一种适用于大电网的不良数据检测与辨识方法
【专利摘要】本发明涉及一种适用于大电网的不良数据检测与辨识方法，所述方法运用在电力系统状态估计过程中；所述方法包括以下步骤：检测不良数据并确定其中的可疑数据集；确定所述可疑数据集中的关联可疑数据集；确定可疑数据集中的坏数据；删除所述可疑数据集中的坏数据。本发明能广泛应用于当前网省级电网以及全国电网，并能够适应未来大电网在线分析需求，能够快速准确的剔除量测信息中的坏数据，提高状态估计精度。
【专利说明】—种适用于大电网的不良数据检测与辨识方法
【技术领域】
:
[0001]本发明涉及一种不良数据检测与辨识方法，更具体涉及一种适用于大电网的不良数据检测与辨识方法。
【背景技术】
:
[0002]电力系统状态估计是现代能量管理系统的重要组成部分，其量测数据大部分来源于SCADA系统，信息除了含有正常的量测噪声外，还可能含有不良数据。不良数据的存在，将导致估计结果受到污染，甚至使之严重扭曲。不良数据的检测与辨识是电力系统状态估计的重要功能之一，其目的在于排除量测采样数据中偶然出现的少量不良数据，以提高状态估计的可靠性。
[0003]电力系统状态估计是利用实时量测系统的冗余度来提高数据精度，排除随机干扰所引起的错误信息，进而估计或预测系统的运行状态。基于状态估计的不良数据检测与辨识的方法主要有残差搜索法、非二次准则法、零残差法和估计辨识法。这些方法主要是将加权残差或标准残差值作为特征值，假设其服从某一概率分布，并按照一定的置信度水平确定一个门槛值，进行假设检验。找到可疑测量数据后，将其从测量数据中排除或减小其权值，得到新的状态估计值。以上检测辨识法中可能存在的缺点:可能会出现残差污染和残差淹没现象，从而造成漏检或误检，影响辨识的效果，进一步影响估计效果。由于算法采用非线性残差方程，辨识过程中需进行多次状态估计，因此计算量极大，而状态估计对实时性有一定的要求，不宜作为在线实时估计方法。此外采用线性化残差方程，利用残差灵敏度矩阵的子矩阵计算测量的估计值，由于灵敏度矩阵是高维满阵，因此这种方法计算量仍然很大。另外，当出现多个不良数据的情况下，使用这种方法经常会发生错误辨识的现象。针对各种方法中的缺陷，状态估计法也出现了许多改进的研究分支。
[0004]传统检测与辨识方法以加权残差rw或标准残差rn作为不良数据辨识法，得到可疑量测数据集后，逐一降低其权值或直接从量测数据中剔除，再重新进行状态估计，如此循环直到满足收敛条件为止。该类方法的缺点是计算量很大，计算速度慢；若限定了检测次数，又容易出现残差污染和残差淹没现象，造成漏检或误检现象，影响辨识效果。尤其在量测数据少，而且数据值不准确，不可靠的情况下(如配电网中)，残差污染和残差淹没现象更为严重。
[0005]电力系统状态估计在国内外已发展几十年，且不良数据检测与辨识的研究也从未停滞，但仍没有提出一个很好的检测辨识不良数据的有效方法，现提出一种适用于大电网的不良数据检测与辨识方法以克服上述缺陷。
【发明内容】
:
[0006]本发明的目的是提供一种适用于大电网的不良数据检测与辨识方法，该方法广泛应用于当前网省级电网以及全国电网，并能够适应未来大电网在线分析需求，能够快速准确的剔除量测信息中的坏数据，提高状态估计精度。
[0007]为实现上述目的，本发明采用以下技术方案:一种适用于大电网的不良数据检测与辨识方法，所述方法运用在电力系统状态估计过程中；所述方法包括以下步骤:
[0008](I)确定全网的可疑数据集SUS ；
[0009](2)确定所述可疑数据集中的关联可疑数据集sus [η]；
[0010](3)辨识关联可疑数据集sus [η]中的坏数据。
[0011]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述步骤(I)的确定过程为:
[0012](1-1)进行全网的状态估计；
[0013](1-2)通过rn检测法确定可疑数据集SUS ；
[0014]所述rn检测法的检测过程为:
[0015]
,十士Ui = IX...,m)(1)
[0016]式中，Htl为第i个量测数据不是可疑量测数据，H1为第i个量测数据是可疑量测数据；rN，i为第i个标准化残差，为第i个标准化残差的门槛值。
[0017]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述标准化残差的门槛值通过以下步骤确定:
[0018]定义W和Wn分别为mXm阶残差灵敏度矩阵和mXm阶标准化残差的灵敏度矩阵，则有
[0019]W,, = VdtW7C2)
[0020]标准化残差rN为:
[0021]rN = ffNv (3)
[0022]其中，对角阵D = diag[WR]，R为与量测相对应的权重矩阵，V为含有不良数据的
m维误差矢量；
[0023]在正常量测条件下，有标准化残差rN的协方差矩阵为:
[0024]E{i\.r[:) = Η\ (￡(νν" ))^' = ^D1WRW1 spD1 = ^D1 (WR)^D1(4)
[0025]其中，E表示期望函数，rN,z为所有量测的标准化残差，故有
[0026]Erl1-1 (i = l,2,...,m)(5)
[0027]所以当取误检概率Pe = 0.005，取所述标准化残差的门槛值> 为
[0028]r'NJ = 281 (/= 1,2,...,m)
[0029]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述步骤(2)的确定过程为:
[0030](2-1)关联矩阵的搜索；
[0031](2-2)最终形成关联可疑数据集。
[0032]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述步骤(2-1)在电力系统状态估计中，基于雅可比矩阵的关联可疑数据搜索过程为:
[0033]步骤(2-1-1):设置关联可疑数据集的个数η为I ;
[0034]步骤(2-1-2):新建第η个关联可疑数据集sus [η]；
[0035]步骤(2-1-3):判断全网所有可疑数据集SUS是否为空，如果不为空转步骤(2-1-4)，如果为空，则搜索过程结束；
[0036]步骤(2-1-4):从SUS中取出标准化残差最大的数据，假设为第i个数据，则将该数据从SUS中剔除，并加入到sus [η]中；
[0037]步骤(2-1-5):搜索雅可比矩阵第i行元素中的非零元素，并记录这些非零元素的列号，形成集合LOR ；
[0038]步骤(2-1-6):从LOR中依次取出列号，并搜索雅可比矩阵对应的列，记录各列中非O元素的行号，形成集合ROW ；
[0039]步骤(2-1-7):依次判断ROW中行号对应的数据是否属于集合SUS，如果存在属于集合SUS的数据，则把所有属于集合SUS的数据加入到关联可疑数据集SUS[n]中，同时把这些属于集合SUS的数据从SUS中剔除，转步骤(2-1-8);如果不存在属于集合SUS的数据，则第η个关联可疑量测集sus [η]形成完毕，执行η = η+1，并转步骤(2_1_2)；
[0040]步骤(2-1-8):取出步骤(2-1-7)中属于集合SUS的数据对应的行号，并搜索雅可比矩阵对应行元素中的非O元素，记录非O元素所在列号，形成L0R，转步骤(2-1-6)；
[0041]通过以上8个步骤，形成所述步骤(2-2)的η个关联可疑数据集。
[0042]本发明提供一种适用于大电网的不良数据检测与辨识方法，根据所述关联可疑数据集sus [η]计算每一个sus [η]的加权残差平方和J (χ):
[0043]J(x) = [z-h (x)]TR_1[z-h (χ) ] (7)
[0044]其中，ζ是关联可疑数据，R是对应的对角权重矩阵，h(x)是关联可疑数据的计算函数。
[0045]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述步骤(3)通过双层不良数据辨识法确定坏数据。
[0046]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述双层不良数据辨识法过程为:
[0047]步骤(8-1):设置当前要处理的关联可疑量测集序号k = I ;
[0048]步骤(8-2):取出第k个关联可疑数据集，计算此集合中所有数据的加权残差平方和，记为J(X);
[0049]步骤(8-3):取出第k个关联可疑数据集中标准化残差最大且未被辨识的数据SUS [k, i]，基于Givens正交行变换法，快速修正状态估计因子表和快速删除所述可疑数据sus [k, i]；
[0050]步骤(8-4):快速求解所述关联可疑数据集sus [k]中所有数据的所述加权残差平方和Γ (X);
[0051]步骤(8-5):辨识所述可疑数据是否为坏数据；
[0052]若所述可疑数据sus [k，i]为坏数据，并转步骤(8-6);若所述可疑数据sus [k，i]不是坏数据，恢复所述可疑数据sus[k，i]到关联可疑数据集SUS[k]中，置已辨识标志，并通过Givnes正交行变换法快速修正因子表，然后转步骤(8_3)；
[0053]步骤(8-6):辨识所述关联可疑数据集中是否还存在坏数据；
[0054]若所述关联可疑数据集中已没有坏数据，继续下一个关联可疑数据集分析，执行k=k+Ι,并转步骤(8-7)，k为关联可疑数据集个数；若所述关联可疑数据集中还存在坏数据，需继续辨识，转步骤(8-3)；
[0055]步骤(8-7):判断k是否大于n，如果是，则不良数据辨识过程结束；如果不是，则转步骤(8-2)。
[0056]本发明提供一种适用于大电网的不良数据检测与辨识方法，所述步骤(8-5)通过下式判断是否存在坏数据:
[0057]|J(X)-J' (X)为门槛值，；若不等式成立，则所述数据为坏数据，若不等式不成立，则所述数据不存在坏数据；
[0058]所述步骤(8-6)通过下式判断所述关联可疑数据集中是否还存在坏数据:
[0059]J, (χ) < ε 2, ε2为门槛值；若不等式成立，则所述关联可疑数据集中已没有坏数据；若不等式不成立，则所述关联可疑数据集中还存在坏数据。
[0060]本发明提供一种适用于大电网的不良数据检测与辨识方法，在完成检测与辨识过程后，根据辨识出的所述坏数据对所述电力系统状态估计的数据对应权重进行修正，并进行快速迭代计算，得到准确的所述电力系统状态估计数据断面。
[0061 ] 和最接近的现有技术比，本发明提供技术方案具有以下优异效果
[0062]1、本发明是电力状态估计的重要组成部分，是提高状态估计精度的必要措施和关键技术；
[0063]2、本发明能够快速且准确剔除误差较大的坏数据，在准确定位坏数据的同时能够避免不必要的搜索；
[0064]3、本发明能提高不良数据检测辨识灵敏度和准确度，最终提高状态估计计算精度；
[0065]4、本发明具有比较广阔的应用前景，广泛应用于当前网省级电网以及全国电网，并能够适应未来大电网在线分析需求；
[0066]5、本发明在各级调度机构的示范应用，能够进一步提升智能电网调度技术支持系统状态估计计算的准确性和计算速度，全面支撑各级智能电网调度的精细化、精益化和一体化运作的能力；
[0067]6、本发明能够有效提高超大规模电网在线分析计算的实时性，为特高压大电网的安全、优质和经济运行提供有力的技术支撑；
[0068]7、本发明使调度人员能够借助准确状态估计结果及时跟踪电网运行状态，发现异常运行状况并做出控制决策，避免事故扩大，进一步提升智能电网调度技术支持系统技术水平和运行稳定性，将进一步提升电网调度驾驭大电网的能力；
[0069]8、本发明保障大电网安全、稳定、优质、经济运行，对提升电力服务质量和保证社会的稳定发展有重要的现实意义。
【专利附图】
【附图说明】
[0070]图1为本发明的简单方法流程图；
[0071]图2为本发明的具体方法流程图。
【具体实施方式】
[0072]下面结合实施例对发明作进一步的详细说明。
[0073]实施例1:
[0074]如图1-2所示，本例的发明一种适用于大电网的不良数据检测与辨识方法，所述方法运用在电力系统状态估计过程中；所述方法包括以下步骤:
[0075](I)确定全网的可疑数据集SUS ；
[0076](2)确定所述可疑数据集中的关联可疑数据集sus [η]；
[0077](3)辨识关联可疑数据集sus [η]中的坏数据。
[0078]所述步骤(1)的确定过程为:
[0079](1-1)进行全网的状态估计。
[0080](1-2) rn检测法确定可疑数据集SUS
[0081]所述步骤(1-1)由原始的量测做一次全网的状态估计。
[0082]所述rn检测法的检测过程为:
[0083]
【权利要求】
1.一种适用于大电网的不良数据检测与辨识方法，所述方法运用在电力系统状态估计过程中；其特征在于:所述方法包括以下步骤: (1)确定全网的可疑数据集SUS； (2)确定所述可疑数据集中的关联可疑数据集sus[η]； (3)辨识关联可疑数据集sus[η]中的坏数据。
2.如权利要求1所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述步骤(I)的确定过程为: (1-1)进行全网的状态估计； (1-2)通过rn检测法确定可疑数据集SUS ； 所述rn检测法的检测过程为: //,,:|/-w|</《.,//n是真，接受",,L、、
"1:|厂\.,卜。不真，接受"I 式中，Htl为第i个量测数据不是可疑量测数据，H1为第i个量测数据是可疑量测数据；rN,,为第i个标准化残差，?第i个标准化残差的门槛值。
3.如权利要求2所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述标准化残差的门槛值通过以下步骤确定: 定义W和Wn分别为mXm阶残差灵敏度矩阵和mXm阶标准化残差的灵敏度矩阵，则有 Wn = Jd 'wC2) 标准化残差rN为: rN = WNv (3) 其中，对角阵D = diag[WR]，R为与量测相对应的权重矩阵，V为含有不良数据的m维误差矢量； 在正常量测条件下，有标准化残差rN的协方差矩阵为: ￡(/-、,[:) = IV、(Ε(η,))< = ^D^WR Wt Vdt = yfo7 (WR)^rD7⑷ 其中，E表示期望函数，rN,z为所有量测的标准化残差，故有 ￡■/〈.,.= I (z ^ 1,2,...,/?)(5) 所以当取误检概率Pe = 0.005，取所述标准化残差的门槛值为 rN,t =2.81 (ζ.=丨，2，.‘.，/")( 6)
4.如权利要求1所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述步骤(2)的确定过程为: (2-1)关联矩阵的搜索； (2-2)最终形成关联可疑数据集。
5.如权利要求4所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述步骤(2-1)在电力系统状态估计中，基于雅可比矩阵的关联可疑数据搜索过程为: 步骤(2-1-1):设置关联可疑数据集的个数η为I ; 步骤(2-1-2):新建第η个关联可疑数据集sus [η]； 步骤(2-1-3):判断全网所有可疑数据集SUS是否为空，如果不为空转步骤(2-1-4)，如果为空，则搜索过程结束； 步骤(2-1-4):从SUS中取出标准化残差最大的数据，假设为第i个数据，则将该数据从SUS中剔除，并加入到sus [η]中； 步骤(2-1-5):搜索雅可比矩阵第i行元素中的非零元素，并记录这些非零元素的列号，形成集合LOR; 步骤(2-1-6):从LOR中依次取出列号，并搜索雅可比矩阵对应的列，记录各列中非O元素的行号，形成集合ROW; 步骤(2-1-7):依次判断ROW中行号对应的数据是否属于集合SUS，如果存在属于集合SUS的数据，则把所有属于集合SUS的数据加入到关联可疑数据集sus [η]中，同时把这些属于集合SUS的数据从SUS中剔除，转步骤(2-1-8);如果不存在属于集合SUS的数据，则第η个关联可疑量测集sus [η]形成完毕，执行η = η+1，并转步骤(2_1_2)； 步骤(2-1-8):取出步骤(2-1-7)中属于集合SUS的数据对应的行号，并搜索雅可比矩阵对应行元素中的非O元素，记录非O元素所在列号，形成L0R，转步骤(2-1-6)； 通过以上8个步骤，形成所述步骤(2-2)的η个关联可疑数据集。
6.如权利要求5所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:根据所述关联可疑数据集sus [η]计算每一个sus [η]的加权残差平方和J (χ):
J(x) = [z-h (χ) ] 1R-1 [z-h (χ)] (7) 其中，z是关联可疑数据，R是对应的对角权重矩阵，h(x)是关联可疑数据的计算函数。
7.如权利要求6所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述步骤(3)通过双层不良数据辨识法确定坏数据。
8.如权利要求7所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述双层不良数据辨识法过程为: 步骤(8-1):设置当前要处理的关联可疑量测集序号k = I ; 步骤(8-2):取出第k个关联可疑数据集，计算此集合中所有数据的加权残差平方和，记为J (χ)； 步骤(8-3):取出第k个关联可疑数据集中标准化残差最大且未被辨识的数据sus [k, i]，基于Givens正交行变换法，快速修正状态估计因子表和快速删除所述可疑数据sus [k, i]； 步骤(8-4):快速求解所述关联可疑数据集sus[k]中所有数据的所述加权残差平方和]'(X)； 步骤(8-5):辨识所述可疑数据是否为坏数据； 若所述可疑数据sus [k，i]为坏数据，并转步骤(8-6);若所述可疑数据sus [k，i]不是坏数据，恢复所述可疑数据sus[k，i]到关联可疑数据集sus[k]中，置已辨识标志，并通过Givnes正交行变换法快速修正因子表，然后转步骤(8_3)； 步骤(8-6):辨识所述关联可疑数据集中是否还存在坏数据； 若所述关联可疑数据集中已没有坏数据，继续下一个关联可疑数据集分析，执行k =k+Ι,并转步骤(8-7)，k为关联可疑数据集个数；若所述关联可疑数据集中还存在坏数据，需继续辨识，转步骤(8-3)； 步骤(8-7):判断k是否大于n，如果是，则不良数据辨识过程结束；如果不是，则转步骤(8-2)。
9.如权利要求8所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:所述步骤(8-5)通过下式判断是否存在坏数据: J(X)-Ji (x) I > ε 1； h为门槛值；若不等式成立，则所述数据为坏数据，若不等式不成立，则所述数据不存在坏数据； 所述步骤(8-6)通过下式判断所述关联可疑数据集中是否还存在坏数据: J' (χ) < ε2, ε 2为门槛值；若不等式成立，则所述关联可疑数据集中已没有坏数据；若不等式不成立，则所述关联可疑数据集中还存在坏数据。
10.如权利要求1所述的一种适用于大电网的不良数据检测与辨识方法，其特征在于:在完成检测与辨识过程后，根据辨识出的所述坏数据对所述电力系统状态估计的数据对应权重进行修正，并进行快速迭代计算，得到准确的所述电力系统状态估计数据断面。
【文档编号】G06Q50/06GK104166718SQ201410407189
【公开日】2014年11月26日 申请日期:2014年8月18日 优先权日:2014年8月18日
【发明者】赵昆, 窦成龙, 颜磊, 邹昱, 徐杰, 张印 申请人:国家电网公司, 中国电力科学研究院, 国网辽宁省电力有限公司