[发明专利]电力系统动态不良数据检测与辨识方法

说明书

技术领域

本发明涉及一种基于同步相角测量装置(PMU)的鲁棒电力系统动态不良数据检测与辨识方法，属于电力系统运行与控制技术领域。

背景技术

电力系统状态估计是能量管理系统的重要组成部分，其主要功能是对数据采集与监控系统(SCADA)和广域量测系统(WAMS)提供的实时信息进行滤波，以提高数据精度，排除错误信息的干扰，从而得到一个高质量的实时数据库，为能量管理中心(EMS)进行各种重要的控制和规划提供数据支持，例如，电网的实时建模、潮流优化和基于电力系统状态估计的可靠与安全性评估。而不良数据检测与辨识是电力系统状态估计的重要功能之一，其功能是在获得状态估计值的基础上依靠系统提供的多余信息,发现和排除测量采样数据中偶然出现的少数不良数据，以提高状态估计的可靠性。

现代电力系统呈现出规模巨大、区域互联等特点，以中国为例，中国的电网规模比世界上任何一个国家的都要大，都要复杂，而且最近几年中国的各大区域电网又以同步或者异步的方式互联，进一步加大了系统动态监测的难度，此外，中国的新能源资源丰富，分布广泛，但是地域和气候的差异为系统带来很多不确定的因素，并网容量与电力系统消纳能力的关系也需要妥善处置，再者，新能源具有随机性、波动性和间歇性等特点，将给电网的运行方式带来极大的不确定性,系统中不良数据的出现概率大大的提高。因此，分析和预测系统的运行趋势，排除对系统带来安全隐患的不良数据离不开动态不良数据的检测与辨识方法。

电力系统量测值要经过多个环节才能达到调度中心，这些环节使量测均存在误差，并可能出现故障或干扰，因此量测值与真实值总有差异。不良数据可能产生的方式有：量测传输受到较大的随机干扰；量测传送系统出现偶尔故障；电力系统快速变化中各测点非同步量测等。这些数据的存在均会影响动态状态估计的滤波效果。对于基于状态线性最小方差估计的动态状态估计方法，当存在不良数据时，会导致误差的概率分布不再满足高斯分布，导致估计值偏差而无法获得最佳解，影响滤波效果。系统的预测值一般由前一时刻的估计值和真值形成，一旦存在不良数据，新息向量将产生异常变化，使得估计性能下降，因此在滤波之前利用PMU的高精度实时量并结合传统SCADA量测值检测并排除不良数据，可以大大提高动态状态估计的计算精度。

另一方面，目前的电力系统动态状态估计方法中很少有方法介绍滤波之前的不良数据检测与辨识问题，大多数不良数据的检测与辨识方法都是在状态估计结果的基础完成，一旦在预测阶段出现误差较小的不良数据，在滤波阶段也很难检测出来；此外，融合PMU量测的动态不良数据检测与辨识方法更是缺乏。

发明内容

本发明所要解决的技术问题，就是针对现有技术的不足，提供一种基于PMU的鲁棒电力系统动态不良数据检测与辨识方法。该方法能发现和排除来自SCADA系统和PMU量测中偶然出现的不良数据，从而得到电网各节点更准确的运行状态——电压幅值和相角。

本发明解决所述技术问题采用的技术方案是，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