一种电网状态的检测方法、系统、计算机设备及存储介质与流程

1.本发明涉及智能电网的状态估计技术领域，特别是涉及一种电网状态的检测方法、系统、计算机设备及存储介质。


背景技术：

2.电力系统是现代社会中关键的社会基础服务设施，结构庞大且复杂，其可靠性和安全性对社会的稳定和发展具有重大影响力。当下的智能电网是由信息空间和物理空间相互融合组成，逐渐发展为通信系统和物理设备共同组成的复杂耦合网络系统。简化了电力的输送、分配和控制，但另一方面，也将信息系统特有的故障、网络风险引入智能电网，其主要会破坏电网的控制系统，从而威胁电网的安全运行，对电网的安全提出重大的挑战。
3.为了确保智能电网的稳定运行，就需要保证电网控制系统的正常运行。电网控制系统与状态估计(dc)密切相关，其需要获取各个量测单元的可靠的实时数据，用于对系统状态的实时估计，得到准确可靠的状态估计值，从而进行正确的调度操作。因此状态估计和量测数据的坏数据检测对智能电网的稳定运行至关重要。
4.现有基于残差的坏数据检测方法，都需要掌握智能电网系统拓扑结构矩阵h，以此求出状态估计量进而算出残差值r与阈值τ进行比较，来判断是否为正常数据。而电网系统拓扑结构矩阵h的传统构造方法，需要掌握节点注入有功功率、节点注入无功功率、支路有功功率和支路无功功率的信息，对其构成的向量矩阵通过求偏导可得，具体表达式如下：
[0005][0006]
式中，h(x)是电网系统拓扑结构矩阵，θ＝[θ1，θ2，...，θn]
t
是各节点的电压相位角，v＝[v1，v2，...，vn]
t
是各节点电压值，pi(x)＝[p1，p2，...，pn]
t
是节点注入有功功率组成的向量矩阵，qi(x)＝[q1，q2，...，qn]
t
是节点注入无功功率组成的向量矩阵，pf(x)＝[
…
，p
ij
，...]
t
是支路有功功率组成的向量矩阵，qf(x)＝[
…
，q
ij
，...]
t
是支路无功功率组成的向量矩阵。在求出电网系统拓扑结构矩阵h后，就可运用前文介绍的内容，使用基于残差r的目标函数极值检测法对量测数据进行检测，筛选出正常数据。


技术实现要素：

[0007]
本发明的目的在于，提出一种电网状态的检测方法、系统、计算机设备及存储介
质，实现对量测数据的检测和筛选，确保状态估计的准确性，进而实现电力系统稳定安全运行。
[0008]
一方面，提供一种电网状态的检测方法，包括：
[0009]
获得目标电网的量测值、与所述量测值对应的状态变量，将所有的量测值组成原始量测数据集，并将所有的状态变量组成状态变量集；
[0010]
根据所述原始量测数据集、所述状态变量集，通过预设的电力系统的测量模型确定所述目标电网对应的雅可比矩阵；
[0011]
根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量；并根据所述状态估计量确定状态估计量的极值；
[0012]
将状态估计量的极值与预设的判断阈值进行比较，判断所述量测数据是否为正常数据；当所述量测数据正常时，将所述目标电网评估为稳定。
[0013]
优选地，所述预设的电力系统的测量模型具体包括：
[0014]zt
＝h
past
x
t
v
t
[0015]
其中，z
t
表示原始量测数据集；t表示量测值的序号；x
t
表示状态变量集；v
t
表示高斯白噪声矩阵；h
past
表示电网雅可比矩阵。
[0016]
优选地，所述根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量，具体根据以下公式计算：
[0017][0018]
其中，表示目标电网的状态估计量；w表示权重矩阵。
[0019]
优选地，所述根据所述状态估计量确定状态估计量的极值，具体根据以下公式计算：
[0020][0021]
其中，表示状态估计量的极值。
[0022]
优选地，所述判断所述量测数据是否为正常数据具体包括：
[0023]
当所述状态估计量的极值小于预设的判断阈值时，判定所述量测数据为正常数据；
[0024]
如果所述状态估计量的极值大于等于预设的判断阈值时，判定所述量测数据为不正常数据，并对不正常数据进行筛除。
[0025]
另一方面，还提供一种电网状态的检测系统，用以实现所述电网状态的检测方法，包括：
[0026]
数据集获取模块，用以获得目标电网的量测值、与所述量测值对应的状态变量，将所有的量测值组成原始量测数据集，并将所有的状态变量组成状态变量集；
[0027]
计算模块，用以根据所述原始量测数据集、所述状态变量集，通过预设的电力系统的测量模型确定所述目标电网对应的雅可比矩阵；还用以根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量；并根据所述状态估计量确定状态估计量的极值；
[0028]
评估模块，用以将状态估计量的极值与预设的判断阈值进行比较，判断所述量测数据是否为正常数据；当所述量测数据正常时，将所述目标电网评估为稳定。
[0029]
优选地，所述计算模块还用于根据以下公式进行计算：
[0030]
根据以下所述预设的电力系统的测量模型计算，
[0031]zt
＝h
past
x
t
v
t
[0032]
其中，z
t
表示原始量测数据集；t表示量测值的序号；x
t
表示状态变量集；v
t
表示高斯白噪声矩阵；h
past
表示电网雅可比矩阵；
[0033]
根据以下公式计算所述目标电网的状态估计量，
[0034][0035]
其中，表示目标电网的状态估计量；w表示权重矩阵；
[0036]
根据以下公式计算状态估计量的极值：
[0037][0038]
其中，表示状态估计量的极值。
[0039]
优选地，所述评估模块还用于当所述状态估计量的极值小于预设的判断阈值时，判定所述量测数据为正常数据；
[0040]
如果所述状态估计量的极值大于等于预设的判断阈值时，判定所述量测数据为不正常数据，并对不正常数据进行筛除。
[0041]
另一方面，还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电网状态的检测方法的步骤。
[0042]
另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述电网状态的检测方法的步骤。
[0043]
综上，实施本发明的实施例，具有如下的有益效果：
[0044]
本发明提供的电网状态的检测方法、系统、计算机设备及存储介质，用基于past的新算法替换构造矩阵所使用的运算量很大的svd分解。可以在仅仅控制所有的测量单元的情况下，估计出智能电网系统线性处理后的雅可比矩阵h，从而实现对量测数据的检测和筛选，确保状态估计的准确性，实现电力系统稳定安全运行。
附图说明
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0046]
图1为本发明实施例中一种电网状态的检测方法的主流程示意图。
[0047]
图2为本发明实施例中一种电网状态的检测系统的示意图。
[0048]
图3为本发明实施例中一种ieee14-bus系统的示意图。
[0049]
图4为本发明实施例中正常数据仿真实验示意图。
[0050]
图5为本发明实施例中异常数据仿真实验示意图。
具体实施方式
[0051]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0052]
如图1所示，为本发明提供的一种电网状态的检测方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
[0053]
获得目标电网的量测值、与所述量测值对应的状态变量，将所有的量测值组成原始量测数据集，并将所有的状态变量组成状态变量集；也就是，令量测数据集为z
t
＝[z1，z2，...，z
t-1
，z
t
]，z
t
是m
×
t维矩阵；状态变量数据集为x
t
＝[x1，x2，
…
，x
t-1
，x
t
]，x
t
是n
×
t
维矩阵；v
t
＝[v1，v2，
…
，v
t-1
，v
t
]。
[0054]
进一步的，根据所述原始量测数据集、所述状态变量集，通过预设的电力系统的测量模型确定所述目标电网对应的雅可比矩阵；也就是，为了方便处理，提出所有节点的电压幅值都为额定电压值、电路无损忽略电导值、各支路两端节点的相位差小这三种假设，将非线性的测量函数转化为线性的测量函数，并选择正常稳定运行的直流电力系统，则电力系统的测量模型可以表示为：
[0055]
z＝hx v
[0056]
其中，z是m维测量值向量，包含节点注入的有功功率以及节点之间的有功功率；h是m
×
n维测量雅可比矩阵，包含着电网的拓扑信息；x是n维状态向量，包含各节点的电压相位角；v是服从高斯分布的n维噪声向量。可以在已知原始量测数据集、状态变量集的情况下，计算出目标电网对应的雅可比矩阵进而计算目标电网的状态估计量。
[0057]
具体实施例中，由上述的内容可对应的堆到出预设的电力系统的测量模型具体包括：
[0058]zt
＝h
past
x
t
v
t
[0059]
其中，z
t
表示原始量测数据集；t表示量测值的序号；x
t
表示状态变量集；v
t
表示高斯白噪声矩阵；h
past
表示电网雅可比矩阵。z
t
是m维测量值向量；h
past
是m
×
n维测量雅可比矩阵；x
t
是n维状态向量。
[0060]
进一步的，根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量；并根据所述状态估计量确定状态估计量的极值。
[0061]
具体实施例中，具体根据以下公式计算所述目标电网的状态估计量：
[0062][0063]
其中，表示目标电网的状态估计量；w表示权重矩阵。h
past
矩阵的生成过程可以分为五步：选择合适的p(0)和h(0)，t＝1；输入z(t)，更新y(t)；利用rls算法，更新g(t)、h(t)、p(t)和e(t)；更新特征向量矩阵h(t)；若t＜n
t
(样本数目)，则t＝t 1，且返回输入z(t)，更新y(t)继续执行；否则结束循环，输出h(t)。此时输出的h(t)就是估计出的电网雅可比矩阵h
past
。
[0064]
具体地，根据以下公式计算状态估计量的极值：
[0065][0066]
其中，表示状态估计量的极值。也就是，对量测数据进行基于残差值的
检测方法。其中，残差r的表达式为：
[0067][0068]
s＝i-h(h
t
wh)-1htw[0069]
式中的s是m
×
m维残差灵敏度矩阵，i是单位矩阵；z是m维测量值向量；h是m
×
n维测量雅可比矩阵；x是n维状态向量；w是权重矩阵。
[0070]
由于系统的n维噪声向量v服从高斯分布，因此残差r也应该服从高斯分布，那么应该服从χ2分布。因为状态变量的个数为n，测量值的个数为m，所以目标函数极值将会服从自由度为(m-n)的χ2分布，阈值τ可根据具体的置信水平查表获得。
[0071]
要实现基于残差的坏数据检测，其关键就是成功获得或是成功估计出近似的电力系统雅可比矩阵h。运用通信领域里盲信道估计的知识，使用基于投影逼近子空间跟踪算法，在控制所有测量单元的情况下，可以估计出电网系统的雅可比矩阵，进而实现对坏数据的检测和筛选。
[0072]
投影逼近子空间跟踪算法(past)的核心内容是把组成矩阵的特征向量的估计问题转化为求解代价函数j(h)最小值的无约束最优化问题。
[0073]
代价函数j(h)为：
[0074]
j(h)＝e||z-hhhz||2[0075]
＝tr(r)-2tr(hhrh) tr(hhrhhhh)
[0076]
其中，h是m
×
n维电网拓扑结构矩阵，z是m维量测数据向量，r＝e[z(t)zh(t)]是量测数据的相关矩阵。采用投影逼近子空间跟踪算法(past)估计出来的电网雅可比矩阵为h
past
。
[0077]
实际求解中，使用迭代的方式来实现代价函数j(h)的最小化，用y(i)＝hh(i-1)z(i)来近似表示z(i)到h(t)列向量的投影，则代价函数又可以表示为：
[0078][0079]
其中，β是遗忘因子，0＜β＜1。当j
′
(h(t))取得最小值时，所得h(t)是量测数据的相关矩阵r的良好估计，可当作电网近似拓扑结构矩阵：
[0080]
h(t)＝r
xy
(t)r
yy-1
(t)
[0081]rxy
(t)＝βr
xy
(t-1) z(t)yh(t)
[0082]ryy
(t)＝βr
yy
(t-1) y(t)yh(t)
[0083]
式中，r
yy-1
(t)采用矩阵求逆公式，利用rls算法来解决。令r
yy-1
(t)＝p(t)，则：
[0084][0085]
令
[0086][0087]
h(k)＝p(t-1)y(t)
[0088]
则可写为：
[0089][0090]
由先验信息得估计误差：
[0091]
e(t)＝z(t)-w(t-1)y(t)
[0092]
所以，h(t)的递推公式为：
[0093]
h(t)＝h(t-1) e(t)gh(t)。
[0094]
进一步的，将状态估计量的极值与预设的判断阈值进行比较，判断所述量测数据是否为正常数据；当所述量测数据正常时，将所述目标电网评估为稳定。也就是，目标函数极值检测法就是根据的性质，利用χ2分布的假设检验方法来进行不良数据筛选的检测。
[0095]
具体实施例中，当所述状态估计量的极值小于预设的判断阈值时，判定所述量测数据为正常数据；如果所述状态估计量的极值大于等于预设的判断阈值时，判定所述量测数据为不正常数据，并对不正常数据进行筛除。也就是，如果极值j(x^_ls)＜τ，此量测数据为正常数据；如果极值j(x^_ls)≥τ，此量测数据为坏数据，需要被筛除。
[0096]
如图2所示，为本发明提供的一种电网状态的检测系统的一个实施例的示意图。在该实施例中，所述系统用以实现所述电网状态的检测方法，包括：
[0097]
数据集获取模块，用以获得目标电网的量测值、与所述量测值对应的状态变量，将所有的量测值组成原始量测数据集，并将所有的状态变量组成状态变量集；
[0098]
计算模块，用以根据所述原始量测数据集、所述状态变量集，通过预设的电力系统的测量模型确定所述目标电网对应的雅可比矩阵；还用以根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量；并根据所述状态估计量确定状态估计量的极值；
[0099]
具体地，所述计算模块还用于根据以下公式进行计算：
[0100]
根据以下所述预设的电力系统的测量模型计算，
[0101]zt
＝h
past
x
t
v
t
[0102]
其中，z
t
表示原始量测数据集；t表示量测值的序号；x
t
表示状态变量集；v
t
表示高斯白噪声矩阵；h
past
表示电网雅可比矩阵；
[0103]
根据以下公式计算所述目标电网的状态估计量，
[0104][0105]
其中，表示目标电网的状态估计量；w表示权重矩阵；
[0106]
根据以下公式计算状态估计量的极值：
[0107][0108]
其中，表示状态估计量的极值。
[0109]
评估模块，用以将状态估计量的极值与预设的判断阈值进行比较，判断所述量测数据是否为正常数据；当所述量测数据正常时，将所述目标电网评估为稳定。
[0110]
具体地，所述评估模块还用于当所述状态估计量的极值小于预设的判断阈值时，判定所述量测数据为正常数据；如果所述状态估计量的极值大于等于预设的判断阈值时，判定所述量测数据为不正常数据，并对不正常数据进行筛除。
[0111]
对电网系统进行攻击的仿真及其结果如下，首先，对于仿真实验的设定：
[0112]
仿真实验在matlab的软件包matpower上进行，电网系统选择ieee14-bus系统(如图3所示)。假设ieee14-bus系统有14个注入测量单元和40个线路潮流测量单元，一共54个测量单元；设图1的节点1为参考节点，因为状态变量只包含各节点的电压相位角，所以状态变量个数为13个；冗余度为54-13＝41。当置信水平为97.5％的情况下，基于残差的不良数据检测模块的阈值为χ
20.025
(41)＝60.65。噪声为高斯白噪声，信噪比为10db。
[0113]
其次，仿真实验的过程：总共进行了600次仿真实验。先进行两百次仿真实验，收集测量值和状态变量的信息生成对应的数据集，用于构造出h
past
。后进行两百次正常量测数据和两百次异常数据检验的仿真实验，检验了基于新型构造矩阵算法的检测法的检测效果。
[0114]
第一部分，如图4所示，描述的是对200组正常数据进行检测仿真实验的情况；展现了基于past算法的检测方法对正常量测数据(任选30组)的检测结果。发现正常的量测数据在新检测算法的检测下，其对应的目标函数极值均小于阈值，说明这些数据都被认为是正常的数据，未发生误判，控制系统能够实时获取运行状态的真实情况。
[0115]
第二部分，如图5所示，描述的是对200组异常数据进行检测仿真实验的情况；展现了基于past算法的检测方法对异常量测数据(任选30组)的检测结果。发现异常的量测数据在新检测算法的检测下，其对应的目标函数极值均远大于阈值，说明这些异常数据都被检测模块识别出来，可以被即时筛除，检测算法达到了预期的效果。
[0116]
由此可以证明，本文以系统雅可比矩阵的新型估计方法为基础的坏数据检测算法可以实现预期的效果，成功筛出坏数据，保留正常的量测数据，确保电力系统的稳定运行。
[0117]
相应地，本发明的又一方面还提供一种计算机设备，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网状态的检测方法。
[0118]
本领域技术人员可以理解的是，上述计算机设备的结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比上述情况中更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0119]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下的步骤：
[0120]
获得目标电网的量测值、与所述量测值对应的状态变量，将所有的量测值组成原始量测数据集，并将所有的状态变量组成状态变量集；
[0121]
根据所述原始量测数据集、所述状态变量集，通过预设的电力系统的测量模型确定所述目标电网对应的雅可比矩阵；
[0122]
根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量；并根据所述状态估计量确定状态估计量的极值；
[0123]
将状态估计量的极值与预设的判断阈值进行比较，判断所述量测数据是否为正常
数据；当所述量测数据正常时，将所述目标电网评估为稳定。
[0124]
相应地，本发明的又一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下的步骤；
[0125]
获得目标电网的量测值、与所述量测值对应的状态变量，将所有的量测值组成原始量测数据集，并将所有的状态变量组成状态变量集；
[0126]
根据所述原始量测数据集、所述状态变量集，通过预设的电力系统的测量模型确定所述目标电网对应的雅可比矩阵；
[0127]
根据所述目标电网对应的雅可比矩阵计算所述目标电网的状态估计量；并根据所述状态估计量确定状态估计量的极值；
[0128]
将状态估计量的极值与预设的判断阈值进行比较，判断所述量测数据是否为正常数据；当所述量测数据正常时，将所述目标电网评估为稳定。
[0129]
可以理解的是，上述计算机设备以及计算机可读存储介质中涉及的各步骤的更多细节可以参考前述对于电网状态的检测方法的限定，在此不再赘述。
[0130]
其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0131]
综上，实施本发明的实施例，具有如下的有益效果：
[0132]
本发明提供的电网状态的检测方法、系统、计算机设备及存储介质，用基于past的新算法替换构造矩阵所使用的运算量很大的svd分解。可以在仅仅控制所有的测量单元的情况下，估计出智能电网系统线性处理后的雅可比矩阵h，从而实现对量测数据的检测和筛选，确保状态估计的准确性，实现电力系统稳定安全运行。
[0133]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。