电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败。回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败.回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望.     

状态估计中不良数据的混合检测辨识程序设计

设计了状态估计中不良数据的混合检测辨识通用的程序框图,并对框图进行了逐项论述说明。参照框图,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真试验,得到了在无不良数据、有不良数据、有突变量等情况下的辨识结果。验证了本文介绍的检测辨识方法及程序框图的有效性。     

RN检测与状态预估相结合的不良数据检测辨识法

本文将RN检测法与状态预估检测辨识法相结合,提出了一种新的不良数据的检测辨识方法,该法先用RN检测法来判断是否有不良数据的检测辨识方法,该法先用RN检测法来判断是否有不良数据测点存在,若有,再用状态预估辨识哪些测点存在不良数据,将不良数据测点的量测值换成其状态预估值再进行一次状态估计,该法既克服了RN检测法存在的残差污染,残差淹没现象,又解决了状态预估检测辨识法不能区分不良数据与突变量的问题,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真实验,得到了在无不良数据,有不良数据,有突变量等情况下的检测辨识结果,验证了本文介绍的检测辨识方法的有效性。     

基于支持向量机的电力系统不良数据在线检测辨识与修正

SVM是数据挖掘中一种具有优良模式识别性能的新方法,该方法具有学习速度快、全局最优和泛化能力强等优点。首先利用支持向量机回归(SVR)构建辨识遥测不良数据的模型,在状态估计前通过比较预测值与实测值之间的差值来一次性辨识遥测不良数据。接着将状态估计后得到的标准残差作为支持向量机分类(SVC)的输入,依靠拓扑错误的残差特性来分类辨识出拓扑错误。通过对IEEE-30母线的仿真分析证明了该方法的有效性,现行状态估计器的效率及合格率可以得到很好的提高。     

基于等效电流量测变换的状态估计及不良数据检测与辨识方法

针对输电系统和配电系统量测类型多样性及传统快速解耦状态估计算法的不足，作者讨论并发展了一种基于等效电流量测变换的状态估计及不良数据检测与辨识方法。该方法是通过对量测系统的实际量测进行等效电流量测变换，并根据误差传播理论改变相应的量测权值而推导出来的。它不仅保留了传统状态估计算法的快速解耦特性，并在无任何假设的情况下实现了雅可比矩阵的完全常数化，算例分析表明，该方法快速有效，对r/x的比值不敏感，并能有效地处理不良数据，能较好地应用于输系统和配电系统的状态估计计算。     

电力系统状态估计的混合不良数据检测方法

针对状态估计不良数据检测的实用化要求,结合现有两类基本检测方法的优点,并考虑相关量测量之间相相互校核的特点,提出了可根据网络结构和负荷变化正确选择适合于当时运行状态的检测方法的判别原则和算法。此方法避免了现有两类基本检测方法的缺点,提出了自动选择检测方法的基本判据,满足了系统实际运行中的要求,尽可能地降低了误检和漏检的概率。     

基于量测数据相关性的电力系统不良数据检测和辨识新方法

电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据,检测和辨识这些不良数据是电力系统状态估计的重要组成部分。文章分析了量测数据协方差矩阵中的元素值在量测数据中含有白噪声、突变量和不良数据时的变化规律,提出了通过量测数据协方差矩阵中元素的变化规律检测和辨识不良数据的新方法,在IEEE14节点系统上的仿真试验验证了该方法的正确性。     

基于有效指数k-means算法在电力系统不良数据辨识中应用

目前电力系统发展速度很快,电力网络的结构和运行模式也变得越来越复杂,电力系统中大量实时数据的质量决定电力系统运行的安全与稳定。为了确保电力系统运行的安全与稳定,必须对电力系统中不良数据进行检测与辨识。不良数据的存在会降低状态估计的收敛性能,甚至造成状态估计失败。采用有效指数与数据挖掘的k-means聚类算法相结合,并融合神经网络技术,利用VC++语言和MATLAB语言进行编程仿真,验证了算法的有效性,准确地对不良数据进行了辨识。     

基于量测量替换与标准化残差检测的不良数据辨识

针对多不良数据辨识中存在的残差污染和残差淹没问题,提出一种多不良数据辨识方法,在应用P-Q分解法的基础上,首先选取部分量测进行状态估计,接着用剩余量测逐一替换参与估计计算的量测,并根据替换后各量测标准化残差的大小得到可疑数据,其间量测量的替换可以打破发生残差淹没的平衡,使得由于发生残差淹没而导致标准化残差合格的不良数据凸显出来,之后又通过状态估计对可疑数据进行校核,恢复受到残差污染的量测为正常量测,最终将不良数据辨识出来.此外,还给出替换和减少一维量测后计算标准化残差的简化方法,以提高计算速度.最后以某地区220 kV电网为背景进行算例分析,表明该方法的有效性和可行性.     

抗差估计法应用于状态估计中不良数据的检测和辨识

电力系统状态估计是电能管理系统（EMS）的重要组成部分，然而在实际运行的电网自动化系统中，量测数据中不可避免含有不良数据，从而影响状态估计的结果。不良数据的检测是电力系统状态估计的重要功能之一，它能够排除量测采样数据中偶然出现的少数不良数据，提高状态估计的可靠性。文章采用突变检测和抗差估计相结合的方法，并在IEEE118节点网络上进行了验证，结果证明该方法检测辨识的有效性和可靠性。     

基于改进转移潮流法的拓扑错误辨识方法

提出了转移潮流法的改进算法,增强了同步辨识拓扑错误和不良数据的能力。改进算法充分利用了转移潮流对拓扑变化的敏感性以及加权最小绝对值状态估计对不良数据的抑制性,通过情形判断将拓扑错误回路和不良数据回路尽可能地区别开来,从而避免了原转移潮流法的缺点,提高了辨识能力。     

改进迭代自组织数据分析法的不良数据辨识

针对迭代自组织数据分析技术A(iterative selforgani zing data analysis technique A-ISODATlA)对初始聚类中心敏感问题,提出将基于遗传算法的改进ISODATA方法用于电力系统不良数据辨识。该方法采用量测值的标准残差rN 和相邻采样时刻量测值之差△z作为特征值,然后采用遗传算法形成初始分类矩阵,通过遗传操作进行迭代计算,实现量测数据的模糊聚类分析,最终根据隶属度的大小来辨识其是否属于不良数据。算例表明,该方法能最终获得全局最优解,从而进行准确的不良数据辨识,避免了初始聚类中心对分类结果的影响。     

一种实用的不良数据处理方法

电力系统中不良数据的存在会降低状态估计的收敛性能,甚至造成状态估计失败。如何可靠检测和修正不良数据成为状态估计应用的难题。针对这个问题,文章从状态估计实用化角度出发,首先提出越限系数H的概念来表征量测量的越限程度,然后利用电力系统量测量之间的约束关系和H值,提出一种基于网络节点分级的不良数据处理方法。该方法首先通过计算输入输出差额检测系统总的功率是否平衡,修正部分可疑量测量;接着对系统节点进行分级,根据节点分级结果运用基尔霍夫电流定律逐级逐点检测并修正可疑数据,最后通过状态估计得到最终结果。工程算例表明该算法简单、实用、速度快,能够过滤、智能修复和补充实时数据,有效地辨识和修正不良数据,提高了状态估计的收敛性能。     

新息图状态估计中多相关不良数据辨识

新息图状态估计处理坏数据较传统状态估计方法有优越性。文中研究了新息图状态估计中多相关不良数据的辨识问题,分析了多相关不良数据条件下新息差向量的表现特征,为新息图法准确排除测量系统中的多相关不良数据提供了理论依据,使得新息图能准确辨识状态估计中与拓扑变化（包括拓扑错误）相关的多相关不良数据,提高了新息图法识别不良数据的能力。IEEE30节点系统中不同类型的多相关坏数据识别结果表明了算法的有效性。     

基于IGG法的电力系统状态估计

针对现有电力系统状态估计的不足,提出了一种基于IGG(Institute of Geodesy &Geophysics,Chinese Academy of Sciences)法的抗差估计方法。分析了抗差估计理论应用于状态估计时,初值和权函数选取的原则及一般方法,兼顾了估计结果的准确性和数值稳定性。将抗差最小二乘法用于存在拓扑错误和坏数据时的状态估计,结合网络参数估计辨识法,得出坏数据和可疑支路的正确状态,使抗差和状态估计在计算中一次完成。算例结果表明,该法抗差能力强,收敛速度快,而且具有较好的准确性和数值稳定性。     

状态估计中不良数据的混合检测辨识法

提出了状态预估与Rn 检测相结合的不良数据的检测辨识方法。该法既能克服残差污染、残差淹没现象 ,又能区分不良数据与突变量。在 18结点系统上进行了数字仿真实验 ,得到了良好的结果