CN111340647A - 一种配电网数据平差方法及系统 - Google Patents
一种配电网数据平差方法及系统 Download PDFInfo
- Publication number
- CN111340647A CN111340647A CN201911146373.9A CN201911146373A CN111340647A CN 111340647 A CN111340647 A CN 111340647A CN 201911146373 A CN201911146373 A CN 201911146373A CN 111340647 A CN111340647 A CN 111340647A
- Authority
- CN
- China
- Prior art keywords
- error
- data
- prior
- follows
- measurement
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 230000009897 systematic effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (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)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供的技术方案一种配电网数据平差方法，包括：获取历史量测数据和实时量测数据；对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；对所述先验误差进行卡尔曼增益计算；基于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。有效提高了预测估计值的准确性，解决了预测估计值不准确导致的滤波效果下降问题。
Description
技术领域
本发明涉及电力系统领域，具体涉及一种配电网数据平差方法及系统。
背景技术
近年来，生产生活领域对电力的需求逐年增长，配电网承担的负载越来越高，用户对供电质量的要求越来越严格。为了对电力系统的运行情况进行监控，配电网终端对电流、电压、开关位置等状态量进行了采集，因此配电网的数据质量关乎配电网的安全稳定运行，低质量的电力系统监测数据即使使用再精准的处理逻辑、再高效的并行策略都不会获得正确结果。
配电网量测系统数据主要取决于量测系统量测采样时产生的量测误差，其误差源主要包括：(1)测量仪器：一是测量表本身存在的误差，二是仪器精度不匹配产生的误差。(2)观测者或自读设备：观测者与自读设备的鉴别能力都有一定的局限性，所以在量测值读取甚至在设备安置时都会存在一定的误差，对观测结果有着重要的影响。(3)外界条件：观测时所处的外界条件，如温度、湿度、风力等都会对观测结果甚至被观测对象有一定的影响。因此只要是发生在工程实际中的观测量测都会存在这样或那样的误差，因此，配电网中测量产生的误差是不可避免的。
传统测量平差学对被测系统的属性要求较为苛刻，被测系统或对象需要具有无偏性，这意味着在多次测量之后量测量需要收敛为一个定值，换句话说也就是被测系统为一静态系统。但实际上配电网为一时变的动态系统，多次测量时其真值在将会根据实时电源出力、负荷变动情况而波动，无法统计大量的误差信息，没有足够的敏感度捕捉系统波动、暂降等信息，预测估计值不准确导致的滤波效果下降问题。
发明内容
本发明提供的技术方案是：
一种配电网数据平差方法，包括：
获取历史量测数据和实时量测数据；
对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
对所述先验误差进行卡尔曼增益计算；
基于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
优选的，所述历史数据包括：
节点电压幅值、相角差、支路有功、无功潮流量测、节点注入有功、无功量测、支路电流量测或节点注入电流。
优选的，所述对所述历史量测数据进行量测值预测得到先验估计值，包括：
将所述配电网历史数据通过自适应滤波处理；
将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差；
将所述滤出部分误差后的数据进行量测值预测得到先验估计值。
优选的，所述将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差后的数据如下式所示：
式中，σ为U(k)的标准差，U(k)为k时刻的配电网节点电压量测值，y(k) 为自适应滤波的输出的处理后的数据信息；wT(k)为预估系数的转置；预估系数w(k)的计算式如下：
w(k+1)＝w(k)+2g*e(k)*U(k)
式中，g为控制因子；e(k)为误差；
所述e(k)为误差的计算式如下：
e(k)＝U(k-1)-y(k-1)。
优选的，所述先验估计的计算式如下：
x(k|k-1)＝S(k)+b(k)
式中，S(k)为k时刻平滑后的值；b(k)为平滑后的趋势；
其中，所述S(k)的计算式如下：
S(k)＝αHy(k)+(1-αH)x(k-1|k-2)
所述b(k)的计算式如下：
b(k)＝βH(S(k)-S(k-1))+(1-βH)b(k-1)
式中，αH和βH为小于1的常数参数；x(k|k-1)为利用k-1时刻及k-1时刻之前的信息对k时刻的先验估计。
优选的，所述先验误差的计算式如下：
P(k|k-1)＝BkU(k)+Qk
式中，P(k|k-1)为先验误差；U(k)为k时刻的配电网节点电压量测值；Bk为状态转移矩阵，为先验估计计算式的泰勒展开一阶项，Qk为系统误差阵。
优选的，所述卡尔曼增益的计算式如下：
式中：J(k)为卡尔曼增益；D△为量测误差的方差阵；
为状态转移矩阵的转置。
优选的，所述后验估计的计算式如下：
x(k|k)＝x(k|k-1)+J(k)M(k)
式中，x(k|k)为后验估计，M(k)为量测值与先验估计的差；
其中，所述量测值与先验估计的差M(k)的计算式如下：
M(k)＝U(k)-Bkx(k|k-1)
式中，U(k)为k时刻的配电网节点电压量测值。
优选的，所述后验方差的计算式如下：
P(k|k)＝(1-J(k)Bk)P(k|k-1)
其中，P(k|k)为后验方差。
一种配电网数据平差系统，包括：
获取模块：用于获取历史量测数据和实时量测数据；
预测模块：用于对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
第一计算模块：用于对所述先验误差进行卡尔曼增益计算；
第二计算模块：用于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
优选的，所述预测模块，包括：历史数据处理子模块和计算子模块；
所述历史数据处理子模块用于：
将所述配电网历史数据通过自适应滤波处理；
将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差；
将所述滤出部分误差后的数据进行量测值预测得到先验估计值；
所述计算子模块：用于计算先验估计和先验误差；
所述先验估计的计算式如下：
x(k|k-1)＝S(k)+b(k)
式中，S(k)为k时刻平滑后的值；b(k)为平滑后的趋势；
其中，所述S(k)的计算式如下：
S(k)＝αHy(k)+(1-αH)x(k-1|k-2)
所述b(k)的计算式如下：
b(k)＝βH(S(k)-S(k-1))+(1-βH)b(k-1)
式中，αH和βH为小于1的常数参数；x(k|k-1)为利用k-1时刻及k-1时刻之前的信息对k时刻的先验估计；
所述先验误差的计算式如下：
P(k|k-1)＝BkU(k)+Qk
式中，P(k|k-1)为先验误差；U(k)为k时刻的配电网节点电压量测值；Bk为状态转移矩阵，为先验估计计算式的泰勒展开一阶项，Qk为系统误差阵。
优选的，所述第一计算模块具体包括：
式中：J(k)为卡尔曼增益；D△为量测误差的方差阵；
为状态转移矩阵的转置。
优选的，所述第二计算模块具体包括：
所述后验估计的计算式如下：
x(k|k)＝x(k|k-1)+J(k)M(k)
式中，x(k|k)为后验估计，M(k)为量测值与先验估计的差；
其中，所述量测值与先验估计的差M(k)的计算式如下：
M(k)＝U(k)-Bkx(k|k-1)
式中，U(k)为k时刻的配电网节点电压量测值；
所述后验方差的计算式如下：
P(k|k)＝(1-J(k)Bk)P(k|k-1)
其中，P(k|k)为后验方差。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案一种配电网数据平差方法，包括：获取历史量测数据和实时量测数据；对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；对所述先验误差进行卡尔曼增益计算；基于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。有效提高了预测估计值的准确性，解决了预测估计值不准确导致的滤波效果下降问题。
附图说明
图1为本发明一种配电网数据平差方法的流程示意图；
图2为本发明一种配电网数据平差方法的实施例具体流程图；
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
本发明提供的一种配电网数据平差方法如图1所示，包括：
S1、获取历史量测数据和实时量测数据；
S2、对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
S3、对所述先验误差进行卡尔曼增益计算；
S4、基于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
如图2所示具体流程如下：
S1、获取历史量测数据和实时量测数据；
步骤1：获取配电网电压幅值量测值，并初始化状态变量。
状态变量的初始值的选择主要影响循环开始时的估计输出的准确性，然而，卡尔曼滤波较强的鲁棒性将使得整个滤波系统在初值较不精确的情况下仍能收敛到一个较为满意的结果。
假设有节点电压幅值的量测相量U1[U(k-n+1),U(k-n+2),...,U(k)]，其中 U(i)为第i个离散采样时间的电压量测值，我们需要根据前n-1个历史冗余量测量估计第k时间点状态量的真值。
初始化自适应滤波的控制因子g，两参数指数平滑法中的参数α和β。
S2、对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
步骤2：自适应滤波
自适应滤波器对输入的电压幅值量测数据进行第一次优化，流程图如图2所示。处理步骤遵循式(1)-(3)。由于仅使用历史数据，自适应滤波器不能对实时变化进行快速响应。因此，在式(3)中加入3σ原则判断，判断电压幅值突然跳变的异常值是误差还是系统波动。
w(k+1)＝w(k)+2g*e(k)*L1 (1)
e(k)＝U(k-1)-y(k-1) (2)
其中w(k)为预估系数；g为控制因子；e(k)为误差，σ是U(k)的标准差， U(k)为k时刻的配电网节点电压量测值，y(k)为自适应滤波的输出。
步骤3：依据两参数指数平滑方法进行预测，得出先验估值及先验误差。
指数平滑法(也称线性外推法)是一种简单的短期负荷预测方法，具有存储变量少，计算速度快的优点，适合在线运算。预测函数主要依赖于两参数指数平滑方法，使得一方面预测系统接收相对精确的输入历史数据，另一方面仍然保持快速响应效果。
将步骤2的输出y(k)作为本步骤的输入进行处理，处理步骤遵循式(4)- (6)。
x(k|k-1)＝S(k)+b(k) (4)
S(k)＝αHy(k)+(1-αH)x(k-1|k-2) (5)
b(k)＝βH(S(k)-S(k-1))+(1-βH)b(k-1) (6)
其中，参数αH和βH为小于1的常数；x(k|k-1)为利用k-1时刻及k-1时刻之前的信息对k时刻的先验估计；
之后计算先验误差
P(k|k-1)＝BkU(k)+Qk (7)
这里的U(k)为量测相量U1中的U(k)。Bk为状态转移矩阵，为状态方程(式 (4)的泰勒展开一阶项，Qk为系统误差阵，可认为是常数矩阵。
步骤4：计算后验估值及后验误差并更新
S3、对所述先验误差进行卡尔曼增益计算；
首先将步骤3计算得出的先验误差P(k|k-1)带入式中，计算卡尔曼增益，
其中，J(k)为卡尔曼增益，D△为量测误差的方差阵。
再进行新息计算
M(k)＝U(k)-Bkx(k|k-1) (9)
M(k)为新息，即量测值与预测值(先验估计)的差。
S4、基于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
最后进行后验估计计算
x(k|k)＝x(k|k-1)+J(k)M(k) (10)
其中，x(k|k)为后验估值，即对k时间点真值的估计值
以及后验方差计算
P(k|k)＝(1-J(k)Bk)P(k|k-1) (11)
其中P(k|k)为后验方差。
最终，配电网节点电压幅值平差的输出为式(10)及式(11)。分别表示对真值的估计值及估计值的误差。
同理，支路有功和无功潮流量测Pij、Qij；节点注入有功和无功量测Pi、Qi；
支路电流量测Iij和节点注入电流Ii等数据也可应用此方法进行平差与预测。
实施例2：
基于同一种发明构思，本发明还提供了一种配电网数据平差系统，包括：
获取模块：用于获取历史量测数据和实时量测数据；
预测模块：用于对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
第一计算模块：用于对所述先验误差进行卡尔曼增益计算；
第二计算模块：用于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
所述预测模块，包括：历史数据处理子模块和计算子模块；
所述历史数据处理子模块用于：
将所述配电网历史数据通过自适应滤波处理；
将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差；
将所述滤出部分误差后的数据进行量测值预测得到先验估计值；
所述计算子模块：用于计算先验估计和先验误差；
所述先验估计的计算式如下：
x(k|k-1)＝S(k)+b(k)
式中，S(k)为k时刻平滑后的值；b(k)为平滑后的趋势；
其中，所述S(k)的计算式如下：
S(k)＝αHy(k)+(1-αH)x(k-1|k-2)
所述b(k)的计算式如下：
b(k)＝βH(S(k)-S(k-1))+(1-βH)b(k-1)
式中，αH和βH为小于1的常数参数；x(k|k-1)为利用k-1时刻及k-1时刻之前的信息对k时刻的先验估计；
所述先验误差的计算式如下：
P(k|k-1)＝BkU(k)+Qk
式中，P(k|k-1)为先验误差；U(k)为k时刻的配电网节点电压量测值；Bk为状态转移矩阵，为先验估计计算式的泰勒展开一阶项，Qk为系统误差阵。
所述第一计算模块具体包括：
式中：J(k)为卡尔曼增益；D△为量测误差的方差阵；
为状态转移矩阵的转置。
所述第二计算模块具体包括：
所述后验估计的计算式如下：
x(k|k)＝x(k|k-1)+J(k)M(k)
式中，x(k|k)为后验估计，M(k)为量测值与先验估计的差；
其中，所述量测值与先验估计的差M(k)的计算式如下：
M(k)＝U(k)-Bkx(k|k-1)
式中，U(k)为k时刻的配电网节点电压量测值；
所述后验方差的计算式如下：
P(k|k)＝(1-J(k)Bk)P(k|k-1)
其中，P(k|k)为后验方差。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (13)
1.一种配电网数据平差方法，其特征在于，包括：
获取历史量测数据和实时量测数据；
对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
对所述先验误差进行卡尔曼增益计算；
基于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
2.如权利要求1所述的一种配电网数据平差方法，其特征在于，所述历史数据包括：
节点电压幅值、相角差、支路有功、无功潮流量测、节点注入有功、无功量测、支路电流量测或节点注入电流。
3.如权利要求1所述的一种配电网数据平差方法，其特征在于，所述对所述历史量测数据进行量测值预测得到先验估计值，包括：
将所述配电网历史数据通过自适应滤波处理；
将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差；
将所述滤出部分误差后的数据进行量测值预测得到先验估计值。
4.如权利要求3所述的一种配电网数据平差方法，其特征在于，所述将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差后的数据如下式所示：
式中，σ为U(k)的标准差，U(k)为k时刻的配电网节点电压量测值，y(k)为自适应滤波的输出的处理后的数据信息；wT(k)为预估系数的转置；预估系数w(k)的计算式如下：
w(k+1)＝w(k)+2g*e(k)*U(k)
式中，g为控制因子；e(k)为误差；
所述e(k)为误差的计算式如下：
e(k)＝U(k-1)-y(k-1)。
5.如权利要求4所述的一种配电网数据平差方法，其特征在于，所述先验估计的计算式如下：
x(k|k-1)＝S(k)+b(k)
式中，S(k)为k时刻平滑后的值；b(k)为平滑后的趋势；
其中，所述S(k)的计算式如下：
S(k)＝αHy(k)+(1-αH)x(k-1|k-2)
所述b(k)的计算式如下：
b(k)＝βH(S(k)-S(k-1))+(1-βH)b(k-1)
式中，αH和βH为小于1的常数参数；x(k|k-1)为利用k-1时刻及k-1时刻之前的信息对k时刻的先验估计。
6.如权利要求5所述的一种配电网数据平差方法，其特征在于，所述先验误差的计算式如下：
P(k|k-1)＝BkU(k)+Qk
式中，P(k|k-1)为先验误差；U(k)为k时刻的配电网节点电压量测值；Bk为状态转移矩阵，为先验估计计算式的泰勒展开一阶项，Qk为系统误差阵。
7.如权利要求6所述的一种配电网数据平差方法，其特征在于，所述卡尔曼增益的计算式如下：
式中：J(k)为卡尔曼增益；D△为量测误差的方差阵；
为状态转移矩阵的转置。
8.如权利要求7所述的一种配电网数据平差方法，其特征在于，所述后验估计的计算式如下：
x(k|k)＝x(k|k-1)+J(k)M(k)
式中，x(k|k)为后验估计，M(k)为量测值与先验估计的差；
其中，所述量测值与先验估计的差M(k)的计算式如下：
M(k)＝U(k)-Bkx(k|k-1)
式中，U(k)为k时刻的配电网节点电压量测值。
9.如权利要求7所述的一种配电网数据平差方法，其特征在于，所述后验方差的计算式如下：
P(k|k)＝(1-J(k)Bk)P(k|k-1)
其中，P(k|k)为后验方差。
10.一种配电网数据平差系统，其特征在于，包括：
获取模块：用于获取历史量测数据和实时量测数据；
预测模块：用于对所述历史量测数据进行量测值预测得到先验估计值，并基于实时量测数据得到先验误差；
第一计算模块：用于对所述先验误差进行卡尔曼增益计算；
第二计算模块：用于卡尔曼增益和先验估计、先验误差计算后验估计和后验方差。
11.如权利要求10所述的一种配电网数据平差系统，其特征在于，所述预测模块，包括：历史数据处理子模块和计算子模块；
所述历史数据处理子模块用于：
将所述配电网历史数据通过自适应滤波处理；
将通自适应滤波处理的配电网数据信息加入对统计误差的判断滤出部分误差；
将所述滤出部分误差后的数据进行量测值预测得到先验估计值；
所述计算子模块：用于计算先验估计和先验误差；
所述先验估计的计算式如下：
x(k|k-1)＝S(k)+b(k)
式中，S(k)为k时刻平滑后的值；b(k)为平滑后的趋势；
其中，所述S(k)的计算式如下：
S(k)＝αHy(k)+(1-αH)x(k-1|k-2)
所述b(k)的计算式如下：
b(k)＝βH(S(k)-S(k-1))+(1-βH)b(k-1)
式中，αH和βH为小于1的常数参数；x(k|k-1)为利用k-1时刻及k-1时刻之前的信息对k时刻的先验估计；
所述先验误差的计算式如下：
P(k|k-1)＝BkU(k)+Qk
式中，P(k|k-1)为先验误差；U(k)为k时刻的配电网节点电压量测值；Bk为状态转移矩阵，为先验估计计算式的泰勒展开一阶项，Qk为系统误差阵。
12.如权利要求10所述的一种配电网数据平差系统，其特征在于，所述第一计算模块具体包括：
式中：J(k)为卡尔曼增益；D△为量测误差的方差阵；
为状态转移矩阵的转置。
13.如权利要求10所述的一种配电网数据平差系统，其特征在于，所述第二计算模块具体包括：
所述后验估计的计算式如下：
x(k|k)＝x(k|k-1)+J(k)M(k)
式中，x(k|k)为后验估计，M(k)为量测值与先验估计的差；
其中，所述量测值与先验估计的差M(k)的计算式如下：
M(k)＝U(k)-Bkx(k|k-1)
式中，U(k)为k时刻的配电网节点电压量测值；
所述后验方差的计算式如下：
P(k|k)＝(1-J(k)Bk)P(k|k-1)
其中，P(k|k)为后验方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911146373.9A CN111340647A (zh) | 2019-11-21 | 2019-11-21 | 一种配电网数据平差方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911146373.9A CN111340647A (zh) | 2019-11-21 | 2019-11-21 | 一种配电网数据平差方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340647A true CN111340647A (zh) | 2020-06-26 |
Family
ID=71183302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911146373.9A Pending CN111340647A (zh) | 2019-11-21 | 2019-11-21 | 一种配电网数据平差方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340647A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819373A (zh) * | 2021-02-25 | 2021-05-18 | 云南电网有限责任公司电力科学研究院 | 一种配网电压异常数据检测方法及装置 |
-
2019
- 2019-11-21 CN CN201911146373.9A patent/CN111340647A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819373A (zh) * | 2021-02-25 | 2021-05-18 | 云南电网有限责任公司电力科学研究院 | 一种配网电压异常数据检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN107425548B (zh) | 一种插值h∞扩展卡尔曼滤波发电机动态状态估计方法 | |
| CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
| CN110134010B (zh) | 一种采用等效扰动补偿伺服系统的幂次吸引重复控制方法 | |
| CN110968833A (zh) | 一种用于模拟量校准的校准函数关系获取方法及装置 | |
| CN107658881A (zh) | 基于戴维南等值方法的电压稳定临界点判断方法 | |
| CN110716430B (zh) | 一种采用等效扰动补偿的伺服系统快速吸引重复控制方法 | |
| JP2010277577A (ja) | 制御及び推定のための線形モデルのリアルタイムスケジューリング | |
| CN110907702A (zh) | 一种改进动态谐波估计方法和系统 | |
| Wang et al. | A DRL-aided multi-layer stability model calibration platform considering multiple events | |
| CN114264865B (zh) | 一种电流采集装置在线自校准方法 | |
| CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
| Andrieu et al. | Continuous discrete observer with updated sampling period | |
| CN111340647A (zh) | 一种配电网数据平差方法及系统 | |
| KR102574166B1 (ko) | 스마트 미터의 결측치 대체 방법 및 이를 이용하는 스마트 미터 제어 시스템 | |
| US20210286324A1 (en) | Compensator, control system, compensation method, and program | |
| Wang et al. | A comparison study of tracking differentiator and robust exact differentiator | |
| CN113484818B (zh) | 基于滑动窗口的抗高频采集异常电能表精准定位方法 | |
| CN106153046B (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
| CN110350886A (zh) | 一种永磁伺服系统的谐振频率检测方法、系统及装置 | |
| EP4063975A1 (en) | Rst smith predictor | |
| CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
| CN113553538A (zh) | 一种递推修正混合线性状态估计方法 | |
| Amalkar et al. | Design and implementation of sensorless speed control for induction motor drive using an optimized extended kalman filter |
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 |