第五章 电力调度自动化系统高级应用软件

第五章EMS的高级应用软件（PAS）概述网络拓扑状态估计负荷预测调度员潮流有功功率和频率调整、AGC/EDC无功功率和电压调整、AVC安全分析和稳定控制、ASC内容提要PAS概述目标基本概念：在线和离线在线和实时数据来源：SCADA采集的实时量测数据人工输入的静态数据计划参数：未来时刻的“伪量测”第一节网络拓扑1.1网络拓扑的基本功能基本功能：根据开关的开合状态（遥信信息）和电网一次接线图来确定网络的拓扑关系，即节点－支路的连通关系，为其它高级应用做好准备。为什么要进行网络拓扑？将网络物理模型转化为计算模型。物理模型：对网络的原始描述（节点模型）计算模型：面向网络计算方程的模型。第一节网络拓扑1.1网络拓扑的基本功能其它功能：电网解列，网络拓扑可以给出各子系统的拓扑结构用于标识电网元件的带电状态，进行网络着色，直观表示其连通性。由开关变位事件驱动或召唤启动。地位：是其它高级应用软件的基础，为其他高级应用软件提供了基础的结构信息。1.2网络拓扑的基本术语网络元件：各种一次电气元件均为网络元件。节点：网络元件之间的连接点。逻辑支路：开关元件，开/合两种状态。零支路或无穷大支路。保留元件：计算模型中所有非逻辑支路。图5-1网络物理模型（节点模型）1.2网络拓扑的基本术语零阻抗支路：阻抗为0，用于隔离母线。母线：闭合逻辑支路联系在一起的节点集合。活岛和死岛：含源电气岛，称为活岛。不含源电气岛为死岛。主母线：逻辑支路全部闭合时，所建立的母线编号。图5-1网络物理模型（节点模型）1.2网络拓扑的基本术语开关－节点关联表：标明每个开关两端节点的表节点－开关关联表：标明节点相连开关的表变压器－节点关联表：标明每台变压器各端节点的表。线路－节点关联表：标明线路两端节点的表。1.3网络拓扑分析基本算法1、基本步骤网络拓扑分析就是在厂站母线分析的基础上，将所得的母线划分为不同电气岛的过程。（1）厂站母线分析将厂站内的节点按电压等级和闭合开关划分为若干个母线的过程。（合并与分隔：所有的逻辑支路和节点都将归并入不同的母线）（2）系统网络分析在厂站母线的基础上，按照联接支路（支路-节点关联表）划分为若干个电气岛的过程。（网络级的合并与分隔）正常情况下，电力系统都处于未解列状态，属于同一个电气岛，网络拓扑分析完成的实际上是开环位置的判断。1.3网络拓扑分析基本算法2、基本算法核心：堆栈原理，后进先出的搜索逻辑。所有节点置为未搜索标志从某一节点出发，将其置于堆栈第一层进栈：扫描未搜索闭合开关（节点开关关联表）及其对端节点（开关节点关联表）进下层堆栈。退栈：无未搜索闭合开关或其对端未搜索节点，退一层堆栈。退至第一层完成一个母线搜索。1.3网络拓扑分析基本算法3、系统网络分析核心：类似厂站分析，将节点换成母线，开关换成元件。4、工程应用要求：高速、可靠。1234第二节电力系统状态估计网络拓扑分析是高级应用软件的结构基础，状态估计则是高级应用软件的数据基础。2.1状态估计的必要性数据不齐全：投资的限制，很多情况下不可能在所有厂站中都设置RTU。数据不精确：数据采集和传输的各个环节都可能产生误差，而误差会逐步积累。数据受干扰：干扰不可避免，有可能造成数据的错误。数据不和谐：数据相互之间不符合建立数学模型所依据的基尔霍夫定律。“去粗存精”，“去伪存真”－－状态估计状态估计定义对电力系统的某一时间断面采集的遥测量和遥信量信息进行实时处理，目的是排除错误数据，提高数据的精确度，补充缺少的数据，从而得到表征电力系统运行状态的完整而准确的信息。状态估计是EMS的基本功能第二节电力系统状态估计2.2状态估计的功能对生数据（SCADA实时断面数据）进行计算，以得到最接近于系统真实状态的最佳估计值。（获得可靠的已知数据）对生数据中的不良数据进行检测和辨识。（搜索错误的坏数据）推算齐全而精确的电力系统运行参数。（估算可靠的未知或难于测量数据）纠正可能的开关状态错误。估计某些可疑或未知的设备参数。确定合理的测点数量和合理的测点分布。预测未来的趋势。“生数据”－－－“可靠数据库”2.3状态估计的基本原理（1）测量冗余度例如：对直流电路中：U、I、P、R任意知道两个量可以判断出两外两个量。当若已知量有错，无法判断。若已知3个量或4个量，可以判断是否有错，采用一定的算法，可以知道哪个量出错。这就是状态估计中的检错。通常冗余度的要求：冗余度=独立测量数/状态变量数=（1.5－3.0）状态变量：表征电力系统特征所需最小数目的变量。对于电力系统，一般取节点电压幅值和相角。测量量：电力系统中，一般是母线注入功率、支路功率和母线电压幅值。状态估计涉及三类数据：真值：参数的真实值测量值：采用表计测量出来的参数值估计值：根据测量值的大小、测量值及其误差的随机性质，使用概率方法计算出来的值（2）状态估计的步骤假定数学模型：指的是假定没有结构误差、参数误差和不良数据的条件下，确定计算所用的数学方法。典型方法：加权最小二乘法。状态变量：电压幅值（V、θ）。量测量：测量表计值（P、Q、V）和“伪测量”状态估计计算：使“残差”最小。残差：各测量值与计算的相应估计值之差。检测：检查是否有不良数据混入或结构错误。识别：确定具体的不良数据。（3）不良数据检测设定残差的门槛值。大于：量测值中有不良数据。小于：量测值中无不良数据。（4）不良数据的识别不良数据：逐个试探。特殊：遥信不良数据，将开关量与相应线路的量测量做对比，首先确定“疑点”，然后再将遥信量“取反”后逐个试探。2.4状态估计的数学模型和基本方法（最小二乘法）量测方程式：z=h(x)+其中：z为测量值。x为真值（一般为状态变量）。为测量误差：正态分布。h为测量函数（表征在假定无误差时，测量值与待估计状态变量间的物理关系，如基尔霍夫定律，具体如潮流方程）。最小二乘估计进行n次测量，每次测量都可以表示为量测方程式。用误差的二乘值表示误差的大小，求取使误差二乘值最小的参数估计值得方法称为最小二乘估计。niixzzJ12))(h()(最小二乘估计步骤求出误差的二乘值：为待估计值，一般为状态变量。求出最小二乘法估计的估计值niiixhzxJ12))ˆ(()ˆ(0ˆ)ˆ(xdxdJxˆ最小二乘估计（例1）例：R＝10，若测得1.05A，9.8V。求U、I的估计值。解：IRU+-81.9ˆ981.0ˆ0)()*108.9()05.1()()()()()(**2*2*2*2*2*2*IRUIdIIdJIIRIzIzUzIzIJUIUI得：由最小二乘估计（例2）2.电路图如下图所示，试根据最小二乘法估计出U、I的最佳估计值。a)R2=8。b)U，I，I1为测量点，测得的结果为U=16V，I=4.02A，I1=1.98A。UII1I2R1R2最小二乘估计（例2）2*112*2*)()()(IIIIUUJ1***,,IIU0)98.18(*2)02.4(*20)98.18(*2)16(*2UIIIJUIUUJ（1）列写残差目标函数：其中：U，I，I1为估计值为测量值。（2）I1=I-U/R2=I-U/8（3）将残差方程对U，I求偏导，得到（4）求解方程即得到最佳估计值。加权最小二乘估计考虑仪表精度为测量误差的方差权重系数22121)()(iiqiniiiqiRxhzRxJ加权最小二乘估计例如，上例1中如果考虑电压表精度高，取权重为1/0.15，则可以求得9.9ˆ99.0ˆ**IRUI2^*2^**)*108.9(15.01)05.1()(IIIJ电力系统最小二乘估计模型电力系统的量测方程：TmNNNTmTmTuuuuxxxzzzh],,,[],,,,,,,[],,,[],,,[)(211122112121VXZVXZ电力系统最小二乘估计为最佳估计值，求解：权重：残差：X0)(100010001)]([)]([)(222211XXJhhJmTRXZRXZX2.5状态估计的程序流程第三节电力系统负荷预测负荷预测定义负荷预测的内容重要性分类及作用负荷预测特点和相关影响因素各阶段发展及相关方法介绍前景探索及总结一、负荷预测定义天气经济电力负荷社会历史数据未来电力负荷预测二、预测内容电量预测（全社会电量、网供电量、各行业电量、各产业电量等）电力预测（如最大负荷、最小负荷、峰谷差、负荷率、负荷曲线等）三、重要性如果负荷预测结果偏低，将会导致系统的规划装机容量、输电规划等不足，无法满足社会的用电需求。而如果负荷预测结果偏高，则会导致一些发电、输电设备投入系统后的运行效率不高，造成投资浪费。四、分类及作用中长期负荷预测：短期负荷预测超短期负荷预测提供电源，电网规划的基础数据年月度检修计划，运行方式水库调度计划，电煤计划等日开停机计划和发电计划实时安全分析机组组合、经济调度的基础实时经济调度自动发电控制五、负荷特点和影响因素长期：基本上是单调递增中期：周期性增长，各个年度的12个月具有相似规律国民经济发展情况、人口、产值单耗、产业结构调整，大用户生产计划，气象，电价政策等影响影响短期：在年、月、周、日不同期限上均具有明显的周期性超短期：与前几日同时段的瞬时变化规律比较类似假期，气象，电价实时温度变化影响影响六、预测方法的发展过程一）系统负荷预测方法1以线性回归方法为代表的传统统计预测方法阶段2引入由Box-Jenkins提出著名的时间序列预测方法（包括AR、MA以及ARMA）阶段3灰色预测方法以及组合预测方法4近期的以神经网络以及支持向量机为代表的智能预测方法阶段二）母线负荷预测方法负荷层次模型1、回归预测方法根据历史负荷数据资料，依靠线性回归数学模型对未来的负荷进行预测。通过给定的一组或者多组自变量和因变量的历史数值，研究各自变量和因变量之间的关系，形成回归方程。传统预测方法最成熟，运用最广，影响力最大050100150200250300350400450140791181571962352743133523914304695085475866256647037427818208598989379761015105410931132系列1线性回归法优缺点方法简单预测速度快局限：由于其模型的线性方法决定其必然无法描述复杂的非线性因素对其的影响并且其自变量所选取的主要因素需要依靠经验确定2、时间序列预测方法Box-Jenkins提出的时间序列模型被认为是最经典，最系统，最被广泛采用的一类短期负荷预测方法。基本思想：首先假设所分析的时间序列是由某个随机过程产生的，然后用时间序列的原始数据建立一个描述该过程的模型，并进行参数估计，此后运用所建立的模型，在已知时间序列在过去和现在的观测值的情况下，求得时间序列未来的预测值AR模型（Auto-RegressiveModel自回归模型）其中εt为随机干扰项MA模型（MovingAverageModel滑动平均模型）ARMA模型（Auto-RegressiveandMovingAverageModel自回归滑动平均模型）ARIMA模型：对于非平稳性时间序列，可用累积式自回归滑动平均模型（ARIMA）通过差分进行平稳化处理，然后再应用ARMA模型时间序列预测方法优缺点所需要的数据本身就是历史负荷序列本身数据方便收集与获取局限：但同样也决定了时间序列方法难以考虑其余因素对负荷的影响，该方法同样无法考虑非线性因素对负荷的影响3、现阶段常用预测方法人工神经网络支持向量机粒子群算法小波分析混沌理论遗传算法模糊算法人工神经网络人工神经网络类似于一个