[发明专利]电力系统动态不良数据检测与辨识方法

权利要求书

1.电力系统动态不良数据检测与辨识方法，其特征在于，包括以下步骤：

A、读取电力系统当前网络参数和网络拓扑结构，并由此形成节点导纳矩阵和支路-节点关联矩阵；

B、根据电力系统网络拓扑结构建立等效电路，配置电力系统量测函数和PMU，系统的量测包括节点电压幅值量测、节点电流幅值量测、节点功率注入量测和节点潮流量测；

C、电力系统动态不良数据检测与辨识

一个电力系统的状态可以由一个包含一系列复杂电压幅值和相角的n维状态向量x来表示，系统通常使用状态估计每隔几分钟或者一定的采样间隔更新一次状态；在已知量测z_k后，系统在第k次采样时的状态x_k由下式表示：

z_k=h(x_k)+v_k

其中，h(·)表示m维非线性函数向量；v_k是服从正态分布的随机白噪声，即v_k～N(0,R_k)，R_k是量测误差的方差；

采用扩展卡尔曼滤波方法对系统不良数据检测与辨识，包括参数辨识、状态预测、不良数据检测、不良数据辨识和状态滤波：

参数辨识：电力系统运行状态的变化可由以下线性化的准稳态模型来描述：

x_k+1=F_kx_k+G_k+w_k

其中，F_k,G_k是n维非零对角动态模型参数矩阵；F_k是状态转移矩阵；G_k是控制向量；w_k是服从正态分布的随机白噪声，即w_k～N(0,Q_k)，Q_k是系统模型误差的方差；参数F_k,G_k由Holt’s两参数线性指数平滑法求得；

状态预测：一个含n节点系统的状态和协方差矩阵M_k+1预测结果为：

x~k+1=Fkx^k+Gk]]>

Mk+1=FkPkFkT+Qk]]>

其中，是一个(2n-1)×1维状态向量的估计值,P_k是误差协方差关联矩阵；

不良数据检测：只要在k+1时刻，一个新的量测可用，那么新息向量ξ_k+1表示为：从而新息向量的协方差矩阵表示为：

Nk+1=Hk+1Mk+1Hk+1T+Rk+1]]>

其中在系统正常运行的情况下，假设归一化新息向量ξ_N(i)满足以下条件：|ξ_N(i)|=|ξ(i)|/σ_N(i)≤γ

其中，是新息向量中第i个元素的标准差；γ是门限值；

当系统出现粗差数据或者系统发生突变时，观测值和预测值之间的偏差会很大，为了检测和辨识幅值较小的粗差，提高不良数据检测的灵敏度，引入参数A(i)，且A(i)=|ξ(i)|/σ_R(i)≤γ_A，其中σ_R(i)是第i个量测向量的标准差；γ_A是门限值；参数A(i)对等式右边电压幅值粗差的灵敏度比ξ_N(i)高，量测值z(i)有粗差并且粗差的幅度值为ασ_R(i)，则有：z(i)=z^t(i)+ασ_R(i)，其中z^t(i)表示第i个量测的真值，将此式带入上一式可得：

A(i)=|ξ(i)|/σR(i)‾~|z(i)-zt(i)|/σR(i)=|α|]]>

由此可得不良数据的检测过程如下：首先，找到最大归一化新息maxξ_N(i)，然后相关的A(i)可以通过上式计算得到；如果A(i)小于给定的门限值γ_A，则执行后续的步骤，否则相关的量测被视为可疑量测并且找到第二大的最大归一化新息ξ_N(j)，同时计算相关的A(j)，如果A(j)小于给定的门限值γ_A，那么只有上一个量测使可疑量测，否则，这两个量测都是可疑量测并且类似的重复上一步以寻找下一个可疑量测，最后形成可疑量测集；

不良数据辨识：移除最大归一化新息maxξ_N(i)并执行状态滤波，如果滤波之后的滤波值与真值之间的误差在(-3σ,+3σ)之间，那么此可疑量测不是不良数据，接着对可疑量测集中的其它元素执行相同的操作，一旦发现滤波之后的滤波值与真值之间的误差不在(-3σ,+3σ)范围内，那么移除此量测，并将与此量测相关的其它量测全部置为0，继续进行滤波，如果发现滤波之后的滤波值与真值之间的误差在(-3σ,+3σ)范围内，那么确定此量测就是不良数据并且将其剔除；如此循环往复，直到算法收敛；

状态滤波：假设已经获得一组电力系统的实时量测值z_k，则通过对预测的状态向量进行滤波可得到新的状态估计向量因此在k+1时刻，状态估计的目标函数为：

Jk(x)=[z-h(x)]TR-1[z-h(x)]+[x-x~]M-1[x-x~]]]>

其中，R为量测误差矩阵，W=R^-1是一个对角权重矩阵，它的对角元素由每个量测的标准差决定；

D、收敛条件判断

若算法收敛，输出各个节点剔除不良数据之后系统更准确的电压幅值和相角，否则转步骤C。