基于微型PMU数据挖掘的智能配电网态势感知方法研究

智能配电网态势感知是配电系统可靠、经济和安全运行的重要基础,其数据的规模和类型正在快速增长,呈现出典型的电力大数据特征。针对智能配电网微型PMU系统采集和处理的数据呈海量增长的趋势,文章介绍了一种基于微型PMU数据挖掘的智能配电网态势感知方法,快速准确地判断出系统安全状态。该方法首先通过移动和动态时间窗口对采集数据进一步挖掘各类事件的典型特征量,然后根据区域选择和事件类型进行分层标记,降低机器学习算法的运算维度,提高计算效率。随后文章设计了三类型分类器并通过与其他两类分类器进行比较。通过算例测试数据得出所提分类器各项性能指标优异,可见该分类器对于智能配电网态势感知体系建立具有重要的参考价值。

配电网微型PMU与故障录波装置研究与开发

针对低电压等级配电网设计开发了一种配电网微型相量测量单元(PMU)与故障录波装置。该装置具有同步相量测量、综合数据采集、设备授时以及故障录波等多个功能。装置充分考虑了硬件成本和安装难度,在满足数据准确度的前提下显著降低成本。装置采用虚拟过零相量测量算法实时测量电压相量;在故障录波中,提出了电气量偏移率与波形曲率相结合的启动判据。给出了相应的硬件设计方案。测试结果表明,该装置测得的数据准确,故障识别速度快,能满足配电网络分析的基本要求。

基于微型PMU的配电线路抗差参数辨识

微型相量测量单元装置为智能配电网提高可观性和可控性提供了基础。研究了基于微型相量测量单元的配电网线路参数抗差辨识方法:针对配电网三相运行不对称的情况,构建了基于相分量描述的配电线路三相π型等值模型,结合微型相量测量单元提供的多组线路两端电压、电流相量数据,提出了基于相分量模型的、适应配电网不对称运行的最小二乘线路参数辨识方法;并引入2种抗差方法,一种为基于Huber估计的抗差最小二乘法,另一种为基于中位数估计的抗差最小二乘法。在中性点经消弧线圈或小电阻接地系统中,所提方法仅需要线路两端的电压和电流相量即可在辨识线路相参数的同时获得线路正序和零序参数;在中性点不接地系统中,由于没有零序电流分量,当系统正常运行时所提方法可辨识线路正序参数。算例仿真验证了所提方法的有效性,并比较了2种抗差方法在辨识精度、计算耗时方面的优劣,结果表明,基于中位数估计的抗差最小二乘法的抗差性能更好,计算时间较短。

基于μPMU和二分搜索法的辐射状配电网电压暂降源定位

快速准确地定位电压暂降源,对提高供电可靠性和明确供需双方责任具有重要意义。文中提出一种基于微型同步相量测量装置(micro-phasor measurement unit,μPMU)和二分搜索法的辐射状配电网电压暂降源精确定位方法,首先利用装设μPMU的分层电路求解暂降源电流,在各分层电路分别假设暂降源电流注入各母线节点,进而计算末端母线虚拟电压变化量,并与实测的末端母线电压变化量求误差,根据误差大小确定暂降源邻近母线。然后在暂降源邻近母线相邻区段的中点设置虚拟母线,利用二分搜索法快速缩小定位区间,实现暂降源的精确定位。最后在MATLAB中利用IEEE 33节点模型对文中方法进行验证,结果表明该方法对辐射状配电网中不同位置、不同类型的电压暂降源定位精度高,且具有一定的抗干扰能力。

基于μPMU的智能配电网预想故障集组合筛选方法

智能配电网预想故障集筛选是系统安全态势评估的重要基础。为了全面精准感知智能配电网的安全风险,引入具有实时性、同步性、准确性和量测数据全面性的微型同步相量测量单元(μPMU),提出一种基于其高密集采样数据的融合类内与类间距离的加权K-means聚类方法(KICIC)和云理论的预想故障集组合筛选排序方法。首先遍历智能配电网各节点发生各故障类型的场景构建故障数据集;然后采用KICIC算法进行故障数据集聚类分析,进而基于云模型的云数字特征客观量化评估故障类严重度不确定性的危害并输出预想故障集;最后算例结果表明:融合KICIC聚类和云模型的预想故障集组合筛选排序方法从数据挖掘层面实现高风险预想故障集的可靠筛选。

基于微型同步相量测量单元的配电网单相接地故障定位

准确定位配电网的故障对于提高供电的可靠性和减少连续停电所造成的损失有着重要的意义,微型同步相量测量单元(micro-phasor measurement units,μPMU)的应用,为配电网故障准确定位提供更多的信息。为此,提出了一种基于μPMU信息的极限梯度提升和基于遗传算法的支持向量机的配电网单相接地故障定位方法。首先,通过μPMU提供的零序电流方向判断故障区段;然后,依据端电压电流正序向量和实际故障距离的特征集训练组合算法测距模型;最后,用组合算法故障定位器对验证集的故障定位。通过Matlab/Simulink仿真,证明该方法能够有效定位故障,承受过渡电阻、故障类型和噪声的影响,与传统的机器学习方法比较,组合模型定位方法的定位精度更高。

基于μPMU的有源配电网故障定位

为实现高精度故障定位,提出了一种基于微型同步相量测量单元(micro-synchronous phasor measurement unit,μPMU)的有源配电网故障定位方法。首先,通过阻抗差动的方法判断故障点与分布式电源(distributed generation,DG)接入点的相对位置所在的区段;然后,考虑DG提供的故障电流流向,根据故障点的区段位置,利用μPMU测得的电压、电流同步相量分别建立单端及双端阻抗方程,求解初始故障距离及主线路故障距离,通过两者比较进而确定故障点处于主线路还是支路;最后通过排除求取支路故障距离,分析DG接入点与故障点的相对位置,修正故障位置。通过仿真,验证了该方案的有效性。

基于U-I下垂的同步定频微网孤岛运行控制策略研究

微网孤岛运行时,由于微网中各输电线路表现为高R/X特性,导致采用下垂控制的分布式电源(DG)有功无功耦合,难以按其各自的容量对功率进行合理分配。提出一种新的基于U-I下垂的全逆变器型微网控制方法,用于微网孤岛运行时功率分配控制。每个全逆变器工作在电压控制模式下,经派克变换后的d轴和q轴电压根据d轴和q轴电流实现下垂控制,且同步相量测量(PMU)装置用来提供全局同步参考信号,消除了传统相角测量带来的误差。最后,通过Matlab/Simulink搭建模型进行仿真。仿真结果表明,所提出的控制策略能够对有功无功解耦控制,使功率在不同DG间合理分配,且保证了DG单元的即插即用性。

基于多分支电流混合量测的配电网三相状态估计

同步相量测量应用于配电网高级应用中是近年来的研究热点。针对配电网同步相量与智能电表的混合量测问题,提出一种以支路电流为状态变量的配电网状态估计方法。该方法在含分布式光伏接入的配电网中,将微型同步相量测量单元(Micro-Synchronous Phasor Measurement Unit,μPMU)和智能电表量测数据进行等效变换,实现异构数据支路电流幅值量测误差最小。首先,基于混合量测系统,推导三相量测方程模型。然后,运用加权最小二乘法实现了三相支路电流的状态估计。所提方法适用于三相不平衡、多分支电流量测的配电网。最后,通过对含分布式光伏的IEEE 37节点系统进行仿真,验证了方法的有效性。

基于DSCADA和μPMU数据融合的配电网运行拓扑辨识

在配电网安装了配电网数据采集及监视控制系统(distribution network supervisory control and data acquisition,DSCADA)和部分节点安装少量微型同步相量测量装置(micro-synchronous phasor measurement unit,μPM U)情形下,提出了一种基于DSCADA和μPMU遥测数据融合的配电网运行拓扑辨识方法。首先,基于μPMU节点电压相位量测构建配电网拓扑变化时刻辨识模型,确定拓扑变化的时刻;然后,基于拓扑变化前后的节点电压变化,借助DSCADA和μPMU的遥测数据构建可能拓扑判据,缩小重构后可能拓扑的范围;最后,使用加权最小二乘法将DSCADA和μPMU遥测数据进行融合,估计出可能拓扑下的节点电压相位,并利用构建的拓扑相似度辨识模型辨识出实际拓扑。算例中考虑μPMU和DSCADA不同量测误差组合,对该算法辨识的准确性进行验证。

基于加权平均插值和容积卡尔曼滤波的配电网预测辅助状态估计

微型同步相量测量单元(micro synchronous phasor measurement unit,μPMU)与远程终端(remote terminal unit,RTU)为配电网提供了高精度量测数据。针对μPMU和RTU混合数据,文章采用数据填补和容积卡尔曼滤波技术,提出了配电网混合量测的预测辅助状态估计(forecasting aided state estimation,FASE)算法。首先,针对混合量测数据不同更新周期,综合考虑历史数据稳定性和线性插值的同步特性,采用平均插值实现数据的综合填补。然后,采用容积卡尔曼滤波器,构建状态预测、量测预测和滤波修正方程,提出混合数据的配电网预测辅助状态估计算法。最后,在IEEE 37节点系统验证了该算法的有效性。

基于节点注入功率的配电网运行拓扑辨识

配电网安全监控和数据采集系统(DSCADA)采集的遥信数据存在抖动和误动情况,导致基于遥信数据的配电网拓扑信息可靠性不高。通过微型同步相量量测单元(μPMU)多次采样的节点注入功率,构建基于节点注入功率量测的支路电压偏差的方差模型。采用Kruskal算法得到以支路电压偏差的方差为线路权重的最小生成树,实现对配电网拓扑运行结构的辨识。在此基础上,对比分析节点注入功率量测的采样次数以及网络复杂程度对拓扑辨识误差的影响。IEEE 33和IEEE 123节点系统仿真结果表明,该配电网运行拓扑辨识算法具有较好的可靠性和实用性。