CN110781450A - 一种配电馈线电压测量数据的不良数据检测系统及方法 - Google Patents
一种配电馈线电压测量数据的不良数据检测系统及方法 Download PDFInfo
- Publication number
- CN110781450A CN110781450A CN201910874729.4A CN201910874729A CN110781450A CN 110781450 A CN110781450 A CN 110781450A CN 201910874729 A CN201910874729 A CN 201910874729A CN 110781450 A CN110781450 A CN 110781450A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- voltage measurement
- measurement data
- sequence
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000007774 longterm Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及配电网运行测量数据的不良数据检测技术领域,具体涉及一种配电馈线电压测量数据的不良数据检测系统及方法。本发明采用加权最小二乘法对配电馈线上所有节点电压进行估计,并根据数据需求构建用于状态估计的伪测量数据,找出测量值和估计值的最大偏差用来辨别馈线所有节点电压测量数据中的不良数据。然后采用多重分形去趋势波动分析方法对电压测量数据进行分析,判断电压测量数据是否具有长期相关性,在判断具有长期相关性的基础上提取对电压测量数据波动影响极小的数据点,寻找使电压测量数据波动趋势陡变点作为不良数据检测阈值点。本发明可以检测出配电馈线中所有节点电压测量数据中的不良数据,得到误差较小的节点电压分布。
Description
技术领域
本发明涉及配电网运行测量数据的不良数据检测技术领域,具体涉及一种配电馈线电压测量数据的不良数据检测系统及方法。
背景技术
配电网作为电力系统中直接面向用户的终端环节,占据着十分重要的地位。在经济社会高速发展的大背景下,配网系统中的调度自动化系统、计量自动化系统和配电自动化系统采集了海量的配网线路和设备运行数据,但由于远方配电终端设备故障及量测误差、配电网运行控制和故障、配电通信网通信传输故障等原因,配电基础数据在采集的精度、数据的合理性及完整性等方面存在诸多问题,不能真实反映配网线路和设备运行状况,且异常数据的出现必将影响所有以数据为基础的上层应用,影响其计算结果的正确性及准确性,因此根据配网不良数据辨识的不同应用需求研究配电网运行数据不良数据辨识及修复系统、方法成为了关键所在。
发明内容
为了解决上述问题,本发明提供了一种配电馈线电压测量数据的不良数据检测系统及方法,具体技术方案如下:
一种配电馈线电压测量数据的不良数据检测系统,包括电压采集模块、通信模块、上位机;所述电压采集模块用于采集馈线各节点电压;所述通信模块用于将电压采集模块采集的电压数据传输至上位机;所述上位机用于对电压采集模块采集的电压数据进行处理并检测其不良数据;所述电压采集模块、通信模块、上位机依次连接。
优选地,所述电压采集模块包括电压互感器、整流单元、AD转换单元、MCU单元;所述电压互感器与馈线连接,用于采集馈线各节点电压;所述整流单元用于将电压互感器采集的电压数据转换成直流电压数据;所述AD转换单元用于将直流电压数据进行AD转换;所述MCU单元用于采集经过AD转换的直流电压数据,并将采集到的直流电压数据传输至通信模块进行传输;所述电压互感器、整流单元、AD转换单元、MCU单元依次连接;所述MCU单元与通信模块连接。
优选地,还包括外部存储单元,所述外部存储单元与MCU单元连接,用于存储MCU单元采集到的直流电压数据。
一种配电馈线电压测量数据的不良数据检测方法,包括以下步骤:
S1:电压采集模块采集馈线各节点的电压数据;
S2:通信模块将电压采集模块采集的数据传输至上位机;
S3:上位机对电压采集模块采集的电压数据进行处理并检测其不良数据。
优选地,所述步骤S3包括以下步骤:
S31:首先采用加权最小二乘法对配电馈线上所有节点电压进行估计;
S32:根据数据需求构建用于状态估计的伪测量数据;
S33:采用不良数据检测算法对电压测量数据进行检测;
S34:采用多重分形去趋势波动分析方法对电压测量数据进行分析,判断电压测量数据是否具有长期相关性;
S35:在判断具有长期相关性的基础上提取对电压测量数据波动影响极小的数据点,寻找电压测量数据波动趋势陡变点作为不良数据检测阈值点。
优选地,所述步骤S31采用加权最小二乘法对配电馈线上所有节点电压进行估计的方法如下:
对于给定配电馈线,其电压测量值z、测量方程h(x)、状态变量x和随机噪声n的关系如下:
z=h(x)+n (1)
状态变量估计值xe由状态变量x得到,通过如下所示的目标函数J最小化求得:
J=[z-h(x)]TR-1[z-h(x)] (2)
其中,R是噪声协方差矩阵,其中对角线元素Rii的方差为σi 2,σi是噪声测量值zi的标准差,如果假设最大误差为2ei,则噪声测量值zi的标准差为2σi;
用状态变量估计值xe取代状态变量x,状态变量估计值xe的方差σe 2由以下方程求解得到:
Px(xe)=[H(xe)TR-1H(xe)]-1 (3)
其中,设Px对角元素的方差为σe 2;同样,用xe取代x,噪声测量值z的估计值ze的方差σe 2通过以下方程求解得到。
Pz(xe)=H(xe)PxH(xe)T (5)
噪声测量值z的估计值ze,则残差矢量z-ze为:
z-ze=h(x)+n-h(xe)=W·n (6)
残差灵敏度矩阵W由下式计算得到:
W=I-Pz(xe)R-1 (7)
其中,I为单位矩阵。
优选地,所述步骤S32构建用于状态估计的伪测量数据的方法如下:
首先假设配电馈线中每个节点i的平均有功功率μPi和需求数据标准差σPi服从正态分布,σPi是设为加权最小二乘法的权重;
节点i的平均有功功率μPi可通过下式计算得到:
μPi=μ′P0·Ki (8)
其中,μ’P0为根据配电馈线月度负荷数据曲线计算所得馈线平均有功功率;Ki为根据馈线所在区域用电量曲线计算所得的地区i的负荷分布系数;
节点i的标准差σPi可通过下式计算得到:
σPi=σ′P0·Ki (9)
其中,σP0为馈线潮流的标准差;
同理可得节点i的平均无功功率μQi和标准差σQi,其计算公式如下所示:
μQi=μ′Q0·Ki (10)
其中,μ’Q0为根据配电馈线月度负荷数据计算所得馈线平均无功功率;
节点i的标准差σQi可通过下式计算得到:
σQi=σ′Q0·Ki (11)
其中,σQ0为馈线潮流的标准差。
优选地,所述步骤S33中的不良数据检测算法具体如下:
S331:将配电变电站测量数据(P0,Q0,u0)和馈线电压测量值(u1~uN)作为输入数据;其中P0、Q0分别为配电变电站母线输出有功功率和无功功率,u0为配电变电站母线输出电压;u1~uN为馈线N个电压测量点的电压测量值;
S332:假设平均值μ和标准差σ需求数据为正态分布;μ指代节点有功功率和无功功率的平均值;σ指代馈线潮流,即有功功率和无功功率的标准差;
S333:采用加权最小二乘法估计电压分布,使测量值和计算值误差最小;
S334:找出测量值和估计值的最大偏差,以测量系统精度作为阈值,如果偏差大于阈值,则视为不良数据,将其剔除,返回到步骤S333中继续检测其他坏数据;如果偏差小于阈值,则保留,返回到步骤S43中继续检测其他坏数据,数据检测完成则退出。
优选地,所述步骤S34中的多重分形去趋势波动分析方法具体如下:
S341:设待检测电压测量值数据序列为V={ui,i=1,2,…,N},即节点电压测量值序列,通过对待检测电压测量数据序列计算N次累计离差构建新的序列;
S342:将新序列V等分成偶数个等长子区间,即形成2Ns个子区间,每个子区间单元长度可通过下式计算得到:
S343:用最小二乘法对每个新生成的子区间s(s=1,2,…,2Ns)进行曲线拟合,得到多阶局部趋势函数ys(j),然后计算各子区间s残差序列;计算公式如下:
其中,Rs(j)为子区间s的残差序列;
S344:计算电压测量数据序列q阶波动函数:
其中,Fq(s)为电压测量数据序列q阶波动函数,Fq(s)与l正相关,因此有如下公式成立。
其中,K为通过电压测量数据序列q阶波动函数双对数坐标图对比计算所得比例系数,hq为Hurst指数,对于非平稳时间序列,只有当0.5<hq≤1时,该序列才具有长期相关性,说明电压测量数据具有波动规律,而不符合数据波动规律的数据则为不良数据。
优选地,所述步骤S35所提不良数据检测阈值点确定方法如下:
S351:首先根据公式(17)计算原始电压测量数据序列的Hurst指数hq,判断电压测量数据序列V是否存在波动规律,即长期相关性,如果0.5<hq≤1则继续进行以下步骤,否则说明该数据序列不存在长期相关性,终止以下步骤;
S352:寻找电压测量数据序列V的最小值umin、最大值umax并计算数据序列分界参考值r:
其中为电压测量数据序列V电压测量平均值;
S353:以umax为起始点,r为终点,从第k个区间开始对电压测量数据序列进行随机化,其余数据顺序不变,依次得到新的电压测量数据序列,从第k个区间起的电压测量数据可用公式(19)表示,随机化后得到的新电压测量数据序列如公式(20)所示。
Vk={ui,ui≥umax-d·k} (19)
k=int(1,2,…,(umax-r)/d) (21)
J=umax-d×k (22)
S354:以umin为起始点,r为终点,从第k个区间开始对电压测量数据序列进行随机化,其余数据顺序不变,依次得到新的电压测量数据序列,从第k个区间起的电压测量数据可用公式(22)表示,随机化后得到的新电压测量数据序列如公式(24)所示:
Vk={ui,ui≥umin+d·k} (23)
k=int(1,2,…,(r-umin)/d) (25)
J=umin+d×k (26)
S355:计算所有YJ的hq(J),绘制hq(J)曲线与Hurst指数hq的曲线进行对比分析;当仅对不良数据进行替代时,hq(J)平稳变化且与Hurst指数hq的曲线变化趋势几乎相同,随着替代数据范围的逐渐扩大,hq(J)变化趋势将发生突变且曲线逐渐偏离Hurst指数hq的曲线,而此时的突变点J值就是电压测量数据序列不良数据点的检测阈值。
本发明的有益效果为:
本发明提出了一种配电馈线电压测量数据的不良数据检测系统及方法,本发明提供的检测系统,通过采用无线的方式进行数据传输,方便数据采集。本发明首先采用加权最小二乘法对配电馈线上所有节点电压进行估计,由于进行状态估计时很难获得足够数量的测量数据,因此根据数据需求构建用于状态估计的伪测量数据,找出测量值和估计值的最大偏差用来辨别馈线所有节点电压测量数据中的不良数据。然后采用多重分形去趋势波动分析(MF-DFA)方法对电压测量数据进行分析,判断电压测量数据是否具有长期相关性,在判断具有长期相关性的基础上提取对电压测量数据波动影响极小的数据点,寻找使电压测量数据波动趋势陡变点作为不良数据检测阈值点。相比以往的电压测量不良数据检测方法,本发明所提方法不仅可以检测出配电馈线中所有节点电压测量数据中的不良数据,得到误差较小的节点电压分布,还可以检测出各节点电压测量数据时间序列中的离群点,能够满足配网系统海量数据中不良数据精确迅速检测的需求,具有一定的指导意义和实用价值。
附图说明
图1为一种配电馈线电压测量数据的不良数据检测系统的结构示意图;
图2位整流单元电路图;
图3为AD转换单元电路图;
图4为一种配电馈线电压测量数据的不良数据检测方法的流程图;
图5为实施例的配电系统示意图;
图6为伪测量数据构造示意图;
图7为含不良数据测量点状态估计结果图;
图8为排除不良数据后的状态估计结果图;
图9为误差随测量点数量变化示意图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
如图1所示,一种配电馈线电压测量数据的不良数据检测系统包括电压采集模块、通信模块、上位机;电压采集模块用于采集馈线各节点电压;通信模块用于通过以太网将电压采集模块采集的电压数据传输至上位机;上位机用于对电压采集模块采集的电压数据进行处理并检测其不良数据;电压采集模块、通信模块、上位机依次连接。
其中电压采集模块包括电压互感器、整流单元、AD转换单元、MCU单元;电压互感器与馈线连接,用于将被测电压降至可利用的低电压并采集馈线各节点电压,电压互感器可选型号:JSZW-10、JSZG-10;整流单元用于将电压互感器采集的电压数据转换成与被测电压成线型关系的直流电压数据,如图2所示,整流单元选择传统单相全桥整流电路,不考虑相位,分别对所测A、B、C三相分别整流,其工作原理为:当输入电压>0时,对D1、D3加正向电压,Dl,D3导通;对D2、D4加反向电压,D2、D4截止。经Dl、D3构成通电回路,在右侧形成上正下负的半波整流电压,当输入电压<0时,对D2、D4加正向电压,D2、D4导通;对D1、D3加反向电压,D1、D3截止。经D2、D4构成通电回路,同样在右侧形成上正下负的另外半波的整流电压。如此重复下去,结果可得到全波整流电压;AD转换单元用于将直流电压数据进行AD转换;MCU单元用于采集经过AD转换的直流电压数据,并将采集到的直流电压数据传输至通信模块进行传输;电压互感器、整流单元、AD转换单元、MCU单元依次连接;MCU单元与通信模块连接。其中电压互感器设置多个。
如图3所示,AD转换单元包括积分器、比较器、AD转换器、数字滤波器;积分器、比较器、AD转换器、数字滤波器依次连接,AD转换单元的工作原理近似于积分型,其工作原理是将输入电压转换成时间(脉冲宽度)信号,用数字滤波器处理后得到数字值,其中反馈DAC的作用是使积分器的平均输出电压接近于比较器的参考电平。差分放大器则是将经反馈DAC的负反馈信号于原电压输入信号进行差分放大处理,方便积分器对误差电压的求和。积分器用来对误差电压求和。比较器将输入负端的接地零电压与输入正端的误差电压进行比较,当输入正端的误差电压大于输入负端的接地零电压时,比较器的输出端为低电平,反之为高电平。数字滤波器则是对比较器输出离散信号的数字代码进行运算处理,改变信号频谱。AD转换单元与MCU单元通过SPI连接,由MCU单元控制获取采样值,将输入的电压转换成时间(脉冲宽度)信号,用数字滤波器处理后得到数字值。AD转换器采用AD7705,MCU单元包括32位单片机,型号可以选择STM32F407VGT6,由MCU单元获取电压数据并通过串口与通信模块实现数据传送,再由通信模块与上位机信息终端进行交互。通信模块采用支持硬件TCP/IP协议的HS-NM5200A模块,通过以太网与上位机进行信息交互。
一种配电馈线电压测量数据的不良数据检测系统还包括电源模块、外部存储单元,电源模块与电压采集模块连接,外部存储单元与MCU单元连接,用于存储MCU单元采集到的直流电压数据。外部存储模块采用存储容量为64Mb的串行闪存芯片,方便后续进行扩展。
如图4所示,一种配电馈线电压测量数据的不良数据检测方法,包括以下步骤:
S1:电压采集模块采集馈线各节点的电压数据;
S2:通信模块将电压采集模块采集的数据传输至上位机;
S3:上位机对电压采集模块采集的电压数据进行处理并检测其不良数据。包括以下步骤:
S31:首先采用加权最小二乘法对配电馈线上所有节点电压进行估计;用加权最小二乘法对配电馈线上所有节点电压进行估计的方法如下:
对于给定配电馈线,其电压测量值z、测量方程h(x)、状态变量x和随机噪声n的关系如下:
z=h(x)+n (1)
状态变量估计值xe由状态变量x得到,通过如下所示的目标函数J最小化求得:
J=[z-h(x)]TR-1[z-h(x)] (2)
其中,R是噪声协方差矩阵,其中对角线元素Rii的方差为σi 2,σi是噪声测量值zi的标准差,如果假设最大误差为2ei,则噪声测量值zi的标准差为2σi;
用状态变量估计值xe取代状态变量x,状态变量估计值xe的方差σe 2由以下方程求解得到:
Px(xe)=[H(xe)TR-1H(xe)]-1 (3)
其中,设Px对角元素的方差为σe 2。同样,用xe取代x,噪声测量值z的估计值ze的方差σe 2通过以下方程求解得到。
Pz(xe)=H(xe)PxH(xe)T (5)
噪声测量值z的估计值ze,则残差矢量z-ze为:
z-ze=h(x)+n-h(xe)=W·n (6)
残差灵敏度矩阵W由下式计算得到:
W=I-Pz(xe)R-1 (7)
其中,I为单位矩阵。
S32:根据数据需求构建用于状态估计的伪测量数据;构建用于状态估计的伪测量数据的方法如下:
首先假设配电馈线中每个节点i的平均有功功率μPi和需求数据标准差σPi服从正态分布,σPi是设为加权最小二乘法的权重;
节点i的平均有功功率μPi可通过下式计算得到:
μPi=μ′P0·Ki (8)
其中,μ’P0为根据配电馈线月度负荷数据曲线计算所得馈线平均有功功率;Ki为根据馈线所在区域用电量曲线计算所得的地区i的负荷分布系数;
节点i的标准差σPi可通过下式计算得到:
σPi=σ′P0·Ki (9)
其中,σP0为馈线潮流的标准差;
同理可得节点i的平均无功功率μQi和标准差σQi,其计算公式如下所示:
μQi=μ′Q0·Ki (10)
其中,μ’Q0为根据配电馈线月度负荷数据计算所得馈线平均无功功率;
节点i的标准差σQi可通过下式计算得到:
σQi=σ′Q0·Ki (11)
其中,σQ0为馈线潮流的标准差。
S33:采用不良数据检测算法对电压测量数据进行检测;不良数据检测算法具体如下:
S331:将配电变电站测量数据(P0,Q0,u0)和馈线电压测量值(u1~uN)作为输入数据;其中P0、Q0分别为配电变电站母线输出有功功率和无功功率,u0为配电变电站母线输出电压;u1~uN为馈线N个电压测量点的电压测量值;
S332:假设平均值μ和标准差σ需求数据为正态分布;μ指代节点有功功率和无功功率的平均值;σ指代馈线潮流,即有功功率和无功功率的标准差;
S333:采用加权最小二乘法估计电压分布,使测量值和计算值误差最小;
S334:找出测量值和估计值的最大偏差,以测量系统精度作为阈值,如果偏差大于阈值,则视为不良数据,将其剔除,返回到步骤S333中继续检测其他坏数据;如果偏差小于阈值,则保留,返回到步骤S43中继续检测其他坏数据,数据检测完成则退出。
S34:采用多重分形去趋势波动分析方法对电压测量数据进行分析,判断电压测量数据是否具有长期相关性;多重分形去趋势波动分析方法具体如下:
S341:设待检测电压测量值数据序列为V={ui,i=1,2,…,N},即节点电压测量值序列,通过对待检测电压测量数据序列计算N次累计离差构建新的序列;
其中,u是原电压测量数据序列V中电压测量值的平均值;
S342:将新序列V等分成偶数个等长子区间,即形成2Ns个子区间,每个子区间单元长度可通过下式计算得到:
S343:用最小二乘法对每个新生成的子区间s(s=1,2,…,2Ns)进行曲线拟合,得到多阶局部趋势函数ys(j),然后计算各子区间s残差序列;计算公式如下:
其中,Rs(j)为子区间s的残差序列;
S344:计算电压测量数据序列q阶波动函数:
其中,Fq(s)为电压测量数据序列q阶波动函数,Fq(s)与l正相关,因此有如下公式成立。
其中,K为通过电压测量数据序列q阶波动函数Fq(s)与双对数坐标图对比计算所得比例系数,hq为Hurst指数,对于非平稳时间序列,只有当0.5<hq≤1时,该序列才具有长期相关性,说明电压测量数据具有波动规律,而不符合数据波动规律的数据则为不良数据。
S35:在判断具有长期相关性的基础上提取对电压测量数据波动影响极小的数据点,寻找电压测量数据波动趋势陡变点作为不良数据检测阈值点。不良数据检测阈值点确定方法如下:
S351:首先根据公式(17)计算原始电压测量数据序列的Hurst指数hq,判断电压测量数据序列V是否存在波动规律,即长期相关性,如果0.5<hq≤1则继续进行以下步骤,否则说明该数据序列不存在长期相关性,终止以下步骤;
S352:寻找电压测量数据序列V的最小值umin、最大值umax并计算数据序列分界参考值r:
S353:以umax为起始点,r为终点,从第k个区间开始对电压测量数据序列进行随机化,其余数据顺序不变,依次得到新的电压测量数据序列,从第k个区间起的电压测量数据可用公式(19)表示,随机化后得到的新电压测量数据序列如公式(20)所示。
Vk={ui,ui≥umax-d·k} (19)
k=int(1,2,…,(umax-r)/d) (21)
J=umax-d×k (22)
S354:以umin为起始点,r为终点,从第k个区间开始对电压测量数据序列进行随机化,其余数据顺序不变,依次得到新的电压测量数据序列,从第k个区间起的电压测量数据可用公式(22)表示,随机化后得到的新电压测量数据序列如公式(24)所示:
Vk={ui,ui≥umin+d·k} (23)
k=int(1,2,…,(r-umin)/d) (25)
J=umin+d×k (26)
S355:计算所有YJ的hq(J),绘制hq(J)曲线与Hurst指数hq的曲线进行对比分析;当仅对不良数据进行替代时,hq(J)平稳变化且与Hurst指数hq的曲线变化趋势几乎相同,随着替代数据范围的逐渐扩大,hq(J)变化趋势将发生突变且曲线逐渐偏离Hurst指数hq的曲线,而此时的突变点J值就是电压测量数据序列不良数据点的检测阈值。
选取西南某城市中一小型配电系统作为实例进行分析,如图5所示,该配电系统为10kV配电系统,由一条配电馈线给9个区域供电,馈线运行能力为15MVA,馈线电压测量数据由带传感器的分段开关获得。具体地,V1~V9是馈线电压传感器测量所得电压测量数据。此外,V0,P0和Q0为配电变电站母线电压和馈线潮流测量数据。按照步骤采用加权最小二乘法对配电馈线上所有节点电压进行估计,获得状态变量估计值,构造如图6所示的测量矢量和噪声协方差矩阵R,并进行检测。然后再按照步骤对电压测量数据时间序列进行检测。
图7显示了电压测量点u4含不良数据测量点状态估计结果,其中三角标识为采用加权最小二乘法计算所得的估计值,叉号标识为含不良数据的测量值,圆形标识为电压真实值。测量精度设置为1%,可以从图5中发现节点4电压测量值的偏差最大,且偏差大于阈值1%,根据本发明所提方法检测出节点4电压测量值为不良数据。对节点4电压测量不良数据进行剔除后状态估计电压分布情况如图8所示,可以发现通过剔除不良数据,可以得到误差较小的电压分布。
电压估计值的标准差可由公式(4)得到,以各节点电压标准差的平均值作为衡量标准,其中σue为各电压标准差的平均值,σus为迭代计算所得标准差。图9展示了随节点数量即电压测量值个数变化误差2σue、2σus的变化曲线,从图7中可以发现两者变化趋势基本一致,均与电压测量值个数成正比,即
上述分析结果证明本发明所提方法是切实有效的,具有较高的辨识精度与修正能力,根据测量精度的不同,本发明所提方法对不良数据辨识的误差精度也会受测量精度的影响,但总的说来本发明所提方法不仅可以检测出配电馈线中所有节点电压测量数据中的不良数据,得到误差较小的节点电压分布,还可以检测出各节点电压测量数据时间序列中的离群点,能够满足配网系统海量数据中不良数据迅速检测的需求,具有一定的指导意义和实用价值。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电馈线电压测量数据的不良数据检测系统,其特征在于:包括电压采集模块、通信模块、上位机;所述电压采集模块用于采集馈线各节点电压;所述通信模块用于将电压采集模块采集的电压数据传输至上位机;所述上位机用于对电压采集模块采集的电压数据进行处理并检测其不良数据;所述电压采集模块、通信模块、上位机依次连接。
2.根据权利要求1所述的一种配电馈线电压测量数据的不良数据检测系统,其特征在于:所述电压采集模块包括电压互感器、整流单元、AD转换单元、MCU单元;所述电压互感器与馈线连接,用于采集馈线各节点电压;所述整流单元用于将电压互感器采集的电压数据转换成直流电压数据;所述AD转换单元用于将直流电压数据进行AD转换;所述MCU单元用于采集经过AD转换的直流电压数据,并将采集到的直流电压数据传输至通信模块进行传输;所述电压互感器、整流单元、AD转换单元、MCU单元依次连接;所述MCU单元与通信模块连接。
3.根据权利要求2所述的一种配电馈线电压测量数据的不良数据检测系统,其特征在于:还包括外部存储单元,所述外部存储单元与MCU单元连接,用于存储MCU单元采集到的直流电压数据。
4.一种配电馈线电压测量数据的不良数据检测方法,其特征在于:包括以下步骤:
S1:电压采集模块采集馈线各节点的电压数据;
S2:通信模块将电压采集模块采集的数据传输至上位机;
S3:上位机对电压采集模块采集的电压数据进行处理并检测其不良数据。
5.根据权利要求4所述的一种配电馈线电压测量数据的不良数据检测方法,其特征在于:所述步骤S3包括以下步骤:
S31:首先采用加权最小二乘法对配电馈线上所有节点电压进行估计;
S32:根据数据需求构建用于状态估计的伪测量数据;
S33:采用不良数据检测算法对电压测量数据进行检测;
S34:采用多重分形去趋势波动分析方法对电压测量数据进行分析,判断电压测量数据是否具有长期相关性;
S35:在判断具有长期相关性的基础上提取对电压测量数据波动影响极小的数据点,寻找电压测量数据波动趋势陡变点作为不良数据检测阈值点。
6.根据权利要求5所述的一种配电馈线电压测量数据的不良数据检测方法,其特征在于:所述步骤S31采用加权最小二乘法对配电馈线上所有节点电压进行估计的方法如下:
对于给定配电馈线,其电压测量值z、测量方程h(x)、状态变量x和随机噪声n的关系如下:
z=h(x)+n (1)
状态变量估计值xe由状态变量x得到,通过如下所示的目标函数J最小化求得:
J=[z-h(x)]TR-1[z-h(x)] (2)
其中,R是噪声协方差矩阵,其中对角线元素Rii的方差为σi 2,σi是噪声测量值zi的标准差,如果假设最大误差为2ei,则噪声测量值zi的标准差为2σi;
用状态变量估计值xe取代状态变量x,状态变量估计值xe的方差σe 2由以下方程求解得到:
Px(xe)=[H(xe)TR-1H(xe)]-1 (3)
Pz(xe)=H(xe)PxH(xe)T (5)
其中,设测量值状态估计矩阵Pz的对角元素的方差为
噪声测量值z的估计值ze,则残差矢量z-ze为:
z-ze=h(x)+n-h(xe)=W·n (6)
残差灵敏度矩阵W由下式计算得到:
W=I-Pz(xe)R-1 (7)
其中,I为单位矩阵。
7.根据权利要求5所述的一种配电馈线电压测量数据的不良数据检测方法,其特征在于:所述步骤S32构建用于状态估计的伪测量数据的方法如下:
首先假设配电馈线中每个节点i的平均有功功率μPi和需求数据标准差σPi服从正态分布,σPi是设为加权最小二乘法的权重;
节点i的平均有功功率μPi可通过下式计算得到:
μPi=μ′P0·Ki (8)
其中,μ’P0为根据配电馈线月度负荷数据曲线计算所得馈线平均有功功率;Ki为根据馈线所在区域用电量曲线计算所得的地区i的负荷分布系数;
节点i的标准差σPi可通过下式计算得到:
σPi=σ′P0·Ki (9)
其中,σP0为馈线潮流的标准差;
同理可得节点i的平均无功功率μQi和标准差σQi,其计算公式如下所示:
μQi=μ′Q0·Ki (10)
其中,μ’Q0为根据配电馈线月度负荷数据计算所得馈线平均无功功率;
节点i的标准差σQi可通过下式计算得到:
σQi=σ′Q0·Ki (11)
其中,σQ0为馈线潮流的标准差。
8.根据权利要求5所述的一种配电馈线电压测量数据的不良数据检测方法,其特征在于:所述步骤S33中的不良数据检测算法具体如下:
S331:将配电变电站测量数据(P0,Q0,u0)和馈线电压测量值(u1~uN)作为输入数据;其中P0、Q0分别为配电变电站母线输出有功功率和无功功率,u0为配电变电站母线输出电压;u1~uN为馈线N个电压测量点的电压测量值;
S332:假设平均值μ和标准差σ需求数据为正态分布;μ指代节点有功功率和无功功率的平均值;σ指代馈线潮流,即有功功率和无功功率的标准差;
S333:采用加权最小二乘法估计电压分布,使测量值和计算值误差最小;
S334:找出测量值和估计值的最大偏差,以测量系统精度作为阈值,如果偏差大于阈值,则视为不良数据,将其剔除,返回到步骤S333中继续检测其他坏数据;如果偏差小于阈值,则保留,返回到步骤S43中继续检测其他坏数据,数据检测完成则退出。
9.根据权利要求5所述的一种配电馈线电压测量数据的不良数据检测方法,其特征在于:所述步骤S34中的多重分形去趋势波动分析方法具体如下:
S341:设待检测电压测量值数据序列为V={ui,i=1,2,…,N},即节点电压测量值序列,通过对待检测电压测量数据序列计算N次累计离差构建新的序列;
S342:将新序列V等分成偶数个等长子区间,即形成2Ns个子区间,每个子区间单元长度可通过下式计算得到:
S343:用最小二乘法对每个新生成的子区间s(s=1,2,…,2Ns)进行曲线拟合,得到多阶局部趋势函数ys(j),然后计算各子区间s残差序列;计算公式如下:
其中,Rs(j)为子区间s的残差序列;
S344:计算电压测量数据序列q阶波动函数:
其中,Fq(s)为电压测量数据序列q阶波动函数,Fq(s)与l正相关,因此有如下公式成立:
10.根据权利要求9所述的一种配电馈线电压测量数据的不良数据检测方法,其特征在于:所述步骤S35所提不良数据检测阈值点确定方法如下:
S351:首先根据公式(17)计算原始电压测量数据序列的Hurst指数hq,判断电压测量数据序列V是否存在波动规律,即长期相关性,如果0.5<hq≤1则继续进行以下步骤,否则说明该数据序列不存在长期相关性,终止以下步骤;
S352:寻找电压测量数据序列V的最小值umin、最大值umax并计算数据序列分界参考值r:
S353:以umax为起始点,r为终点,从第k个区间开始对电压测量数据序列进行随机化,其余数据顺序不变,依次得到新的电压测量数据序列,从第k个区间起的电压测量数据可用公式(19)表示,随机化后得到的新电压测量数据序列如公式(20)所示:
Vk={ui,ui≥umax-d·k} (19)
k=int(1,2,…,(umax-r)/d) (21)
J=umax-d×k (22)
S354:以umin为起始点,r为终点,从第k个区间开始对电压测量数据序列进行随机化,其余数据顺序不变,依次得到新的电压测量数据序列,从第k个区间起的电压测量数据可用公式(22)表示,随机化后得到的新电压测量数据序列如公式(24)所示:
Vk={ui,ui≥umin+d·k} (23)
其中d为区间间隔,其取值区间为k和J的取值如下式(25)和(26)所示,int()为取整函数:
k=int(1,2,…,(r-umin)/d) (25)
J=umin+d×k (26)
S355:计算所有YJ的hq(J),绘制hq(J)曲线与Hurst指数hq的曲线进行对比分析;当仅对不良数据进行替代时,hq(J)平稳变化且与Hurst指数hq的曲线变化趋势几乎相同,随着替代数据范围的逐渐扩大,hq(J)变化趋势将发生突变且曲线逐渐偏离Hurst指数hq的曲线,而此时的突变点J值就是电压测量数据序列不良数据点的检测阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874729.4A CN110781450B (zh) | 2019-09-17 | 2019-09-17 | 一种配电馈线电压测量数据的不良数据检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874729.4A CN110781450B (zh) | 2019-09-17 | 2019-09-17 | 一种配电馈线电压测量数据的不良数据检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781450A true CN110781450A (zh) | 2020-02-11 |
CN110781450B CN110781450B (zh) | 2022-12-16 |
Family
ID=69383531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910874729.4A Active CN110781450B (zh) | 2019-09-17 | 2019-09-17 | 一种配电馈线电压测量数据的不良数据检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781450B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881124A (zh) * | 2020-07-24 | 2020-11-03 | 贵州电网有限责任公司 | 一种基于改进算法的状态估计的数据处理方法及系统 |
CN112507497A (zh) * | 2020-08-26 | 2021-03-16 | 光一科技股份有限公司 | 一种基于积分状态观测的分布式低压配电网络线路参数估计方法 |
CN112993989A (zh) * | 2021-03-05 | 2021-06-18 | 广东电网有限责任公司广州供电局 | 一种主动配电系统抗差状态估计数据处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156799A2 (en) * | 2010-06-11 | 2011-12-15 | 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 |
CN105375484A (zh) * | 2015-12-22 | 2016-03-02 | 华北电力大学 | 一种基于pmu的电力系统分布式动态状态估计方法 |
WO2016066218A1 (en) * | 2014-10-31 | 2016-05-06 | Siemens Aktiengesellschaft | Method for state estimation of a distribution network based on real time measurement values |
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 |
CN107016489A (zh) * | 2017-03-09 | 2017-08-04 | 中国电力科学研究院 | 一种电力系统抗差状态估计方法和装置 |
CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
-
2019
- 2019-09-17 CN CN201910874729.4A patent/CN110781450B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156799A2 (en) * | 2010-06-11 | 2011-12-15 | 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 |
WO2016066218A1 (en) * | 2014-10-31 | 2016-05-06 | Siemens Aktiengesellschaft | Method for state estimation of a distribution network based on real time measurement values |
CN105375484A (zh) * | 2015-12-22 | 2016-03-02 | 华北电力大学 | 一种基于pmu的电力系统分布式动态状态估计方法 |
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 |
CN107016489A (zh) * | 2017-03-09 | 2017-08-04 | 中国电力科学研究院 | 一种电力系统抗差状态估计方法和装置 |
CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘莉 等: "电力系统不良数据检测与辨识方法的现状与发展", 《电力系统保护与控制》 * |
周小宝: "电力系统状态估计不良数据检测与辨识方法研究与应用", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881124A (zh) * | 2020-07-24 | 2020-11-03 | 贵州电网有限责任公司 | 一种基于改进算法的状态估计的数据处理方法及系统 |
CN112507497A (zh) * | 2020-08-26 | 2021-03-16 | 光一科技股份有限公司 | 一种基于积分状态观测的分布式低压配电网络线路参数估计方法 |
CN112993989A (zh) * | 2021-03-05 | 2021-06-18 | 广东电网有限责任公司广州供电局 | 一种主动配电系统抗差状态估计数据处理方法 |
CN112993989B (zh) * | 2021-03-05 | 2022-12-16 | 广东电网有限责任公司广州供电局 | 一种主动配电系统抗差状态估计数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110781450B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781450B (zh) | 一种配电馈线电压测量数据的不良数据检测方法及系统 | |
CN108535599B (zh) | 基于电压曲线聚类分析的低压台区用户相位识别方法 | |
CN111242391B (zh) | 用于电力负荷识别的机器学习模型训练方法及系统 | |
Ding et al. | A novel detection method for voltage sags | |
CN110633744A (zh) | 一种智能电表的台区识别方法 | |
CN102033185A (zh) | 一种基于视在功率估算的电能表错接线判断方法 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN112966219A (zh) | 识别户表与表箱关系的方法及系统、设备、介质 | |
CN113114497B (zh) | 一种低压台区拓扑自动识别方法 | |
CN110568254A (zh) | 一种准确检测故障电流中衰减直流分量参数的方法 | |
WO2012044975A1 (en) | Method for measurement of total harmonic distortion | |
CN113985339A (zh) | 智能电表的误差诊断方法及系统、设备、存储介质 | |
CN102809684A (zh) | 电源供应器一次侧电路的功率检测方法及其功率检测电路 | |
CN113740795A (zh) | 一种三相四线电能表错接判断方法 | |
CN110749852B (zh) | 一种基于瞬时三相功率不平衡的相位识别方法 | |
CN111965479A (zh) | 一种基于数据精细化量测比对的线损异常定位方法 | |
CN115656864B (zh) | 一种射频电源信号采集电路和半导体工艺设备 | |
CN112039558B (zh) | 一种基于网络同步时钟的台区识别方法与装置 | |
CN110865328B (zh) | 基于ami的智能电表相位识别、拓扑辨识及阻抗估计方法 | |
CN115639479A (zh) | 一种退役动力电池健康状态检测方法 | |
CN115575880A (zh) | 一种电力互感器计量误差状态在线检测方法 | |
CN112240992B (zh) | 基于线路空充暂态电流的保护极性校验方法、装置和设备 | |
CN108614147B (zh) | 电压波动检测方法及其关口表 | |
CN112730984A (zh) | 一种基于智能电表的低压配电网相位识别方法 | |
Liu et al. | Topology Identification Method of Low-Voltage Distribution Network Based on Regression Analysis of Voltage Characteristic Parameters |
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 |