电力系统中的不良数据监测和辨识方法

班傅广港摘要：简述了电力系统不良数据的检测和辨识的必要性。列举了目前较为主流的不良数据检测和辨识方法，并对这些方法优缺点作出评价。在电力系统的实际运行中由于量测量和量测通道的误差以及可能受到的干扰会出现各种测量误差。而我们电力系统的量测数据通常可看作有效的量测数据和量测噪声的线性组合通常情况下量测噪声为白噪声[1]通过一定的技术处理如数字滤波、提高量测冗余度等一般可消除白噪声对电力系统状态估计结果的影响。但当量测数据中包含不良数据时这些不良数据对电力系统状态估计结果的影响是不容忽视的电力系统中的不良数据义[2].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，(1)传统不良数据检测法主要有：残差极值函数检测法、加权残差检测法或标准残差检测法、测量量突变检测法、测量量残差检测法等；传统不良数据辨别法主要有：加权残差搜索辨识法、标准化残差搜索辨识法，非二次准则法、不良数据估计辨识法(2)不良数据检测新理论方法[2]主要包括：基于数据挖掘的模糊数学法、神经网络法、分析法、间隙统计法等。对于m维电力系统量测量，可用以下的时间序列表示[3]：iii(1-1) 向量为：r(t)=z(t)-(t)对每一时间断面的残差建立目标函数极值为： (1-4)根据J()对不良数据检测是按以下假设检验方法进行：(H假设：J()<Y，无不良数据，H属真J1Jaw对应地，有加权残差灵敏度矩阵为：W=I-R-1H(HTR-1H)-1HTR-1w() 加权残差检测逐维对量测量进行假设检验：(1-9)(1-9)iw,i式(4-6)、(4-7)、(4-8)和(4-9)组成了不良数据加权残差检测的计算式。r=D-1rN应地，标准化残差灵敏度矩阵为：W=D-1WN(1-10)(1-11)与加权残差检测法相似，标准残差检测将逐维地对量测量进行假设检验：H属真，接受H0H不真，接受H1(1-12)中，Y为第i维量测量的检测门槛值。对于假设的检验我们设立置信度的标准。协方差该量测数据的方差，即ii在正常量测条件下，目标极值函数的数学期望和方差分别为：(E[J()]=Tr[W]=m-n=K(1-13)(1-14)当量测量中含有不良数据时，目标极值函数的数学期望和方差分别为：(1-15)(1-15)式中，a为第i个量测量不良数据加权值。wi式(4-15)等号右边由两项组成，一项是正常量测信号的统计特征，另一项为不良数据量测误差列矢量表示的形式为：sstt式中，v和v分别为s维可疑量测误差矢量和t维正常量测误差矢量，W为残差灵敏度矩sts阵中对应可疑量测误差的m〉s维子矩阵，W为残差灵敏度矩阵中对应正常量测误差的t建立目标函数为：sssssttttt解式(4-17)，可得到可疑量测误差矢量的估计值为：sssssss(2)除参考节点外，所有节点的状态量都必须有量测量互相覆盖。如果上述估计针对加权残差进行，则式(1-19)变为：rwswswswsw尚需要通过辨识技术从该不良数据可疑集中寻找出来。加权残差搜索辨识法和标准化残差搜索辨识法的优点在于由大到小逐个剔除相应的量弱相关的多个不良数据的辨识是有效的，很好地将检测的结果进行精确化。其缺点在于可能需要反复进行状态估计计算，在多个不良数据的情况下，搜索辨识法无疑计算效率低。非二次准则状态估计法通过改变估计过程中估计残差的权值，能有效地突出不良数据，收敛性能下降。可良数据存在着不可估的可能性。1王艳红刘承志胡春江温苾芳电力系统不良数据监测和辨识方法J电气开2刘莉翟登辉姜新丽电力系统不良数据检测与辨识方法的现状与发展J电力3刘兰黄彦全李云飞绍明抗差估计法应用于状态估计中不良数据的检测和辨识J浙江电力2006(5)：6-84黄彦全肖建李云飞绍明基于量测数据相关性的电力系统不良数据检测和辨识5张永超黄彦全宋廷珍穆亚东新息图法电力系统不良数据检测与辨识J四川6张海波李林川电力系统状态估计的混合不良数据检测方法J电网技术，8李碧君薛禹胜顾锦汶韩祯祥基于快速分解正交变换状态估计算法的坏数据检9叶学勇吴军基杨伟张俊芳基于神经网络的电力系统