电力系统中的不良数据监测和辨识方法

电力系统中的不良数据检测和辨识方法介绍西南交通大学电气学院10专业2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。关键词：不良数据；检测；辨识；优缺点WaystodetectandidentifythebaddatainpowersystemFuGuanggang(CollegeofElectricalandEngineering,SouthwestJiaoTongUniversity)Abstract:Thispaperexpoundsthenecessityofthebaddatadetectionandtheidentificationinpowersystem,aswellasthecommonmethodstorealize,anddiscusstheadvantagesanddisadvantages.Keywords:baddata;detect;identify;advantagedisadvantage0引言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可能会影响调度员做出错误的决策，进而影响电力系统的正常运行，甚至可能威胁整个电力系统的安全。因此，为了确保电力系统的稳定安全运行，对不良数据的处理有非常重要的意义[2].1不良数据检测和辨识的研究现状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。国内外已经提出了多种不良数据检测与辨识的方法，大致分为传统理论方法和新理论方法：（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等。（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、聚类分析法、间隙统计法等。2不良数据检测对于m维电力系统量测量，可用以下的时间序列表示[3]：()()1,2,,iizzkvkim（1-1）式中，k为时标，()ivk为量测噪声。系统量测方程为：()(())()zthxtvt（1-2）上式为非线性方程组，表示第t个时间断面的状态量与量测量之间的关系。通过迭代计算，获得状态量的估计值为ˆ()xt，回代该状态估计值到（1-2）中，可获得量测估计值为ˆ()zt，从而获得量测估计残差列向量为：ˆ()()()rtztzt（1-3）对每一时间断面的残差建立目标函数极值为：11ˆˆˆ()[()][()]TTJxzhxRzhxrRr（1-4）式中，R为量测噪声协方差矩阵，在量测噪声为两两独立信号的假设前提下，R为对角阵。根据)ˆ(xJ对不良数据检测是按以下假设检验方法进行：不真，有不良数据，假设：属真，无不良数据，假设：1100H)ˆ(HH)ˆ(HJJxJxJ（1-5）式中，J对应于某一)(2Ka，为检测的门槛值。根据量测方程的雅可比矩阵H和量测噪声协方差矩阵，定义以下量测残差灵敏度矩阵：111()TWIHHRHR（1-6）定义加权残差为：1wrRr（1-7）对应地，有加权残差灵敏度矩阵为：1111()TTwWIRHHRHHR（1-8）加权残差检测逐维对量测量进行假设检验：10,,100,,0HHHHHH不真，接受，假设：属真，接受，假设：iwiwiwiwrr（1-9）式中，iw,为第i维量测量的检测门槛值。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。同样地，定义标准化残差为：1NrDr（1-10）式中，[]DdiagWR。相应地，标准化残差灵敏度矩阵为：1NWDW（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：10,,100,,0HHHHHH不真，接受，假设：属真，接受，假设：iNiNiNiNrr（1-12）式中，iN,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。协方差矩阵中的各元素反映的是量测量之间的变化关系，而有效检测量测数据异常变动的指标应是该量测数据的方差，即（1-13）可以选择3in或5in进行校验。3不良数据辨识在正常量测条件下，目标极值函数的数学期望和方差分别为：ˆ[()][]ˆˆ[()][()]2wEJxTrWmnKVarJxEJxKK（1-14）式中，m为量测列向量维数，n为状态列向量维数。ˆ()Jx为K阶自由度2分布的随机变量，随着自由度的增大，)(2K逼近于正态分布。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：22ˆiiinEzkzn2,2,ˆ[()]ˆ[()]24wiwiiwiwiiEJxKwVarJxKw（1-15）式中，wi为第i个量测量不良数据加权值。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，另一项为不良数据信息，因此，当量测量中存在不良数据时，极值函数值将增大。考虑到正常量测的极值函数值服从自由度为K的2分布，不良数据检测的门槛值由误检概率确定。为克服多个不良数据情况下加权残差辨识法和标准化残差辨识法效率低下的缺点，同时也为了防止估计结果受到不良数据的污染，一种改进方法就是采用非二次准则的估计器，在估计迭代过程中检查每次量测估计残差大小，根据不同的非二次准则调整不同量测量残差的权值，在估计过程中把不良数据排除。对可疑不良数据的误差矢量进行估计的方法称为不良数据估计辨识法，其实质是对不良数据可疑集中量测量的噪声信号进行估计，可一次性辨识出多个不良数据。量测量的残差用量测误差列矢量表示的形式为：111ˆ()TTrzzvHHRHHRvWv（1-16）根据不良数据检测结果，把量测数据划分为可疑量测数据集和正常量测数据集，根据这一划分原则，有：ssttrWvWv（1-17）式中，sv和tv分别为s维可疑量测误差矢量和t维正常量测误差矢量，sW为残差灵敏度矩阵中对应可疑量测误差的sm维子矩阵，tW为残差灵敏度矩阵中对应正常量测误差的tm维子矩阵。建立目标函数为：1()[][]TsssssJvrWvGrWv（1-18）式中，[()]TtttttGdiagVarWvWRW为加权矩阵。解式（4-17），可得到可疑量测误差矢量的估计值为：111ˆ()TTssssvWGWWGr（1-19）式（1-19）有解的条件是ss阶矩阵1()TssWGW的逆存在，即()sRankWs，否则可疑量测误差就是不可估的，从而不良数据是不可辨识的。实践中，只要满足以下条件就可认为t维正常量测量保持了对系统状态的可观测性：（1）nsmt；（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：111ˆ()TTwswswswswvWGWWGr(1-20)4不良数据检测辨别方法优劣总结4.1不良数据检测方法总结加权残差检测法和标准残差检测法相比较于残差极值函数检测法，其优点是非总体型检测，能检测到不良数据出现的具体位置。但其缺点是由于存在残差污染和残差淹没现象，根据加权残差检测法或标准化残差获得的检测结果只能是不良数据的可疑集，真正的不良数据尚需要通过辨识技术从该不良数据可疑集中寻找出来。4.2不良数据辨识方法总结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测量，每剔除一个量测量就重新进行一次估计，并根据估计结果重新计算目标极值函数值和残差，直至目标极值函数的检测结果表明量测数据中已经不存在不良数据，单个不良数据和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，克服多个不良数据情况下加权残差辨识法和标准化残差辨识法效率低下的缺点，同时也为了防止估计结果受到不良数据的污染。但在多不良数据情况下，过多的变权可能导致估计迭代收敛性能下降。不良数据估计辨识法通过对量测量分块，直接对可疑不良数据集进行量测误差估计，可一次性地辨识出多不良数据，改方法的不足之处是不良数据存在着不可估的可能性。参考文献[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].电气开关,2010,(4)：67-68.[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].电力系统保护与控制，2010,38(5)：143-145.[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)：6-8.[4]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新[J].电网技术，2006,30(2)：70-74.[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].四川电力技术，2009,32(3),14-15.[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，2001,25(10)：17-20.[7]杨伟胡军吴军基.基于GSA的电力系统不良数据辨识算法[J].继电器,2005,33(22)：41-43.[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测与辨识[J].电力系统自动化，1999,23(20)：1-4.[9]叶学勇吴军基杨伟张俊芳.基于神经网络的电力系统不良数据的修正，2007,31(2)：173-175.[10]王宝石段志强翟登辉.基于有效指数k-means算法在电力系统不良数据辨识中应用[J].东北电力技术，2010,(3)：16-18.[11]周苏荃张艳军.新息图状态估计中多相关不良数据辨识[J].电力系统及其自动化学报，2008,20(4)：1-6.[12]刘浩.状态估计中不良数据的混合检测辨识法[J].电工技术杂志，1999,(6)：16-20.