数,通常取值为[0.0001,1];是的第i列。
由此,进一步可得均值和协方差向量的权值{Wm}和{Wc}分别为:
Wi m=Wi c=(n+λ)/2,i=1,...,2n (9)
其中,β=2对于随机扰动注入下的高斯分布是最优的。
进一步地,状态向量均值及其关联协方差Pk的一步预测估计为:
χi,k+1|k=f(χi,k)+qk (10)
其中,χi,k+1|k表示k时刻对k+1时刻系统第i个节点状态预测的Sigma点集。
f(χi,k)表示k时刻系统第i个节点状态量测值构造Sigma点集的状态函数。
qk表示为n×1维系统状态扰动向量。
表示k时刻对k+1时刻系统状态预测的Sigma点集的加权平均估计值。
Pk+1|k表示k时刻对k+1时刻系统状态预测的Sigma点集的加权协方差矩阵。
其中,为系统噪声协方差矩阵的估计值,可由次优Sage-Husa滤波器近似估计得到,通过引入信息修正方差矩阵 表示k时刻系统输出量测值的估计均值。
系统噪声的无偏递推协方差估计值表示为:
其中,Kk表示k时刻的状态更新权值矩阵,由式(19)计算得到;
dk=(1-b)/(1-bk+1) (14)
其中,b∈[0,1]为遗忘因子。
系统状态变化越剧烈,b应取值越大,以更加有效地捕捉系统变化动态。
II.3:状态与协方差更新。
类似于式(6),基于步骤II.2得到的和Pk+1|k。进一步构造Sigma点集{ξi,k},有:
Kk+1=Ck+1/Sk+1 (19)
其中,和Pk+1分别为k+1时刻的状态向量及其对应的协方差矩阵。
表示k时刻对k+1时刻系统第i个节点输出预测的估计值。
h(ξi,k)表示k时刻系统第i个节点输出量测值构造Sigma点集的输出函数。
rk表示为n×1维系统输出量测扰动向量。
表示k时刻对k+1时刻系统第i个节点输出预测的Sigma点集的加权平均估计值。
Sk+1表示k+1时刻系统输出预测的Sigma点集的加权协方差矩阵。
Ck+1表示k+1时刻系统输出预测的Sigma点集与系统状态预测的Sigma点集的加权协方差矩阵。Kk+1表示k+1时刻的状态更新权值矩阵。
由此重复进行步骤II.2和步骤II.3即可实现对动态电力系统状态向量的递推估计。
系统节点电压原始残差矩阵为系统节点电压幅值与系统节点电压幅值递推估计值的差值矩阵 表示为:
其中,
xi,k为系统节点电压幅值矩阵的第i行、第k列元素。
为系统节点电压幅值递推估计矩阵的第i行、第k列元素。
为系统节点电压原始残差矩阵的第i行、第k列元素。
差值矩阵的列数为w,表示系统节点电压原始残差矩阵的采样窗口大小。
随机扰动注入的系统节点电压残差随机矩阵Xk为:
其中,e为满足高斯分布的0均值随机注入扰动,其方差为
图2所示为系统节点电压原始数据与残差随机数据的正态性检验对比图。
其中:图2(a)表示在测试周期内系统节点电压状态真值的统计分布,图2(b)表示在测试周期内系统节点电压状态估计残差的统计分布。
在图2(a)中,横坐标表示系统节点电压状态真值,纵坐标表示对应于系统节点电压状态真值区间的统计数量。在图2(b)中,横坐标表示系统节点电压状态的估计残差,纵坐标表示对应于系统节点电压状态估计残差区间的统计数量。
由图2中看出,基于非线性递推模型(3)到(5)以及优选的自适应无迹卡尔曼滤波状态估计算法,能够保证动态电力系统运行状态残差分布的随机特性,从而适用于基于残差随机特性统计分析的系统态势感知性能指标及其异常检测控制限计算。
III.构造基于特征谱均值-方差统计量的系统残差动态性能指标SAk,表达式为:
其中,λj,k为k时刻随机扰动注入的系统节点电压残差随机矩阵的协方差矩阵特征值。
和分别为系统正常状态下节点j对应特征值序列λj的均值和标准差,该系统正常状态节点特征值序列由满足高斯分布的0均值随机注入扰动e的均值和标准差近似替代。
指标SAt用于表征动态电力系统异常对系统节点电压残差矩阵特征值分布的影响。
根据构造的自适应统计判定阈值,实现对动态电力系统的有效状态评估和异常检测。
其中,自适应统计判定阈值δ的表达式为:
其中,
其中,f为施加于单一节点电压的异常分量值。
λn为实非相关Wishart矩阵w-1EET的最小特征值。
E为(2n-1)×w维矩阵,其中每一列分别对应随机注入扰动向量e,其方差为
表示异常分量值f的平方的数学期望。
表示实非相关Wishart矩阵w-1EET的最小特征值的数学期望。
为实非相关Wishart矩阵w-1EET的第i特征值的方差。
自适应统计判定阈值δ为单一异常幅值下异常分量值f检测的充分条件,当系统中多个节点叠加异常分量大于异常分量值f时,自适应统计判定阈值δ均能够可靠检测。
本实施例基于IEEE-30节点测试系统以及节点典型日负荷曲线,对系统残差动态性能指标和自适应统计判定阈值的有效性进行验证,其结果如图3所示。在系统配置中,1500s时刻对系统节点10施加初期异常信号f,其标准差为随机注入扰动标准差的2倍。由图3中看出,系统残差动态性能指标和自适应统计判定阈值能够对初期异常信号f进行有效检测。
以上实验验证了本发明方法进行动态电力系统长时状态评估和异常检测的有效性。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (9)
1.一种融合递推状态估计的动态电力系统异常检测方法,其特征在于,
包括如下步骤:
s1.对复杂电力系统进行多节点电气等效,进而对由电气等效后的多节点构成的复杂电力系统,根据电力系统长时动态特性建立简化的系统节点电压的非线性递推模型;
s2.基于递推状态估计滤波算法实现基于非线性递推模型的系统节点电压动态递推估计,得到系统节点电压原始残差矩阵;
在此基础上,进一步构造随机扰动注入的系统节点电压残差随机矩阵;
s3.构造基于特征谱均值-方差统计量的系统残差动态性能指标,进而根据构造的自适应统计判定阈值,实现对动态电力系统的有效状态评估和异常检测。
2.根据权利要求1所述的动态电力系统异常检测方法,其特征在于,
所述步骤s1中,经过n节点电气等效的复杂电力系统可表示为:
xk+1=f(xk)+qk (1)
zk+1=h(xk+1)+rk+1 (2)
其中,xk为(2n-1)×1维电压幅值状态向量,包括n个系统节点电压幅值与相角;
zk为(2n+2m)×1维系统量测向量,包括n个系统节点电压幅值与相角,以及m条线路有功功率潮流与无功功率潮流;
f(x)为等效非线性过程方程,用以表征系统节点电压幅值的状态向量;
h(x)为等效非线性过程方程,用以表征系统量测向量的函数关系;
qk~N(0,Qk)为n×1维系统状态扰动向量;
rk+1~N(0,Rk+1)为m×1维系统量测扰动向量;
Qk和Rk+1分别为系统状态扰动向量和系统量测扰动向量对应的协方差矩阵。
3.根据权利要求1所述的动态电力系统异常检测方法,其特征在于,
所述步骤s1中,非线性递推模型的表达式为:
xk+1|k=Sk+bk (3)
Sk=αHxk|k+(1-αH)xk|k-1 (4)
bk=βH(Sk-Sk-1)+(1-βH)bk-1 (5)
其中,xk+1|k表示k时刻对k+1时刻系统状态的预测值;
xk|k表示k时刻当前系统状态的量测值;
xk|k-1表示k-1时刻对k时刻系统状态的预测值;
Sk、Sk-1、bk以及bk-1均为中间过程变量;αH和βH分别为经验拟合系数。
4.根据权利要求1所述的动态电力系统异常检测方法,其特征在于,
所述步骤s2中,递推状态估计滤波算法包括无迹卡尔曼滤波算法或粒子滤波算法。
5.根据权利要求1所述的动态电力系统异常检测方法,其特征在于,
所述步骤s2中,系统节点电压原始残差矩阵为系统节点电压幅值与系统节点电压幅值递推估计值的差值矩阵表示为:
其中,
xi,k为系统节点电压幅值矩阵的第i行、第k列元素;
为系统节点电压幅值递推估计矩阵的第i行、第k列元素;
为系统节点电压原始残差矩阵的第i行、第k列元素;
差值矩阵的列数为w,表示系统节点电压原始残差矩阵的采样窗口大小。
6.根据权利要求5所述的动态电力系统异常检测方法,其特征在于,
所述步骤s2中,随机扰动注入的系统节点电压残差随机矩阵Xk为:
其中,e为满足高斯分布的0均值随机注入扰动,其方差为
7.根据权利要求1所述的动态电力系统异常检测方法,其特征在于,
所述步骤s3中,基于特征谱均值-方差统计量的系统残差动态性能指标SAk的表达式为:
其中,λj,k为k时刻随机扰动注入的系统节点电压残差随机矩阵的协方差矩阵特征值;
和分别为系统正常状态下节点j对应特征值序列λj的均值和标准差,该系统正常状态节点特征值序列由满足高斯分布的0均值随机注入扰动e的均值和标准差近似替代。
8.根据权利要求7所述的动态电力系统异常检测方法,其特征在于,
所述步骤s3中,自适应统计判定阈值δ的表达式为:
其中,
其中,f为施加于单一节点电压的异常分量值;
λn为实非相关Wishart矩阵w-1EET的最小特征值;
E为(2n-1)×w维矩阵,其中每一列分别对应随机注入扰动向量e,其方差为
表示异常分量值f的平方的数学期望;
表示实非相关Wishart矩阵w-1EET的最小特征值的数学期望;
为实非相关Wishart矩阵w-1EET的第i特征值的方差。
9.根据权利要求8所述的动态电力系统异常检测方法,其特征在于,
所述自适应统计判定阈值δ为单一异常幅值下异常分量值f检测的充分条件,当系统中多个节点叠加异常分量大于异常分量值f时,自适应统计判定阈值δ均能够可靠检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910386907.9A CN110133400B (zh) | 2019-05-10 | 2019-05-10 | 一种融合递推状态估计的动态电力系统异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910386907.9A CN110133400B (zh) | 2019-05-10 | 2019-05-10 | 一种融合递推状态估计的动态电力系统异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133400A true CN110133400A (zh) | 2019-08-16 |
CN110133400B CN110133400B (zh) | 2021-07-09 |
Family
ID=67577026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910386907.9A Active CN110133400B (zh) | 2019-05-10 | 2019-05-10 | 一种融合递推状态估计的动态电力系统异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133400B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110957758A (zh) * | 2019-11-20 | 2020-04-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
CN112149969A (zh) * | 2020-09-08 | 2020-12-29 | 国网湖南省电力有限公司 | 特高压直流控制保护合并单元运行状态评价方法及系统 |
CN112260989A (zh) * | 2020-09-16 | 2021-01-22 | 湖南大学 | 电力系统及网络恶意数据攻击检测方法、系统及存储介质 |
CN114114910A (zh) * | 2021-11-12 | 2022-03-01 | 浙江大学 | 一种基于模型-数据混合驱动的电力工控系统动态异常检测方法 |
CN114818881A (zh) * | 2022-04-07 | 2022-07-29 | 青岛大学 | 一种车载动力电池组电压传感器故障检测与定位方法 |
CN115017499A (zh) * | 2022-05-07 | 2022-09-06 | 燕山大学 | 基于鲁棒状态观测器的智能电网虚假数据攻击检测方法 |
CN117787572A (zh) * | 2024-02-27 | 2024-03-29 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6477199B1 (en) * | 1998-08-28 | 2002-11-05 | Broadcom Corp. | Dynamic regulation of power consumption of a high-speed communication system |
CN104808090A (zh) * | 2015-05-11 | 2015-07-29 | 重庆大学 | 一种基于改进强跟踪滤波器的电力信号突变参数测量方法 |
US20150219726A1 (en) * | 2014-02-03 | 2015-08-06 | GM Global Technology Operations LLC | Systems and methods for battery state estimation |
CN107069710A (zh) * | 2017-03-23 | 2017-08-18 | 新疆电力建设调试所 | 计及新能源时空相关性的电力系统状态估计方法 |
CN107425548A (zh) * | 2017-09-11 | 2017-12-01 | 河海大学 | 一种插值h∞扩展卡尔曼滤波发电机动态状态估计方法 |
CN107478990A (zh) * | 2017-09-11 | 2017-12-15 | 河海大学 | 一种发电机机电暂态过程动态估计方法 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
CN108574291A (zh) * | 2018-04-23 | 2018-09-25 | 河海大学 | 一种基于集合卡尔曼滤波发电机动态状态估计方法 |
CN109239596A (zh) * | 2018-08-21 | 2019-01-18 | 河海大学 | 一种基于ekf-irls滤波的动态状态估计方法 |
CN109447482A (zh) * | 2018-11-01 | 2019-03-08 | 积成电子股份有限公司 | 一种智能变电站顺序控制双确认实现方法 |
-
2019
- 2019-05-10 CN CN201910386907.9A patent/CN110133400B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6477199B1 (en) * | 1998-08-28 | 2002-11-05 | Broadcom Corp. | Dynamic regulation of power consumption of a high-speed communication system |
US20150219726A1 (en) * | 2014-02-03 | 2015-08-06 | GM Global Technology Operations LLC | Systems and methods for battery state estimation |
CN104808090A (zh) * | 2015-05-11 | 2015-07-29 | 重庆大学 | 一种基于改进强跟踪滤波器的电力信号突变参数测量方法 |
CN107069710A (zh) * | 2017-03-23 | 2017-08-18 | 新疆电力建设调试所 | 计及新能源时空相关性的电力系统状态估计方法 |
CN107425548A (zh) * | 2017-09-11 | 2017-12-01 | 河海大学 | 一种插值h∞扩展卡尔曼滤波发电机动态状态估计方法 |
CN107478990A (zh) * | 2017-09-11 | 2017-12-15 | 河海大学 | 一种发电机机电暂态过程动态估计方法 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
CN108574291A (zh) * | 2018-04-23 | 2018-09-25 | 河海大学 | 一种基于集合卡尔曼滤波发电机动态状态估计方法 |
CN109239596A (zh) * | 2018-08-21 | 2019-01-18 | 河海大学 | 一种基于ekf-irls滤波的动态状态估计方法 |
CN109447482A (zh) * | 2018-11-01 | 2019-03-08 | 积成电子股份有限公司 | 一种智能变电站顺序控制双确认实现方法 |
Non-Patent Citations (3)
Title |
---|
HESAM KHAZRAJ ET AL.: ""A performance comparison between extended Kalman Filter and unscented Kalman Filter in power system dynamic state estimation"", 《2016 51ST INTERNATIONAL UNIVERSITIES POWER ENGINEERING CONFERENCE (UPEC)》 * |
赵洪山 等: ""基于自适应无迹卡尔曼滤波的电力系统动态状态估计"", 《电 网 技 术》 * |
陈建强 等: ""基于扩展卡尔曼滤波算法的电网动态状态估计"", 《广 东 电 力》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110957758A (zh) * | 2019-11-20 | 2020-04-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
CN110957758B (zh) * | 2019-11-20 | 2023-04-18 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
CN112149969A (zh) * | 2020-09-08 | 2020-12-29 | 国网湖南省电力有限公司 | 特高压直流控制保护合并单元运行状态评价方法及系统 |
CN112149969B (zh) * | 2020-09-08 | 2023-06-27 | 国网湖南省电力有限公司 | 特高压直流控制保护合并单元运行状态评价方法及系统 |
CN112260989A (zh) * | 2020-09-16 | 2021-01-22 | 湖南大学 | 电力系统及网络恶意数据攻击检测方法、系统及存储介质 |
CN114114910A (zh) * | 2021-11-12 | 2022-03-01 | 浙江大学 | 一种基于模型-数据混合驱动的电力工控系统动态异常检测方法 |
CN114114910B (zh) * | 2021-11-12 | 2023-10-27 | 浙江大学 | 一种基于模型-数据混合驱动的电力工控系统动态异常检测方法 |
CN114818881A (zh) * | 2022-04-07 | 2022-07-29 | 青岛大学 | 一种车载动力电池组电压传感器故障检测与定位方法 |
CN114818881B (zh) * | 2022-04-07 | 2024-04-26 | 青岛大学 | 一种车载动力电池组电压传感器故障检测与定位方法 |
CN115017499A (zh) * | 2022-05-07 | 2022-09-06 | 燕山大学 | 基于鲁棒状态观测器的智能电网虚假数据攻击检测方法 |
CN117787572A (zh) * | 2024-02-27 | 2024-03-29 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
CN117787572B (zh) * | 2024-02-27 | 2024-05-17 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110133400B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133400A (zh) | 一种融合递推状态估计的动态电力系统异常检测方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
Dong et al. | Frequency prediction of power systems in FNET based on state-space approach and uncertain basis functions | |
CN112187528B (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Hock et al. | Using multiple data sources to detect manipulated electricity meter by an entropy-inspired metric | |
Botev et al. | Detecting non-technical energy losses through structural periodic patterns in AMI data | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
Jiang et al. | Literature review of power disaggregation | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
He et al. | Detection of false data injection attacks leading to line congestions using Neural networks | |
Li et al. | Real-time detecting false data injection attacks based on spatial and temporal correlations | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
Yin et al. | SARIMA-Based Medium-and Long-Term Load Forecasting | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
Gu et al. | Power quality early warning based on anomaly detection | |
Othman et al. | Hybrid stand-alone photovoltaic systems sizing optimization based on load profile | |
Li et al. | Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM | |
Lu et al. | A multi-layer, hierarchical information management system for the smart grid | |
CN112464848A (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
Li et al. | Risk prediction of the SCADA communication network based on entropy-gray model | |
López et al. | Phasor measurement unit placement for wide area instability detection and prediction | |
McDonald et al. | Investigating Machine Learning for Anomaly Detection in Phasor Measurement Unit Data | |
Li et al. | Research and application of electricity anti-stealing system based on neural network | |
CN115293244B (zh) | 一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法 |
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 |