基于波形系数的变电站异常数据识别及恢复方法

摘要

本发明基于波形系数的变电站异常数据识别及恢复方法，首先，获取当前时刻电气量的实际采样值，同时根据过去一段时间内的电气量实际采样值实时预测当前时刻的预测采样值。然后对当前时刻的实际采样值和当前时刻的预测采样值进行比较，通过两者偏差大小来判断当前时刻的实际采样值是否有可能是异常数据。接下来，根据当前时刻的实际采样值和之后一段时间内的实际采样值的拟合信号与能够代表电力系统电气量信号波形理论表达式的一致程度来确定当前时刻的实际采样值是否异常，并得到异常数据的起始点和结束点。最后根据判断出的异常数据点进行下一步的工作，选择简单地闭锁保护，或选择根据异常数据之前和之后的实际采样点数据对异常数据进行恢复。

说明书

技术领域

本发明涉及数字化变电站领域，具体为基于波形系数的变电站异常数据识别及恢 复方法.

背景技术

随着中国智能电网的建设，变电站的数字化程度越来越高，变电站中信息交换的 主要介质由电缆变为光纤，其中传递的信号也由模拟量变为数字量。电子式互感器和合并 单元在数字化变电站中得到大量应用，一次电压和电流信号被电子书互感器采集并转换为 数字信号，经合并单元汇集、同步后传递给后续的测量和保护装置进行处理。在此过程中， 由于外界电磁环境的干扰以及电子设备本身的不稳定，传递的电气量信号可能会失真，表 现为一个或多个数据点的突变，这些数据点被称为异常数据点。异常数据不是一次电气信 号的正确反映，但其数据帧中的品质因数位是正常的，测量和保护装置视其为正常数据进 行处理，会给结果造成较大影响，严重时会造成保护的误动。所以，二次设备在对接收到的 采样值信号进行处理之前，需要对数据点是否异常进行判断，并在必要时对异常数据进行 修复，以保证二次数据的可靠性。

关于变电站异常数据的识别与恢复方法，国内从业者已经做过一些研究。发表于 《电力系统自动化》杂志的论文《电力系统电气量异常采样值实时辨识方法》提出了“采样值 的3点连续有效判别法”，分析了电力系统正常运行及故障下电流、电压波形的特点，指出波 形除若干间断点外在其他任意点处连续可导且导数同样分段连续，并利用这一特性判断采 样值是否异常。此方法在异常数据与正常数据偏差较小时灵敏度不足，并且无法识别连续 的波动幅度不大的异常数据。发表于《电力系统自动化》杂志的另一篇论文《数字化变电站 抗异常数据的方法》提出了一种基于幅值比较的采样值检测抗异常数据方法。此方法无法 有效识别绝对值较小的异常数据，且对于电网故障的情况，要有一定的延时才能开放保护， 可能会对部分快速保护造成影响。

在已受理和公开的发明专利中，《智能变电站飞点数据处理方法》通过比较目标采 样点数据与相邻两采样点数据的绝对值大小来判断其是否异常，并用曲线拟合的方法恢复 异常数据。此方法在异常数据绝对值较小或者出现连续异常数据的情况下将会失效。《电力 系统交流电流量采样数据有效性检测方法》提出通过连续三点采样值来计算基波分量电流 量的快速幅值，通过不同采样点计算处的快速幅值的互相比较以及此幅值与固定门槛值的 比较来判断数据是否异常。此方法有效的前提是系统发生故障时计算出的快速幅值绝对值 小于门槛值且异常数据的快速幅值大于门槛值。事实上，异常数据的大小无法确定，其绝对 值可能与系统故障时的采样点绝对值属于同一数量级甚至有可能小于后者，对于这些异常 数据，此方法则无法识别。

综上所述，现有异常数据识别方法普遍使用采样值的绝对值比较、连续采样点一 阶或者二阶差分值的比较来判断数据是否异常，存在着门槛值难以选取、异常数据点数值 较小时无法识别、连续多点异常数据识别困难以及影响快速保护动作时间等问题。

发明内容

针对现有技术中存在的问题，本发明提供一种基于波形系数的变电站异常数据识 别及恢复方法，能够对异常数据做出有效识别和恢复，所需数据窗较短，识别快速精确。

本发明是通过以下技术方案来实现：

基于波形系数的变电站异常数据识别及恢复方法，包括以下步骤：

步骤一，获取电气量信号当前时刻的实际采样值y_k，同时根据过去一段时间内的 电气量实际采样值实时预测当前时刻的预测采样值y′_k；

步骤二，对当前时刻的预测采样值y′_k和当前时刻的实际采样值y_k进行比较并判断 此实际采样值是否有可能是异常数据；

若判断此当前时刻的实际采样值正常，则执行步骤一；

若判断此当前时刻的实际采样值有可能是异常数据，则将当前时刻的采样点作为 潜在异常数据起始点，并执行步骤三；

步骤三，根据当前时刻的实际采样值与之后一段时间内的实际采样值的拟合信 号，与理想状态下电力系统中的电气量信号的相似程度来判断当前时刻实际采样值是否异 常；

若判断此当前时刻实际采样值正常，且前一时刻实际采样值正常，则清除潜在异 常数据起始点，并执行步骤一；

若判断此当前时刻实际采样值为异常数据，则更新下一时刻采样点数据为当前时 刻采样点数据，并重复执行步骤三，直到更新后的当前时刻实际采样值正常，则将潜在异常 数据起始点作为异常数据起始点，将更新后的当前时刻实际采样点作为异常数据结束点， 并执行步骤四；

步骤四，根据判断出的异常数据起始点和结束点，选择进行闭锁保护，或选择根据 异常数据之前和之后的采样点数据对异常数据进行恢复。

优选的，步骤一中，当前时刻的预测采样值y′_k可由如下公式计算：

y′_k＝-y_k-4+2y_k-3-2y_k-2+2y_k-1+2cosωT_s(y_k-3-2y_k-2+y_k-1)；

式中，y_k-4～y_k-1为当前时刻之前四个采样点的实际采样值，ω为工频信号角频率， T_s为采样周期。

优选的，步骤二中，对当前时刻的预测采样值y′_k和当前时刻的实际采样值y_k进行 比较并判断的判断条件如下式所示：

$\frac{\left|y_k-y_k^{\prime }\right|}{I_m}>{ϵ}_1;$

式中，I_m为电力系统额定电流幅值，ε₁为预测比较门槛值；

若判断条件的公式不满足，则判断此当前时刻的采样值正常，返回步骤一；若判断 条件的公式满足，则将当前时刻的采样点作为潜在异常数据起始点，并执行步骤三。

优选的，步骤三中，电气量信号相似程度的判别方法具体如下：

步骤3.1，选取当前时刻的实际采样值y_k和在它之后的N-1个采样值作为数据窗来 计算波形系数R，

$R=\frac{\underset{k=1}{\overset{N-4}{\Sigma }}|-y_k+2y_{k+1}-2y_{k+2}+2y_{k+3}-y_{k+4}+2{\mathrm{cos\omega T}}_s(y_{k+1}-2y_{k+2}+y_{k+3})|}{\underset{k=1}{\overset{N-4}{\Sigma }}\left|y_k\right|};$

式中，N为计算波形系数所用到的采样点个数，取值范围为N≥5，且N为整数；

步骤3.2，若R＜ε₂成立，ε₂为波形系数门槛值，则判定y_k不是异常数据，执行步骤 一；若R＜ε₂不成立，则判定y_k为异常数据起始点，且更新采样点数据重复进行判别方法，直 到式R＜ε₂成立，判定此时的采样点为异常数据结束点，即记录下了一段连续的异常数据 点，并执行步骤四。

进一步，N可取5到41之间的整数。

进一步，ε₂的取值由如下步骤确定：

首先，选取一段标准工频信号中连续的N个采样点作为选取的数据段位置，将其中 第一个采样值替换为异常数据，异常数据的偏移程度由ε₁决定，由定义的波形系数表达式 计算此段采样值数据的波形系数R；

然后，在同一段标准工频信号中改变选取的数据段位置重新选取N个采样点，在重 复选取的过程中使第一个采样点的位置遍历整个信号周期，计算出不同的R值，取其中最小 的R赋值给ε₂。

优选的，步骤四中，当选择根据异常数据之前和之后的采样点数据对异常数据进 行恢复时，恢复方法如下：

记恢复后采样值为y″_k，计算公式为：

y″_k＝-y_k+4+2y_k+1-2y_k+2+2y_k+3+2cosωT_s(y_k+1-2y_k+2+y_k+3)；

式中，y_k+1～y_k+4为恢复后采样值对应的采样时刻之后四个采样点的实际采样值， ω为工频信号角频率，T_s为采样周期；待恢复完成之后，清除所有记录，返回步骤一。

与现有技术相比，本发明具有以下有益的技术效果：

1、根据目标采样点与其后续采样点的拟合效果而不是其幅值大小来判断数据是 否异常，可有效区分异常数据与系统故障时的采样点数据。

2、能够适用于连续多点的异常数据识别。

3、可根据系统所能容忍的异常数据偏离程度精确设置门槛值，算法的灵敏度不受 异常数据本身大小的影响，对数值较小的异常数据也能准确识别。

4、算法所需数据窗较短，最短只需5个采样点，采样率为4kHz时对应的数据窗长度 为1ms。一般取数据窗长度为5ms，足以满足快速保护的动作时间要求。

5、异常数据识别之后可简单闭锁保护，也可根据需要对其进行恢复。

附图说明

图1为本发明实例中所述方法的流程图。

图2为本发明实施例的示意图，其中(a)表示电力系统故障前后时段的典型电流波 形，其中包含了不同种类的异常数据；(b)表示本算法对(a)中异常数据的识别情况，“1”代 表对应位置的采样点为异常数据，“0”代表无异常；(c)为对异常数据进行恢复后的信号波 形。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而 不是限定。

本发明公开了一种基于波形系数的变电站异常数据识别及恢复方法，该方法实现 过程如下：首先，获取当前时刻电气量的实际采样值，同时根据过去一段时间内的电气量实 际采样值实时预测当前时刻的预测采样值。然后对当前时刻的实际采样值和当前时刻的预 测采样值进行比较，通过两者偏差大小来判断当前时刻的实际采样值是否有可能是异常数 据。接下来，根据当前时刻的实际采样值和之后一段时间内的实际采样值的拟合信号与能 够代表电力系统电气量信号波形理论表达式的一致程度来确定当前时刻的实际采样值是 否异常，并得到异常数据的起始点和结束点。最后根据判断出的异常数据点进行下一步的 工作，可以选择简单地闭锁保护，也可以选择根据异常数据之前和之后的实际采样点数据 对异常数据进行恢复。本发明可有效区分异常数据与电力系统故障时的采样点数据；适用 于连续多点的异常数据识别；可精确设置门槛值，对数值较小的异常数据也能准确识别；所 需数据窗短，满足保护的速动性要求。

具体的，本发明提出的基于波形系数的变电站异常数据识别及恢复方法包括以下 步骤：

步骤一，更新当前时刻的实际采样值y_k。同时，根据当前时刻之前四个采样点的实 际采样值y_k-4～y_k-1对当前时刻的实际采样值进行预测，采样点与采样值一一对应，预测公 式如下：

y′_k＝-y_k-4+2y_k-3-2y_k-2+2y_k-1+2cosωT_s(y_k-3-2y_k-2+y_k-1)(1)

式中，ω为工频信号角频率，T_s为采样周期，若对合并单元输出的数据进行判断， 根据现行标准，T_s通常取0.25ms。

步骤二，对当前时刻的预测采样值y′_k和当前时刻的实际采样值y_k进行比较并判断 此实际采样值是否有可能是异常数据，判断条件为：

$\frac{\left|y_k-y_k^{\prime }\right|}{I_m}>{ϵ}_1---\left(2\right)$

式中，I_m为电力系统额定电流幅值，ε₁为预测比较门槛值，此门槛值可根据不同电 力系统能容忍的异常数据值偏离程度自适应的更改。若二次系统所处电磁环境较为恶劣， 出现的异常数据种类繁多，ε₁可设为一个较小值，例如0.5，即当前时刻的预测采样值与当 前时刻的实际采样值的偏差大于电力系统额定电流幅值的0.5倍时式(2)条件满足，启动后 续处理流程。当环境较为理想时，ε₁可设为一个较大值，若当前时刻的实际采样值偏移程度 较小则无需进一步处理。

若式(2)不满足，则判断当前时刻的实际采样值正常，返回步骤一。若式(2)满足， 将当前时刻的实际采样值序号k赋值给潜在异常数据起始点startpoint，此时有两种可能， 一是当前时刻的实际采样值异常，二是电力系统由于故障等原因产生暂态过程，当前时刻 的实际采样值对应的点为电力系统由稳态向暂态过渡的临界点。对于这两种情况的区分由 后续步骤完成。

步骤三，根据当前时刻的实际采样值与之后一段时间内的实际采样值的拟合信号 与理想状态下电力系统中的电气量信号的相似程度来判断当前时刻实际采样值是否异常。 理想状态下电力系统中的电气量信号表达式如下：

式中，A为工频电流的幅值，为工频电流初相角，B为衰减直流分量的初值，τ为衰 减直流分量的衰减时间常数。

选取当前时刻的实际采样值y_k和在它之后的N-1个采样值一共N个采样值作为数 据窗来计算波形系数R，计算公式如下：

$R=\frac{\underset{k=1}{\overset{N-4}{\Sigma }}|-y_k+2y_{k+1}-2y_{k+2}+2y_{k+3}-y_{k+4}+2{\mathrm{cos\omega T}}_s(y_{k+1}-2y_{k+2}+y_{k+3})|}{\underset{k=1}{\overset{N-4}{\Sigma }}\left|y_k\right|}---\left(4\right)$

并对R做如下判断：

R＜ε₂(5)

若式(5)不成立，则更新当前时刻的实际采样值，重复进行式(4)的计算和式(5)的 判断。式(5)成立时，将序号k-N+1赋值给异常数据结束点endpoint。若startpoint与 endpoint代表同一个采样点，说明此时电力系统正在经历正常的暂态过程，没有出现异常 数据；若startpoint与endpoint代表不同的采样点，则说明这两点之间的采样点均为异常 数据点。

公式(4)中，当采样率为4kHz时，N可取5～41之间的整数，此时的算法延时为1ms～ 10ms，足以满足保护的速动性要求。

ε₂的取值由N和ε₁共同决定。选取一段标准工频信号中连续的N个采样点作为选取 的数据段位置，将其中第一个采样值替换为异常数据，异常数据的偏移程度由ε₁决定，由公 式(4)计算此段采样值数据的波形系数R。然后，在同一段标准工频信号中改变选取的数据 段位置重新选取N个采样点，在重复选取的过程中使第一个采样点的位置遍历整个信号周 期，计算出不同的R值，取其中最小的R赋值给ε₂。

当N的取值范围为5～41，即采样率为4kHz时的算法延时(数据窗长)为1ms～10ms， ε₁的取值范围为0.1～1时，ε₂的取值由表1决定。

表1ε₂的取值

步骤四，由步骤三中的startpoint和endpoint确定异常数据的位置，由其后的正 常数据点对异常数据进行恢复，记恢复后采样值为y″_k，计算公式为：

y″_k＝-y_k+4+2y_k+1-2y_k+2+2y_k+3+2cosωT_s(y_k+1-2y_k+2+y_k+3)(6)

即从时间顺序上看，先恢复最后一个出现的异常数据点，再依次恢复之前出现的 异常数据点。待恢复完成之后，清除所有记录，返回步骤一。

结合图2，对本方法的有效性进行说明。使用的采样率为4kHz，算法实现过程中各 参数选择如下：I_m＝10，ε₁＝0.5，N＝21，由表1得ε₂＝0.026。

图2(a)表示电力系统出现故障时刻前后的电流波形，采样点1～240对应的信号波 形表达式为：

y＝10sin(100πt)(7)

采样点241～480对应的信号波形表达式为：

$y=50sin(100\pi t-\frac{\pi }{2})+50e^{-10t}---\left(8\right)$

改变某些采样点的值使其成为异常数据点，共有8处，每处异常数据的位置序号与 异常类型如表2所示。

表2异常数据位置序号及类型

图2(b)表示本方法对(a)中异常数据的识别情况，“1”代表对应位置的采样点为异 常数据，“0”代表无异常。可看出，除了101号采样点由于偏离程度小于ε₁未被识别外，其余 各种类型的异常数据点均被有效识别。同时，故障时刻的采样点并未被识别为异常数据。

图2(c)为本方法识别出异常数据点后的恢复情况，可看出结果较为理想。