一种基于状态矩阵对称性的配电网异常数据辨识方法
【专利摘要】本发明提出一种基于状态矩阵对称性的配电网异常数据辨识方法，包括：确定无功优化输入状态矩阵的状态量；采集样本数据，获取该样本数据的概率分布；构建基于概率分布的期望状态矩阵；利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据。从而快速准确地辨识异常数据，实现全局最优。
【专利说明】
一种基于状态矩阵对称性的配电网异常数据辨识方法
技术领域
:
[0001]本发明属于电力系统配电网领域，具体涉及一种基于状态矩阵对称性的配电网异常数据辨识方法。
【背景技术】
[0002]电力系统中的潮流计算、无功优化以及规划都建立在完善的数据采集基础上。例如，无功优化是增强电力系统电压水平，提高电压稳定性并降低网损的重要手段。配电网中大量无功补偿控制器依旧决策控制无功补偿容量，但缺乏全局无功优化的手段。为了保证电力系统的正常运行，电力部门通常安装许多监控和数据采集装置(Supervisory Controland Data Acquisit1n，简称SCADA)，用于采集电网中的母线电压、线路功率、负载功率、开关状态等信息，并通过信息通道传输给计算机监控系统。
[0003]由于采集的量测信息对于获取系统运行状态繁多，并且存在一定的冗余，因此可以利用冗余的量测量对带有噪声甚至错误的数据进行分析，得出系统的真实运行状态。电力系统状态估计(State Estimat1n)不仅可以根据量测数据估计系统的真实状态，还可以检验开关状态，去除异常不良数据，提高数据精度，补充难以测量的量测量，它是保证实时数据质量的重要一环，为其他无功优化、经济调度等应用程序的实现奠定了基础。
[0004]电力系统状态估计的基础在于复杂电网的潮流计算，状态估计计算在特定的网络接线和量测量配置下进行的，在计算之前通常应当对该网络拓扑下的状态估计计算分析，即可观测性分析，以免状态估计无法进行。系统的可观测性取决于网络结构和量测配置，当系统不可观测时，可以选择较小的可观测岛进行状态估计计算，或者人为添加和预测数据或计划型数据作为量测量，使状态估计正常进行。传统方法通常假设量测量误差属于正态分布，采用最小二乘法，或者及快速分解法、正交化算法，经过计算所有量测量的加权残差绝对值相等或相近，通过逐一去除量测量并计算来辨识不良数据。
[0005]原有配电网潮流计算、电力系统规划、无功优化等处理输入数据所使用的状态估计方法，需要迭代收敛计算，不但计算耗时长且在配电网开放式结构下不易收敛。
【发明内容】
[0006]为了克服上述缺陷，本发明提供一种基于状态矩阵对称性的配电网异常数据辨识方法，通过统计配电网自动化系统积累的历史运行数据，分析系统状态规律，并基于埃尔米特矩阵的对称性辨识异常数据。
[0007]本发明的目的是采用下述技术方案实现的:
[0008]—种基于状态矩阵对称性的配电网异常数据辨识方法，所述方法包括下述步骤:
[0009]I)确定无功优化输入状态矩阵的状态量；
[0010]2)采集样本数据，获取该样本数据的概率分布；
[0011]3)构建基于概率分布的期望状态矩阵；
[0012]4)利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据。
[0013]优选的，所述步骤I)中的无功优化输入状态矩阵中的状态量，包括配电网中支路
1、j的有功潮流Pij和无功潮流Qij以及母线k的有功注入功率量Pk、无功注入功率量Qk和电压幅值Uk。
[0014]优选的，所述步骤2)具体包括:利用数据采集装置采集配电自动化系统数据库中的历史运行数据，首先根据电力系统校验规则剔除明显的不良数据;其次确定样本数据和采样频率，获取单日内各采样点的概率密度函数。
[0015]进一步地，所述电力系统校验规则剔除明显的不良数据包括:设置约束条件，执行状态变量约束校验或者基尔霍夫定律校验进行剔除；其中，所述约束条件包括节点电压幅值上下限约束、线路传输功率限值约束和发电机无功输出功率上下限约束。
[0016]进一步地，所述确定样本数据和采样频率，获取单日内各采样频率的概率密度函数包括:选取不少于I年的历史运行数据作为样本数据，根据实际需要设置采样频率，获取单日内各采样点的概率密度函数;其中，第η个采样点的概率密度函数记为第η个采样点的状态量。
[0017]优选的，所述步骤3)中基于概率分布的期望状态矩阵为埃尔米特矩阵，其构建方法包括:将单日的η个采样点的概率密度函数转化为标准正分布f’1(X1)…f’n(Xn)， 以 η个标准正分布为对角线元素，则对角线以外的点即为行向量与列向量的联合概率密度f Wxn)，建立基于各采样点概率分布的期望状态矩阵；其中，X1为第一个采样点的状态量，Xn为第η个采样点的状态量；i为期望状态矩阵的行向量，j为期望状态矩阵的列向量，1、jen且i乒j。
[0018]优选的，所述步骤4)中，利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据包括:将无功优化输入状态矩阵状态量逐一加入期望状态矩阵，基于期望状态矩阵的自对称性，对无功优化输入状态矩阵进行检验，若加入的状态量使得期望状态矩阵与其转置矩阵不相等，则认定为异常数据。
[0019]与最接近的现有技术相比，本发明的有益效果为:
[0020]1、本发明尤其适用于分布式电源高密度的接入配电网情况下，针对电源间歇性增加了系统状态变化的频度，通过电力系统规则校验，以快速准确辨识异常数据，并且利用有效的大数据应用手段，较为容易的实现全局最优。
[0021]2、本发明充分考虑分布式电源接入的情况，将分布式电源高密度的接入配电网，间歇性增加了系统状态变化的频度;并在此基础上，对历史运行数据进行统计，获取系统状态规律，建立标准正态分布函数为元素的埃尔米特矩阵，利用其对称性辨识异常数据，实时性高，准确高效。
[0022]3、针对复杂网络拓扑和大量运行数据，常规状态估计的方法辨识异常数据通常计算趋于复杂，本发明基于统计方法辨识异常数据，利用大数据效应下，数据量的增加反而使系统分析更加准确、简化高效。
【附图说明】
[0023]图1为本发明提供的异常数据辨识方法流程图；
【具体实施方式】
:
[0024]本发明提供一种基于状态矩阵对称性的配电网异常数据辨识方法，所述方法包括下述步骤:
[0025]I)确定无功优化输入状态矩阵的状态量；
[0026]步骤I)中的无功优化输入状态矩阵中的状态量，包括配电网中支路1、j的有功潮流Pij和无功潮流Qij以及母线k的有功注入功率量Pk、无功注入功率量Qk和电压幅值Uk。
[0027]2)采集样本数据，获取该样本数据的概率分布;利用数据采集装置采集配电自动化系统数据库中的历史运行数据，首先根据电力系统校验规则剔除明显的不良数据;其次确定样本数据和采样频率，获取单日内各采样点的概率密度函数。
[0028]201.电力系统校验规则剔除明显的不良数据包括:设置约束条件，执行状态变量约束校验或者基尔霍夫定律校验进行剔除；其中，所述约束条件包括节点电压幅值上下限约束、线路传输功率限值约束和发电机无功输出功率上下限约束。
[0029]202.确定样本数据和采样频率，获取单日内各采样频率的概率密度函数包括:选取不少于I年的历史运行数据作为样本数据，以每15分钟为时间间隔进行采样，获取单日内各采样点的概率密度函数;其中，第η个采样点的概率密度函数记作^(&)，&为第η个采样点的状态量。
[0030]3)构建基于概率分布的期望状态矩阵；
[0031 ]步骤3)中基于概率分布的期望状态矩阵为埃尔米特矩阵，其构建方法包括:将单日的η个采样点的概率密度函数f I ( Xl )…f n ( Xn )转化为标准正分布f ’ I ( Xl )…f ’ n ( Xn )，以η个标准正分布为对角线元素，则对角线以外的点即为行向量与列向量的联合概率密度f’U(Xn)，建立基于各采样点概率分布的期望状态矩阵;其中，X1为第一个采样点的状态量，Xn为第η个采样点的状态量;i为期望状态矩阵的行向量，j为期望状态矩阵的列向量，1、jen且i
乒J.。
[0032]4)利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据，其包括:将无功优化输入状态矩阵状态量逐一加入期望状态矩阵，基于期望状态矩阵的自对称性，对无功优化输入状态矩阵进行检验，若加入的状态量使得期望状态矩阵与其转置矩阵不相等，则认定为异常数据。
[0033]若剔除检验出的异常数据后，状态估计所需的数据不足时，可以根据具体工况需求使用预测和计划型数据作为伪量测数据，所述伪量测数据必须满足基尔霍夫定律的相关要求。
[0034]研究通过对埃尔米特矩阵特征谱的对称不变性分析，达到快速异常状态辨识的方法，提供大数据的实时分析技术;利用大数据效应下，数据量的增加反而使系统分析简化高效的优势，开发基于大数据的配电网全局无功优化实时分析工具。
[0035]最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:依然可以对本发明的【具体实施方式】进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。
【主权项】
1.一种基于状态矩阵对称性的配电网异常数据辨识方法，其特征在于，所述方法包括下述步骤: 1)确定无功优化输入状态矩阵的状态量； 2)采集样本数据，获取该样本数据的概率分布； 3)构建基于概率分布的期望状态矩阵； 4)利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据。2.根据权利要求1所述的方法，其特征在于，所述步骤I)中的无功优化输入状态矩阵中的状态量，包括配电网中支路1、j的有功潮流Pu和无功潮流Qu以及母线k的有功注入功率量Pk、无功注入功率量Qk和电压幅值Uk。3.根据权利要求1所述的方法，其特征在于，所述步骤2)具体包括:利用数据采集装置采集配电自动化系统数据库中的历史运行数据，首先根据电力系统校验规则剔除明显的不良数据;其次确定样本数据和采样频率，获取单日内各采样点的概率密度函数。4.根据权利要求3所述的方法，其特征在于，所述电力系统校验规则剔除明显的不良数据包括:设置约束条件，执行状态变量约束校验或者基尔霍夫定律校验进行剔除；其中，所述约束条件包括节点电压幅值上下限约束、线路传输功率限值约束和发电机无功输出功率上下限约束。5.根据权利要求3所述的方法，其特征在于，所述确定样本数据和采样频率，获取单日内各采样频率的概率密度函数包括:选取不少于I年的历史运行数据作为样本数据，根据实际需要设置采样频率，获取单日内各采样点的概率密度函数;其中，第η个采样点的概率密度函数记作fn( Xn )，Xn为第η个采样点的状态量。6.根据权利要求1所述的方法，其特征在于，所述步骤3)中基于概率分布的期望状态矩阵为埃尔米特矩阵，其构建方法包括:将单日的η个采样点的概率密度函数A(X1PUXn)转化为标准正分布f’KxiU’nUn)，以η个标准正分布为对角线元素，则对角线以外的点即为行向量与列向量的联合概率密度f ’ ij ( Xn )，建立基于各采样点概率分布的期望状态矩阵;其中，X1为第一个采样点的状态量，Xn为第η个采样点的状态量;i为期望状态矩阵的行向量，j为期望状态矩阵的列向量，1、jen且j。7.根据权利要求1或6所述的方法，其特征在于，所述步骤4)中，利用埃尔米特矩阵的对称性检验无功优化输入状态矩阵的异常数据包括:将无功优化输入状态矩阵状态量逐一加入期望状态矩阵，基于期望状态矩阵的自对称性，对无功优化输入状态矩阵进行检验，若加入的状态量使得期望状态矩阵与其转置矩阵不相等，则认定为异常数据。
【文档编号】G06Q50/06GK106022972SQ201610509492
【公开日】2016年10月12日
【申请日】2016年6月30日
【发明人】盛万兴, 刘科研, 孟晓丽, 贾东梨, 胡丽娟, 何开元, 叶学顺, 刁赢龙, 唐建岗, 李雅洁, 董伟洁
【申请人】中国电力科学研究院, 国家电网公司, 国网江苏省电力公司