基于正常测点的测点评价方法.docxVIP

基于正常测点的测点评价方法 0 基于正常测点的测点评价函数 现有的估计方法主要基于不良数据的识别，但测量点的残差概念并不反映测量点的真值信息，也不能定量描述测量结果的可靠性。这给进一步研究状态估计问题带来了较大困难,导致一些基础性问题,如真值未知情况下状态估计结果评价问题,都不能得到解决。 本文基于文献提出的正常测点概念,构造了测点评价函数,用于评价测点是正常测点还是异常测点;然后以测点正常率最大为目标函数,提出了新的状态估计模型及其求解算法,并对该状态估计方法的修正模型进行了进一步讨论。 1 求正常率评价指标最小的估计 设x为状态估计结果,对测点i,称di为测点i在估计x下的相对偏离: di=hi(x)-ziUi(1) 式中:zi为测点i的量测值;hi(·)为测点i的量测函数;Ui为与置信概率p对应的测点i的扩展不确定度。 由正常测点定义可知:测点i为异常测点时,|di|1;测点i为正常测点时,|di|≤1。 根据上述思想,可以建立如下测点评价函数: 定义1:称∑ig(di)为估计x的正常率评价指标。 显然,测点正常率最高的估计,其状态正常率评价指标最小;反之,状态正常率评价指标最小的估计,其测点正常率最高。因而,可将求测点正常率最高的估计问题转化为求正常率评价指标最小的估计问题。 g(di)的缺点是:在±1处有间断点,并且不是处处连续可导,不便于实际应用。为此,建立g(di)的近似函数f(di),显然f(di)应具有以下特性: f(di)≈{0|di|≤11|di|1+λ(3) 式中:λ为大于0的常量。 λ越小,式(3)与式(2)在形状上越相符,但在实际应用中,若λ过小,相当于函数f(di)在|di|=1处有跃变,对以∑if(di)为目标函数的优化问题的收敛不利。本文中,λ一般取1～5之间的实数。 式(3)的意义为:当|di|≤1时,认为测点i为正常测点,f(di)接近于0;当|di|≥1+λ时,认为测点i为异常测点,f(di)接近于1;当1≤|di|≤1+λ时,认为测点i为可疑测点。 本文中,f(di)取以下形式: f(di)=δ(di)+δ(-di)(4) 式中: δ(di)=11+e2kλ[di+(1+λ2)] k一般取大于2的自然数。k取不同值时,f(±1)和f(±(1+λ))的取值见表1。由表1可知,k越大,f(±1)的值越接近于0,f(±(1+λ))的值越接近于1,式(3)与式(2)在形式上越相符。但k过大会给以∑if(di)为目标函数的优化问题的收敛带来不利。本文中k取2～4之间的实数。 λ=5,k=3时,函数f(di)的示例图形见图1。由图1可见,f(di)没有间断点,处处连续可导,且f(di)与g(di)的特性接近,即当测点i正常时,f(di)接近于0,反之f(di)接近于1。因此,本文采用式(4)定义的f(di)作为测点评价函数。 测点评价函数也可采用其他形式,只要保证处处连续可导,且当测点i为正常测点时,测点评价函数值接近于0,反之接近于1即可。 2 方法介绍 2.1 状态估计模型的改进 设某一系统状态下,系统中异常测点数目为q,则m∑i=1f(di)≈q。而要寻求某一系统状态,使得正常测点数最多,即相当于寻求某一系统状态,使得在该状态下m∑i=1f(di)最小。 由此,得到新的状态估计模型: minx∑i=1mf(di)(5) 由于实际运行中,真实系统状态必然满足潮流约束和其他实际物理约束(如发电机功率上下界约束)。考虑这些约束后,得到改进的状态估计模型: {minx∑i=1mf(di)s.t.di=hi(x)-ziUig(x)=0l(x)≤0(6) 式中:g(x)=0代表潮流约束;l(x)≤0代表实际物理约束。 2.2 大规模最优潮流求解 式(6)中,将di代入目标函数中,即得: {minx∑i=1mf(hi(x)-ziUi)s.t.g(x)=0l(x)≤0(7) 式(7)是一最优潮流问题,其求解方法较多。对于大规模最优潮流问题,用现代内点法求解较好,其收敛性能得到保证,计算速度快,且当问题规模增大时,计算时间增加不多。 本文基于开源现代内点法优化计算软件包成功求解了以上问题,收敛性好,计算速度快,适合于在线工程应用。详细求解过程与文献类似,此处不赘述。 3 状态估计模型优化 与以往状态估计方法相比,本文方法特点如下: 1)以测点正常率最大为目标,因而所求得的状态估计结果的测点正常率高。 2)可在求得状态估计解的同时自动辨识系统中的不良数据。本文方法以测点正常率最大,即以测点异常率最小为目标。可以认为,在本文方法所求得的估计下异常测点即为系统中的不良数据,因而,该方法在求得状态估计解的同时,也自动对系统中的不良数据进行了辨识。 3)估计准确性不易受不良数据影响,具有很强的抗差性。以往状态估计方法