专利名称：检测状态估计网络模型数据误差的制作方法
技术领域：
本发明公开内容涉及状态估计网络模型，并且更具体地涉及检测状态估计网络模
型数据误差。
背景技术：
电力系统可能包括电力传输和分配网络以及用于转换电压并且用于在网络线路之间切换连接的变电站。可以通过监控与数据采集系统(SCADA)和/或能量管理系统(EMS)来监控和/或管理电力系统中的发电和电力潮流。状态估计可以用来提供系统的实时电力潮流状态和建模表示，该系统例如电力系统或具有诸如用于在EMS、配电管理系统(DMS)等系统中使用或与其一起使用的其它电力系统特性的系统或网络。状态评估给系统操作员提供用于环境感知和至其他应用的输入的系统状态，例如应急分析或电压稳定性分析。当与EMS—同使用时，状态估计器基于电力系统模型和该领域的测量提供用于电力系统的状态估计。状态估计器基于关于系统的静态和动态数据提供状态估计。静态数据可以包括名义拓扑模型或者网络拓扑、测量的类型和放置以及测量值的符号。动态数据可以包括测量值、断路器断开/闭合状态(或该领域的其他开关类型)和指示信号。网络拓扑可以包括连接传输线以形成网络的方式，以及在输电系统的变电站中的开关的断开/闭合状态。连接传输线以形成网络的方式可以定义静态拓扑，因为传输线的连接在系统操作期间保持不变。在输电系统的变电站中的断路器和开关状态可以定义动态拓扑，因为断路器和开关状态在系统操作期间可以在运行中改变。静态数据或动态数据中的错误或误差可能导致估计系统状态中的偏差，产生不正确的解决方案，或导致估计状态的非收敛。例如，模型中的不正确假定的拓扑可能对于状态估计解决方案质量具有不利影响，因为网络连接或电力系统的拓扑在定义系统模型时起作用。因此，静态或动态拓扑描述中的任何误差，如在EMS数据库中假定的，可能会导致拓扑误差。动态数据中的误差可能包括模拟测量中的误差以及由于断路器和/或开关不正确假定的断开/闭合状态导致在动态拓扑中的误差。静态数据中的误差可能包括不正确的参数或数据，以及不正确的静态拓扑。不正确的静态拓扑可能包括与传输线连接、测量的类型或放置、或测量值的信号相关的错误的假设。在EP1783499和US7069159中公开了状态估计的示例。关于电力系统状态估计的进一步的细节在由A.Abur和A.G.Exp0sito所著的题为“Power System StateEstimation:Theory and Implementation，，(Marcel Dekker, New York, 2004)以 及由 A.Monticelli 所著的题为“State Estimation in Electric Power Systems:AGeneralized Approach,，，(Kluwer Academic Publishers, Boston, 1999)的教科书中进行了解释。出于各种目的将这些以及文本引用的所有其他出版物的公开内容通过整体引用结合于此。
发明内容
在一些实施例中，用于检测网络模型数据误差的方法可以包括将网络模型分割成第一多个部分，在所述部分的每一个部分上执行算法，识别所述算法对其被确定为不收敛的部分，将所识别的部分分割成第二多个部分，重复所述执行、识别以及对所识别的部分的分割直到最终识别的部分小于预定阈值，以及检查最终识别的部分以识别其中似真的数据误差。在一些示例中，用于检测状态估计网络模型静态数据误差的方法可以包括定位网络模型的状态估计算法对于其不收敛的部分，以及在该部分上执行修改的状态估计算法以识别其中的似真的静态数据误差。所述修改的状态估计算法可以包括扩充的测量集。在一些示例中，用于检测电力系统状态估计网络模型中的静态数据误差的方法可以包括将网络模型分割成第一多个分区，在所述分区的每个分区上执行状态估计算法，识别状态估计算法对其不收敛的分区，将识别的分区分割成第二多个分区，重复所述执行、识别和对所识别的分区的分割直到最终识别的分区小于节点的预定数目，以及检查最终识别的分区以识别其中似真的静态数据错误。
图1是示出了用于检测诸如状态估计网络模型误差的网络模型数据误差的方法的非排他性的示例性示例的流程图。图2是示出了用于定位网络模型的算法对其不收敛的的部分的方法的非排他性的示例性示例的流程图。图3示意性地图示了递归的网络分割方法(例如图2所图示的方法)的实现的非排他性的示例性示例。图4是递归的网络分割方法(例如图2所图示的方法)的伪代码。图5图示了在网络模型划分期间在边界母线的测量变换。图6图示了在网络模型划分期间在边界母线的另一种测量变换。图7是用于所公开的方法可以在其上执行的示例网络模型的单线图，示出了负载的位置、生成和分配的测量。图8图示了在母线6和7之间的分支上的误差的非排他性示例性示例，母线6和7可以被包括在图7中的网络模型中以便和在图9-12图示的示例一起使用。图9-12图示了递归的网络分割方法的非排他性的示例性示例的实施。图13是图9-12中图示的示例的迭代结果表格。图14是示出了用于检查定位的网络模型的部分或多个部分以识别其中的似真的数据误差的方法的非排他性的示例性示例的流程图。
图15图示了三母线网络模型的非排他性的示例性示例，该三母线网络模型被识别用于分析以识别其中例如由于不收敛的状态估计算法导致的似真的数据误差。图16图示了用于图15的网络模型的正确拓扑。图17是用于图15和16的示例的三母线网络的分支限界最优化树。图18图示了四母线网络模型的非排他性的示例性示例，该四母线网络模型被识别用于分析以识别其中例如由于不收敛的状态估计算法导致的似真的数据误差。图19图示了用于图18的网络模型的正确拓扑。图20是与图18和19的那些相似的四母线网络模型，示出了在四母线之间所有可能的线连接。图21是用于图18和19的示例的四母线网络的分支限界最优化树。图22图示了用于图18和19示例的四母线网络模型的可行解决方案。图23图示了用于图18和19示例的四母线网络模型的另一个可行解决方案。
具体实施例方式如下将更全面地说明，所公开的方法包括两个部分。在第一部分中，通过依次的如下操作来执行递归的组合的不良数据和拓扑检测来，这些操作是:将网络模型划分或分割成多个松散连接的分区或部分，并且在部分或分区的每一个上执行诸如状态估计算法等算法以检查其收敛。这里使用的收敛以及相反的不收敛的含义将在以下更加全面的阐述。继续该过程直到识别出网络模型的引起状态估计不收敛的区域或部分，该不收敛可能是由于包括诸如不良参数、不良测量数据、和/或不良静态/动态拓扑的不良数据的那些部分所导致的。因此，第一部分识别网络模型的潜在的成问题的部分。在第二部分中，更详细地审查或检查在第一部分中识别的部分以识别那些部分中的问题的似真的说明，诸如在识别的部分中的似真的静态数据误差。在第一部分执行的中依次的划分或分割可以使得在第二部分完成的详细的审查更加在计算机上可行。例如，由于第一部分去除了网络模型的考虑的没有问题的(即收敛的)部分，因此第二部分仅需要检查网络模型的识别的部分，其大小可能远小于整个系统网络模型。如可以被理解的，识别过程不受发散/不收敛问题的影响，这在实时环境中是很有价值的。此外，所公开方法的第一部分不是被发散/不收敛问题阻碍或阻止，而是使用网络模型的发散/不收敛以及它的各个部分作为识别有问题部分的方式。因此，该方法例如在建模误差可能足够严重使得状态态估计不收敛的新的状态估计器的调试期间可能是有用的。尤其是，与例如残差分析的状态估计误差检测的各种后处理方法不同，它们可能要求状态估计收敛以便检测误差，所公开的方法甚至当状态估计器不收敛时检测模型和拓扑误差。在图1的100处的流程图中示意性地图示了用于检测网络模型数据误差的过程或方法的排他性的示例性示例。虽然方法的动作可以按以下给出的顺序执行，但是对于下述动作(单独的或者以各种组合形式)，在其他下述动作的任一个之前和/或之后执行在本公开内容的范围之内。图示的方法100包括第一部分102，其包括定位网络模型诸如状态估计算法等算法对其不收敛的一个部分或多个部分，以及第二部分104，其包括检查定位的一个或多个部分以识别其中似真的数据误差。在一些示例中，所公开的方法可以用于检测用于电力系统状态估计的测量和网络模型中的误差，例如用于ESM或DMS系统中。作为式例，该方法100可用于检测至少静态数据误差，例如不正确的静态拓扑假设或用于电力系统状态估计的网络模型中的静态拓扑误差。如下将会更充分的阐述的，第一部分102可使用状态估计的收敛或不收敛以定位或识别状态估计器输入中的误差，诸如错误连接的或定义的测量或者不正确的静态拓扑。特别地，第一部分102可以通过将网络模型分割成状态估计在其上单独执行的两个或多个子区域的递归过程的方式来定位或识别网络模型的引起状态估计不收敛的部分或子区域。如可以理解的，用于网络模型的依次识别的包含建模或其他误差的子区域的状态估计将继续是不收敛的，而没有建模误差的子区域将开始收敛。网络模型的收敛的子区域可以被丢弃，而仍然不收敛的子区域可以再次使用相同的过程进行分析。因此，第一部分102的执行可以将配置或其它误差局部化到网络模型中的少数节点(可能对应于变电站或者母线)之内，在该点处，第二部分104或手动检查可以用来识别特别的误差。在图1的110处的流程图中示意性地图示了用于定位网络模型的算法对其不收敛的部分以例如实施方法100的第一部分102的过程或方法的非排他性的示例性示例。虽然方法的动作可以按以下给出的顺序执行，但是对于下述动作(单独的或者以各种组合形式)，在其他下述动作的任 一个之前和/或之后执行在本公开内容的范围之内。图示的方法110包括如在块112处所指示的，将网络模型分割成第一多个分区或部分；如在块114处所指示的，在所述部分的每个部分上执行算法；如在块116处所指示的，识别该算法对其被确定为是不收敛的部分；如在块116处所指示的，将所述识别的部分分割成第二多个部分。在一些示例中，在部分上执行的算法可以是状态估计算法。可以重复该执行、识别和对所识别的部分的分割直到最终识别的部分小于预定阈值。如在块120处所指示的，一旦最终识别的部分小于预定阈值，可以检查最终识别的部分以识别其中的似真的数据误差，如在120处所示。可以使用诸如基于数学图论的方法等任何合适的方法来划分或分割网络模型。在一些示例中，分割方法可以以最小化不同区域之间连接数目的方式来划分或分割网络模型，因此最终的部分可以是松散连接的系统。在一些示例中，分割方法可以以最小化或避免没有潮流测量的分支上切割的方式来划分或分割网络模型。在这里公开的示例中，使用在由JoSo Hespanha等人所著的题为“An efficientMATLAB Algorithm for Graph Partitioning，，(University of California, 2004年 10 月，可从 http: //www.ece.ucsb.edu/ hespanha/techreps.html 获 导)白勺技术 艮告中阐述白勺“谱分解”的方法将网络模型分割成多个部分，处于各种目的通过引用将其完整的公开内容结合于此。随着所公开的示例利用网络的双向划分，网络模型的依次划分或分割的每一个可以是双路(b1-way)或k路(k_way)的。在所利用的“谱分解”方法下，图划分问题试图找到k_分区P，其最小化与P相关的成本C(P)的，同时分区中没有单元具有多于L的顶点，其中L = N/k, N是图的顶点的数目，并且k是分区的数目。对于无向图G= (V，E)，对于顶点集V和边集E，V的k-分区是V的k个不相交的子集的集合P = {VI, V2,..., Vk}。与P相关联的成本c (p)定义为:
c{p)= [[c(v,v)(I)与每个节点相关联的成本被“标准化”，使得当一个节点的度是高时，则与它的边相关联的成本将是低的(平均而言):^c(v, v) = I(2)
veF所利用的“谱分解”方法是基于谱分解加k_均值聚类，其计算图邻接矩阵，如等式
(2)所标准化的,然后计算第一k特征向量U= [ul,u2,......，uk],令yi (i = 1,2,......,
η)是对应于U的第i行的母线，并且使用k-均值算法将母线聚类成簇Cl，...，ck。k-分区网络P包括在那些簇中的母线，如:划分的网络pi, p2,..., pk,有 Pi = {j Iyj = Cj (3)在图3中示意性地图示了例如以方法110的方式的递归的网络分割实现的非排他性的示例性示例。如图所示，如在132处所指示的，递归网络分割方法从用于整个网络模型的状态估计的执行期间已经检测到不收敛的情况在树130的顶端处开始。如在134和136处所指示的，然后将网络模型分割成第二和第三区域，并且对第二和第三区域的每一个执行新的状态估计。在图示的示例中，用于第三区域136的状态估计收敛，并且网络模型的该部分可以被丢弃。然而，用于第二区域134的状态估计仍然不收敛，并重复该过程，如在138和140处所指示的，第二区域13 4被分割成第四和第五区域，其，对于第四和第五区域中的每一个执行新的状态估计。在存在足以弓I起由特殊的分裂得到的区域的两个或全部的状态估计中的非收敛的示例中，如图3中的第四区域138，对于得到的第六和第七区域二者，分割过程可以持续，如在142和144处所指示的。网络分割方法可以继续进行直到状态估计不收敛的剩余区域中的每一个小于预定的节点数，节点对应于物理电力系统中的变电站或汇流条。最终区域的一个区域中的不收敛的实际原因可以在其被定位到网络模型的相对小的部分中之后手动或使用自动过程进行更详细地研究，这如将在以下关于方法100的第二部分104进行更充分地说明。在图4中阐述了诸如方法110的一个实现的递归的网络分割方法的伪代码。递归过程static_error_search执行针对区域(SO)的误差搜索,其可以在该过程的第一调用之前读入。函数eXeCUte_SE(S)调用SE(状态估计)解决方案引擎，并且函数split将网络描述分割成η个子区域。最终，print_results(sk)输出结果,例如以区域中的状态估计解决方案对其不收敛的节点数或分支数的形式。当每个区域小于预定阈值时，例如其中每个区域包含更少的节点或分支的特定预定数目(N)，停止网络的分割。标准的迭代加权最小二乘法(WLS)可能被用于状态估计，或者作为状态估计算法的一部分，如在以上所述的Abur和Mont i ce 11 i文中阐述的。涉及测量和状态向量的的WLS状态估计器方程为z = h (X) +W(4)其中z是(mXl))测量向量，h(x)是(mXl)个非线性函数向量，x是系统状态向量，并且w是测量误差向量。测量可以包括电力潮流、功率注入、无功和实际功率、以及母线电压幅度。WLS状态估计问题可以通过迭代方案来解决:G (xk) Δ xk = Ht (xk) R-1 Δ zk(5)其中
权利要求
1.一种用于检测网络模型数据误差的方法，所述方法包括: 将网络模型分割成第一多个部分； 在所述部分的每个部分上执行算法； 识别所述算法对于其被确定为是不收敛的部分； 将所述识别的部分分割成第二多个部分； 重复所述执行、识别以及对所述识别的部分的分割直到最终识别的部分小于预定阈值；以及 检查所述最终识别的部分以识别其中似真的数据误差。
2.如权利要求1所述的方法，其中所述网络模型数据误差是静态数据误差。
3.如权利要求2所述的方法，其中所述网络模型数据误差包括至少一个静态拓扑误差。
4.如权利要求2所述的方法，其中所述网络模型数据误差包括至少一个测量误差。
5.如权利要求1所述的方法，其中使用谱分解方法来执行对所述网络模型的分割和对所述识别的部分的分割中的至少一个。
6.如权利要求1所述的方法，其中对所述网络模型的分割和对所述识别的部分的分割中的至少一个最小化在各个第一多个部分和第二多个部分之间的多个连接。
7.如权利要求1所 述的方法，其中检查所述最终识别的部分包括: 假设多个测量和伪测量是正确的； 在所述最终识别的部分上执行修改的算法； 对于所述多个测量和伪测量中的每一个计算残差； 将所述多个测量和伪测量中的一个识别为对应于所述残差的最大者； 在所述最终的识别部分上重新执行所述修改的算法，其中从所述重新执行的修改的算法中排除所述多个测量和伪测量中的对应于所述残差的最大者的那一个；以及重复所述计算、识别和重新执行直到所述残差近似为零。
8.一种用于检测状态估计网络模型静态数据误差的方法，所述方法包括: 定位网络模型的状态估计算法对于其不收敛的部分；以及 在所述部分上执行修改的状态估计算法以识别其中似真的静态数据误差，其中所述修改的状态估计算法包括扩充的测量集。
9.如权利要求8所述的方法，其中所述扩充的测量集包括至少一个电力潮流伪测量。
10.如权利要求9所述的方法，其中所述至少一个电力潮流伪测量包括流过至少一条传输线路的有功功率和无功功率的至少一个。
11.如权利要求10所述的方法，其中所述修改的状态估计算法排除无功功率测量。
12.如权利要求11所述的方法，其中所述修改的状态估计算法仅考虑有功功率测量。
13.如权利要求8所述的方法，其中所述似真的静态数据误差通过标准化的基于残差的多个不良数据检测技术来识别。
14.如权利要求13所述的方法，其中所述标准化的基于残差的多个不良数据检测技术包括执行分支定界二叉树搜索。
15.如权利要求13所述的方法，其中所述标准化的基于残差的多个不良数据检测技术包括:假设测量和伪测量是正确的； 在所述部分上执行所述修改的状态估计； 对于所述测量和伪测量的每一个计算标准化的残差； 将所述测量和伪测量中的一个识别为对应于最大绝对标准化的残差；以及在所述部分上重新执行所述修改的状态估计算法，其中从所述重新执行的修改的修改状态估计算法中排除所述测量和伪测量中的对应于所述最大绝对标准化的残差的那一个。
16.如权利要求15所述的方法，包括重复所述计算、识别和重新执行直到所述标准化的残差近似为零。
17.如权利要求15所述的方法，其中定位网络模型的状态估计算法对于其不收敛的部分包括: 将所述网络模型分割成多个部分； 在所述多个部分的每个部分上执行所述状态估计算法； 识别所述多个部分的所述状态估计算法对于其被确定为不收敛的一个部分。
18.一种用于检测电力系统状态估计网络模型中的静态数据误差的方法，所述方法包括: 将所述网络模型分割成第一多个分区； 在所述分区的每个分区上执行状态估计算法；` 识别所述状态估计算法对其不收敛的分区； 将所述识别的分区分割成第二多个分区； 重复所述执行、识别以及对所述识别的分区的分割直到最终识别的分区小于节点的预定数目；以及 检查所述最终识别的分区以识别其中似真的静态数据误差。
19.如权利要求18所述的方法，其中所述状态估计算法包括迭代加权最小二乘法。
20.如权利要求18所述的方法，其中所述状态估计算法考虑包括有效和无功功率测量的多个测量。
21.如权利要求20所述的方法，其中检查所述最终识别的分区以识别其中静态数据误差包括: 在所述最终识别的分区上执行修改的状态估计算法，其中所述修改的状态估计算法包括用于至少一条传输线的有功电力潮流伪测量，并且所述修改的状态估计算法排除无功功率测量；以及 执行标准化的基于残差的多个不良数据检测技术。
22.如权利要求21所述的方法，其中所述标准化的基于残差的多个不良数据检测技术包括: 假设用于所述最终识别的分区的所有测量和伪测量是正确的； 在所述最终识别的分区上执行所述修改的状态估计算法； 对于所述测量和伪测量的每一个计算标准化的残差； 将所述测量和伪测量中的一个识别为对应于最大绝对标准化的残差； 在所述最终识别的分区上重新执行所述修改的状态估计算法，其中从所述重新执行的修改的状态估计算法中排除所述测量和伪测量中的对应于所述最大绝对标准化的残差的那一个；以及重复所述计算、识别 和重新执行直到所述标准化的残差近似为零。
全文摘要
本发明公开了一种用于检测网络模型数据误差的方法。在一些示例中，用于检测网络模型数据误差的方法可以包括将网络模型分割成第一多个部分，在所述部分的每个部分上执行算法，识别所述算法对其被确定为是不收敛的部分，将所述识别的部分分割成第二多个部分，重复执行、识别以及对识别的部分的分割直到最终识别的部分小于预定阈值，以及检查最终识别的部分以识别其中似真的数据误差。在一些示例中，检查最终识别的部分以识别其中似真的数据误差可以包括在所述识别的部分上执行修改的算法，该修改的算法可以包括扩充的测量集。
文档编号G06F17/10GK103154934SQ201180035954
公开日2013年6月12日 申请日期2011年6月11日 优先权日2010年6月11日
发明者V·唐德, E·斯科尔茨, M·拉森, 张艳, M·苏布拉曼伊恩, J·芬尼 申请人:Abb研究有限公司