一种基于PMU量测和SCADA量测的不良数据检测与辨识方法

摘要

本发明提供一种基于PMU量测和SCADA量测的不良数据检测与辨识方法，所述方法包括以下步骤：进行网络拓扑分析，得到网络计算模型；基于表征网络拓扑关系的关联矩阵进行不良数据检测与辨识；基于动态分区进行不良数据检测与辨识。本发明提供一种基于PMU量测和SCADA量测的不良数据检测与辨识方法，该方法实用化程度高，能广泛应用于当前网省级电网以及全国电网，并能够适应未来大电网在线分析需求，能够快速准确的剔除量测信息中的坏数据，提高状态估计精度。

说明书

技术领域

本发明涉及一种检测识别方法，具体讲涉及一种基于PMU量测和SCADA量测的不良数 据检测与辨识方法。

背景技术

电力系统状态估计是现代能量管理系统的重要组成部分，以前其量测数据大部分来源于 数据采集与监视控制系统（Supervisory Control And Data Acquisition，SCADA），简称为SCADA 系统。而近年来随着广域测量技术的快速发展，越来越多的同步相量测量单元（Phasor  Measurement Unit）即PMU量测设备开始投入电力系统，因此用于状态估计的量测更加充裕， 也增加了新的量测类型。虽然如此，但两种量测信息除了含有正常的量测噪声外，还可能含 有不良数据，不良数据的存在，将导致估计结果受到污染，甚至使之严重扭曲，因而不良数 据检测检测与辨识仍是状态估计的重要组成部分。

不良数据检测与辨识方法可以分为以下三类：估计计算后辨识，完成状态估计后，得到 量测量残差，通过对量测量残差适当处理(残差加权处理、残差标准化等)，设定门槛，通过 假设检验检测出量测数据是否存在残差超标的情况，并利用残差搜索方法或残差估计辨识法 完成对不良数据的辨识。估计计算中检测与辨识，该类方法对不良数据的检测和辨识是混合 在估计迭代过程中。采用非二次型估计准则、抗差估计，使不良数据在估计迭代过程中独立 出来，在估计完成后，可以把不良数据直接从量测量中剔除，利用剔除了不良数据后的量测 数据重新对系统状态进行最优估计。估计计算前检测和辨识，把不良数据拒绝于状态估计器 之前无疑是一个良好的愿望。此类方法的实现存在着多种实现途径，如根据量测突变量对不 良数据检测和辨识、利用图论的方法对突变量的扩散途径进行计算、利用新息矢量对系统参 数和拓扑结构进行检测和辨识等。

虽然状态估计在国内外已发展几十年，同时不良数据检测与辨识的研究也从未停滞，但 仍没有提出一个很好的检测辨识不良数据的有效方法。而如今随着PMU量测的大量接入， 考虑其相量量测类型和较高的量测的精度，能否为不良数据检测与辨识的研发提供方便，另 外PMU量测自身也存在不良数据，其辨识方法又该如何。因此不良数据检测与辨识是历史 难题，也是今天的难题，仍需要投入大量的工作来深入研究。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于PMU量测和SCADA量测的不良数 据检测与辨识方法，该方法实用化程度高，能广泛应用于当前网省级电网以及全国电网，并 能够适应未来大电网在线分析需求，能够快速准确的剔除量测信息中的坏数据，提高状态估 计精度。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于PMU量测和SCADA量测的不良数据检测与辨识方法，所述方法包 括以下步骤：

步骤1：进行网络拓扑分析，得到网络计算模型；

步骤2：基于表征网络拓扑关系的关联矩阵进行不良数据检测与辨识；

步骤3：基于动态分区进行不良数据检测与辨识。

所述步骤1包括以下步骤：

步骤1-1：基于网络静态连接关系，读取断路器和刀闸状态，形成网络物理模型；

步骤1-2：基于拓扑搜索算法进行厂站内母线分析和厂站间拓扑分析，形成网络计算模型；

所述步骤1-2具体包括以下步骤：

步骤1-2-1：厂站母线分析；基于堆栈原理的拓扑搜索算法，进行厂站内母线分析，根据 断路器和刀闸状态，把相互关联的结点形成一个母线；

步骤1-2-2：系统网络分析；基于堆栈原理的拓扑搜索算法，进行厂站间拓扑分析，根据 支路运行状态，把相互关联的母线及相关设备形成一个电气岛；

步骤1-2-3：形成网络计算模型。

所述步骤1-2-1中，基于堆栈原理搜索某一母线所含有结点的过程为：

(1)将各结点和各开关置以未搜索标志；

(2)由某一结点出发，将此结点置于堆栈第一层；

(3)进栈：通过结点—开关表中未搜索之闭合开关找到未搜索之结点，将其置于下一层堆 栈中；

(4)退栈：某一结点已无未搜索之闭合开关，或未搜索闭合开关对端已无未搜索结点，则 退一层堆栈；

(5)退回到出发结点继续退栈时结束搜索过程，完成了一个母线的搜索过程。

所述步骤2包括以下步骤：

步骤2-1：形成表征网络拓扑关系的关联矩阵；

步骤2-2：基于网络拓扑进行量测扫描检测；

步骤2-3：基于网络拓扑关系进行不良数据检测辨识。

所述步骤2-1中，基于网络计算模型，采用图论理论对网络计算模型进行深入分析，形 成关联矩阵；所述关联矩阵包括节支关联矩阵A、支节关联矩阵A^T和回支关联矩阵B。

所述步骤2-2中，基于KCL和KVL原理，对PMU量测和SCADA量测进行扫描，确定 可信量测和可疑量测，并为量测赋值对应平衡性标志；具体包括以下步骤：

步骤2-2-1：支路有功平衡性扫描；

通过忽略支路有功损耗，并设定门槛值进行支路有功平衡性扫描，扫描的量测信息包括 SCADA有功量测信息和PMU有功量测信息；

步骤2-2-2：支路无功平衡性扫描；

支路无功平衡性扫描的量测信息包括SCADA无功量测信息和PMU无功量测信息；

步骤2-2-3：节点功率平衡性扫描；

通过无功量测并考虑电容电抗器，进行节点功率平衡性扫描，扫描的量测信息包括 SCADA有功/无功量测信息和PMU有功/无功量测信息；

步骤2-2-4：支路电流平衡性扫描；

通过节点电流平衡性扫描，进行支路电流平衡性扫描，扫描的量测信息包括PMU电流 量测信息；

步骤2-2-5：环路电压平衡性扫描；

根据环路电压相角和为0，检测电压相角信息的正确性，完成环路电压平衡性扫描，扫 描的量测信息包括PMU电压量测信息。

所述步骤2-2-2中，采用如下公式进行支路无功平衡性扫描：

Q_ij＝v_iv_jbcos(θ_ij)-v_i²(b+y_c)-v_iv_jgsin(θ_ij)   （1）

Q_ji＝v_iv_jbcos(θ_ij)-v_j²(b+y_c)+v_iv_jgsin(θ_ij)   （2）

ΔQ=2v_iv_jbcos(θ_ij)-(v_j²+v_i²)(b+y_c)≈2v_iv_jb-(v_j²+v_i²)(b+y_c)   （3）

|Q_ij+Q_ji-ΔQ|≈0   （4）

其中，Q_ij为支路i端的无功功率，Q_ji为支路j端的无功功率，v_i和v_j分别为i端电压幅 值和j端电压幅值；θ_ij为支路i端和j端电压相角差；g、b和y_c分别为支路电导、电纳和对 地电容；ΔQ为首末端无功不平衡量。

所述步骤2-3中，电气量测关系逐步扩展，对网络中节点功率平衡和支路功率电流平衡 密集的局部区域，根据拓扑连接关系，向外围扩展，扩大量测信息可信范围，同时SCADA 量测和PMU量测互相校正，对检测扫描结果中可疑的量测数据进行辨识，解除可疑或确定 为坏数据。

所述步骤2-3具体包括以下步骤：

步骤2-3-1：排序；

1）扫描SCADA所有节点中有功功率不平衡节点，统计有功功率不平衡节点关联的有功 功率不平衡支路数，按照有功功率不平衡支路数对有功功率不平衡节点从小到大的顺序排列；

2）扫描SCADA所有节点中无功功率不平衡节点，统计无功功率不平衡节点关联的无功 功率不平衡支路数，按照无功功率不平衡支路数对无功功率不平衡节点从小到大的顺序排列；

3）扫描PMU所有节点中有功功率不平衡节点，统计有功功率不平衡节点关联的有功功 率不平衡支路数，按照有功功率不平衡支路数对有功功率不平衡节点从小到大的顺序排列；

4）扫描PMU所有节点中无功功率不平衡节点，统计无功功率不平衡节点关联的无功功 率不平衡支路数，按照无功功率不平衡支路数对无功功率不平衡节点从小到大的顺序排列；

步骤2-3-2：以PMU量测为主，SCADA量测为辅进行不良数据辨识；

若PMU所有节点中有功功率不平衡节点关联的有功功率不平衡支路数为0，表明注入 PMU量测信息为坏数据，综合SCADA量测和当前节点功率平衡修正，如果不存在注入功率， 则对支路功率不平衡量最大的支路进行修正，同时更新量测质量位；

若PMU所有节点中有功功率不平衡节点关联的有功功率不平衡支路数大于0，采用支路 对端节点功率平衡的方法进行辨识和修正，如果仍不能辨识和修正，则采用SCADA量测进 行辨识和修正，若仍不能修正则保持可疑量测质量位。

所述步骤3包括以下步骤：

步骤3-1：状态估计粗估计；

设定收敛门槛值，基于步骤2的辨识结果对各量测采用不同权重，进行状态估计计算；

步骤3-2：动态分区；

设定可疑量测门槛值ε，如果量测残差绝对值大于ε，则认为是可疑量测；基于状态估 计粗估计计算结果，对所有残差取绝对值，并进行从大到小排序，形成绝对残差队列lr，首 先取出lr队列中最大的残差，根据网络拓扑关系，搜索当前残差量测关联的其他量测量，并 把关联量测量对应的残差信息从lr队列中取出，直到取出的量测残差绝对值小于等于ε，截 止到现在第一个动态区域形成，重复以上过程，会把当前数据断面的所有量测进行分区；

步骤3-3：检测与辨识；

设定局部区域内辨识坏数据门槛值Δε，针对某局部区域的量测信息，计算正则化残差， 并认为最大正则残差对应量测为可疑量测，同时计算各量测残差绝对和；剔除可疑量测，快 速修正残差以及正则残差，检测局部区域绝对残差和变化量是否大于Δε，如果Δε则认为剔 除的当前量测为坏数据，同时检测是否仍有越过门槛值ε的可疑坏数据，如果仍存在可疑坏 数据，则认为剩余量测中正则残差最大者为可疑数据，重复以上过程，直到不存在可疑量测 为止；其他每个区域都重复以上过程，则完成不良数据的检测与辨识。

与现有技术相比，本发明的有益效果在于：

1.本发明基于网络拓扑关系，充分利用PMU量测和SCADA量测，通过网络拓扑搜索 进行坏数据辨识后，为进一步精细化辨识坏数据，进行动态分区不良数据检测辨识。

2.快速拓扑分析技术，能够对网络物理模型进行快速扫描分析，形成适合基于拓扑关系 的不良数据检测辨识的电网计算模型。

3.基于拓扑关系的扩展式不良数据检测辨识技术，充分利用了电力系统中准确的电气信 息，根据节点功率平衡以及支路拟平衡等规则，更重要的是基于拓扑关系，能够利用局部可 信量测信息进行向外围扩展的方式，扩大高质量数据影响范围，进而提高不良数据辨识准确 率。

4.基于拓扑关系的扩展式辨识技术与PMU数据和SCADA相互校正技术配合的方法， 对以上两种方法进行配合使用，提高了坏数据辨识准确率。

5.动态分区的不良数据检测辨识技术：充分掌握了不良数据影响具有局部性的特征，采 用动态分区的思想对不良数据进行检测辨识，提高了辨识灵敏度，进而提高了坏数据辨识准 确度，同时与传统不良数据辨识方法相比，计算效率也大大提高。

附图说明

图1是本发明实施例中网络物理模型流程图；

图2是本发明实施例中网络拓扑分析流程图；

图3是本发明实施例中基于PMU量测和SCADA量测的不良数据检测与辨识方法流程 图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种基于PMU量测和SCADA量测的不良数据检测与辨识方法，（1）基于拓 扑关系的不良数据检测辨识技术：基于网络拓扑关系，充分利用PMU量测类型和量测同步 性的优势，对PMU功率量测信息、电压量测信息和电流量测信息进行校验，检测海量量测 信息中的坏数据；基于网络拓扑关系，检测SCADA量测中的功率量测坏数据。进行进一步 精细化的不良数据检测与辨识，（2）基于动态分区的不良数据检测与辨识技术：通过网络拓 扑对PMU量测和SCADA量测进行坏数据辨识后，进行状态估计粗估计，并根据估计结果信 息，对电网进行动态分区，在分区内进行高灵敏度的不良数据检测辨识，最终完成整套PMU 量测和SCADA同时考虑SCADA量测的不良数据检测和辨识。

术语及定义

1）状态估计：也成为滤波，它是利用实时量测系统的冗余度来提高数据精度，自动排 出随机干扰所引起的错误信息，估计或预报系统的运行状态。

2）状态估计粗估计：与状态估计相比，较早的退出迭代计算，但根据粗估计计算结果 信息可以对量测质量进行评价。

3）可辨识性：状态估计辨识不良数据的能力来自于量测系统的冗余度，能够估计出全 部状态量的量测系统称为具有可观测性，而去掉不良数据仍保持可观测性的量测系统具有可 辨识性。

4）不良数据：指量测值与估计值误差大于某一标准的量测数据。

5）不良数据检测：对电网量测数据进行分析，判断是否存在不良数据并指出可疑量测 数据的过程称之为不良数据检测。

6）不良数据辨识：对检测出的可疑数据验证其是否为真正坏数据的过程称之为不良数 据辨识。

本发明提供的基于PMU量测和SCADA量测的不良数据检测与辨识方法包括以下步骤：

步骤1：进行网络拓扑分析，得到网络计算模型；

步骤2：基于表征网络拓扑关系的关联矩阵进行不良数据检测与辨识；

步骤3：基于动态分区进行不良数据检测与辨识。

所述步骤1包括以下步骤：

步骤1-1：基于网络静态连接关系，读取断路器和刀闸状态，形成网络物理模型；

步骤1-2：基于拓扑搜索算法进行厂站内母线分析和厂站间拓扑分析，形成网络计算模型；

网络计算模型的功能包括：进行网络拓扑接线分析，由电网设备的结线连接关系和断路 器/刀闸分/合状态，把连结在一起的带电节点归并到计算母线，形成以计算母线表示的电网拓 扑连接关系；分析电网设备的带电状态，并按设备的拓扑连接关系和带电状态划分电气活岛 和电气死岛；处理各种类型的厂站结线方式，例如：单母线、双母线、旁路母线、环形母线、 3/2开关、4/3开关等；进行直流换流站（包括背靠背直流换流站）的拓扑分析；支持断路器/ 刀闸、线路、发电机、负荷、变压器、电容电抗器等设备人工设置的运行状态。

结点模型也称为网络物理模型，如图1，它是对网络的原始描述，输入数据用此模型； 母线模型也称为计算模型，它与网络方程联系在一起。母线模型随开关状态而变化，因此在 填写电网的功率缓冲点和电压控制点时应填写结点名而不该填母线名，只有结点名具有永久 性，母线号随开关状态而变化。网络结线分析就是根据开关状态和网络元件状态由电网的结 点模型产生电网的母线模型的过程。

以下说明网络结线分析用的术语。

网络元件：开关、机组、负荷、电容器或电抗器、变压器和线路等均称为网络元件。其 中变压器、线路和开关等称为双端元件，而且变压器和线路又称为串联支路（或简称支路）； 机组、负荷、电容器或电抗器等称为单端元件，又称为并联支路（对地）。

结点：是网络元件的联接点，元件通过相互公共的结点联接成电网。

逻辑支路：指的是开关元件，在联接的两结点之间或是零阻抗（闭合时），或是无穷大阻 抗（开断时），因此结线分析得到的计算模型中开关已消失了。

保留元件：所有非逻辑支路和对地支路在计算模型中被保留下来，其中包括零阻抗支路。

零阻抗支路：阻抗为零的特殊支路，在计算模型中用于隔离母线。例如在厂站STC的 NDC3和NDC4之间加一结点NDC9，在NDC3和NDC9之间加一零阻抗支路ZBRC（如图 1），结线分析后NDC3和NDC4已不属于同一母线，而是分别属于母线3和5，零阻抗支路 ZBRC在计算模型中并不消失（而开关CBC1消失了），这时能计算母联开关CBC1中的潮流。

母线：是被闭合逻辑支路联系在一起的结点集合，即保留支路的联接点。

元件的开/合状态：如果保留元件的端点不与其它保留元件联接，称此端点为开断状态。 双端元件的两端各有独立的开/合状态标志，单端元件只有一端有此标志。

有效的子网：由闭合支路联接起来的母线集合，并包含发电机、电压调节母线和负荷， 称为有效的子网。这是能获得有意义电压解的网络部分。

母线的死/活状态：如果一个母线不是有效子网的一部分，称其处在死状态。而每个处在 活状态的母线都有一个而且只有一个电压。

结点的死/活状态：属于活母线的结点称为活结点，死/活主要用于表现结点和元件所附母 线的特征。

主母线：当逻辑支路（开关）全部闭合时建立的母线（编号）称为主母线。这些母线编 号在结线变化中永不消失，如果母线分裂，将分裂出的母线分配新的编号（标以非主母线）， 而母线合并时保留主母线，消去非主母线。引入主母线标志主要是希望一系列的开关操作之 后，开关状态恢复到原来状态，母线模型也能恢复到原来模型，即各厂站的主母线编号能相 对固定。

母线—元件关联表：这是表示结线分析结果的一个链表。内容包括：表示本身的前向指 针、元件类型、元件分类下标等项。它支持母线—元件关联表画面，开断元件也保留在对 应母线的位置上；同时它也支持计算程序校核每条母线的功率平衡条件。

元件的退出/恢复：一个保留元件的退出，意味着将此元件从网络中取走，即开断该元件 的各端点。而元件的恢复，还需要用当时的开关状态分析其结线方式。即元件的退出和恢复 均不改变其原来的开关状态。利用元件的退出和恢复功能允许定义网络模型时少定义一些开 关，或者在单线图上少描述一些开关。例如线路、机组、负荷等不用开关直接联在电网上， 可以用退出功能将其从网络上断开，而且这比操作开关更简明。

网路拓扑分析如图2，具体包括以下步骤：

步骤1-2-1：厂站母线分析；基于堆栈原理的拓扑搜索算法，进行厂站内母线分析，根据 断路器和刀闸状态，把相互关联的结点形成一个母线；

步骤1-2-2：系统网络分析；基于堆栈原理的拓扑搜索算法，进行厂站间拓扑分析，根据 支路运行状态，把相互关联的母线及相关设备形成一个电气岛；

步骤1-2-3：形成网络计算模型。

所述步骤1-2-1中，基于堆栈原理搜索某一母线所含有结点的过程为：

(1)将各结点和各开关置以未搜索标志；

(2)由某一结点出发，将此结点置于堆栈第一层；

(3)进栈：通过结点—开关表中未搜索之闭合开关找到未搜索之结点，将其置于下一层堆 栈中；

(4)退栈：某一结点已无未搜索之闭合开关，或未搜索闭合开关对端已无未搜索结点，则 退一层堆栈；

(5)退回到出发结点继续退栈时结束搜索过程，完成了一个母线的搜索过程。

系统网络分析与上面厂站母线分析的过程一致，只是将结点换为母线，将开关换为两端 支路。

上面介绍的搜索逻辑适合于任何网络结线方式，其搜索操作次数与其搜索范围的平方成 比例增长，而加速的途径是缩小搜索范围，其方法有：

(1)厂站母线分析的结点搜索范围限制在某一级电压范围内；

(2)元件的切除/恢复不产生母线数的变化，不必重新进行母线分析；

(3)利用原有结线分析成果，某一开关的状态变化，仅分析该开关所属电压级内的结点。

所述步骤2包括以下步骤：

步骤2-1：形成表征网络拓扑关系的关联矩阵；

步骤2-2：基于网络拓扑进行量测扫描检测；

步骤2-3：基于网络拓扑关系进行不良数据检测辨识。

所述步骤2-1中，基于网络计算模型，采用图论理论对网络计算模型进行深入分析，形 成关联矩阵；所述关联矩阵包括节支关联矩阵A、支节关联矩阵A^T和回支关联矩阵B，为后 续基于网络拓扑的快速量测扫描奠定基础。

所述步骤2-2中，基于KCL和KVL原理，对PMU量测和SCADA量测进行扫描，确定 可信量测和可疑量测，并为量测赋值对应平衡性标志；具体包括以下步骤：

步骤2-2-1：支路有功平衡性扫描；

通过忽略支路有功损耗，并设定门槛值进行支路有功平衡性扫描，扫描的量测信息包括 SCADA有功量测信息和PMU有功量测信息；

步骤2-2-2：支路无功平衡性扫描；

支路无功平衡性扫描的量测信息包括SCADA无功量测信息和PMU无功量测信息；

步骤2-2-3：节点功率平衡性扫描；

通过无功量测并考虑电容电抗器，进行节点功率平衡性扫描，扫描的量测信息包括 SCADA有功/无功量测信息和PMU有功/无功量测信息；

步骤2-2-4：支路电流平衡性扫描；

通过节点电流平衡性扫描，进行支路电流平衡性扫描，扫描的量测信息包括PMU电流 量测信息；

步骤2-2-5：环路电压平衡性扫描；

根据环路电压相角和为0，检测电压相角信息的正确性，完成环路电压平衡性扫描，扫 描的量测信息包括PMU电压量测信息。

所述步骤2-2-2中，采用如下公式进行支路无功平衡性扫描：

Q_ij＝v_iv_jbcos(θ_ij)-v_i²(b+y_c)-v_iv_jgsin(θ_ij)   （1）

Q_ji＝v_iv_jbcos(θ_ij)-v_j²(b+y_c)+v_iv_jgsin(θ_ij)   （2）

ΔQ=2v_iv_jbcos(θ_ij)-(v_j²+v_i²)(b+y_c)≈2v_iv_jb-(v_j²+v_i²)(b+y_c)   （3）

|Q_ij+Q_ji-ΔQ|≈0   （4）

其中，Q_ij为支路i端的无功功率，Q_ji为支路j端的无功功率，v_i和v_j分别为i端电压幅 值和j端电压幅值；θ_ij为支路i端和j端电压相角差；g、b和y_c分别为支路电导、电纳和对 地电容；ΔQ为首末端无功不平衡量。

所述步骤2-3中，电气量测关系逐步扩展，对网络中节点功率平衡和支路功率电流平衡 密集的局部区域，根据拓扑连接关系，向外围扩展，扩大量测信息可信范围，同时SCADA 量测和PMU量测互相校正，对检测扫描结果中可疑的量测数据进行辨识，解除可疑或确定 为坏数据。

所述步骤2-3具体包括以下步骤：

步骤2-3-1：排序；

1）扫描SCADA所有节点中有功功率不平衡节点，统计有功功率不平衡节点关联的有功 功率不平衡支路数，按照有功功率不平衡支路数对有功功率不平衡节点从小到大的顺序排列；

2）扫描SCADA所有节点中无功功率不平衡节点，统计无功功率不平衡节点关联的无功 功率不平衡支路数，按照无功功率不平衡支路数对无功功率不平衡节点从小到大的顺序排列；

3）扫描PMU所有节点中有功功率不平衡节点，统计有功功率不平衡节点关联的有功功 率不平衡支路数，按照有功功率不平衡支路数对有功功率不平衡节点从小到大的顺序排列；

4）扫描PMU所有节点中无功功率不平衡节点，统计无功功率不平衡节点关联的无功功 率不平衡支路数，按照无功功率不平衡支路数对无功功率不平衡节点从小到大的顺序排列；

步骤2-3-2：以PMU量测为主，SCADA量测为辅进行不良数据辨识；

若PMU所有节点中有功功率不平衡节点关联的有功功率不平衡支路数为0，表明注入 PMU量测信息为坏数据，综合SCADA量测和当前节点功率平衡修正，如果不存在注入功率， 则对支路功率不平衡量最大的支路进行修正，同时更新量测质量位；

若PMU所有节点中有功功率不平衡节点关联的有功功率不平衡支路数大于0，采用支路 对端节点功率平衡的方法进行辨识和修正，如果仍不能辨识和修正，则采用SCADA量测进 行辨识和修正，若仍不能修正则保持可疑量测质量位。

通过以上辨识修正过程，基本涉及到了所有的功率不平衡量测，如果仍有可疑量测则保 持可疑量测质量位。

考虑到充裕的量测信息，电压量测信息和电流量测信息，直接根据检测结果，保持可信 量测质量位和可疑量测质量位。

根据以上检测辨识结果，对不同的量测施以不同的量测权重，进行状态估计计算。

通过上文拓扑法进行不良数据检测与辨识，基本把可疑量测分散的区域进行了不良数据 辨识和修正，但仍有部分数据未能辨识和修正。因此仍需进一步的辨识和修正。

基于不良数据影响的局部性，本文采用动态分区的不良数据检测与辨识技术，以提高不 良数据检测与辨识的灵敏度，以提高状态估计计算精度。

残差污染现象不仅坏数据本身不能正确估计，而且还对好数据量测的估计值产生影响， 使原本量测准确的量测的估计值偏离正确量测值，进而使状态估计计算结果精度大大降低。 有时还会出现被污染估计残差比真正坏数据的估计残差还大，此时传统的不良数据检测与辨 识方法一般都很难真确辨识坏数据，出现误判，导致状态估计结果更差。

通过大量测试仿真计算，发现不良数据产生的残差污染现象具有很强的局部效应，因此 我们只需针对当前量测情况，对量测量进行动态分区，并对单个区域内的量测量进行不良数 据检测与辨识，这不仅提高了辨识精度，同时也提高了不良数据辨识速度。

所述步骤3包括以下步骤：

步骤3-1：状态估计粗估计；

设定收敛门槛值，基于步骤2的辨识结果对各量测采用不同权重，进行状态估计计算；

步骤3-2：动态分区；

动态分区标准：在状态估计粗估计计算结束后，如果残差很大，考虑各种情况，此残差 很大的量测为中心的局部区域肯定存在不良数据信息，以坏数据为重心向外围逐步扩展搜索， 直到量测信息对应的残差值非常小，则以残差非常小的量测所在位置作为局部区域的边界。

具体分区方法：设定可疑量测门槛值ε，如果量测残差绝对值大于ε，则认为是可疑量 测；基于状态估计粗估计计算结果，对所有残差取绝对值，并进行从大到小排序，形成绝对 残差队列lr，首先取出lr队列中最大的残差，根据网络拓扑关系，搜索当前残差量测关联的 其他量测量，并把关联量测量对应的残差信息从lr队列中取出，直到取出的量测残差绝对值 小于等于ε，截止到现在第一个动态区域形成，重复以上过程，会把当前数据断面的所有量 测进行分区；

步骤3-3：检测与辨识；

在某一局部区域范围内，采用残差搜索的方法进行不良数据辨识，在局部区域内数据信 息里小，计算速度将大大提高。设定局部区域内辨识坏数据门槛值Δε，针对某局部区域的量 测信息，计算正则化残差，并认为最大正则残差对应量测为可疑量测，同时计算各量测残差 绝对和；剔除可疑量测，快速修正残差以及正则残差，检测局部区域绝对残差和变化量是否 大于Δε，如果Δε则认为剔除的当前量测为坏数据，同时检测是否仍有越过门槛值ε的可疑 坏数据，如果仍存在可疑坏数据，则认为剩余量测中正则残差最大者为可疑数据，重复以上 过程，直到不存在可疑量测为止；其他每个区域都重复以上过程，则完成不良数据的检测与 辨识。

该项技术的研究成果具有广阔的应用前景，其研究成果在各级调度机构的示范应用，能 够进一步提升智能电网调度技术支持系统状态估计计算的准确性和计算速度，全面支撑各级 智能电网调度的精细化、精益化和一体化运作的能力。同时能够有效提高超大规模电网在线 分析计算的实时性，为特高压大电网的安全、优质和经济运行提供有力的技术支撑。成果推 广后也将带来可观的经济和社会效益。从经济效益上来说，大电网在线分析软件计算能力的 提升，将进一步降低各级调度控制中心的运行维护成本，进一步提升调度维护管理水平和系 统运行可靠性。在社会效益方面，它将进一步提升智能电网调度技术支持系统技术水平和运 行稳定性，将进一步提升电网调度驾驭大电网的能力，保障大电网安全、稳定、优质、经济 运行，对提升电力服务质量和保证社会的稳定发展有重要的现实意义。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照 上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本 发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等 同替换，其均应涵盖在本发明的权利要求范围当中。