电力系统不良数据的检测与辨识算法研究——基于IEEE33含光伏系统仿真计算

以电力系统状态估计为背景,运用模糊聚类方法构建基于IEEE33含光伏系统仿真计算模型,采用模糊等价矩阵的聚类分析方法编写相关程序,对照仿真结果与理论结果,总结模糊聚类法对不良数据的辨识能力,为电力系统稳定运行提供参考。

含LCC/MMC交直流混联系统的状态估计及不良数据检测

基于调度系统导出的通用信息模型(common information model,CIM)中的XML和E文档,从数据生成的角度出发,首先将导出文档转化为状态估计原始输入数据,考虑交流系统与电网换相换流器(line commutated converter,LCC)、模块化多电平换流器(modular multilevel converter,MMC)以及LCC与MMC间的相互影响,采用统一迭代法对500kV子网络进行交直流状态估计建模;其次,在原始量测数据的基础上施加高斯噪声,借助最大化残差检验方法以进行不良数据的检测与辨识;最后,通过仿真数据验证了交直流状态估计模型及不良数据检测与辨识的有效性。

基于量测数据相关性的电力系统不良数据检测和辨识新方法

电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据,检测和辨识这些不良数据是电力系统状态估计的重要组成部分。文章分析了量测数据协方差矩阵中的元素值在量测数据中含有白噪声、突变量和不良数据时的变化规律,提出了通过量测数据协方差矩阵中元素的变化规律检测和辨识不良数据的新方法,在IEEE14节点系统上的仿真试验验证了该方法的正确性。

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能,甚至造成电力系统状态估计的失败。回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望。

基于量测量替换与标准化残差检测的不良数据辨识

针对多不良数据辨识中存在的残差污染和残差淹没问题,提出一种多不良数据辨识方法,在应用P-Q分解法的基础上,首先选取部分量测进行状态估计,接着用剩余量测逐一替换参与估计计算的量测,并根据替换后各量测标准化残差的大小得到可疑数据,其间量测量的替换可以打破发生残差淹没的平衡,使得由于发生残差淹没而导致标准化残差合格的不良数据凸显出来,之后又通过状态估计对可疑数据进行校核,恢复受到残差污染的量测为正常量测,最终将不良数据辨识出来。此外,还给出替换和减少一维量测后计算标准化残差的简化方法,以提高计算速度。最后以某地区220kV电网为背景进行算例分析,表明该方法的有效性和可行性。

基于在线核学习的电网不良数据检测与辨识方法

遥测数据和电网参数的准确性是智能电网技术支持系统各种电网分析计算的基础。考虑多时段RTU/PMU信息和电网复功率平衡方程,提出了基于在线核学习的不良数据检测与辨识方法。基于复功率和电压幅值信息来定义复功率平衡性评价指标;引入基于贝叶斯数据处理策略的扩展卡尔曼滤波算法进行不良数据动态检测;采用局部加权投影回归策略对电网参数进行在线辨识。不同规模电网的计算结果表明此算法可行,并具有较高的计算精度,为智能电网技术支持系统高级应用软件的研究提供了一种可行的方法。

基于等效电流量测变换的状态估计及不良数据检测与辨识方法

针对输电系统和配电系统量测类型多样性及传统快速解耦状态估计算法的不足,作者讨论并发展了一种基于等效电流量测变换的状态估计及不良数据检测与辨识方法。该方法是通过对量测系统的实际量测进行等效电流量测变换,并根据误差传播理论改变相应的量测权值而推导出来的。它不仅保留了传统状态估计算法的快速解耦特性,并在无任何假设的情况下实现了雅可比矩阵的完全常数化,算例分析表明,该方法快速有效,对r/x的比值不敏感,并能有效地处理不良数据,能较好地应用于输电系统和配电系统的状态估计计算。

R_N检测与状态预估相结合的不良数据检测辨识法

本文将 RN 检测法与状态预估检测辨识法相结合 ,提出了一种新的不良数据的检测辨识方法。该法先用 RN检测法来判断是否有不良数据测点存在 ,若有 ,再用状态预估辨识哪些测点存在不良数据 ,将不良数据测点的量测值换成其状态预估值再进行一次状态估计。该法既克服了 RN检测法存在的残差污染、残差淹没现象 ,又解决了状态预估检测辨识法不能区分不良数据与突变量的问题。用 FOR-TRAN77语言编写程序 ,对 1 8节点系统进行了数字仿真实验 ,得到了在无不良数据、有不良数据、有突变量等情况下的检测辨识结果。

不良数据检测与辨识算法的评估研究

针对算法评价的模糊性,提出一种基于模糊数学理论的算法综合评价模型,并用于状态估计中不良数据检测与辨识算法的综合评估。通过在不同系统配置条件下,对四种常用不良数据检测与辨识算法进行综合评估,比较出其优劣特性,验证了该评估系统的正确性,实现了算法评估中定性分析的定量化,为实际系统算法的选择提供了有效参考。

状态估计中不良数据的混合检测辨识程序设计

设计了状态估计中不良数据的混合检测辨识通用的程序框图，并对框图进行了逐项论述说明。参照框图，用FORTRAN77语言编写程序，对18节点系统进行了数字仿真实验，得到了在无 不良数据、有不良数据、有突变量等情况下的检测辨识结果。验证了本文介绍的检测辨识方 法及程序框图的有效性。

基于运行模式的不良数据检测与辨识

提出了一种基于运行模式的不良数据检测与辨识方法,该方法有效地克服了相关不良数据情况下由于"残差淹没"或"残差污染"造成的不良数据的漏检和正常数据的误检现象.同时给出了对杭州某地区电网44节点电力系统的状态估计结果.

状态估计中不良数据的混合检测辨识法

提出了状态预估与Rn 检测相结合的不良数据的检测辨识方法。该法既能克服残差污染、残差淹没现象 ,又能区分不良数据与突变量。在 18结点系统上进行了数字仿真实验 。

抗差估计法应用于状态估计中不良数据的检测和辨识

电力系统状态估计是电能管理系统(EMS)的重要组成部分,然而在实际运行的电网自动化系统中,量测数据中不可避免含有不良数据,从而影响状态估计的结果。不良数据的检测是电力系统状态估计的重要功能之一,它能够排除量测采样数据中偶然出现的少数不良数据,提高状态估计的可靠性。文章采用突变检测和抗差估计相结合的方法,并在IEEE118节点网络上进行了验证,结果证明该方法检测辨识的有效性和可靠性。

基于美国数据库的P2Y12受体拮抗剂不良事件信号检测与分析

目的挖掘噻氯匹啶、氯吡格雷、普拉格雷和替格瑞洛4个P2Y12受体拮抗剂的不良事件(ADE)信号,为临床安全用药提供参考。方法在美国食品药品监督管理局(FDA)不良事件报告系统(FAERS)中提取4个P2Y12受体拮抗剂在2004年1月1日至2022年12月31日的报告数据,采用比例失衡法中的报告比值比(ROR)和贝叶斯置信度递进神经网络法(BCPNN)对所提取的数据进行挖掘与分析。结果4个P2Y12受体拮抗剂共得到1512个有效信号,其中噻氯匹啶101个,普拉格雷257个,氯吡格雷771个,替格瑞洛383个。ADE信号累及系统器官分类(SOC)22个。噻氯匹啶ADE信号数最多的SOC是血液及淋巴系统疾病,占28.71%;普拉格雷ADE信号数最多的SOC是心脏器官疾病,占18.36%;氯吡格雷ADE信号数最多的SOC是胃肠系统疾病,占23.75%;替格瑞洛ADE信号数最多的SOC是全身性疾病及给药部位各种反应,占22.86%。结论经挖掘FAERS数据库,发现噻氯匹啶、氯吡格雷、普拉格雷和替格瑞洛4个P2Y12受体拮抗剂均存在ADE信号累及的SOC以及常见的不良事件,故临床需密切关注这些ADE,以避免出现其累及的SOC,防范风险事件发生。

基于改进Transformer的电力系统不良数据辨识

针对目前电网状态估计时存在的不良数据辨识率低的问题,提出了一种基于改进Transformer的电力系统不良数据辨识方法。首先,改进传统Transformer编码器结构,在自注意力机制的基础上引入高斯核函数,以提高模型对不良数据邻近点数据的检测能力;然后,提出了一种基于JS散度极大极小值训练策略的损失函数,通过两阶段的互相优化,使高斯分布权重和注意力权重达到动态平衡;最后,采用无监督学习方法,以正常量测数据训练模型,对输入数据进行重构,并计算重构误差和重构得分,实现对不良数据的有效辨识。仿真结果表明:该方法在不良数据检测精确率、召回率、F1分数和总体准确率方面具有较好的性能。

模糊数学在状态估计不良数据检测辨识中的应用

根据模糊数学理论提出了一种新的检测不良数据的方法，有效地克服了残差污染和残差淹没现象。

在DBSCAN+LOF的大扰动工况下PMU装置不良数据检测算法研究

针对传统k-means算法异常点检测算法在大扰动情况下易产生误检、误判的问题,提出基于DBSCAN+LOF的电力系统PMU不良数据检测算法。结果表明:PMU正常数据存在较强的时空相似性,PMU不良数据的时空相似性均较弱,大扰动PMU数据存在较强的空间相似性,但时间相似性较弱;根据3种数据的时空特征,可利用DBSCAN算法检测出异常点,再利用LOF算法计算局部离群因子,通过局部离群因子大小来判别大扰动PMU数据和PMU不良数据;将提出的算法应用到电力系统短路故障中,结果显示在短路故障发生和切除时刻,LOF计算结果显示为大扰动PMU数据,在故障切除后,LOF计算结果显示为PMU不良数据,检测结果与实际情况完全相符,算法是合理有效的。

新息图法电力系统不良数据检测与辨识

不良数据检测和辨识是电力系统状态估计的重要组成部分;所采用的新息图方法,结合动态和静态两方面理论,将具有具体物理意义的数据(新息向量),转化为虚拟假设条件下的等价表示,并利用基本的电路理论,达到检测和辨识坏数据以及拓扑错误的目的。该方法具有模型简单、快速准确等优点。以IEEE-14节点系统算例,初步验证了所提方法的有效性。

改进新息图法在不良数据检测与辨识中的应用

针对连支测量值为不良数据时,传统新息图法检测与辨识过程的无连续性问题,提出基于蚁群算法的改进新息图法。该方法根据配电网的网孔对配电网的支路进行编码,建立独立回路矩阵,通过对连支测量值的自动判断,利用简化的蚁群算法生成新树,对配电网络中的不良数据进行高效地检测与辨识。采用IEEE14节点配电系统对此方法进行验证,并与新息图法进行对比分析,仿真结果证明改进新息图法在时间上的高效性和在检测与辨识上的准确性。

一种实用的不良数据检测与辨识方法

电力系统运行数据规模的不断增长,对电力系统不良数据检测与辨识的准确性和效率提出了更高的要求,为此,探讨一种基于电路分析法的不良数据检测与辨识方法。该方法基于电路基础理论,在电力系统模型参数已知的情况下,将各种接线方式简化为节点模型和支路模型,根据断面量测数据之间存在的电气联系,找出适用于任何节点和支路的不良数据检测与辨识算法。仿真算例表明,该算法简单、实用、计算速度快,能够有效检测并辨识不良数据。