諧波狀態估計相關問題綜述

陳秋英

摘 要：諧波狀態估計對于電力系統諧波監測和治理具有重要意義。該文對現有的諧波狀態估計算法進行了評述，探討了諧波狀態估計的可觀性和量測配置優化問題，并分析了常用不良數據識別方法的優缺點。最后，對諧波狀態估計技術的應用前景進行展望，并討論了該領域尚待解決的問題。

關鍵詞：諧波狀態估計 可觀性分析 不良數據識別

中圖分類號：TM711 文獻標識碼：A 文章編號：1672-3791（2017）04（c）-0043-02

在諧波狀態估計中，主要分為3大部分：諧波狀態估計算法、可觀性分析及量測配置優化和不良數據識別。通過合理的狀態估計算法，得到節點諧波電流的估計值。然而，量測裝置的數量對估計效果起到確定性作用。在確保對全網絡可觀性的前提下，需對量測裝置進行優化，以達到估計精度和經濟成本的平衡。同時，在實際網絡中，量測值會存在不良數據，如何避免不良數據對狀態估計正確性的影響，非常關鍵。該文圍繞該3個部分，對諧波狀態估計進行了相應的綜述及展望。

1 諧波狀態估計算法

諧波狀態估計技術采用了同步量測和三相模型，量測值為電壓和電流相量，而非傳統的電壓和功率，因此，諧波狀態估計算法須根據諧波測量的特點對傳統的狀態估計進行調整。

諧波狀態估計的最大困難是如何排除背景諧波的干擾。因為在公共連接點處會有諧波電流注入，從而導致線性負荷的諧波電壓失真，誤判為諧波源。但諧波狀態估計的最大困難是如何排除背景諧波的干擾。因為在公共連接點處會有諧波電流注入，從而導致線性負荷的諧波電壓失真，誤判為諧波源。

同時，在諧波狀態估計中，需得知網絡拓撲的網絡阻抗等具體參數。若參數存在誤差或缺乏時，會導致估計結果的錯誤。通過對負荷電流的統計特性分析及少量的諧波電壓量測量，利用獨立分量法實現了在未知網絡拓撲和諧波網絡阻抗情況下的諧波源定位。但該方法沒有考慮到在量測數據存在誤差的情況下，如何提高諧波源辨識的準確性。該文指出在配電網中量測數據的噪聲會增加狀態估計的錯誤性。而且，并沒有對量測量和量測位置對估計精度的影響進行分析。在該方法中量測量由諧波源的數量而確定，則需事先知道諧波源的數量，并不現實。

因此，人工智能技術如神經網絡法和模糊聚類法，也應用于諧波狀態估計。神經網絡能夠符合復雜和高度非線性的輸入-輸出對，并在電氣領域得到廣泛應用。建議用神經網絡實現狀態量的偽量測，來減少量測量，并進行諧波狀態估計。通過將模糊理論應用到神經網絡中，實現多諧波源定位。通過模糊聚類方法將電力系統分割成若干個集群，且集群的數量等同于需安裝的量測量；通過反向傳播算法訓練神經網絡來辨識所有諧波源。該方法所需的量測量少。指出神經網絡在電力系統諧波研究的廣泛應用。由于神經元網絡的建立需要預先提供大量的訓練對，且需事先預知諧波源數量，顯然并不現實。

2 諧波狀態估計可觀性及量測配置優化

諧波狀態估計技術的研究屬于網絡諧波分析的范疇。然而，諧波狀態估計的前提是要進行諧波的監測，則需對整個網絡進行可觀性分析和量測配置優化。可觀測性分析是在給定的網絡拓撲結構和量測配置的前提下，判斷利用量測數據確定母線狀態的能力和程度，是在進行系統諧波狀態估計之前進行的一個步驟。系統不可觀時，狀態估計會出現不收斂的情況。可觀測性分析算法的好壞將直接關系到諧波狀態估計的運行性能，甚至導致估計不收斂。

在諧波狀態估計的可觀性分析中，主要分為兩大方法：拓撲算法和數值算法。基于拓撲的可觀性分析是通過在量測網絡中搜索滿秩的生成樹的存在來判斷是否可觀。基于數值的可觀性分析是通過判斷量測雅可比矩陣是否列滿秩或信息矩陣是否奇異來判斷是否可觀。同時，基于數值的可觀性分析又可分為拓撲模式和數值模式。

因此，拓撲算法無需浮點運算，不受舍入誤差的影響，但算法復雜，求解耗時；數值算法需進行浮點運算，可利用信息矩陣以及量測雅可比矩陣的計算結果，但計算量大，受舍入誤差影響。

同時，電網節點規模龐大，考慮到經濟性和實用性，不可能所有母線配置量測量，則量測配置的關鍵在于如何確定系統可觀測的前提下，盡可能地減少量測量。針對諧波狀態估計的不可觀情況提出了一種優化傳感器配置的線性技術，但只能得到一個近似最優解。通過辨識冗余的量測裝置，給出了量測裝置的最小數量。然而，該方法不能解決有兩個相關量測方程（如一條線路的兩端點的電流都有量測量）的情況，實際意義不大。提出了一種基于系統誤差協方差的方法，但非常耗時。提出了基于遺傳算法的優化配置，該算法迭代次數較多且本身參數設置對迭代過程影響較大，影響算法的收斂速度。

3 諧波狀態估計不良數據識別

此小節在所搭建的35 kV配電網模型的基礎上，分在諧波狀態估計中，不僅要考慮到網絡的可觀性，而且應能利用實時量測系統的冗余度來提高數據精度，排除隨機干擾所引起的錯誤信息，進而定位諧波源。冗余度與不良數據的檢測、參數估計和錯誤處理等密切相關。常用的不良數據檢測辨識的方法主要有殘差搜索法、非二次準則法、零殘差法和估計辨識法。

分析了量測數據協方差矩陣中的元素在白噪聲、突變量和不良數據等3種狀況下的變化規律，通過其變化規律來檢測和辨識不良數據。提出利用最優二乘法檢測不良數據檢測，利用殘差進行不良數據的辨識。提出了分布式的不良數據檢測與辨識方法。通過將系統劃分成若干個獨立的子區域，各子區域的不良數據檢測與辨識由該區域控制中心的計算完成。狀態估計采用分布加權最小二乘法實現，不良數據的檢測辨識采用分布式殘差的方法實現。

以上的方法都是將加權殘差或標準殘差值作為特征值，并按照一定的置信度水平設置閥值來進行假設檢驗，從而識別不良數據。由于需采用殘差方程進行辨識，狀態估計的計算量大，且容易發生錯誤辨識的現象。

因此，出現了人工智能算法應用于諧波狀態估計的不良數據識別中。主要分為基于神經網絡、基于模糊理論和聚類分析的兩種方法。采用典型工況的正確量測數據作為反向傳播神經網絡的訓練樣本，利用兩級神經網絡來比較預測值與原始量測值之間差值，并通過閥值的大小來識別不良數據。然而神經網絡方法的缺點在于閥值選取帶有較大的主觀性和經驗性，使得實際應用比較困難。基于模糊集和聚類分析的方法要人為地確定隸屬度的大小，也帶有一定的主觀性。

4 展望

電力系統諧波狀態估計的研究將為電力系統諧波監測和治理提供有效的支撐。通過對電力系統諧波狀態估計算法、可觀性分析及優化配置和不良數據識別的評述，應盡快開展以下幾方面的工作。

（1）諧波狀態估計基礎工作的進一步研究，包括同步發電機、電力變壓器、輸電線路、并聯補償裝置、負荷等三相平衡或不平衡諧波模型及諧波源模型的建立。

（2）可觀測分析依賴于系統拓撲結構，如果系統拓撲結構發生較大變化，須重新搜索；且應考慮到量測數據因某種原因（如故障等）而無法得到情況下的系統可觀測性分析和狀態估計。因此，需要提出電力系統諧波狀態估計可觀性分析的新方法，確定最小的諧波量測集，研究使諧波狀態不可觀測的網絡變為可觀測網絡的可能性。因此，可觀分析方法不僅要能夠分析網絡的可觀性，也應能辨識出可觀測島，并盡可能地提供偽量測。

（3）電力系統諧波狀態估計的實際應用，并開發實用的諧波狀態估計軟件。目前大多數學者的研究重點在于穩態領域的量測優化配置，未充分考慮系統動態行為的優化配置。結合經濟性和可觀性進行量測系統的優化配置；海量量測數據的關鍵信息提取和實時性保持；提出速度快且精度高的節點負荷實時估計算法；在允許的誤差范圍內研究刪減不重要的支路。

參考文獻

[1] 吳篤貴，徐政.基于相量量測的電力系統諧波狀態估計（I） [J].電工技術學報，2004，19（2）：64-68.

[2] 孫國強，衛志農，周封偉.改進迭代自組織數據分析法的不良數據辨識[J].中國電機工程學報，2006，26（11）：162-166.