專利名稱：檢測狀態(tài)估計網(wǎng)絡(luò)模型數(shù)據(jù)誤差的制作方法
技術(shù)領(lǐng)域：
本發(fā)明公開內(nèi)容涉及狀態(tài)估計網(wǎng)絡(luò)模型，并且更具體地涉及檢測狀態(tài)估計網(wǎng)絡(luò)模
型數(shù)據(jù)誤差。
背景技術(shù)：
電力系統(tǒng)可能包括電力傳輸和分配網(wǎng)絡(luò)以及用于轉(zhuǎn)換電壓并且用于在網(wǎng)絡(luò)線路之間切換連接的變電站?？梢酝ㄟ^監(jiān)控與數(shù)據(jù)采集系統(tǒng)(SCADA)和/或能量管理系統(tǒng)(EMS)來監(jiān)控和/或管理電力系統(tǒng)中的發(fā)電和電力潮流。狀態(tài)估計可以用來提供系統(tǒng)的實時電力潮流狀態(tài)和建模表示，該系統(tǒng)例如電力系統(tǒng)或具有諸如用于在EMS、配電管理系統(tǒng)(DMS)等系統(tǒng)中使用或與其一起使用的其它電力系統(tǒng)特性的系統(tǒng)或網(wǎng)絡(luò)。狀態(tài)評估給系統(tǒng)操作員提供用于環(huán)境感知和至其他應(yīng)用的輸入的系統(tǒng)狀態(tài)，例如應(yīng)急分析或電壓穩(wěn)定性分析。當與EMS—同使用時，狀態(tài)估計器基于電力系統(tǒng)模型和該領(lǐng)域的測量提供用于電力系統(tǒng)的狀態(tài)估計。狀態(tài)估計器基于關(guān)于系統(tǒng)的靜態(tài)和動態(tài)數(shù)據(jù)提供狀態(tài)估計。靜態(tài)數(shù)據(jù)可以包括名義拓撲模型或者網(wǎng)絡(luò)拓撲、測量的類型和放置以及測量值的符號。動態(tài)數(shù)據(jù)可以包括測量值、斷路器斷開/閉合狀態(tài)(或該領(lǐng)域的其他開關(guān)類型)和指示信號。網(wǎng)絡(luò)拓撲可以包括連接傳輸線以形成網(wǎng)絡(luò)的方式，以及在輸電系統(tǒng)的變電站中的開關(guān)的斷開/閉合狀態(tài)。連接傳輸線以形成網(wǎng)絡(luò)的方式可以定義靜態(tài)拓撲，因為傳輸線的連接在系統(tǒng)操作期間保持不變。在輸電系統(tǒng)的變電站中的斷路器和開關(guān)狀態(tài)可以定義動態(tài)拓撲，因為斷路器和開關(guān)狀態(tài)在系統(tǒng)操作期間可以在運行中改變。靜態(tài)數(shù)據(jù)或動態(tài)數(shù)據(jù)中的錯誤或誤差可能導致估計系統(tǒng)狀態(tài)中的偏差，產(chǎn)生不正確的解決方案，或?qū)е鹿烙嫚顟B(tài)的非收斂。例如，模型中的不正確假定的拓撲可能對于狀態(tài)估計解決方案質(zhì)量具有不利影響，因為網(wǎng)絡(luò)連接或電力系統(tǒng)的拓撲在定義系統(tǒng)模型時起作用。因此，靜態(tài)或動態(tài)拓撲描述中的任何誤差，如在EMS數(shù)據(jù)庫中假定的，可能會導致拓撲誤差。動態(tài)數(shù)據(jù)中的誤差可能包括模擬測量中的誤差以及由于斷路器和/或開關(guān)不正確假定的斷開/閉合狀態(tài)導致在動態(tài)拓撲中的誤差。靜態(tài)數(shù)據(jù)中的誤差可能包括不正確的參數(shù)或數(shù)據(jù)，以及不正確的靜態(tài)拓撲。不正確的靜態(tài)拓撲可能包括與傳輸線連接、測量的類型或放置、或測量值的信號相關(guān)的錯誤的假設(shè)。在EP1783499和US7069159中公開了狀態(tài)估計的示例。關(guān)于電力系統(tǒng)狀態(tài)估計的進一步的細節(jié)在由A.Abur和A.G.Exp0sito所著的題為“Power System StateEstimation:Theory and Implementation，，(Marcel Dekker, New York, 2004)以 及由 A.Monticelli 所著的題為“State Estimation in Electric Power Systems:AGeneralized Approach,，，(Kluwer Academic Publishers, Boston, 1999)的教科書中進行了解釋。出于各種目的將這些以及文本引用的所有其他出版物的公開內(nèi)容通過整體引用結(jié)合于此。

發(fā)明內(nèi)容
在一些實施例中，用于檢測網(wǎng)絡(luò)模型數(shù)據(jù)誤差的方法可以包括將網(wǎng)絡(luò)模型分割成第一多個部分，在所述部分的每一個部分上執(zhí)行算法，識別所述算法對其被確定為不收斂的部分，將所識別的部分分割成第二多個部分，重復(fù)所述執(zhí)行、識別以及對所識別的部分的分割直到最終識別的部分小于預(yù)定閾值，以及檢查最終識別的部分以識別其中似真的數(shù)據(jù)誤差。在一些示例中，用于檢測狀態(tài)估計網(wǎng)絡(luò)模型靜態(tài)數(shù)據(jù)誤差的方法可以包括定位網(wǎng)絡(luò)模型的狀態(tài)估計算法對于其不收斂的部分，以及在該部分上執(zhí)行修改的狀態(tài)估計算法以識別其中的似真的靜態(tài)數(shù)據(jù)誤差。所述修改的狀態(tài)估計算法可以包括擴充的測量集。在一些示例中，用于檢測電力系統(tǒng)狀態(tài)估計網(wǎng)絡(luò)模型中的靜態(tài)數(shù)據(jù)誤差的方法可以包括將網(wǎng)絡(luò)模型分割成第一多個分區(qū)，在所述分區(qū)的每個分區(qū)上執(zhí)行狀態(tài)估計算法，識別狀態(tài)估計算法對其不收斂的分區(qū)，將識別的分區(qū)分割成第二多個分區(qū)，重復(fù)所述執(zhí)行、識別和對所識別的分區(qū)的分割直到最終識別的分區(qū)小于節(jié)點的預(yù)定數(shù)目，以及檢查最終識別的分區(qū)以識別其中似真的靜態(tài)數(shù)據(jù)錯誤。


圖1是示出了用于檢測諸如狀態(tài)估計網(wǎng)絡(luò)模型誤差的網(wǎng)絡(luò)模型數(shù)據(jù)誤差的方法的非排他性的示例性示例的流程圖。圖2是示出了用于定位網(wǎng)絡(luò)模型的算法對其不收斂的的部分的方法的非排他性的示例性示例的流程圖。圖3示意性地圖示了遞歸的網(wǎng)絡(luò)分割方法(例如圖2所圖示的方法)的實現(xiàn)的非排他性的示例性示例。圖4是遞歸的網(wǎng)絡(luò)分割方法(例如圖2所圖示的方法)的偽代碼。圖5圖示了在網(wǎng)絡(luò)模型劃分期間在邊界母線的測量變換。圖6圖示了在網(wǎng)絡(luò)模型劃分期間在邊界母線的另一種測量變換。圖7是用于所公開的方法可以在其上執(zhí)行的示例網(wǎng)絡(luò)模型的單線圖，示出了負載的位置、生成和分配的測量。圖8圖示了在母線6和7之間的分支上的誤差的非排他性示例性示例，母線6和7可以被包括在圖7中的網(wǎng)絡(luò)模型中以便和在圖9-12圖示的示例一起使用。圖9-12圖示了遞歸的網(wǎng)絡(luò)分割方法的非排他性的示例性示例的實施。圖13是圖9-12中圖示的示例的迭代結(jié)果表格。圖14是示出了用于檢查定位的網(wǎng)絡(luò)模型的部分或多個部分以識別其中的似真的數(shù)據(jù)誤差的方法的非排他性的示例性示例的流程圖。
圖15圖示了三母線網(wǎng)絡(luò)模型的非排他性的示例性示例，該三母線網(wǎng)絡(luò)模型被識別用于分析以識別其中例如由于不收斂的狀態(tài)估計算法導致的似真的數(shù)據(jù)誤差。圖16圖示了用于圖15的網(wǎng)絡(luò)模型的正確拓撲。圖17是用于圖15和16的示例的三母線網(wǎng)絡(luò)的分支限界最優(yōu)化樹。圖18圖示了四母線網(wǎng)絡(luò)模型的非排他性的示例性示例，該四母線網(wǎng)絡(luò)模型被識別用于分析以識別其中例如由于不收斂的狀態(tài)估計算法導致的似真的數(shù)據(jù)誤差。圖19圖示了用于圖18的網(wǎng)絡(luò)模型的正確拓撲。圖20是與圖18和19的那些相似的四母線網(wǎng)絡(luò)模型，示出了在四母線之間所有可能的線連接。圖21是用于圖18和19的示例的四母線網(wǎng)絡(luò)的分支限界最優(yōu)化樹。圖22圖示了用于圖18和19示例的四母線網(wǎng)絡(luò)模型的可行解決方案。圖23圖示了用于圖18和19示例的四母線網(wǎng)絡(luò)模型的另一個可行解決方案。
具體實施例方式如下將更全面地說明，所公開的方法包括兩個部分。在第一部分中，通過依次的如下操作來執(zhí)行遞歸的組合的不良數(shù)據(jù)和拓撲檢測來，這些操作是:將網(wǎng)絡(luò)模型劃分或分割成多個松散連接的分區(qū)或部分，并且在部分或分區(qū)的每一個上執(zhí)行諸如狀態(tài)估計算法等算法以檢查其收斂。這里使用的收斂以及相反的不收斂的含義將在以下更加全面的闡述。繼續(xù)該過程直到識別出網(wǎng)絡(luò)模型的引起狀態(tài)估計不收斂的區(qū)域或部分，該不收斂可能是由于包括諸如不良參數(shù)、不良測量數(shù)據(jù)、和/或不良靜態(tài)/動態(tài)拓撲的不良數(shù)據(jù)的那些部分所導致的。因此，第一部分識別網(wǎng)絡(luò)模型的潛在的成問題的部分。在第二部分中，更詳細地審查或檢查在第一部分中識別的部分以識別那些部分中的問題的似真的說明，諸如在識別的部分中的似真的靜態(tài)數(shù)據(jù)誤差。在第一部分執(zhí)行的中依次的劃分或分割可以使得在第二部分完成的詳細的審查更加在計算機上可行。例如，由于第一部分去除了網(wǎng)絡(luò)模型的考慮的沒有問題的(即收斂的)部分，因此第二部分僅需要檢查網(wǎng)絡(luò)模型的識別的部分，其大小可能遠小于整個系統(tǒng)網(wǎng)絡(luò)模型。如可以被理解的，識別過程不受發(fā)散/不收斂問題的影響，這在實時環(huán)境中是很有價值的。此外，所公開方法的第一部分不是被發(fā)散/不收斂問題阻礙或阻止，而是使用網(wǎng)絡(luò)模型的發(fā)散/不收斂以及它的各個部分作為識別有問題部分的方式。因此，該方法例如在建模誤差可能足夠嚴重使得狀態(tài)態(tài)估計不收斂的新的狀態(tài)估計器的調(diào)試期間可能是有用的。尤其是，與例如殘差分析的狀態(tài)估計誤差檢測的各種后處理方法不同，它們可能要求狀態(tài)估計收斂以便檢測誤差，所公開的方法甚至當狀態(tài)估計器不收斂時檢測模型和拓撲誤差。在圖1的100處的流程圖中示意性地圖示了用于檢測網(wǎng)絡(luò)模型數(shù)據(jù)誤差的過程或方法的排他性的示例性示例。雖然方法的動作可以按以下給出的順序執(zhí)行，但是對于下述動作(單獨的或者以各種組合形式)，在其他下述動作的任一個之前和/或之后執(zhí)行在本公開內(nèi)容的范圍之內(nèi)。圖示的方法100包括第一部分102，其包括定位網(wǎng)絡(luò)模型諸如狀態(tài)估計算法等算法對其不收斂的一個部分或多個部分，以及第二部分104，其包括檢查定位的一個或多個部分以識別其中似真的數(shù)據(jù)誤差。在一些示例中，所公開的方法可以用于檢測用于電力系統(tǒng)狀態(tài)估計的測量和網(wǎng)絡(luò)模型中的誤差，例如用于ESM或DMS系統(tǒng)中。作為式例，該方法100可用于檢測至少靜態(tài)數(shù)據(jù)誤差，例如不正確的靜態(tài)拓撲假設(shè)或用于電力系統(tǒng)狀態(tài)估計的網(wǎng)絡(luò)模型中的靜態(tài)拓撲誤差。如下將會更充分的闡述的，第一部分102可使用狀態(tài)估計的收斂或不收斂以定位或識別狀態(tài)估計器輸入中的誤差，諸如錯誤連接的或定義的測量或者不正確的靜態(tài)拓撲。特別地，第一部分102可以通過將網(wǎng)絡(luò)模型分割成狀態(tài)估計在其上單獨執(zhí)行的兩個或多個子區(qū)域的遞歸過程的方式來定位或識別網(wǎng)絡(luò)模型的引起狀態(tài)估計不收斂的部分或子區(qū)域。如可以理解的，用于網(wǎng)絡(luò)模型的依次識別的包含建?；蚱渌`差的子區(qū)域的狀態(tài)估計將繼續(xù)是不收斂的，而沒有建模誤差的子區(qū)域?qū)㈤_始收斂。網(wǎng)絡(luò)模型的收斂的子區(qū)域可以被丟棄，而仍然不收斂的子區(qū)域可以再次使用相同的過程進行分析。因此，第一部分102的執(zhí)行可以將配置或其它誤差局部化到網(wǎng)絡(luò)模型中的少數(shù)節(jié)點(可能對應(yīng)于變電站或者母線)之內(nèi)，在該點處，第二部分104或手動檢查可以用來識別特別的誤差。在圖1的110處的流程圖中示意性地圖示了用于定位網(wǎng)絡(luò)模型的算法對其不收斂的部分以例如實施方法100的第一部分102的過程或方法的非排他性的示例性示例。雖然方法的動作可以按以下給出的順序執(zhí)行，但是對于下述動作(單獨的或者以各種組合形式)，在其他下述動作的任 一個之前和/或之后執(zhí)行在本公開內(nèi)容的范圍之內(nèi)。圖示的方法110包括如在塊112處所指示的，將網(wǎng)絡(luò)模型分割成第一多個分區(qū)或部分；如在塊114處所指示的，在所述部分的每個部分上執(zhí)行算法；如在塊116處所指示的，識別該算法對其被確定為是不收斂的部分；如在塊116處所指示的，將所述識別的部分分割成第二多個部分。在一些示例中，在部分上執(zhí)行的算法可以是狀態(tài)估計算法?？梢灾貜?fù)該執(zhí)行、識別和對所識別的部分的分割直到最終識別的部分小于預(yù)定閾值。如在塊120處所指示的，一旦最終識別的部分小于預(yù)定閾值，可以檢查最終識別的部分以識別其中的似真的數(shù)據(jù)誤差，如在120處所示?？梢允褂弥T如基于數(shù)學圖論的方法等任何合適的方法來劃分或分割網(wǎng)絡(luò)模型。在一些示例中，分割方法可以以最小化不同區(qū)域之間連接數(shù)目的方式來劃分或分割網(wǎng)絡(luò)模型，因此最終的部分可以是松散連接的系統(tǒng)。在一些示例中，分割方法可以以最小化或避免沒有潮流測量的分支上切割的方式來劃分或分割網(wǎng)絡(luò)模型。在這里公開的示例中，使用在由JoSo Hespanha等人所著的題為“An efficientMATLAB Algorithm for Graph Partitioning，，(University of California, 2004年 10 月，可從 http: //www.ece.ucsb.edu/ hespanha/techreps.html 獲 導)白勺技術(shù) 艮告中闡述白勺“譜分解”的方法將網(wǎng)絡(luò)模型分割成多個部分，處于各種目的通過引用將其完整的公開內(nèi)容結(jié)合于此。隨著所公開的示例利用網(wǎng)絡(luò)的雙向劃分，網(wǎng)絡(luò)模型的依次劃分或分割的每一個可以是雙路(b1-way)或k路(k_way)的。在所利用的“譜分解”方法下，圖劃分問題試圖找到k_分區(qū)P，其最小化與P相關(guān)的成本C(P)的，同時分區(qū)中沒有單元具有多于L的頂點，其中L = N/k, N是圖的頂點的數(shù)目，并且k是分區(qū)的數(shù)目。對于無向圖G= (V，E)，對于頂點集V和邊集E，V的k-分區(qū)是V的k個不相交的子集的集合P = {VI, V2,..., Vk}。與P相關(guān)聯(lián)的成本c (p)定義為:
c{p)= [[c(v,v)(I)與每個節(jié)點相關(guān)聯(lián)的成本被“標準化”，使得當一個節(jié)點的度是高時，則與它的邊相關(guān)聯(lián)的成本將是低的(平均而言):^c(v, v) = I(2)
veF所利用的“譜分解”方法是基于譜分解加k_均值聚類，其計算圖鄰接矩陣，如等式
(2)所標準化的,然后計算第一k特征向量U= [ul,u2,......，uk],令yi (i = 1,2,......,
η)是對應(yīng)于U的第i行的母線，并且使用k-均值算法將母線聚類成簇Cl，...，ck。k-分區(qū)網(wǎng)絡(luò)P包括在那些簇中的母線，如:劃分的網(wǎng)絡(luò)pi, p2,..., pk,有 Pi = {j Iyj = Cj (3)在圖3中示意性地圖示了例如以方法110的方式的遞歸的網(wǎng)絡(luò)分割實現(xiàn)的非排他性的示例性示例。如圖所示，如在132處所指示的，遞歸網(wǎng)絡(luò)分割方法從用于整個網(wǎng)絡(luò)模型的狀態(tài)估計的執(zhí)行期間已經(jīng)檢測到不收斂的情況在樹130的頂端處開始。如在134和136處所指示的，然后將網(wǎng)絡(luò)模型分割成第二和第三區(qū)域，并且對第二和第三區(qū)域的每一個執(zhí)行新的狀態(tài)估計。在圖示的示例中，用于第三區(qū)域136的狀態(tài)估計收斂，并且網(wǎng)絡(luò)模型的該部分可以被丟棄。然而，用于第二區(qū)域134的狀態(tài)估計仍然不收斂，并重復(fù)該過程，如在138和140處所指示的，第二區(qū)域13 4被分割成第四和第五區(qū)域，其，對于第四和第五區(qū)域中的每一個執(zhí)行新的狀態(tài)估計。在存在足以弓I起由特殊的分裂得到的區(qū)域的兩個或全部的狀態(tài)估計中的非收斂的示例中，如圖3中的第四區(qū)域138，對于得到的第六和第七區(qū)域二者，分割過程可以持續(xù)，如在142和144處所指示的。網(wǎng)絡(luò)分割方法可以繼續(xù)進行直到狀態(tài)估計不收斂的剩余區(qū)域中的每一個小于預(yù)定的節(jié)點數(shù)，節(jié)點對應(yīng)于物理電力系統(tǒng)中的變電站或匯流條。最終區(qū)域的一個區(qū)域中的不收斂的實際原因可以在其被定位到網(wǎng)絡(luò)模型的相對小的部分中之后手動或使用自動過程進行更詳細地研究，這如將在以下關(guān)于方法100的第二部分104進行更充分地說明。在圖4中闡述了諸如方法110的一個實現(xiàn)的遞歸的網(wǎng)絡(luò)分割方法的偽代碼。遞歸過程static_error_search執(zhí)行針對區(qū)域(SO)的誤差搜索,其可以在該過程的第一調(diào)用之前讀入。函數(shù)eXeCUte_SE(S)調(diào)用SE(狀態(tài)估計)解決方案引擎，并且函數(shù)split將網(wǎng)絡(luò)描述分割成η個子區(qū)域。最終，print_results(sk)輸出結(jié)果,例如以區(qū)域中的狀態(tài)估計解決方案對其不收斂的節(jié)點數(shù)或分支數(shù)的形式。當每個區(qū)域小于預(yù)定閾值時，例如其中每個區(qū)域包含更少的節(jié)點或分支的特定預(yù)定數(shù)目(N)，停止網(wǎng)絡(luò)的分割。標準的迭代加權(quán)最小二乘法(WLS)可能被用于狀態(tài)估計，或者作為狀態(tài)估計算法的一部分，如在以上所述的Abur和Mont i ce 11 i文中闡述的。涉及測量和狀態(tài)向量的的WLS狀態(tài)估計器方程為z = h (X) +W(4)其中z是(mXl))測量向量，h(x)是(mXl)個非線性函數(shù)向量，x是系統(tǒng)狀態(tài)向量，并且w是測量誤差向量。測量可以包括電力潮流、功率注入、無功和實際功率、以及母線電壓幅度。WLS狀態(tài)估計問題可以通過迭代方案來解決:G (xk) Δ xk = Ht (xk) R-1 Δ zk(5)其中

權(quán)利要求
1.一種用于檢測網(wǎng)絡(luò)模型數(shù)據(jù)誤差的方法，所述方法包括: 將網(wǎng)絡(luò)模型分割成第一多個部分； 在所述部分的每個部分上執(zhí)行算法； 識別所述算法對于其被確定為是不收斂的部分； 將所述識別的部分分割成第二多個部分； 重復(fù)所述執(zhí)行、識別以及對所述識別的部分的分割直到最終識別的部分小于預(yù)定閾值；以及 檢查所述最終識別的部分以識別其中似真的數(shù)據(jù)誤差。
2.如權(quán)利要求1所述的方法，其中所述網(wǎng)絡(luò)模型數(shù)據(jù)誤差是靜態(tài)數(shù)據(jù)誤差。
3.如權(quán)利要求2所述的方法，其中所述網(wǎng)絡(luò)模型數(shù)據(jù)誤差包括至少一個靜態(tài)拓撲誤差。
4.如權(quán)利要求2所述的方法，其中所述網(wǎng)絡(luò)模型數(shù)據(jù)誤差包括至少一個測量誤差。
5.如權(quán)利要求1所述的方法，其中使用譜分解方法來執(zhí)行對所述網(wǎng)絡(luò)模型的分割和對所述識別的部分的分割中的至少一個。
6.如權(quán)利要求1所述的方法，其中對所述網(wǎng)絡(luò)模型的分割和對所述識別的部分的分割中的至少一個最小化在各個第一多個部分和第二多個部分之間的多個連接。
7.如權(quán)利要求1所 述的方法，其中檢查所述最終識別的部分包括: 假設(shè)多個測量和偽測量是正確的； 在所述最終識別的部分上執(zhí)行修改的算法； 對于所述多個測量和偽測量中的每一個計算殘差； 將所述多個測量和偽測量中的一個識別為對應(yīng)于所述殘差的最大者； 在所述最終的識別部分上重新執(zhí)行所述修改的算法，其中從所述重新執(zhí)行的修改的算法中排除所述多個測量和偽測量中的對應(yīng)于所述殘差的最大者的那一個；以及重復(fù)所述計算、識別和重新執(zhí)行直到所述殘差近似為零。
8.一種用于檢測狀態(tài)估計網(wǎng)絡(luò)模型靜態(tài)數(shù)據(jù)誤差的方法，所述方法包括: 定位網(wǎng)絡(luò)模型的狀態(tài)估計算法對于其不收斂的部分；以及 在所述部分上執(zhí)行修改的狀態(tài)估計算法以識別其中似真的靜態(tài)數(shù)據(jù)誤差，其中所述修改的狀態(tài)估計算法包括擴充的測量集。
9.如權(quán)利要求8所述的方法，其中所述擴充的測量集包括至少一個電力潮流偽測量。
10.如權(quán)利要求9所述的方法，其中所述至少一個電力潮流偽測量包括流過至少一條傳輸線路的有功功率和無功功率的至少一個。
11.如權(quán)利要求10所述的方法，其中所述修改的狀態(tài)估計算法排除無功功率測量。
12.如權(quán)利要求11所述的方法，其中所述修改的狀態(tài)估計算法僅考慮有功功率測量。
13.如權(quán)利要求8所述的方法，其中所述似真的靜態(tài)數(shù)據(jù)誤差通過標準化的基于殘差的多個不良數(shù)據(jù)檢測技術(shù)來識別。
14.如權(quán)利要求13所述的方法，其中所述標準化的基于殘差的多個不良數(shù)據(jù)檢測技術(shù)包括執(zhí)行分支定界二叉樹搜索。
15.如權(quán)利要求13所述的方法，其中所述標準化的基于殘差的多個不良數(shù)據(jù)檢測技術(shù)包括:假設(shè)測量和偽測量是正確的； 在所述部分上執(zhí)行所述修改的狀態(tài)估計； 對于所述測量和偽測量的每一個計算標準化的殘差； 將所述測量和偽測量中的一個識別為對應(yīng)于最大絕對標準化的殘差；以及在所述部分上重新執(zhí)行所述修改的狀態(tài)估計算法，其中從所述重新執(zhí)行的修改的修改狀態(tài)估計算法中排除所述測量和偽測量中的對應(yīng)于所述最大絕對標準化的殘差的那一個。
16.如權(quán)利要求15所述的方法，包括重復(fù)所述計算、識別和重新執(zhí)行直到所述標準化的殘差近似為零。
17.如權(quán)利要求15所述的方法，其中定位網(wǎng)絡(luò)模型的狀態(tài)估計算法對于其不收斂的部分包括: 將所述網(wǎng)絡(luò)模型分割成多個部分； 在所述多個部分的每個部分上執(zhí)行所述狀態(tài)估計算法； 識別所述多個部分的所述狀態(tài)估計算法對于其被確定為不收斂的一個部分。
18.一種用于檢測電力系統(tǒng)狀態(tài)估計網(wǎng)絡(luò)模型中的靜態(tài)數(shù)據(jù)誤差的方法，所述方法包括: 將所述網(wǎng)絡(luò)模型分割成第一多個分區(qū)； 在所述分區(qū)的每個分區(qū)上執(zhí)行狀態(tài)估計算法；` 識別所述狀態(tài)估計算法對其不收斂的分區(qū)； 將所述識別的分區(qū)分割成第二多個分區(qū)； 重復(fù)所述執(zhí)行、識別以及對所述識別的分區(qū)的分割直到最終識別的分區(qū)小于節(jié)點的預(yù)定數(shù)目；以及 檢查所述最終識別的分區(qū)以識別其中似真的靜態(tài)數(shù)據(jù)誤差。
19.如權(quán)利要求18所述的方法，其中所述狀態(tài)估計算法包括迭代加權(quán)最小二乘法。
20.如權(quán)利要求18所述的方法，其中所述狀態(tài)估計算法考慮包括有效和無功功率測量的多個測量。
21.如權(quán)利要求20所述的方法，其中檢查所述最終識別的分區(qū)以識別其中靜態(tài)數(shù)據(jù)誤差包括: 在所述最終識別的分區(qū)上執(zhí)行修改的狀態(tài)估計算法，其中所述修改的狀態(tài)估計算法包括用于至少一條傳輸線的有功電力潮流偽測量，并且所述修改的狀態(tài)估計算法排除無功功率測量；以及 執(zhí)行標準化的基于殘差的多個不良數(shù)據(jù)檢測技術(shù)。
22.如權(quán)利要求21所述的方法，其中所述標準化的基于殘差的多個不良數(shù)據(jù)檢測技術(shù)包括: 假設(shè)用于所述最終識別的分區(qū)的所有測量和偽測量是正確的； 在所述最終識別的分區(qū)上執(zhí)行所述修改的狀態(tài)估計算法； 對于所述測量和偽測量的每一個計算標準化的殘差； 將所述測量和偽測量中的一個識別為對應(yīng)于最大絕對標準化的殘差； 在所述最終識別的分區(qū)上重新執(zhí)行所述修改的狀態(tài)估計算法，其中從所述重新執(zhí)行的修改的狀態(tài)估計算法中排除所述測量和偽測量中的對應(yīng)于所述最大絕對標準化的殘差的那一個；以及重復(fù)所述計算、識別 和重新執(zhí)行直到所述標準化的殘差近似為零。
全文摘要
本發(fā)明公開了一種用于檢測網(wǎng)絡(luò)模型數(shù)據(jù)誤差的方法。在一些示例中，用于檢測網(wǎng)絡(luò)模型數(shù)據(jù)誤差的方法可以包括將網(wǎng)絡(luò)模型分割成第一多個部分，在所述部分的每個部分上執(zhí)行算法，識別所述算法對其被確定為是不收斂的部分，將所述識別的部分分割成第二多個部分，重復(fù)執(zhí)行、識別以及對識別的部分的分割直到最終識別的部分小于預(yù)定閾值，以及檢查最終識別的部分以識別其中似真的數(shù)據(jù)誤差。在一些示例中，檢查最終識別的部分以識別其中似真的數(shù)據(jù)誤差可以包括在所述識別的部分上執(zhí)行修改的算法，該修改的算法可以包括擴充的測量集。
文檔編號G06F17/10GK103154934SQ201180035954
公開日2013年6月12日 申請日期2011年6月11日 優(yōu)先權(quán)日2010年6月11日
發(fā)明者V·唐德, E·斯科爾茨, M·拉森, 張艷, M·蘇布拉曼伊恩, J·芬尼 申請人:Abb研究有限公司