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。

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。

基于PMU/SCADA混合量测状态估计及不良数据检测方法

充分利用PMU量测及SCADA量测值,讨论并发展了一种基于PMU/SCADA混合量测的电力系统状态估计及不良数据检测方法。首先利用快速分解状态估计得到估计结果,再将状态估计结果和PMU量测值进行二次线性状态估计。同时利用二次线性状态估计更新残差协方差矩阵的方式来对SCADA量测量中的关键量测量是否存在不良数据进行检测。最后采用IEEE 30节点系统验证了该方法的有效性。

一种新型电网拓扑错误辨识方法

提出一种基于道路-回路方程的拓扑错误辨识方法。利用网络拓扑约束与基尔霍夫定律,并借助相量测量单元(PMU)提供的同步电气量信息,建立道路-回路方程,计算支路电流。在此基础上,考虑各种拓扑错误及不良数据并存的情况,根据计算值与量测值间的差值,对拓扑信息及支路电流量测值进行校验。IEEE 9与IEEE 39节点系统仿真结果表明所提方法具有较好的适应性、可靠性及容错能力。

基于混合量测的二次线性状态估计方法及其工程应用

基于相量测量单元(PMU)和数据采集与监控(SCADA)混合量测进行状态估计计算时,如果仍采用传统非线性估计模型,将面临PMU量测计算权值难以确定、PMU量测坏数据辨识不准、相角参考点和成熟商用程序改动等多方面问题。提出了一种基于混合量测的二次线性状态估计方法。该方法在传统非线性状态估计收敛后,利用其结果中的各节点电压幅值及相角估计值和PMU相量量测再进行二次线性状态估计计算,有效解决了上述问题。最后结合电网实例验证了该方法的有效性。

混合量测状态估计相角参考点坏数据问题的处理方法

基于相量测量单元(PMU)和数据采集与监控(SCADA)混合量测进行状态估计计算时,一旦其相角参考点上的PMU电压相角量测为坏数据,将影响其余所有相角量测引入,污染有功量的总体计算,严重影响计算精度。文中在建立混合量测状态估计计算模型的基础上,提出一种解决相角参考点坏数据问题的处理方法,改变传统状态估计将相角参考点状态量值固定且不参与迭代求解的做法,形成雅可比矩阵时增加相角参考点状态量对应列和PMU量测对应行,将相角参考点状态量同其他节点一样参与迭代求解,当相角参考点上的PMU电压相角量测为坏数据时同样能够被检测和辨识,彻底消除其对计算结果的不利影响。最后,结合电网实例验证了该方法的有效性。