为保证同步相量测量装置(phasor measurement unit,PMU)采集数据的准确应用,须排除其量测值中的异常数据。现有PMU异常数据辨识算法存在算法复杂度高、难以在线更新、多源数据难以校准、依赖多源数据应用难度大等不足。为此,文中从PMU...为保证同步相量测量装置(phasor measurement unit,PMU)采集数据的准确应用,须排除其量测值中的异常数据。现有PMU异常数据辨识算法存在算法复杂度高、难以在线更新、多源数据难以校准、依赖多源数据应用难度大等不足。为此,文中从PMU事件数据和异常数据模型及PMU异常数据判别信息熵定义出发,提出基于该信息熵的异常数据辨识框架。在此框架基础上,基于利用层次方法的平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)算法提出PMU异常数据辨识算法;然后,对所提出的算法进行原型实现,并针对某变电站的PMU采集数据集进行算法实验验证。实验结果表明,与一类支持向量机(one-class support vector machine,OCSVM)算法与间隙统计算法相比,文中算法的准确度及实时性均具有较强的优势。展开更多
针对传统静态状态估计方法的缺点,提出了一种改进的电力系统状态估计方法,即将部分节点相量测量单元(phasor measurement unit,PMU)量测数据与监控数据采集(supervisory control and data acquisition,SCADA)量测数据融合进行电力系统...针对传统静态状态估计方法的缺点,提出了一种改进的电力系统状态估计方法,即将部分节点相量测量单元(phasor measurement unit,PMU)量测数据与监控数据采集(supervisory control and data acquisition,SCADA)量测数据融合进行电力系统的全网状态估计。该方法简化了系统的雅可比矩阵,缩短了计算时间。文章研究了PMU和SCADA系统融合改进后的快速分解法,针对SCADA量测数据的缺点,通过历史数据库对潮流数据进行预测,并依据PMU量测量对系统进行分析,继而进行系统全网状态的动态监测。通过算例证明,与传统的估计方法相比,该方法改善了状态估计的精确性,减少了迭代次数,细致地描绘了电网状态的变化过程,为调度中心下一步的决策提供了依据。展开更多
同步相量测量单元(phasor measurements units,PMU)因能测得高精度的同步相量数据而被广泛应用于电力系统中,而传统的监控及数据采集系统(supervisory control and data acquisition,SCADA)是电力系统运行和静态安全监视的基础。文中提...同步相量测量单元(phasor measurements units,PMU)因能测得高精度的同步相量数据而被广泛应用于电力系统中,而传统的监控及数据采集系统(supervisory control and data acquisition,SCADA)是电力系统运行和静态安全监视的基础。文中提出了一种PMU与SCADA数据共存的数学模型用于电力系统状态估计。该模型在保留原有SCADA数据的同时,通过虚拟测量方法对PMU观测范围进行大范围拓展,提高数据冗余度及状态估计的精度。仿真结果表明,该方法具有较高的估计精度,且不受网络拓扑结构和PMU数量限制,适于SCADA和PMU数据共存系统。展开更多
鉴于相量测量单元(phasor measurement unit,PMU)能够实时测量母线电压和相角,在传统监控和数据采集(supervisory control and data acquisition,SCADA)量测系统的基础上,提出了一种选择PMU最优配置方案的新方法。该法在假定系统完全可...鉴于相量测量单元(phasor measurement unit,PMU)能够实时测量母线电压和相角,在传统监控和数据采集(supervisory control and data acquisition,SCADA)量测系统的基础上,提出了一种选择PMU最优配置方案的新方法。该法在假定系统完全可观测的前提条件下,考虑不同量测噪声信号比的影响,采用直接替代(direct sub-stitution,DS)法、加权最小二乘(weighted least squares,WLS)法和扩展加权最小二乘(augmented weighted least squares,AWLS)法计算状态估计值,验证了量测噪声对选择PMU配置点没有影响这一结论,并最大限度地提高了状态估计的准确度。在IEEE9节点和IEEE14节点测试系统上验证了此方法的正确性和有效性。展开更多
文摘为保证同步相量测量装置(phasor measurement unit,PMU)采集数据的准确应用,须排除其量测值中的异常数据。现有PMU异常数据辨识算法存在算法复杂度高、难以在线更新、多源数据难以校准、依赖多源数据应用难度大等不足。为此,文中从PMU事件数据和异常数据模型及PMU异常数据判别信息熵定义出发,提出基于该信息熵的异常数据辨识框架。在此框架基础上,基于利用层次方法的平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)算法提出PMU异常数据辨识算法;然后,对所提出的算法进行原型实现,并针对某变电站的PMU采集数据集进行算法实验验证。实验结果表明,与一类支持向量机(one-class support vector machine,OCSVM)算法与间隙统计算法相比,文中算法的准确度及实时性均具有较强的优势。
文摘针对传统静态状态估计方法的缺点,提出了一种改进的电力系统状态估计方法,即将部分节点相量测量单元(phasor measurement unit,PMU)量测数据与监控数据采集(supervisory control and data acquisition,SCADA)量测数据融合进行电力系统的全网状态估计。该方法简化了系统的雅可比矩阵,缩短了计算时间。文章研究了PMU和SCADA系统融合改进后的快速分解法,针对SCADA量测数据的缺点,通过历史数据库对潮流数据进行预测,并依据PMU量测量对系统进行分析,继而进行系统全网状态的动态监测。通过算例证明,与传统的估计方法相比,该方法改善了状态估计的精确性,减少了迭代次数,细致地描绘了电网状态的变化过程,为调度中心下一步的决策提供了依据。
文摘同步相量测量单元(phasor measurements units,PMU)因能测得高精度的同步相量数据而被广泛应用于电力系统中,而传统的监控及数据采集系统(supervisory control and data acquisition,SCADA)是电力系统运行和静态安全监视的基础。文中提出了一种PMU与SCADA数据共存的数学模型用于电力系统状态估计。该模型在保留原有SCADA数据的同时,通过虚拟测量方法对PMU观测范围进行大范围拓展,提高数据冗余度及状态估计的精度。仿真结果表明,该方法具有较高的估计精度,且不受网络拓扑结构和PMU数量限制,适于SCADA和PMU数据共存系统。
文摘鉴于相量测量单元(phasor measurement unit,PMU)能够实时测量母线电压和相角,在传统监控和数据采集(supervisory control and data acquisition,SCADA)量测系统的基础上,提出了一种选择PMU最优配置方案的新方法。该法在假定系统完全可观测的前提条件下,考虑不同量测噪声信号比的影响,采用直接替代(direct sub-stitution,DS)法、加权最小二乘(weighted least squares,WLS)法和扩展加权最小二乘(augmented weighted least squares,AWLS)法计算状态估计值,验证了量测噪声对选择PMU配置点没有影响这一结论,并最大限度地提高了状态估计的准确度。在IEEE9节点和IEEE14节点测试系统上验证了此方法的正确性和有效性。