一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法
【專利摘要】本發(fā)明提出一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法，包括：確定無功優(yōu)化輸入狀態(tài)矩陣的狀態(tài)量；采集樣本數(shù)據(jù)，獲取該樣本數(shù)據(jù)的概率分布；構(gòu)建基于概率分布的期望狀態(tài)矩陣；利用埃爾米特矩陣的對稱性檢驗無功優(yōu)化輸入狀態(tài)矩陣的異常數(shù)據(jù)。從而快速準(zhǔn)確地辨識異常數(shù)據(jù)，實現(xiàn)全局最優(yōu)。
【專利說明】
一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法
技術(shù)領(lǐng)域
:
[0001]本發(fā)明屬于電力系統(tǒng)配電網(wǎng)領(lǐng)域，具體涉及一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法。
【背景技術(shù)】
[0002]電力系統(tǒng)中的潮流計算、無功優(yōu)化以及規(guī)劃都建立在完善的數(shù)據(jù)采集基礎(chǔ)上。例如，無功優(yōu)化是增強電力系統(tǒng)電壓水平，提高電壓穩(wěn)定性并降低網(wǎng)損的重要手段。配電網(wǎng)中大量無功補償控制器依舊決策控制無功補償容量，但缺乏全局無功優(yōu)化的手段。為了保證電力系統(tǒng)的正常運行，電力部門通常安裝許多監(jiān)控和數(shù)據(jù)采集裝置(Supervisory Controland Data Acquisit1n，簡稱SCADA)，用于采集電網(wǎng)中的母線電壓、線路功率、負載功率、開關(guān)狀態(tài)等信息，并通過信息通道傳輸給計算機監(jiān)控系統(tǒng)。
[0003]由于采集的量測信息對于獲取系統(tǒng)運行狀態(tài)繁多，并且存在一定的冗余，因此可以利用冗余的量測量對帶有噪聲甚至錯誤的數(shù)據(jù)進行分析，得出系統(tǒng)的真實運行狀態(tài)。電力系統(tǒng)狀態(tài)估計(State Estimat1n)不僅可以根據(jù)量測數(shù)據(jù)估計系統(tǒng)的真實狀態(tài)，還可以檢驗開關(guān)狀態(tài)，去除異常不良數(shù)據(jù)，提高數(shù)據(jù)精度，補充難以測量的量測量，它是保證實時數(shù)據(jù)質(zhì)量的重要一環(huán)，為其他無功優(yōu)化、經(jīng)濟調(diào)度等應(yīng)用程序的實現(xiàn)奠定了基礎(chǔ)。
[0004]電力系統(tǒng)狀態(tài)估計的基礎(chǔ)在于復(fù)雜電網(wǎng)的潮流計算，狀態(tài)估計計算在特定的網(wǎng)絡(luò)接線和量測量配置下進行的，在計算之前通常應(yīng)當(dāng)對該網(wǎng)絡(luò)拓撲下的狀態(tài)估計計算分析，即可觀測性分析，以免狀態(tài)估計無法進行。系統(tǒng)的可觀測性取決于網(wǎng)絡(luò)結(jié)構(gòu)和量測配置，當(dāng)系統(tǒng)不可觀測時，可以選擇較小的可觀測島進行狀態(tài)估計計算，或者人為添加和預(yù)測數(shù)據(jù)或計劃型數(shù)據(jù)作為量測量，使?fàn)顟B(tài)估計正常進行。傳統(tǒng)方法通常假設(shè)量測量誤差屬于正態(tài)分布，采用最小二乘法，或者及快速分解法、正交化算法，經(jīng)過計算所有量測量的加權(quán)殘差絕對值相等或相近，通過逐一去除量測量并計算來辨識不良數(shù)據(jù)。
[0005]原有配電網(wǎng)潮流計算、電力系統(tǒng)規(guī)劃、無功優(yōu)化等處理輸入數(shù)據(jù)所使用的狀態(tài)估計方法，需要迭代收斂計算，不但計算耗時長且在配電網(wǎng)開放式結(jié)構(gòu)下不易收斂。

【發(fā)明內(nèi)容】

[0006]為了克服上述缺陷，本發(fā)明提供一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法，通過統(tǒng)計配電網(wǎng)自動化系統(tǒng)積累的歷史運行數(shù)據(jù)，分析系統(tǒng)狀態(tài)規(guī)律，并基于埃爾米特矩陣的對稱性辨識異常數(shù)據(jù)。
[0007]本發(fā)明的目的是采用下述技術(shù)方案實現(xiàn)的:
[0008]—種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法，所述方法包括下述步驟:
[0009]I)確定無功優(yōu)化輸入狀態(tài)矩陣的狀態(tài)量；
[0010]2)采集樣本數(shù)據(jù)，獲取該樣本數(shù)據(jù)的概率分布；
[0011]3)構(gòu)建基于概率分布的期望狀態(tài)矩陣；
[0012]4)利用埃爾米特矩陣的對稱性檢驗無功優(yōu)化輸入狀態(tài)矩陣的異常數(shù)據(jù)。
[0013]優(yōu)選的，所述步驟I)中的無功優(yōu)化輸入狀態(tài)矩陣中的狀態(tài)量，包括配電網(wǎng)中支路
1、j的有功潮流Pij和無功潮流Qij以及母線k的有功注入功率量Pk、無功注入功率量Qk和電壓幅值Uk。
[0014]優(yōu)選的，所述步驟2)具體包括:利用數(shù)據(jù)采集裝置采集配電自動化系統(tǒng)數(shù)據(jù)庫中的歷史運行數(shù)據(jù)，首先根據(jù)電力系統(tǒng)校驗規(guī)則剔除明顯的不良數(shù)據(jù);其次確定樣本數(shù)據(jù)和采樣頻率，獲取單日內(nèi)各采樣點的概率密度函數(shù)。
[0015]進一步地，所述電力系統(tǒng)校驗規(guī)則剔除明顯的不良數(shù)據(jù)包括:設(shè)置約束條件，執(zhí)行狀態(tài)變量約束校驗或者基爾霍夫定律校驗進行剔除；其中，所述約束條件包括節(jié)點電壓幅值上下限約束、線路傳輸功率限值約束和發(fā)電機無功輸出功率上下限約束。
[0016]進一步地，所述確定樣本數(shù)據(jù)和采樣頻率，獲取單日內(nèi)各采樣頻率的概率密度函數(shù)包括:選取不少于I年的歷史運行數(shù)據(jù)作為樣本數(shù)據(jù)，根據(jù)實際需要設(shè)置采樣頻率，獲取單日內(nèi)各采樣點的概率密度函數(shù);其中，第η個采樣點的概率密度函數(shù)記為第η個采樣點的狀態(tài)量。
[0017]優(yōu)選的，所述步驟3)中基于概率分布的期望狀態(tài)矩陣為埃爾米特矩陣，其構(gòu)建方法包括:將單日的η個采樣點的概率密度函數(shù)轉(zhuǎn)化為標(biāo)準(zhǔn)正分布f’1(X1)…f’n(Xn)， 以 η個標(biāo)準(zhǔn)正分布為對角線元素，則對角線以外的點即為行向量與列向量的聯(lián)合概率密度f Wxn)，建立基于各采樣點概率分布的期望狀態(tài)矩陣；其中，X1為第一個采樣點的狀態(tài)量，Xn為第η個采樣點的狀態(tài)量；i為期望狀態(tài)矩陣的行向量，j為期望狀態(tài)矩陣的列向量，1、jen且i乒j。
[0018]優(yōu)選的，所述步驟4)中，利用埃爾米特矩陣的對稱性檢驗無功優(yōu)化輸入狀態(tài)矩陣的異常數(shù)據(jù)包括:將無功優(yōu)化輸入狀態(tài)矩陣狀態(tài)量逐一加入期望狀態(tài)矩陣，基于期望狀態(tài)矩陣的自對稱性，對無功優(yōu)化輸入狀態(tài)矩陣進行檢驗，若加入的狀態(tài)量使得期望狀態(tài)矩陣與其轉(zhuǎn)置矩陣不相等，則認定為異常數(shù)據(jù)。
[0019]與最接近的現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為:
[0020]1、本發(fā)明尤其適用于分布式電源高密度的接入配電網(wǎng)情況下，針對電源間歇性增加了系統(tǒng)狀態(tài)變化的頻度，通過電力系統(tǒng)規(guī)則校驗，以快速準(zhǔn)確辨識異常數(shù)據(jù)，并且利用有效的大數(shù)據(jù)應(yīng)用手段，較為容易的實現(xiàn)全局最優(yōu)。
[0021]2、本發(fā)明充分考慮分布式電源接入的情況，將分布式電源高密度的接入配電網(wǎng)，間歇性增加了系統(tǒng)狀態(tài)變化的頻度;并在此基礎(chǔ)上，對歷史運行數(shù)據(jù)進行統(tǒng)計，獲取系統(tǒng)狀態(tài)規(guī)律，建立標(biāo)準(zhǔn)正態(tài)分布函數(shù)為元素的埃爾米特矩陣，利用其對稱性辨識異常數(shù)據(jù)，實時性高，準(zhǔn)確高效。
[0022]3、針對復(fù)雜網(wǎng)絡(luò)拓撲和大量運行數(shù)據(jù)，常規(guī)狀態(tài)估計的方法辨識異常數(shù)據(jù)通常計算趨于復(fù)雜，本發(fā)明基于統(tǒng)計方法辨識異常數(shù)據(jù)，利用大數(shù)據(jù)效應(yīng)下，數(shù)據(jù)量的增加反而使系統(tǒng)分析更加準(zhǔn)確、簡化高效。
【附圖說明】
[0023]圖1為本發(fā)明提供的異常數(shù)據(jù)辨識方法流程圖；
【具體實施方式】
:
[0024]本發(fā)明提供一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法，所述方法包括下述步驟:
[0025]I)確定無功優(yōu)化輸入狀態(tài)矩陣的狀態(tài)量；
[0026]步驟I)中的無功優(yōu)化輸入狀態(tài)矩陣中的狀態(tài)量，包括配電網(wǎng)中支路1、j的有功潮流Pij和無功潮流Qij以及母線k的有功注入功率量Pk、無功注入功率量Qk和電壓幅值Uk。
[0027]2)采集樣本數(shù)據(jù)，獲取該樣本數(shù)據(jù)的概率分布;利用數(shù)據(jù)采集裝置采集配電自動化系統(tǒng)數(shù)據(jù)庫中的歷史運行數(shù)據(jù)，首先根據(jù)電力系統(tǒng)校驗規(guī)則剔除明顯的不良數(shù)據(jù);其次確定樣本數(shù)據(jù)和采樣頻率，獲取單日內(nèi)各采樣點的概率密度函數(shù)。
[0028]201.電力系統(tǒng)校驗規(guī)則剔除明顯的不良數(shù)據(jù)包括:設(shè)置約束條件，執(zhí)行狀態(tài)變量約束校驗或者基爾霍夫定律校驗進行剔除；其中，所述約束條件包括節(jié)點電壓幅值上下限約束、線路傳輸功率限值約束和發(fā)電機無功輸出功率上下限約束。
[0029]202.確定樣本數(shù)據(jù)和采樣頻率，獲取單日內(nèi)各采樣頻率的概率密度函數(shù)包括:選取不少于I年的歷史運行數(shù)據(jù)作為樣本數(shù)據(jù)，以每15分鐘為時間間隔進行采樣，獲取單日內(nèi)各采樣點的概率密度函數(shù);其中，第η個采樣點的概率密度函數(shù)記作^(&)，&為第η個采樣點的狀態(tài)量。
[0030]3)構(gòu)建基于概率分布的期望狀態(tài)矩陣；
[0031 ]步驟3)中基于概率分布的期望狀態(tài)矩陣為埃爾米特矩陣，其構(gòu)建方法包括:將單日的η個采樣點的概率密度函數(shù)f I ( Xl )…f n ( Xn )轉(zhuǎn)化為標(biāo)準(zhǔn)正分布f ’ I ( Xl )…f ’ n ( Xn )，以η個標(biāo)準(zhǔn)正分布為對角線元素，則對角線以外的點即為行向量與列向量的聯(lián)合概率密度f’U(Xn)，建立基于各采樣點概率分布的期望狀態(tài)矩陣;其中，X1為第一個采樣點的狀態(tài)量，Xn為第η個采樣點的狀態(tài)量;i為期望狀態(tài)矩陣的行向量，j為期望狀態(tài)矩陣的列向量，1、jen且i
乒J.。
[0032]4)利用埃爾米特矩陣的對稱性檢驗無功優(yōu)化輸入狀態(tài)矩陣的異常數(shù)據(jù)，其包括:將無功優(yōu)化輸入狀態(tài)矩陣狀態(tài)量逐一加入期望狀態(tài)矩陣，基于期望狀態(tài)矩陣的自對稱性，對無功優(yōu)化輸入狀態(tài)矩陣進行檢驗，若加入的狀態(tài)量使得期望狀態(tài)矩陣與其轉(zhuǎn)置矩陣不相等，則認定為異常數(shù)據(jù)。
[0033]若剔除檢驗出的異常數(shù)據(jù)后，狀態(tài)估計所需的數(shù)據(jù)不足時，可以根據(jù)具體工況需求使用預(yù)測和計劃型數(shù)據(jù)作為偽量測數(shù)據(jù)，所述偽量測數(shù)據(jù)必須滿足基爾霍夫定律的相關(guān)要求。
[0034]研究通過對埃爾米特矩陣特征譜的對稱不變性分析，達到快速異常狀態(tài)辨識的方法，提供大數(shù)據(jù)的實時分析技術(shù);利用大數(shù)據(jù)效應(yīng)下，數(shù)據(jù)量的增加反而使系統(tǒng)分析簡化高效的優(yōu)勢，開發(fā)基于大數(shù)據(jù)的配電網(wǎng)全局無功優(yōu)化實時分析工具。
[0035]最后應(yīng)當(dāng)說明的是:以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制，盡管參照上述實施例對本發(fā)明進行了詳細的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:依然可以對本發(fā)明的【具體實施方式】進行修改或者等同替換，而未脫離本發(fā)明精神和范圍的任何修改或者等同替換，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。
【主權(quán)項】
1.一種基于狀態(tài)矩陣對稱性的配電網(wǎng)異常數(shù)據(jù)辨識方法，其特征在于，所述方法包括下述步驟: 1)確定無功優(yōu)化輸入狀態(tài)矩陣的狀態(tài)量； 2)采集樣本數(shù)據(jù)，獲取該樣本數(shù)據(jù)的概率分布； 3)構(gòu)建基于概率分布的期望狀態(tài)矩陣； 4)利用埃爾米特矩陣的對稱性檢驗無功優(yōu)化輸入狀態(tài)矩陣的異常數(shù)據(jù)。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟I)中的無功優(yōu)化輸入狀態(tài)矩陣中的狀態(tài)量，包括配電網(wǎng)中支路1、j的有功潮流Pu和無功潮流Qu以及母線k的有功注入功率量Pk、無功注入功率量Qk和電壓幅值Uk。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2)具體包括:利用數(shù)據(jù)采集裝置采集配電自動化系統(tǒng)數(shù)據(jù)庫中的歷史運行數(shù)據(jù)，首先根據(jù)電力系統(tǒng)校驗規(guī)則剔除明顯的不良數(shù)據(jù);其次確定樣本數(shù)據(jù)和采樣頻率，獲取單日內(nèi)各采樣點的概率密度函數(shù)。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述電力系統(tǒng)校驗規(guī)則剔除明顯的不良數(shù)據(jù)包括:設(shè)置約束條件，執(zhí)行狀態(tài)變量約束校驗或者基爾霍夫定律校驗進行剔除；其中，所述約束條件包括節(jié)點電壓幅值上下限約束、線路傳輸功率限值約束和發(fā)電機無功輸出功率上下限約束。5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述確定樣本數(shù)據(jù)和采樣頻率，獲取單日內(nèi)各采樣頻率的概率密度函數(shù)包括:選取不少于I年的歷史運行數(shù)據(jù)作為樣本數(shù)據(jù)，根據(jù)實際需要設(shè)置采樣頻率，獲取單日內(nèi)各采樣點的概率密度函數(shù);其中，第η個采樣點的概率密度函數(shù)記作fn( Xn )，Xn為第η個采樣點的狀態(tài)量。6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3)中基于概率分布的期望狀態(tài)矩陣為埃爾米特矩陣，其構(gòu)建方法包括:將單日的η個采樣點的概率密度函數(shù)A(X1PUXn)轉(zhuǎn)化為標(biāo)準(zhǔn)正分布f’KxiU’nUn)，以η個標(biāo)準(zhǔn)正分布為對角線元素，則對角線以外的點即為行向量與列向量的聯(lián)合概率密度f ’ ij ( Xn )，建立基于各采樣點概率分布的期望狀態(tài)矩陣;其中，X1為第一個采樣點的狀態(tài)量，Xn為第η個采樣點的狀態(tài)量;i為期望狀態(tài)矩陣的行向量，j為期望狀態(tài)矩陣的列向量，1、jen且j。7.根據(jù)權(quán)利要求1或6所述的方法，其特征在于，所述步驟4)中，利用埃爾米特矩陣的對稱性檢驗無功優(yōu)化輸入狀態(tài)矩陣的異常數(shù)據(jù)包括:將無功優(yōu)化輸入狀態(tài)矩陣狀態(tài)量逐一加入期望狀態(tài)矩陣，基于期望狀態(tài)矩陣的自對稱性，對無功優(yōu)化輸入狀態(tài)矩陣進行檢驗，若加入的狀態(tài)量使得期望狀態(tài)矩陣與其轉(zhuǎn)置矩陣不相等，則認定為異常數(shù)據(jù)。
【文檔編號】G06Q50/06GK106022972SQ201610509492
【公開日】2016年10月12日
【申請日】2016年6月30日
【發(fā)明人】盛萬興, 劉科研, 孟曉麗, 賈東梨, 胡麗娟, 何開元, 葉學(xué)順, 刁贏龍, 唐建崗, 李雅潔, 董偉潔
【申請人】中國電力科學(xué)研究院, 國家電網(wǎng)公司, 國網(wǎng)江蘇省電力公司