2 电力系统状态估计.ppt

第二章 电力系统状态估计 一、状态估计的必要性 EMS的高级功能需要可靠的数据集合作为输入数据集。 而SCADA系统采集的全网实时数据存在下列明显的缺点： 1数据不齐全。 2数据不精确。 3受干扰时会出现错误数据。 解决方案： 1增加量测； 2改进测量与传输系统； 3采用数学处理的方法来提高数据的可靠性与完整性，即状态估计。 二、状态估计的基本原理 1状态变量 系统中能够表征系统特性所需的最小数目的变量称为状态变量。 2冗余度 系统中独立测量量的数目与系统状态变量数目之比，称为测量系统的冗余度。一般电力系统要求测量系统的冗余度在1.5~3.0。 3状态估计 电力系统状态估计就是在测量量有误差的情况下，利用实时量测系统的冗余度来提高精度和自动排除随机干扰所引起的错误数据，通过数学计算估计出系统的运行状态，得到可靠的并且为数最少的系统状态变量值。足够的量测冗余度是其实现前提。 状态估计的最常用方法是最小二乘估计法。在讲解电网状态估计之前，让我们先弄明白最小二乘法的基本概念。 4最小二乘法状态估计 x：状态的真值向量； :状态的估计值向量； z：仪表的测量值向量； :测量估计值向量； 在估计中，状态变量需借助测量方程式，即联系状态向量x与测量量向量z之间的函数关系h(x)来间接求得。在考虑有测量噪声v时，它们之间的关系为 z =h(x) + v 要求计算得到这样的状态变量的估计值 ，使其对应的测量估计值 和测量值z之差的平方和最小为目标准则的估计方法，称为最小二乘法状态估计。 建立目标函数 J(x)=(z-h(x))T(z-h(x)) 对目标函数求导数并取为零，即就可以求解出状态的估计量 。 以单变量双量测的直流电路系统为例进行分析。 状态估计的一个例子 (见右图) 已知电阻10欧姆，V=9.8伏，I=1.05A，确定估计电流。 哪个对？ 采用最小二乘法（LS） 5加权最小二乘法状态估计 J(x)=(z-h(x))TR－1 (z-h (x)) R－1表示量测权重， R为量测误差方差阵 三、状态估计与常规潮流计算的比较 四、状态估计的步骤 1前置滤波、极限值校验 目的：排除掉大的明显的测量误差。 包括： （1）开关错误辨识 （2）估计前坏数据辨识 ◆开关错误辨识 ◇线路两端潮流合理而一端开关错开； ◇一个厂站通道坏,通过对端厂站信息判断； ◇开关合而发电机量测值为零。 ◆估计前坏数据辨识 支路潮流不平衡； 10＋j6-15-j10=-5-j4 节点注入功率不平衡； Pi-Σpij≠0 i 双母线并列运行而各母线电压不相等； 电压量测不合理，母线电压远远超限； 发电机注入负功率，负荷注入正功率； 支路潮流不合理，运行值远大于限值； 注入功率不合理； 支路无潮流量测； 母线无注入量测； 母线无电压量测； 量测数据是死数据，不变化。 2假定模型 假定：没有结构误差；没有不良数据；没有参数误差。 3状态估计 求出状态估计值和残差。 4不良数据的检测 不良数据：电力系统中测量系统的标准误差?大约为正常测量范围的0.5％~2％．因此误差大于?3?的测量值就可称为不良数据，但在实际应用中由于达不到这个标推，所以通常把误差达到?(6~7) ?以上的数据称为不良数据。 所谓检测是用来判定是否存在不良数据。 不良数据的出现，会在目标函数中得到反映，使它大大偏离正常值。因此，可以根据对目标函数的检测来确定不良数据的是否存在。 　① 检测法是一种总体型的检测，它能测知不良数据是否存在，但不能知道哪一个是不良数据。在系统规模较大及冗余度大的情况下，个别不良数据对 的影响相对减小，从而使检测的灵敏度较低。 ②　rW与rN检测法与系统大小无关，它取决于WW或WN的对角元素。当测量系统完善，冗余度K越大，则对角元素越占优势，检测不良数据越灵敏。在冗余度为m/n=2~3时，rN法比rW法在灵敏度方面更优越，但是rN法需付出计算D的代价，在冗余度更高时这两种方法的效果相近。 　③ rW与rN法在单个不良数据情况下一般可取得理想的效果，但有时除了不良数据点的残差呈现出超过检测阈值外，还有一些正常测点的残差也超过阈值，这种现象称为残差污染。在多个不良数据情况下，由于相互作用可能导致部分或全部不良数据测点上的残差近于正常残差现象，这称为残差淹没。