基于电力大数据的分布式电网异常负荷动态检测方法

电网负荷数据基数大、分布范围广,且其异常状态检测复杂度高。提出一种基于电力大数据分布的电网异常负荷动态检测方法。采用非线性回归方程,估计中心负荷权重,并分割动态检测区域。采用状态估计法结合参数平滑对异常的负荷数据进行状态估计,并利用自回归滤波(extended Kalman filter,EKF)剔除噪声数据。计算负荷数据的近相似系数,划分异常数据域,设定分布概率较高的数据为异常负荷数据。通过观测负荷数据与异常域中心之间的关联性,判断负荷是否存在异常问题。仿真实验结果表明:高信噪比环境下,该方法检测异常负荷数据的最大特征量为160条;低信噪比环境下,异常负荷数据的最大特征量为158条,且峰值出现在节点51—节点120的位置。检测出的负荷数量均超过电网最大阈值,说明所提方法能够精确检测出异常负荷,且能够完全包含真实阈值,检测的全面性可高达100%。

基于广域量测数据和导纳参数在线辨识的受扰轨迹预测

基于相量测量单元 (PMU)广域量测数据应用参数辨识理论提出电力系统故障后导纳参数在线辨识方法 ,研究了电力系统受扰轨迹快速积分预测新方法。该算法基于实时量测量精确构造实际故障后的系统动态方程 ,并快速积分求解系统受扰轨迹。其突出优点在于 :参数辨识使用系统实时数据 ,可考虑复杂的连锁故障事件和不确定的系统拓扑和参数 ;预测基于故障后系统模型积分 ,能够反映系统物理本质 ,对于系统经典模型具有理想预测精度。该算法在多种测试系统中进行了数字仿真实验 ,并用动模实验数据进行了离线验证 。