CN112837180B - 用于电力系统的scada-pmu数据融合方法 - Google Patents

Abstract

本发明公开了一种用于电力系统的SCADA‑PMU数据融合方法，包括采集节点在SCADA和PMU中的时序运行数据；对SCADA系统时序数据进行插值填充；剔除PMU系统时序数据的噪声点数据；对数据进行平滑处理；进行采样时间点对齐并计算得到最佳对齐位置；计算最终的融合数值并完成SCADA‑PMU数据的融合。本发明能够精确地实时反映电力系统各节点运行状态，而且能够精确的进行数据融合计算，可靠性高、精确性好且简单方便。

Description

用于电力系统的SCADA-PMU数据融合方法

技术领域

本发明属于电气自动化领域，具体涉及一种用于电力系统的SCADA-PMU数据融合方法。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，电力系统的稳定可靠运行，就成为了电力系统最重要的任务之一。

在现行的电力系统中，电力系统主要采用SCADA、PMU等智能监控与数据采集的技术，实现电力系统监测智能化、供能可靠化、运行稳定化的总体目标。当今电力系统，SCADA系统应用广泛，且SCADA系统的应用技术已相对成熟，但存在采样频率低、无法测量相角、频率变化率等技术短板；近年来，基于GPS的相量采集装置PMU凭借测量精度高、种类多的特点，逐渐开始应用于电力系统中，但是由于经济、技术等多方面原因受限，目前PMU装置的实际应用相对较少。SCADA与PMU监测方式各有优劣，为实现优势互补，需将二者的监测数据融合。针对SCADA与PMU的监测数据融合方法主要有：对两组数据权重赋值直接融合；采用电压灵敏度矩阵的状态估计方法，SCADA与PMU数据分别被赋予提供初值、检验修正值；采集SCADA/PMU多时段数据，利用最小二乘法对负荷较重、线路较长的线路展开数据融合与状态估计；基于粒子群优化的改进一分类支持向量机辨识方法，实现SCADA/PMU数据融合。

但是，目前主要的监测数据融合方法在数据快速融合、对时匹配与精确预测、填充方面均存有不足。

发明内容

本发明的目的在于提供一种可靠性高、精确性好且简单方便的用于电力系统的SCADA-PMU数据融合方法。

本发明提供的这种用于电力系统的SCADA-PMU数据融合方法，包括如下步骤：

S1.采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据；

S2.采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充，从而得到与PMU系统相同采样频率的时序数据；

S3.采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据；

S4.采用灰色预测模型对步骤S3获取的数据进行平滑处理；

S5.将步骤S2得到的处理后的SCADA系统时序数据和步骤S4得到的处理后的PMU系统时序数据，进行采样时间点对齐，并计算得到最佳对齐位置；

S6.将步骤S5得到的对齐后的数据，计算得到最终的融合数值，完成SCADA-PMU数据的融合。

步骤S1所述的采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据，具体为采集电力系统中一具体节点在某时间段内的SCADA系统电压幅值数据Y_scada与PMU测量装置电压幅值数据Y_pmu；所述的电压幅值数据包括发电机输出电压幅值、变压器高低绕组电压幅值、隔离开关两端的电压幅值、母线电压幅值和输配电电压幅值。

步骤S2所述的采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充，具体为采用如下步骤进行插值填充：

A.满足插值条件的n次牛顿插值多项式为：

N_n(x)＝a₀+a₁(t-t₀)+a₂(t-t₀)(t-t₁)+…+a_k(t-t₀)(t-t₁)…(t-t_k-1)+…+a_n(t-t₀)(t-t₁)…(t-t_n-1)

式中a_k为待定系数；

B.设定函数f(t)在点x_k处的p阶差分为Δ^py_k＝Δ^p-1y_k+1-Δ^p-1y_k，在等距节点t_k＝t₀+kh，k＝0,1,2…，采用差分形式表示牛顿插值多项式的系数，得到满足插值条件的牛顿插值多项式为：

式中t为时刻；i为采样点的序号，i＝1,2,...,n-1；t_i为第i个采样点所对应的时刻；N_n(t)为第t时刻SCADA系统时序电压幅值数据的填充数值；y₀为节点的电压初值；Δy₀为一阶差分值；h为每两个点的等距离间隔值；y_k为节点的电压幅值。

步骤S3所述的采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据，具体为采用如下步骤剔除噪声点数据：

a.对所获取的PMU系统的时序数据进行一阶后向差分，得到数据集合{(t_i,Δy_i)}；其中i为采样点的序号，i＝1,2,...,n-1；t_i为第i个采样点所对应的时刻；Δy_i＝y_i+1-y_i，y_i为t_i时刻所对应的采样值；

b.设定第一阈值M1，并比较|Δy_i|与第一阈值M1的大小：

若|Δy_i|＞M1，则将数据点(t_i+1,y_i+1)判定为可疑数据；

否则，则认定数据点正常；

c.针对步骤b得到的可疑数据，进行一阶前向差分，得到数据集合{(t_j,Δy_j)}，其中Δy_j＝y_j-y_j+1：

d.设定第二阈值M2，并比较|Δy_j|与第二阈值M2的大小：

若|Δy_j|＞M2，则将数据点继续判定为可疑数据；

否则，将数据点判定为正常数据；

e.将步骤d得到的可疑数据所对应的前向差分和后向差分求积，并判定乘积的符号：

若乘积为负，则认定可疑数据为突变点，并直接剔除该可疑数据；

否则，判定可疑数据为证行数据。

步骤S4所述的采用灰色预测模型对步骤S3获取的数据进行平滑处理，具体为采用如下步骤进行平滑处理：

(1)采用如下算式计算极比值η(k)和阈值区间Y_阈值：

式中

为根据已知原始数列

得到的生成数列；

(2)判定极比值和阈值区间的大小：

若极比值均在阈值区间之间，则进行后续处理；

否则，将原始数据进行变换后，再重复步骤(1)和(2)直至极比值均在阈值区间之间；

(3)构建GM(1,1)预测模型：

对于累加的生成数列，采用拟合曲线进行数列逼近；设定GM(1,1)的灰色微分模型为：

式中A为发展因数，B为灰作用量；采用矩阵计算：

式中u为发展因数与灰作用量构成的系数矩阵；N为样本矩阵；

为对应生成矩阵；

将GM(1,1)的灰色微分模型表示为：y＝Nu；

采用最小二乘法计算得到：

然后，设定t⁽²⁾满足一阶常微分方程，并将A、B代入方程中，得到：

通过求解得到：

采用T₀＝1，对等间隔取样的离散值，则得出灰色预测模型的预测值：

(4)误差校验：

采用关联度校验展开预测误差估计，判定拟合精度是否满足条件；误差校验公式如下：

式中ε(k)为相对误差；

为生成数列值；

为还原值。

步骤S5所述的进行采样时间点对齐，并计算得到最佳对齐位置，具体为分别从处理后的SCADA系统时序数据集和处理后的PMU系统的时序数据集中,选取某一时刻的时序数据值，通过计算欧氏距离并求和得到平均时标误差值，并通过左右平移完成欧氏距离的循环计算，最终求解平均时标误差的最小值，实现精确对时。

步骤S6所述的将步骤S5得到的对齐后的数据，计算得到最终的融合数值，具体为将步骤S5得到的对齐后的数据，采用加权求和的方式计算得到最终的融合数值。

本发明提供的这种用于电力系统的SCADA-PMU数据融合方法，将差分绝对值法、灰度预测模型处理后的PMU装置数据，与牛顿插值法平滑处理后的SCADA时序数据，通过欧氏距离计算实现时序数据融合，能够精确地实时反映电力系统各节点运行状态，而且能够精确的进行数据融合计算，可靠性高、精确性好且简单方便。

附图说明

图1为本发明方法的方法流程示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种用于电力系统的SCADA-PMU数据融合方法，包括如下步骤：

S1.采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据；具体为采集电力系统中一具体节点在某时间段内的SCADA系统电压幅值数据Y_scada与PMU测量装置电压幅值数据Y_pmu；所述的电压幅值数据包括发电机输出电压幅值、变压器高低绕组电压幅值、隔离开关两端的电压幅值、母线电压幅值和输配电电压幅值；

S2.采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充，从而得到与PMU系统相同采样频率的时序数据；具体为采用如下步骤进行插值填充：

A.满足插值条件的n次牛顿插值多项式为：

N_n(x)＝a₀+a₁(t-t₀)+a₂(t-t₀)(t-t₁)+…+a_k(t-t₀)(t-t₁)…(t-t_k-1)+…+a_n(t-t₀)(t-t₁)…(t-t_n-1)

式中a_k为待定系数；

B.设定函数f(t)在点x_k处的p阶差分为Δ^py_k＝Δ^p-1y_k+1-Δ^p-1y_k，在等距节点t_k＝t₀+kh，k＝0,1,2…，采用差分形式表示牛顿插值多项式的系数，得到满足插值条件的牛顿插值多项式为：

式中t为时刻；i为采样点的序号，i＝1,2,...,n-1；t_i为第i个采样点所对应的时刻；N_n(t)为第t时刻SCADA系统时序电压幅值数据的填充数值；y₀为节点的电压初值；Δy₀为一阶差分值；h为每两个点的等距离间隔值；y_k为节点的电压幅值。

S3.采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据；具体为采用如下步骤剔除噪声点数据：

a.对所获取的PMU系统的时序数据进行一阶后向差分，得到数据集合{(t_i,Δy_i)}；其中i为采样点的序号，i＝1,2,...,n-1；t_i为第i个采样点所对应的时刻；Δy_i＝y_i+1-y_i，y_i为t_i时刻所对应的采样值；

b.设定第一阈值M1，并比较|Δy_i|与第一阈值M1的大小：

若|Δy_i|＞M1，则将数据点(t_i+1,y_i+1)判定为可疑数据；

否则，则认定数据点正常；

c.针对步骤b得到的可疑数据，进行一阶前向差分，得到数据集合{(t_j,Δy_j)}，其中Δy_j＝y_j-y_j+1：

d.设定第二阈值M2，并比较|Δy_j|与第二阈值M2的大小：

若|Δy_j|＞M2，则将数据点继续判定为可疑数据；

否则，将数据点判定为正常数据；

e.将步骤d得到的可疑数据所对应的前向差分和后向差分求积，并判定乘积的符号：

若乘积为负，则认定可疑数据为突变点，并直接剔除该可疑数据；

否则，判定可疑数据为证行数据；

S4.采用灰色预测模型对步骤S3获取的数据进行平滑处理；具体为采用如下步骤进行平滑处理：

(1)采用如下算式计算极比值η(k)和阈值区间Y_阈值：

式中

为根据已知原始数列

得到的生成数列；

(2)判定极比值和阈值区间的大小：

若极比值均在阈值区间之间，则进行后续处理；

否则，将原始数据进行变换后，再重复步骤(1)和(2)直至极比值均在阈值区间之间；

(3)构建GM(1,1)预测模型：

对于累加的生成数列，采用拟合曲线进行数列逼近；设定GM(1,1)的灰色微分模型为：

式中A为发展因数，B为灰作用量；采用矩阵计算：

式中u为发展因数与灰作用量构成的系数矩阵；N为样本矩阵；

为对应生成矩阵；

将GM(1,1)的灰色微分模型表示为：y＝Nu；

采用最小二乘法计算得到：

然后，设定t⁽²⁾满足一阶常微分方程，并将A、B代入方程中，得到：

通过求解得到：

采用T₀＝1，对等间隔取样的离散值，则得出灰色预测模型的预测值：

(4)误差校验：

采用关联度校验展开预测误差估计，判定拟合精度是否满足条件；误差校验公式如下：

式中ε(k)为相对误差；

为生成数列值；

为还原值。

S5.将步骤S2得到的处理后的SCADA系统时序数据和步骤S4得到的处理后的PMU系统时序数据，进行采样时间点对齐，并计算得到最佳对齐位置；具体为分别从处理后的SCADA系统时序数据集和处理后的PMU系统的时序数据集中,选取某一时刻的时序数据值，通过计算欧氏距离并求和得到平均时标误差值，并通过左右平移完成欧氏距离的循环计算，最终求解平均时标误差的最小值，实现精确对时；

S6.将步骤S5得到的对齐后的数据，计算得到最终的融合数值，完成SCADA-PMU数据的融合；具体为将步骤S5得到的对齐后的数据，采用加权求和的方式计算得到最终的融合数值。

Claims (6)

1.一种用于电力系统的SCADA-PMU数据融合方法，包括如下步骤：

S1.采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据；

S2.采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充，从而得到与PMU系统相同采样频率的时序数据；具体为采用如下步骤进行插值填充：

A.满足插值条件的n次牛顿插值多项式为：

N_n(x)＝a₀+a₁(t-t₀)+a₂(t-t₀)(t-t₁)+…+a_k(t-t₀)(t-t₁)··(t-t_k-1)+…+a_n(t-t₀)(t-t₁)…(t-t_n-1)

式中a_k为待定系数；

B.设定函数f(t)在点x_k处的p阶差分为Δ^py_k＝Δ^p-1y_k+1-Δ^p-1y_k，在等距节点t_k＝t₀+kh，k＝0,1,2…，采用差分形式表示牛顿插值多项式的系数，得到满足插值条件的牛顿插值多项式为：

式中t为时刻；i为采样点的序号，i＝1,2,...,n-1；t_i为第i个采样点所对应的时刻；N_n(t)为第t时刻SCADA系统时序电压幅值数据的填充数值；y₀为节点的电压初值；Δy₀为一阶差分值；h为每两个点的等距离间隔值；y_k为节点的电压幅值；

S3.采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据；

S4.采用灰色预测模型对步骤S3获取的数据进行平滑处理；

S5.将步骤S2得到的处理后的SCADA系统时序数据和步骤S4得到的处理后的PMU系统时序数据，进行采样时间点对齐，并计算得到最佳对齐位置；

S6.将步骤S5得到的对齐后的数据，计算得到最终的融合数值，完成SCADA-PMU数据的融合。

2.根据权利要求1所述的用于电力系统的SCADA-PMU数据融合方法，其特征在于步骤S1所述的采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据，具体为采集电力系统中一具体节点在某时间段内的SCADA系统电压幅值数据Y_scada与PMU测量装置电压幅值数据Y_pmu；所述的电压幅值数据包括发电机输出电压幅值、变压器高低绕组电压幅值、隔离开关两端的电压幅值、母线电压幅值和输配电电压幅值。

3.根据权利要求2所述的用于电力系统的SCADA-PMU数据融合方法，其特征在于步骤S3所述的采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据，具体为采用如下步骤剔除噪声点数据：

a.对所获取的PMU系统的时序数据进行一阶后向差分，得到数据集合{(t_i,Δy_i)}；其中i为采样点的序号，i＝1,2,...,n-1；t_i为第i个采样点所对应的时刻；Δy_i＝y_i+1-y_i，y_i为t_i时刻所对应的采样值；

b.设定第一阈值M1，并比较|Δy_i|与第一阈值M1的大小：

若|Δy_i|＞M1，则将数据点(t_i+1,y_i+1)判定为可疑数据；

否则，则认定数据点正常；

c.针对步骤b得到的可疑数据，进行一阶前向差分，得到数据集合{(t_j,Δy_j)}，其中Δy_j＝y_j-y_j+1：

d.设定第二阈值M2，并比较|Δy_j|与第二阈值M2的大小：

若|Δy_j|＞M2，则将数据点继续判定为可疑数据；

否则，将数据点判定为正常数据；

e.将步骤d得到的可疑数据所对应的前向差分和后向差分求积，并判定乘积的符号：

若乘积为负，则认定可疑数据为突变点，并直接剔除该可疑数据；

否则，判定可疑数据为证行数据。

4.根据权利要求3所述的用于电力系统的SCADA-PMU数据融合方法，其特征在于步骤S4所述的采用灰色预测模型对步骤S3获取的数据进行平滑处理，具体为采用如下步骤进行平滑处理：

(1)采用如下算式计算极比值η(k)和阈值区间Y_阈值：

式中

为根据已知原始数列

得到的生成数列；

(2)判定极比值和阈值区间的大小：

若极比值均在阈值区间之间，则进行后续处理；

否则，将原始数据进行变换后，再重复步骤(1)和(2)直至极比值均在阈值区间之间；

(3)构建GM(1,1)预测模型：

对于累加的生成数列，采用拟合曲线进行数列逼近；设定GM(1,1)的灰色微分模型为：

式中A为发展因数，B为灰作用量；采用矩阵计算：

式中u为发展因数与灰作用量构成的系数矩阵；N为样本矩阵；

为对应生成矩阵；

将GM(1,1)的灰色微分模型表示为：y＝Nu；

采用最小二乘法计算得到：

然后，设定t⁽²⁾满足一阶常微分方程，并将A、B代入方程中，得到：

通过求解得到：

采用T₀＝1，对等间隔取样的离散值，则得出灰色预测模型的预测值：

(4)误差校验：

采用关联度校验展开预测误差估计，判定拟合精度是否满足条件；误差校验公式如下：

式中ε(k)为相对误差；

为生成数列值；

为还原值。

5.根据权利要求4所述的用于电力系统的SCADA-PMU数据融合方法，其特征在于步骤S5所述的进行采样时间点对齐，并计算得到最佳对齐位置，具体为分别从处理后的SCADA系统时序数据集和处理后的PMU系统的时序数据集中,选取某一时刻的时序数据值，通过计算欧氏距离并求和得到平均时标误差值，并通过左右平移完成欧氏距离的循环计算，最终求解平均时标误差的最小值，实现精确对时。

6.根据权利要求5所述的用于电力系统的SCADA-PMU数据融合方法，其特征在于步骤S6所述的将步骤S5得到的对齐后的数据，计算得到最终的融合数值，具体为将步骤S5得到的对齐后的数据，采用加权求和的方式计算得到最终的融合数值。

Images