黃佳胤 張 弛 丁曉兵 劉 剛

（1.中國南方電網電力調度控制中心 廣州 510663）（2.北京四方繼保自動化有限公司 北京 100085）

1 引言

智能電網中的智能控制系統高度依賴于整個系統的數據測量。新一代數據傳輸基礎設施可以確保測量數據的實時性［1］。將網絡安全策略應用于廣域網（WAN）上的數據傳輸鏈路可以降低數據受到攻擊或操縱的風險。此外，從數據源層面提高電力測量數據質量是另一個需要解決的問題。在現代數字變電站中，電流和電壓由儀表變壓器測量，其次級側連接到智能變電站合并單元（MU），后者將模擬信號轉換為數字信號，并將測量數據編碼為數據包，供電力系統智能控制系統使用。對于儀表變壓器，數據不良的原因可能是儀表變壓器飽和、接線錯誤、電線松動以及儀表變壓器故障。由于非飽和度和高精度特性，非傳統的互感器（NCIT）如電流互感器（CT）和羅氏線圈被引入變電站以取代傳統的儀表變壓器。然而，它們都依賴于正確的校準，這意味著不正確的校準和設置也是不良數據的來源［2］。此外，通信網絡中的廣播風暴和MU故障也可能分別向應用程序引入不良數據。不良數據對保護應用的影響可能導致不正確的跳閘或功能故障，從而危及電力系統的可靠性［3］。然而，作為解決上述問題的對策，不良數據檢測長期得不到重視。隨著電力系統狀態(tài)估計已被廣泛用于識別由于不完全計量、不正確建模、通信錯誤和意外系統變化導致的測量誤差［4～6］，因此，基于電力系統狀態(tài)估計的不良數據檢測方法開始得到關注。

基于上述考慮，本文提出了一種新型的變電站級不良數據檢測方法。所提出不良數據檢測方法通過對符合IEC61850標準［7～9］的變電站規(guī)范模型描述文件SSD的解析獲取電網設備的物理連接、電網的拓撲結構以及設備的在線狀態(tài)，并以此為基礎構建電網初始狀態(tài)關聯矩陣H。然后采用線性最小二乘算法（WLS）［10～13］對輸入的測量數據進行檢查過濾，如果檢測出不良數據，則對H 矩陣中的參數進行相應修改，如果沒有檢測出不良數據則輸出所獲得的最終估計狀態(tài)。為了驗證所提出的算法，本文選擇不同類型的不良數據對上述檢測方法進行測試。測試結果表明，在保證可觀察性的同時，所提出的不良數據檢測方法可以在靜態(tài)和故障狀態(tài)下減少誤差。

2 變電站層面的不良數據檢測

2.1 檢測方法概述

圖1 不良數據檢測工作流程

本文提出的變電站級不良數據檢測方法包括四個主要部分：線性WLS 狀態(tài)估計、拓撲識別和H矩陣生成、數據質量檢查以及不良數據檢測和處理。檢測流程如圖1所示。

不良數據檢測開始于從變電站規(guī)范模型文件（SSD）輸入識別當前變電站拓撲結構。物理連接拓撲和配電網拓撲是通過使用本文所述的算法1和算法2 解析SSD 文件而獲得的。斷路器和隔離開關狀態(tài)通過使用本文所述的算法3來獲得在線H矩陣。H 矩陣用于線性WLS 狀態(tài)估計。然后將線性WLS 狀態(tài)估計的輸出用于不良數據檢測和不良數據處理過程。如果檢測到不良數據，則相應地更新H矩陣和權重矩陣。如果沒有檢測到不良數據，則輸出所獲得的測量數據。

2.2 線性WLS的狀態(tài)估計

由于測量數據很少能夠完全反映真實電力系統狀態(tài)值的，所以收集的測量值與真實系統狀態(tài)之間的關系可以通過以下等式來解釋［14］：

其中z 是測量矢量，x 是系統狀態(tài)矢量，H 是將測量矢量與狀態(tài)相關聯的測量函數矩陣，r 是殘差矢量。在變電站內，電力系統可以被認為具有零阻抗，此外，由于測量是時間同步的并且來自相同的時間步長，因此變電站系統可以被視為準線性系統［15～17］。因此可以通過線性WLS 方法來檢測不良數據。線性WLS計算方法為

其中W 是加權矩陣。它是對角矩陣，矩陣中的每個權重反映了其相應測量的可信賴水平。

對于每一相位，電流瞬時值滿足基爾霍夫電流法關于母線和連通性節(jié)點以及整個變電站。當沒有發(fā)生故障時，每個母線、連通性節(jié)點和整個變電站的每個相位的注入電流瞬時值為零。因此，可以得到：

其中Iinj_BB、Iinj_CN、Iinj_SS為每個母線總注入電流的偽測量值，本文分別將連接節(jié)點和整個變電站視為關鍵且無誤差，AKCL_BB、AKCL_CN、AKCL_SS是基于變電站電網拓撲的關聯矩陣，rinj_BB、rinj_CN、rinj_SS是對應的殘差向量，x是相關測量的狀態(tài)向量，?BB、?CN是零向量，它們的大小是變電站的母線數量和連接節(jié)點數量。以下等式說明了電流測量與當前狀態(tài)之間的關系：

其中Imea是測量矩陣，I 是單位矩陣，rmea是相應的殘差向量?；谑剑?）和式（4），式（1）可以重寫如下：

從式（5）可知不同的權重分配導致不同的估計結果。在變電站中，儀表變壓器分為測量型和保護型。測量型儀表變壓器提供比保護類型更高的精度，但具有相對較小的線性范圍。已有研究指出，不合適的輸出權重分配會嚴重影響不良數據檢測結果的性能［18］。因此，根據儀表變壓器的類型、儀表的不同精度等級，為其輸出數據分配相應的權重。本文將相對較大的權重分配給偽測量。其他測量數據的權重相比較小并且取決于它們的精度等級：wi=ai。其中wi是權重矩陣W 中的第i個對角線元素，表示分配給測量數據i 的權重。為了確保狀態(tài)估計算法能夠正確工作，在變電站的配置改變的情況下，應連續(xù)更新關聯矩陣H。因此本文提出了自動拓撲處理和在線拓撲更新機制以便自動更新H矩陣。

圖2 拓撲處理和H矩陣形成的算法

2.3 拓撲處理和H矩陣形成

從式（5）可以看出，H 矩陣基于變電站拓撲。然而，由于拓撲的重新配置（即斷路器和隔離開關的狀態(tài)改變），H 矩陣必須定期更新。如上所述，變電站拓撲可以從IEC61850 所定義的SSD 文件中獲得。這種拓撲信息僅描述了所有變電站部件（例如母線、斷路器、電力變壓器、儀表變壓器等）的物理連接。物理連接拓撲處理如圖2中的算法1。算法導入SSD文件并分析文件中的子站部分，在完成在變電站的物理拓撲的同時檢索并列出所有電力設備。而共享相同連接節(jié)點的任何兩個組件都被視為具有物理連接關系。

在物理連接拓撲中，斷路器和隔離開關被認為是拓撲中的一個組件，H 矩陣本身不需要它們，但是它們的狀態(tài)決定了H矩陣的大小，進而影響到不良數據檢測算法的計算負擔。因此，通過如圖2 所示的算法2，將斷路器和隔離開關的狀態(tài)集成到電網拓撲中。所實現的電網拓撲包含儀表變壓器、母線、饋線、電力變壓器的連接。在獲得的電網拓撲中，兩個組件之間的連接類型可以斷開、直接連接或有條件連接。直接連接意味著這兩個組件之間沒有斷路器或隔離開關，而有條件連接取決于這兩個組件之間的斷路器和隔離開關的狀態(tài)。為了進一步減少計算負擔，可以對變電站中的每個電壓電平并行運行不良數據檢測。

在之前的工作中，H 矩陣是手工導入的，測量向量z不能被修改以適應可能的拓撲改變。這個缺點通過使用電網拓撲自動更新來克服。電網拓撲允許使用如圖2所示的算法3在線形成H矩陣。通過添加母線行、連接節(jié)點行和變電站行分別初始化H 矩陣。與電流互感器以外的部件對應的列在合并它們的連接條件之后被移除。從IED 獲得斷路器和隔離開關的狀態(tài)以確定線性WLS 所對應的H矩陣。

2.4 數據質量檢查

在數據質量檢查過程中，根據相關的數據質量屬性排除不良數據。在IEC61850 標準中，每個質量屬性包含13位，指示13個不同的質量方面，例如溢出、超出范圍、不良引用、振蕩和過期。本文從質量屬性的價值出發(fā)，將數據質量分為三類。

1）質量好：沒有數據質量問題。

2）質量不良：存在質量問題，如數據溢出和/或超出范圍。

3）質量差：溢出或超出閾值以外的數據質量問題。

在質量檢查過程中直接丟棄質量差的數據。具有良好質量的數據直接用于線性WLS 狀態(tài)估計。 質量不良的數據有條件地用于估算過程，并且由于其不確定性，其權重適當減少以降低其對其他數據的影響。 在質量檢查之后，斷路器和隔離開關的狀態(tài)數據用于產生H 矩陣。與測量數據一起，然后將H矩陣用于線性WLS狀態(tài)估計。

2.5 質量不良數據的檢測

為了檢測質量不良數據，使用最大的歸一化殘差方法。為此需要解決以下兩個問題：第一是線性WLS算法適用的情況；第二是是否可以檢測到不良的數據源。對于第一個問題，假設在式（5）中H 是m×n，I是單位矩陣，x是n×1狀態(tài)矩陣。當m＞n時，系統是一個高估的系統，它滿足了不良數據檢測的先決條件。然而，當m=n時，可以獲得估計結果但不足以檢測不良數據。因此，不良數據檢測算法的先決條件是m＞n，其可以由H 矩陣確定。對于第二個問題，已有研究已經指出，在某些系統中，當這兩個數據源的殘差之間的相關系數等于1 時，不可能在兩個數據源之間識別不良數據源。殘差之間的相關系數的計算可以如下進行：從式（1），可以獲得測量的殘差r=z-Hx，其中x 可以從式（2）獲得。歸一化殘差可以通過以下公式計算：

其中Rr是殘差的協方差矩陣，可以得到Rr=W-H（H′ W-1H）-1H。歸一化殘差的協方差矩陣可以如下獲得：

根據式（7），可以通過受H 矩陣影響的協方差矩陣來確定不良數據檢測的能力。因此，當變電站的拓撲結構改變時，檢查協方差矩陣的不良數據檢測能力。

該算法基于最大殘差用于識別不良數據的想法，因此，必須設置閾值以從良好數據中識別不良數據。閾值的選擇會影響不良數據檢測算法的成功檢測率，因為過低的閾值可能會拒絕良好的數據，而過高的閾值可能會導致不良的數據被接受。另一個挑戰(zhàn)是相同的閾值可能不適用于不同的電流幅度。為了優(yōu)化所提出的不良數據檢測算法的性能，需要進行迭代研究以獲得靜態(tài)電流和故障電流下不同閾值。

2.6 不良數據的處理過程

圖3 不良數據處理過程

3 案例分析

為了驗證所提出的不良數據檢測算法，對IEEE 14 總線系統中的一個變電站進行了實例研究。根據IEC600 44 中定義的CT 精度等級的測量不確定度納入考慮。本文在MU 中采用飽和特性的CT作為測量數據輸入。

3.1 變電站建模

案例研究所使用包括母線1和母線2的變電站網絡拓撲如圖4 所示。母線1 和母線2 通過變壓器連接。母線1 可以被視為用于不良數據檢測的單獨區(qū)域。圖4 中的變電站拓撲采用雙斷路器配置，每個饋線和每個斷路器都有自己的測量和保護精度等級的CT。測量CT 的精度等級為1 級，在額定一次電流下誤差最大為1%。保護CT 的精度等級為5P 級，一次電流額定值誤差最大5%。電流的正方向定義為朝向母線。

圖4 IEEE 14總線系統中母線配置

3.2 測量誤差

測量裝置的特性帶來測量不確定性。主電流通過CT 轉換為低信號電平，由MU 處理。由于激勵鐵芯磁化的影響，CT 并不是將所有一次電流都轉換為二次輸出電流，這造成了比例誤差。然而，這種誤差屬于CT 的制造誤差，由其設計所確定。在本實驗中，這個誤差被建模為精度等級范圍內的1%到0.5%之間隨機值，并分配給變電站內的不同CT。為了保護CT，在額定電流下，CT 誤差被隨機建模在5%到4%之間。相應地，測量CT 和保護CT數據的權重分別為0.01和0.05。

3.3 典型的不良數據場景

為了驗證該算法對不同不良數據場景的適用性，考慮了交互式多個不良數據和非交互式多個不良數據。以下CT 故障案例在圖5 中進行了建模和說明。

圖5 質量不良的測量數據

1）單一不良數據

MU的故障：具有良好質量屬性的恒定輸出（如圖5中的0.1s～0.2s所示）。

配置不正確：使用采樣值中的次級輸出（圖5中在0.2s～0.3s之間示出）和光纖電壓傳感器的錯誤配置（圖5中在0.3s～0.4s之間示出）。

數據包丟失。缺少一個采樣值數據包（如圖5中的0.4s～0.5s所示）。

2）交互多個不良數據

由故障電流引起的多次測量CT 飽和（如圖5中0.5s～0.6s所示）。

3）不相互作用的多個不良數據

混合多個相互獨立的不良數據。

4）混合多個不良數據

混合不同類型的不良數據。

在算法的測試中，在不同的數據源中隨機地將上述類型的不良數據注入到系統中。測試中采用了三相接地故障模擬CT 飽和，以產生不良測量數據。

3.4 結果和討論

如上所述，需要進行迭代研究以獲得最優(yōu)閾值。本實驗所測試的在同一時刻發(fā)生的1 個不良數據（1BD）、2 個不良數據（2BD）和3 個不良數據（3BD）的結果如圖6 所示。當靜態(tài)情況下閾值為= 108，故障情況下閾值為= 600 時，可以實現最好的檢測率。檢測率作為正確檢測與所研究的所有樣品之間的比率獲得。檢測失敗包括將正確的數據源檢測為錯誤的數據源并丟失任何錯誤的數據源。但是，由于圖5 所示的不良數據生成方法，一些不良數據接近或等于真實數據。這些仍被標記為不良數據。因此，不良數據檢測成功率可能會相對降低。

圖6 不同的閾值對不良數據檢測成功率的影響

在以下實驗中，根據數據質量屬性自適應地設置閾值。如果沒有CT 溢出或超出范圍，則=108；否則，=600。

從圖7 和圖8 中可以看出，來自所提出的算法的處理過的數據在靜態(tài)和故障情況下提供最小的電流誤差。基于運行在PC 機（8 核3.4GHz 處理器，8GB 內存）上的Matlab 代碼，采集了該算法的處理時間。在電力系統的靜態(tài)過程中，每個采樣步驟的處理時間小于1ms。在故障情況下，由于需要處理更多的不良數據以及修改H和W 的概率較高，算法處理速度高于于2ms。變電站內快速保護功能的最大限制要求為3ms，因此所提出的算法的處理時間可以滿足信號延遲要求。

值得注意的是，當插入的CT故障數量增加時，不良數據檢測算法可能不能檢測所有不良數據源，如圖6 所示。在這種情況下，不良數據檢測的性能急劇下降。為了克服這樣的缺點，引入來自相鄰變電站的冗余測量是可行的解決方案。然而，由于系統不再是零阻抗系統，因此需要修改H矩陣以包括來自相鄰變電站的測量，這是未來需要解決的一個問題。

4 結語

本文提出了一種新的變電站級不良數據檢測算法。它從符合IEC61850 標準的變電站規(guī)范文件中獲得電網拓撲。然后利用斷路器和隔離開關的可用狀態(tài)自動更新關聯H 矩陣。最后在獲取電網拓撲的基礎上利用電網狀態(tài)估計實現對不良數據質量的檢查。在數據質量檢查過程中，首先根據數據質量屬性排除不良數據，隨后采用線性WLS 狀態(tài)估計，利用最大歸一化殘差法識別不良數據。實例研究的結果表明，在靜態(tài)和故障情況下，與采用測量CT 或保護CT 輸出相比，該算法的輸出提供了最小的誤差。

圖7 靜態(tài)情況下的檢測結果

圖8 故障情況下的檢測結果