电力系统不良数据辨识的研究

近半个世纪以来,以数字化为特征的计算机和通信技术逐渐在电力系统中得到了普及应用,使得电力系统调度控制的面貌发生了深刻的变革。在高度自动化的电力系统中,电气量和其它各种数据的准确采集与传输是电力系统继电保护和调度决策的基础。本文在电力系统的不良测量数据的识别方面展开研究,取得的主要成果如下: 提出了电压无功自动控制装置(VQC)中基于BP神经网络的不良数据识别方法。该方法利用变电站内高压侧和低压侧的有功、无功和电压之间的耦合关系,用正常运行的有功、无功和电压数据训练神经网络,然后利用经过训练的神经网络区分正常数据和不良数据。在神经网络的映射下,正常和包含有少量不良数据产生的会接近真实的测量数据,当有不良的测量数据时,通过比较就可以识别出不良的测量数据。仿真中首先根据变电站中VQC的运行控制特点建立了单台变压器不良数据辨识模型;其次针对该模型建立了基于改进BP神经网络的不良数据辨识估计器,并编制了相应的仿真程序,采用离线训练,实时在线辨识的方法辨识不良数据;最后通过对广东某变电站实际数据仿真计算,验证了该估计器的有效性、准确性,提高了变电站VQC运行的可靠性。 提出了自动电压控制系统(AVC)中基于支持向量机(SVM)的不良数据识别方法。该方法利用发电机机端母线电压、发电机出口无功、升压变和高厂变的有功和无功、升压变高压侧母线电压之间的相关性,用正常运行的有功、无功和电压数据训练建立支持向量机;然后利用经过训练支持向量机区分正常数据和不良数据。在支持向量机的映射下,正常和包含有少量不良数据的输入产生的输出会接近真实的测量数据,当有不良的测量数据时,通过比较就可以识别出不良测量数据。仿真中首先根据电力系统中AVC的运行控制特点建立了单台发电机不良数据辨识模型;其次针对该模型建立了基于支持向量机的不良数据辨识估计器,采用离线训练,实时在线辨识的方法辨识不良数据;最后通过对广东某发电厂实际数据仿真计算,验证了该估计器的准确性、快速性和鲁棒性,提高了地区电网AVC运行的可靠性。 提出了利用基于遗传算法优化的径向基函数神经网络识别变电站自动化系统中的虚假故障测量数据。测试表明,该方法分类误差的均方差小于正交最小二乘径向基函数神经网络,但由于该方法采用的是最小化均方差目标,它的分类能力有限。进一步采用以最小化最大误差为目标的有限长最小二乘支持向量机,能够高实时地准确识别虚假故障测量数据,具有一定的实用性。 由于变电站自动化系统中,断路器所在支路必定有互感器,提出了在变电站内利用电流测量数据的变化规律校验遥信量的规则,并利用变电站录波数据证明了该方法的可行性。