1、用于电力系统状态估计的 WAMS/SCADA混合量测数据融合方法 李从善 刘天琪 李兴源 吴星 四川大学电气信息学院 摘 要： 为了充分利用相量测量单元 (PMU) , 并与数据监控及采集系统 (SCADA) 相结合以提高状态估计精度, 详细分析了广域测量系统 (WAMS) 和 SCADA 这 2 套系统数据存在的 4 种差异 (数据成分、传输延时、刷新频率、数据精度) 。给出了 2 套数据在线性、非线性以及混合非线性 3 种估计模型下的数据成分处理方法;提出了全球定位系统 (GPS) 对时与时延校正相结合的方法以提高数据断面一致性;采用分段曲线拟合方法来填补 PMU 上传时刻 SCADA 数
2、据的空缺, 建立了多时间标尺混合量测预处理数据集, 它可以用于多种时间尺度下的状态估计。在 4 节点测试系统潮流基础上叠加随机误差, 形成量测数据, 采用加权最小二乘估计算法, 验证了该方法的有效性。关键词： 状态估计; PMU; WAMS; SCADA; GPS 对时; 时延校正; 分段曲线拟合; 多时间标尺; 作者简介：李从善, 1985-, 男, 博士生研究方向为电力系统稳定与控制、电力系统状态估计、电力系统恢复控制 E-mail:作者简介：刘天琪, (通信作者) 1962-, 女, 博士, 教授, 博导研究方向为电力系统分析计算与稳定控制、高压直流输电、调度自动化 E-mail:作者简
3、介：李兴源, 945-, 男, 教授, 博导, IEEE 高级会员研究方向为电力系统分析、电力系统稳定与控制等作者简介：吴星, 1989-, 男, 硕士生研究方向为电力系统分析收稿日期：2013-03-20基金：国家自然科学基金 (51037003) Data Fusion Method of WAMS/SCADA Hybrid Measurements in Power System State EstimationLI Congshan LIU Tianqi LI Xingyuan WU Xing School of Electrical Engineering and Informati
4、on, Sichuan University; Abstract： In order to make full use of phasor measurement units (PMU) , and to combine the units with supervisory control and data acquisition (SCADA) measurements for improving the precision of state estimations, we analyzed four major differences (i.e.in data components, tr
5、ansmission delay, refresh rate, precision of data) between wide area measurement systems (WAMS) and SCADA.Then we presented a method of data component processing in three kinds of estimation model including linear, nonlinear and mixed nonlinear, as well as a combined method of global positioning sys
6、tem (GPS) synchronization and delay correction for improving the consistency of data section.The subsection curve fitting method was used to fill the vacancy of SCADA data when PMU are uploading, and a multiple-time-scale data set was established for state estimations in multiple time scales.Based o
7、n simulations of a four-node test system with random errors considered, we obtained measurement data for further tests, and adopted a weighted least-squares estimation algorithm to verify the proposed methods.Keyword： state estimation; PMU; WAMS; SCADA; GPS time tick; time compensation; curve fittin
8、g; multiple time scale; Received： 2013-03-200 引言电力系统状态估计是电力系统中能量管理系统 (EMS) 非常重要的组成部分, 它又称为滤波, 是根据量测数据的冗余度, 按最佳估计准则对生数据进行处理计算, 还原系统最真实的状态。状态估计的结果可用于安全预警、安全调度等。近年来广域测量系统 (WAMS) 在电力系统中得到越来越多的应用, 文献1采用相量测量单元实测扰动数据对电力系统稳定器参数设计进行了研究, 基于 WAMS量测高精度的状态估计, 在阻尼控制、暂稳分析及控制、电压稳定分析、解列控制等多方面也得到了应用1-6。目前存在于电力系统中有 2
9、套量测系统, 数据监控及采集系统 (SCADA) 和基于相量测量单元 (PMU) 的广域测量系统 (WAMS) 。前者的一般测量包括节点注入功率、支路功率和电压幅值, 数据更新周期一般为 2s, 传输延时较大, 数据精度低;后者的基于 PMU 的测量技术具有高精度、延时小、且能够直接测量节点电压相量和支路电流相量的优点, 更新周期一般为 40ms7。虽然 WAMS 比 SCADA具有诸多优点, 但是由于技术和经济的限制, 短时间内 WAMS 不可能完全取代SCADA, 这 2 套量测系统将长期共存很长时间8。就当今电力系统而言, PMU配置数量较少, 满足不了可观测性要求。充分利用 PMU 数
10、据的优点, 并与SCADA 数据有效融合以提高状态估计精度是较为合理的解决方案。长期以来, 研究人员对此也做了一定的研究9-13, 但这些研究大部分主要集中在混合数据估计模型以及混合算法的研究上, 对 2 套数据融合方法的研究则相对较少。由于 2 套数据的差异性较大, 所以直接不经处理地加以应用, 不仅不能提高状态估计精度, 反而会降低状态估计精度。解决数据的差异性, 是状态估计非常重要的前期工作。为此, 本文对 2 套数据的差异性进行了全面分析, 对混合量测数据融合方法进行了深入研究, 提出了一套行之有效的融合方案。在 4 节点测试系统下进行了仿真分析, 计算结果验证了该融合方案的有效性。1
11、 2 套数据差异性分析与处理方法经研究得出, 应用于状态估计的 2 套数据主要有以下 4 种差异:1) 数据成分;2) 数据刷新频率;3) 数据时间断面;4) 数据精度。下面分别对这 4 种差异进行详述, 并给出相应处理方法。1.1 数据成分分析SCADA 一般测量包括节点注入功率、支路功率和电压幅值, 基于 PMU 的 WAMS 一般测量包括节点电压相量和支路电流相量。对这 2 套数据成分的具体处理方法取决于所采用的估计模型, 当前利用 PMU 量测的状态估计模型可分为 3 种14:线性估计模型、非线性估计模型以及将线性估计与非线性估计相结合的模型。下面给出这 3 种估计模型下的数据成分处理
12、方法, 并给出相应模型下的Jacobian 矩阵。1.1.1 线性估计模型数据成分处理在直角坐标系下, 电压相量和电流相量与状态量呈线性关系。现有 PMU 配置情况下的电压相量和电流相量量测不足以满足完全可观测性要求。为此, 应用量测变换技术15将 SCADA 中支路功率量测和节点注入功率量测转换为等效的电流相量量测, 变换公式如下:式中:I ij和 Iij分别为 i-j 支路的等效支路电流相量的实部和虚部;P ij和 Qij分别为 i-j 支路的有功功率量测和无功功率量测;U i和 Ui分别为节点 i 电压相量的实部和虚部;I i和 Ii分别为节点 i 等效节点注入电流相量的实部和虚部;P
13、i和Qi分别为节点 i 的注入有功功率量测和注入无功功率量测。误差传递公式可参见文献16。同样, 在直角坐标系下 PMU 量测的 i-j 支路电流相量的实部 Iij和虚部 Iij、节点 i 电压相量的实部 Ui和虚部 Ui都将成为间接量测, 相应的测量误差方差应采用间接量测误差传递公式10。综上, 所有量测量包括:等效支路电流相量、等效节点注入电流相量、PMU 支路电流相量量测以及电压相量量测的实部和虚部。状态变量为参考节点电压相量的实部 Uref, 其他节点 i 电压相量的实部 Ui和虚部 Ui。由此得出节点 i 的全 Jacobian 矩阵1.1.2 非线性估计模型数据成分处理非线性估计是
14、在常规的基于潮流方程估计模型基础上添加 PMU 量测。由于 PMU电流相量量测不能直接使用, 所以需要做一定的变换方能使用。目前 PMU 电流相量量测的应用有 2 种方式17, 即需要将它转换为支路潮流或相关节点电压。方式 1, 将电流相量量测转换为支路潮流。假设在节点 i 处配置了 PMU, 则对于支路 i-j 可得式中:P ij为 i-j 支路的等效有功功率量测;Q ij为 i-j 支路的等效无功功率量测;Ui为节点 i 的电压相量;I ij为 i-j 支路电流相量的共轭。方式 2, 将电流相量量测转换为相关节点电压。假设在节点 i 处配置了 PMU, 则对于未配置 PMU 的 j 处可得
15、式中:U j为由 i-j 支路电流相量量测 Iij得到的等效节点 j 电压相量量测;Y ij为i-j 支路导纳;Y i0为节点 i 对地导纳。为了解决 PMU 相角量测参考节点和估计方程参考节点的协调问题, 选择配置PMU 的节点作为估计方程和 PMU 相角量测的参考节点。用上述 2 种方式转换后得到的 Jacobian 矩阵具有相同的形式, 即式中:P、Q、U 和 分别为所有有功、无功、电压幅值和相角量测的向量。1.1.3 线性和非线性相结合的估计模型线性和非线性相结合的估计模型是先利用 SCADA 量测做 1 次非线性估计, 将非线性估计结果作为伪量测, 再结合 PMU 相量量测做线性估计
16、。文献8, 18-19对此有详细介绍, 在此不再赘述。1.2 提高数据断面一致性的方法数据时间断面不一致是影响状态估计精度的关键要素。对 2 套数据时间断面不一致的处理方法已有相关研究。文献20采用数据相关性理论, 以相关度系数最大为目标函数, 给 SCADA 数据添加时标, 从而实现时间断面一致。文献21通过在 SCA-DA 测量周期内找出 1 组数据使得与 PMU 数据差值最小, 则此时的SCADA 数据所对应的时标即为该时刻的 PMU 时标, 从而为 SCADA 数据添加时标, 实现同步的目的。文献22研究了数据传输延时分布特性, 求出传输延时的期望值, 以期望值来实现所有数据的同步。上
17、述方法都是从数据特点的角度进行处理。本文从造成数据断面不一致的原因角度进行分析。经研究得出, 导致数据时间断面不一致的原因主要有 3 种: (1) 传输延时。由于各厂站采集的数据都要最终传到主站, 以备调用, 在这个传输过程中产生了时延, 所以传输延时在通信中是不可避免的, 且是导致数据断面不一致的主要原因。 (2) 各厂站时钟不统一。各厂站时钟不统一将导致各站自启动的全扫描起始时间不同, 进而造成时间断面不一致。 (3) 遥测死区值的设置。遥测死区值 (所谓遥测死区是指遥测量变化至一定限度时才被认为遥测变化, 这个限度值就是遥测死区值, 当遥测变化超过死区值时, 遥测模块才将遥测值上送至远程
18、终端单元 (remote terminal unit, RTU) 的主机或总控屏, 进而上传至主站) 会导致遥测数据正常刷新速度不一, 进而影响到数据时间断面不一致23。下面针对上述 3 种原因给出相应的处理方法。首先, 主站和厂站均采用当地全球定位系统 (GPS) 对时并辅以主站通过对时报文校核各厂站时钟的同步报警机制, 确保数据采集时钟一致。并且各 RTU 的数据采集板卡中采用相同的采样脉冲。其次, 所有遥测死区值都设置为 0, 即各厂站均按正常刷新频率传送。遥测死区设置为 0 会导致数据量很大, 会给通讯带来一定压力。文献19经实际应用证明了遥测死区值都设置为 0 对 SCADA 影响不
19、大, 因此这种设置能够满足实际要求。第三, 由于通讯延时而导致本来同步采集的数据传到主站时间断面不一致。为了校正因传输延时而导致的时间断面不一致, 可以采用时延校正法进行校正。具体操作步骤如下:1) 各厂站发送 1 个带基准时标 t0的脉冲信号。2) 主站接收此信号并存储后, 测出此时时间 tr。3) 重复步骤 1) 和 2) n 次, 一般至少 3 次。计算各厂站到主站的传输时间, 多次测量是为了避免偶然原因所导致的测量误差。4) 对主站数据库中各厂站传来的数据进行校正, 校正公式为 t0=tr-t。从上述计算可以看出, 只要保证各场站数据采集时钟一致, 就可通过上述补偿后得到存储于主站中的
20、数据时间断面的一致性。传输延时随通讯信道结构不同而有差异, 只要通讯信道结构不变, 由此计算的传输延时也就不变。若通讯结构、技术等方面发生了改变, 则需重新计算传输时间。一般情况下通讯结构或技术等方面的变化都要经过很长时间。因此, 只需要计算 1 次传输延时即可, 该方法实施起来简单有效。1.3 数据刷新频率处理由于技术的限制, 目前 SCADA 数据的刷新频率为 0.15Hz, 而 PMU 按 50Hz、甚至 100Hz 的刷新频率来传送数据。这将导致在 SCADA 更新 1 次的时间内, PMU已更新多次。在一般的状态估计中, 可以只采用有 SCADA 上传时刻的数据并和该时刻的 PMU
21、数据组成混合量测数据进行状态估计, 但是这浪费了大量的 PMU数据。若能填补 PMU 上传时刻的 SCADA 数据, 形成多时间标尺的数据集, 从而进行多时间尺度的状态估计, 以最大限度地利用 PMU 数据的价值, 则是较为理想的解决方案。若选取 SCADA 刷新频率为 1Hz, PMU 刷新频率为 20Hz, 则这 2 种量测数据的更新周期关系如图 1 所示。由图 1 可以看出, 在 SCADA 更新周期 T 内, PMU 比 SCADA 多采集了 18 组数据。采用曲线拟合方法来填补 SCADA 数据空缺。曲线拟合是从 1 组离散的测量数据 (xi, yi) (i=1, 2, , n) 出
22、发, 寻找变量 y 与 x 的函数关系式 y=f (x) 。由得到的关系式 y=f (x) 即可得到任意 x 对应的 y 值。在确定拟合曲线之前要先作出 y 与 x 的散点图, 来分析是什么样的曲线, 这是一个很困难的过程。对于完整的日负荷曲线来说, 要准确确定其函数关系式较为困难。因此, 采用分段曲线拟合的方法。对于 1 条任意的曲线来说, 如果分段处理的话, 就都可以近似地用多项式拟合。其拟合结果能保证精确性。图 1 两种量测数据更新周期关系图 Fig.1 Two kinds of data update cycle diagram 下载原图对照图 1, 首先选取 t1时刻前多组 SCAD
23、A 数据作为拟合数据 (一般为几十组数据) , 进行曲线拟合, 得到拟合函数关系式式中:x 为 SCADA 的量测数据;t 为测量时间。由式 (6) 即可得到 t2, t3, , t19时刻的 SCADA 数据, 从而实现对 SCADA 数据的填补, 与 PMU 数据结合, 形成多时间标尺的混合量测数据集。需要说明的是, 在负荷变化较快时, 所需要的历史数据尽量少一些, 研究表明, 在负荷变化较快时, 过长的历史数据会对拟合曲线造成较大偏差。1.4 数据精度处理对 2 套数据精度处理简单有效的方法就是设置权重。在处理好了 2 套数据时间断面一致性问题后, 给予高精度的 WAMS 数据高权重,
24、给予 SCADA 数据低权重。目前大多数状态估计中21, 权重取各量测量方差 i的倒数, 即。在处理好上述差异后, 最终形成线性和非线性 2 套时间断面一致的、多时间标尺的、混合量测预处理数据集。2 算例分析本文采用文献24中的 4 节点算例, 4 节点接线图如图 2 所示。通过模拟全系统负荷有功和无功的连续变化, 得到了动态潮流数据, 并将它作为状态估计的真值。负荷变化曲线如图 3 所示, 有功功率负荷峰值标幺值的基准值为 100MW。节点 1 为平衡节点。SCADA 量测量包括节点 1 和 3 的电压幅值、节点注入功率以及相关联支路的有功和无功。PMU 量测量为节点电压幅值、相角以及电流幅
25、值、相角。为了协调 2 套数据在状态估计时的相角处理问题, 将 PMU 装设在节点 1 上。图 2 4 节点接线图 Fig.2 4node test system 下载原图图 3 系统负荷变化曲线 Fig.3 Load curve of test system 下载原图PMU 数据的刷新频率设置为 1kHz 即每 1ms 更新 1 次, SCADA 数据的刷新频率设置为 50Hz 即每 20ms 更新 1 次。所有量测量都是在潮流基础上叠加随机误差而形成的。PMU 幅值测量值服从标准差为 0.002、误差均值为 0 的正态分布, 相角测量值服从标准差为 0.005、误差均值为 0 的正态分布;
26、SCADA 测量值服从标准差为 0.02、误差均值为 0 的正态分布。采用分段曲线拟合方法, 对 1-2 支路的 SCA-DA 有功功率进行数据填补。拟合公式所得计算值与真值的比较结果如图 4 所示。由图 4 可见, 填补的数据计算值与真值非常接近。因此填补的数据完全能满足状态估计的需要。为了验证融合方法的有效性, 选取了某一时刻的数据, 采用 3 种方法进行估计:图 4 计算与真值比较结果 Fig.4 Comparison results of true value and calculated value 下载原图方法 1, 只用 SCADA 数据进行常规状态估计;方法 2, 采用混合数据
27、线性估计模型;方法 3, 采用混合数据非线性估计模型。仿真结果用单个节点电压幅值和相角估计误差的标准差均值表示, 结果如表 1所示。表 1 电压幅值和相角估计误差的标准差均值 Table 1 Standard deviation of voltage amplitude and phase angle 下载原表 由表 1 可知, 增加了 PMU 量测的混合数据后, 其线性和非线性估计模型都在一定程度上提高了状态估计精度, 从而证明了该融合方案的有效性。3 结论1) 本文详细研究了 WAMS 和 SCADA 这 2 套数据在状态估计中的 4 种差异性, 并分别给出了有效的处理方法。提出了全球定位
28、系统 (GPS) 对时与时延校正相结合的方法, 以提高数据断面一致性;采用分段曲线拟合方法来填补 PMU 上传时刻SCADA 数据的空缺, 建立多时间标尺混合量测预处理数据集, 它可以用于多种时间尺度下的状态估计。2) 仿真结果说明了本文所提方法的有效性。其融合方案对于混合量测数据的状态估计具有一定的借鉴意义。参考文献1陈刚, 程林, 孙元章, 等.采用相量测量单元实测扰动数据的电力系统稳定器参数设计J.高电压技术, 2011, 37 (3) :694-699.CHEN Gang, CHENG Lin, SUN Yuanzhang, et al.Power system stabilizer
29、parameters designing using dynamic data measured by phasor measurement unitsJ.High Voltage Engineering, 2011, 37 (3) :694-699. 2丁剑, 白晓民, 王文平, 等.电力系统中基于 PMU 同步数据的应用研究综述J.继电器, 2006, 34 (6) :76-84.DING Jian, BAI Xiaomin, WANG Wenping, et al.Overview of application researches based on synchronous data m
30、easured by PMUs in power systemJ.Relay, 2006, 34 (6) :76-84. 3鞠平, 谢欢, 孟远景, 等.基于广域测量信息在线辨识低频振荡J.中国电机工程学报, 2005, 25 (22) :56-60.JU Ping, XIE Huan, MENG Yuanjing, et al.Online identification of low-frequency oscillations based on wide area measurmentsJ.Proceedings of the CSEE, 2005, 25 (22) :56-60. 4刘劲
31、风, 王述洋.WAMS 在电力系统分析和控制中应用的新进展J.高电压技术, 2007, 33 (7) :182-185.LIU Jinfeng, WANG Shuyang.Survey on applications of wide area measurement system in power system analysisJ.High Voltage Engineering, 2007, 33 (7) :182-185. 5谢小荣, 肖晋宇, 童陆园, 等.采用广域测量信号的互联电网区间阻尼控制J.电力系统自动化, 2004, 28 (2) :37-40.XIE Xiaorong, XI
32、AO Jinyu, TONG Luyuan, et al.Inter-area damping control of interconnected power systems using wide-area measurementsJ.Automation of Electric Power Systems, 2004, 28 (2) :37-40. 6段俊东, 孙彦楷, 尹秀刚.广域测量系统用于电压稳定在线预测J.高电压技术, 2009, 35 (7) :1748-1752.DUAN Jundong, SUN Yankai, YIN Xiugang.Voltage stabilitys on
33、line prediction using WAMSJ.High Voltage Engineering, 2009, 35 (7) :1748-1752. 7薛辉, 贾清泉, 王宁, 等.基于 PMU 量测数据和 SCADA 数据融合的电力系统状态估计方法J.电网技术, 2008, 32 (14) :44-49.XUE Hui, JIA Qingquan, WANG Ning, et al.A novel power system state estimation method based on merging PMU measured data into SCADA dataJ.Power
34、 System Technology, 2008, 32 (14) :44-49. 8游家训, 黄斌, 郭创新, 等.混合量测用于电力系统状态估计J.高电压技术, 2009, 35 (7) :1765-1769.YOU Jiaxun, HUANG Bin, GUO Chuangxin, et al.State estimation using SCADA and PMU mixed measurementsJ.High Voltage Engineering, 2009, 35 (7) :1765-1769. 9李卫国, 李虹, 付红军, 等.基于广域测量系统的电力系统状态估计J.电网技术,
35、2008, 32 (2) :124-127.LI Weiguo, LI Hong, FU Hongjun, et al.Power system state estimation based on wide-area measurement systemJ.Power System Technology, 2008, 32 (2) :124-127. 10丁军策, 蔡泽祥, 王克英.基于广域测量系统的混合量测状态估计算法J.中国电机工程学报, 2006, 26 (2) :58-63.DING Junce, CAI Zexiang, WANG Keying.Mixed measurements
36、state estimation based on WAMSJ.Proceedings of the CSEE, 2006, 26 (2) :58-63. 11李强, 周京阳, 于尔铿, 等.基于混合量测的电力系统状态估计混合算法J.电力系统自动化, 2005, 29 (19) :31-35.LI Qiang, ZHOU Jingyang, YU Erkeng, et al.A hybrid algorithm for power system state estimation based on PMU measurement and SCADA measurementJ.Automation of Electric Power Systems, 2005, 29 (19) :31-35. 12秦晓辉, 毕天姝, 杨奇逊.计及 PMU 的混合非线性状态估计新方法J.电力系统自动化, 2007, 31 (4) :28-32.QIN Xiaohui, BI Tianshu, YANG Qixun.A
