对变电站不良数据进行检测的研究∗

黄佳胤 张 弛 丁晓兵 刘 刚

（1.中国南方电网电力调度控制中心 广州 510663）（2.北京四方继保自动化有限公司 北京 100085）

1 引言

智能电网中的智能控制系统高度依赖于整个系统的数据测量。新一代数据传输基础设施可以确保测量数据的实时性［1］。将网络安全策略应用于广域网（WAN）上的数据传输链路可以降低数据受到攻击或操纵的风险。此外，从数据源层面提高电力测量数据质量是另一个需要解决的问题。在现代数字变电站中，电流和电压由仪表变压器测量，其次级侧连接到智能变电站合并单元（MU），后者将模拟信号转换为数字信号，并将测量数据编码为数据包，供电力系统智能控制系统使用。对于仪表变压器，数据不良的原因可能是仪表变压器饱和、接线错误、电线松动以及仪表变压器故障。由于非饱和度和高精度特性，非传统的互感器（NCIT）如电流互感器（CT）和罗氏线圈被引入变电站以取代传统的仪表变压器。然而，它们都依赖于正确的校准，这意味着不正确的校准和设置也是不良数据的来源［2］。此外，通信网络中的广播风暴和MU故障也可能分别向应用程序引入不良数据。不良数据对保护应用的影响可能导致不正确的跳闸或功能故障，从而危及电力系统的可靠性［3］。然而，作为解决上述问题的对策，不良数据检测长期得不到重视。随着电力系统状态估计已被广泛用于识别由于不完全计量、不正确建模、通信错误和意外系统变化导致的测量误差［4～6］，因此，基于电力系统状态估计的不良数据检测方法开始得到关注。

基于上述考虑，本文提出了一种新型的变电站级不良数据检测方法。所提出不良数据检测方法通过对符合IEC61850标准［7～9］的变电站规范模型描述文件SSD的解析获取电网设备的物理连接、电网的拓扑结构以及设备的在线状态，并以此为基础构建电网初始状态关联矩阵H。然后采用线性最小二乘算法（WLS）［10～13］对输入的测量数据进行检查过滤，如果检测出不良数据，则对H 矩阵中的参数进行相应修改，如果没有检测出不良数据则输出所获得的最终估计状态。为了验证所提出的算法，本文选择不同类型的不良数据对上述检测方法进行测试。测试结果表明，在保证可观察性的同时，所提出的不良数据检测方法可以在静态和故障状态下减少误差。

2 变电站层面的不良数据检测

2.1 检测方法概述

图1 不良数据检测工作流程

本文提出的变电站级不良数据检测方法包括四个主要部分：线性WLS 状态估计、拓扑识别和H矩阵生成、数据质量检查以及不良数据检测和处理。检测流程如图1所示。

不良数据检测开始于从变电站规范模型文件（SSD）输入识别当前变电站拓扑结构。物理连接拓扑和配电网拓扑是通过使用本文所述的算法1和算法2 解析SSD 文件而获得的。断路器和隔离开关状态通过使用本文所述的算法3来获得在线H矩阵。H 矩阵用于线性WLS 状态估计。然后将线性WLS 状态估计的输出用于不良数据检测和不良数据处理过程。如果检测到不良数据，则相应地更新H矩阵和权重矩阵。如果没有检测到不良数据，则输出所获得的测量数据。

2.2 线性WLS的状态估计

由于测量数据很少能够完全反映真实电力系统状态值的，所以收集的测量值与真实系统状态之间的关系可以通过以下等式来解释［14］：

其中z 是测量矢量，x 是系统状态矢量，H 是将测量矢量与状态相关联的测量函数矩阵，r 是残差矢量。在变电站内，电力系统可以被认为具有零阻抗，此外，由于测量是时间同步的并且来自相同的时间步长，因此变电站系统可以被视为准线性系统［15～17］。因此可以通过线性WLS 方法来检测不良数据。线性WLS计算方法为

其中W 是加权矩阵。它是对角矩阵，矩阵中的每个权重反映了其相应测量的可信赖水平。

对于每一相位，电流瞬时值满足基尔霍夫电流法关于母线和连通性节点以及整个变电站。当没有发生故障时，每个母线、连通性节点和整个变电站的每个相位的注入电流瞬时值为零。因此，可以得到：

其中Iinj_BB、Iinj_CN、Iinj_SS为每个母线总注入电流的伪测量值，本文分别将连接节点和整个变电站视为关键且无误差，AKCL_BB、AKCL_CN、AKCL_SS是基于变电站电网拓扑的关联矩阵，rinj_BB、rinj_CN、rinj_SS是对应的残差向量，x是相关测量的状态向量，ÕBB、ÕCN是零向量，它们的大小是变电站的母线数量和连接节点数量。以下等式说明了电流测量与当前状态之间的关系：

其中Imea是测量矩阵，I 是单位矩阵，rmea是相应的残差向量。基于式（3）和式（4），式（1）可以重写如下：

从式（5）可知不同的权重分配导致不同的估计结果。在变电站中，仪表变压器分为测量型和保护型。测量型仪表变压器提供比保护类型更高的精度，但具有相对较小的线性范围。已有研究指出，不合适的输出权重分配会严重影响不良数据检测结果的性能［18］。因此，根据仪表变压器的类型、仪表的不同精度等级，为其输出数据分配相应的权重。本文将相对较大的权重分配给伪测量。其他测量数据的权重相比较小并且取决于它们的精度等级：wi=ai。其中wi是权重矩阵W 中的第i个对角线元素，表示分配给测量数据i 的权重。为了确保状态估计算法能够正确工作，在变电站的配置改变的情况下，应连续更新关联矩阵H。因此本文提出了自动拓扑处理和在线拓扑更新机制以便自动更新H矩阵。

图2 拓扑处理和H矩阵形成的算法

2.3 拓扑处理和H矩阵形成

从式（5）可以看出，H 矩阵基于变电站拓扑。然而，由于拓扑的重新配置（即断路器和隔离开关的状态改变），H 矩阵必须定期更新。如上所述，变电站拓扑可以从IEC61850 所定义的SSD 文件中获得。这种拓扑信息仅描述了所有变电站部件（例如母线、断路器、电力变压器、仪表变压器等）的物理连接。物理连接拓扑处理如图2中的算法1。算法导入SSD文件并分析文件中的子站部分，在完成在变电站的物理拓扑的同时检索并列出所有电力设备。而共享相同连接节点的任何两个组件都被视为具有物理连接关系。

在物理连接拓扑中，断路器和隔离开关被认为是拓扑中的一个组件，H 矩阵本身不需要它们，但是它们的状态决定了H矩阵的大小，进而影响到不良数据检测算法的计算负担。因此，通过如图2 所示的算法2，将断路器和隔离开关的状态集成到电网拓扑中。所实现的电网拓扑包含仪表变压器、母线、馈线、电力变压器的连接。在获得的电网拓扑中，两个组件之间的连接类型可以断开、直接连接或有条件连接。直接连接意味着这两个组件之间没有断路器或隔离开关，而有条件连接取决于这两个组件之间的断路器和隔离开关的状态。为了进一步减少计算负担，可以对变电站中的每个电压电平并行运行不良数据检测。

在之前的工作中，H 矩阵是手工导入的，测量向量z不能被修改以适应可能的拓扑改变。这个缺点通过使用电网拓扑自动更新来克服。电网拓扑允许使用如图2所示的算法3在线形成H矩阵。通过添加母线行、连接节点行和变电站行分别初始化H 矩阵。与电流互感器以外的部件对应的列在合并它们的连接条件之后被移除。从IED 获得断路器和隔离开关的状态以确定线性WLS 所对应的H矩阵。

2.4 数据质量检查

在数据质量检查过程中，根据相关的数据质量属性排除不良数据。在IEC61850 标准中，每个质量属性包含13位，指示13个不同的质量方面，例如溢出、超出范围、不良引用、振荡和过期。本文从质量属性的价值出发，将数据质量分为三类。

1）质量好：没有数据质量问题。

2）质量不良：存在质量问题，如数据溢出和/或超出范围。

3）质量差：溢出或超出阈值以外的数据质量问题。

在质量检查过程中直接丢弃质量差的数据。具有良好质量的数据直接用于线性WLS 状态估计。 质量不良的数据有条件地用于估算过程，并且由于其不确定性，其权重适当减少以降低其对其他数据的影响。 在质量检查之后，断路器和隔离开关的状态数据用于产生H 矩阵。与测量数据一起，然后将H矩阵用于线性WLS状态估计。

2.5 质量不良数据的检测

为了检测质量不良数据，使用最大的归一化残差方法。为此需要解决以下两个问题：第一是线性WLS算法适用的情况；第二是是否可以检测到不良的数据源。对于第一个问题，假设在式（5）中H 是m×n，I是单位矩阵，x是n×1状态矩阵。当m＞n时，系统是一个高估的系统，它满足了不良数据检测的先决条件。然而，当m=n时，可以获得估计结果但不足以检测不良数据。因此，不良数据检测算法的先决条件是m＞n，其可以由H 矩阵确定。对于第二个问题，已有研究已经指出，在某些系统中，当这两个数据源的残差之间的相关系数等于1 时，不可能在两个数据源之间识别不良数据源。残差之间的相关系数的计算可以如下进行：从式（1），可以获得测量的残差r=z-Hx，其中x 可以从式（2）获得。归一化残差可以通过以下公式计算：

其中Rr是残差的协方差矩阵，可以得到Rr=W-H（H′ W-1H）-1H。归一化残差的协方差矩阵可以如下获得：

根据式（7），可以通过受H 矩阵影响的协方差矩阵来确定不良数据检测的能力。因此，当变电站的拓扑结构改变时，检查协方差矩阵的不良数据检测能力。

该算法基于最大残差用于识别不良数据的想法，因此，必须设置阈值以从良好数据中识别不良数据。阈值的选择会影响不良数据检测算法的成功检测率，因为过低的阈值可能会拒绝良好的数据，而过高的阈值可能会导致不良的数据被接受。另一个挑战是相同的阈值可能不适用于不同的电流幅度。为了优化所提出的不良数据检测算法的性能，需要进行迭代研究以获得静态电流和故障电流下不同阈值。

2.6 不良数据的处理过程

图3 不良数据处理过程

3 案例分析

为了验证所提出的不良数据检测算法，对IEEE 14 总线系统中的一个变电站进行了实例研究。根据IEC600 44 中定义的CT 精度等级的测量不确定度纳入考虑。本文在MU 中采用饱和特性的CT作为测量数据输入。

3.1 变电站建模

案例研究所使用包括母线1和母线2的变电站网络拓扑如图4 所示。母线1 和母线2 通过变压器连接。母线1 可以被视为用于不良数据检测的单独区域。图4 中的变电站拓扑采用双断路器配置，每个馈线和每个断路器都有自己的测量和保护精度等级的CT。测量CT 的精度等级为1 级，在额定一次电流下误差最大为1%。保护CT 的精度等级为5P 级，一次电流额定值误差最大5%。电流的正方向定义为朝向母线。

图4 IEEE 14总线系统中母线配置

3.2 测量误差

测量装置的特性带来测量不确定性。主电流通过CT 转换为低信号电平，由MU 处理。由于激励铁芯磁化的影响，CT 并不是将所有一次电流都转换为二次输出电流，这造成了比例误差。然而，这种误差属于CT 的制造误差，由其设计所确定。在本实验中，这个误差被建模为精度等级范围内的1%到0.5%之间随机值，并分配给变电站内的不同CT。为了保护CT，在额定电流下，CT 误差被随机建模在5%到4%之间。相应地，测量CT 和保护CT数据的权重分别为0.01和0.05。

3.3 典型的不良数据场景

为了验证该算法对不同不良数据场景的适用性，考虑了交互式多个不良数据和非交互式多个不良数据。以下CT 故障案例在图5 中进行了建模和说明。

图5 质量不良的测量数据

1）单一不良数据

MU的故障：具有良好质量属性的恒定输出（如图5中的0.1s～0.2s所示）。

配置不正确：使用采样值中的次级输出（图5中在0.2s～0.3s之间示出）和光纤电压传感器的错误配置（图5中在0.3s～0.4s之间示出）。

数据包丢失。缺少一个采样值数据包（如图5中的0.4s～0.5s所示）。

2）交互多个不良数据

由故障电流引起的多次测量CT 饱和（如图5中0.5s～0.6s所示）。

3）不相互作用的多个不良数据

混合多个相互独立的不良数据。

4）混合多个不良数据

混合不同类型的不良数据。

在算法的测试中，在不同的数据源中随机地将上述类型的不良数据注入到系统中。测试中采用了三相接地故障模拟CT 饱和，以产生不良测量数据。

3.4 结果和讨论

如上所述，需要进行迭代研究以获得最优阈值。本实验所测试的在同一时刻发生的1 个不良数据（1BD）、2 个不良数据（2BD）和3 个不良数据（3BD）的结果如图6 所示。当静态情况下阈值为= 108，故障情况下阈值为= 600 时，可以实现最好的检测率。检测率作为正确检测与所研究的所有样品之间的比率获得。检测失败包括将正确的数据源检测为错误的数据源并丢失任何错误的数据源。但是，由于图5 所示的不良数据生成方法，一些不良数据接近或等于真实数据。这些仍被标记为不良数据。因此，不良数据检测成功率可能会相对降低。

图6 不同的阈值对不良数据检测成功率的影响

在以下实验中，根据数据质量属性自适应地设置阈值。如果没有CT 溢出或超出范围，则=108；否则，=600。

从图7 和图8 中可以看出，来自所提出的算法的处理过的数据在静态和故障情况下提供最小的电流误差。基于运行在PC 机（8 核3.4GHz 处理器，8GB 内存）上的Matlab 代码，采集了该算法的处理时间。在电力系统的静态过程中，每个采样步骤的处理时间小于1ms。在故障情况下，由于需要处理更多的不良数据以及修改H和W 的概率较高，算法处理速度高于于2ms。变电站内快速保护功能的最大限制要求为3ms，因此所提出的算法的处理时间可以满足信号延迟要求。

值得注意的是，当插入的CT故障数量增加时，不良数据检测算法可能不能检测所有不良数据源，如图6 所示。在这种情况下，不良数据检测的性能急剧下降。为了克服这样的缺点，引入来自相邻变电站的冗余测量是可行的解决方案。然而，由于系统不再是零阻抗系统，因此需要修改H矩阵以包括来自相邻变电站的测量，这是未来需要解决的一个问题。

4 结语

本文提出了一种新的变电站级不良数据检测算法。它从符合IEC61850 标准的变电站规范文件中获得电网拓扑。然后利用断路器和隔离开关的可用状态自动更新关联H 矩阵。最后在获取电网拓扑的基础上利用电网状态估计实现对不良数据质量的检查。在数据质量检查过程中，首先根据数据质量属性排除不良数据，随后采用线性WLS 状态估计，利用最大归一化残差法识别不良数据。实例研究的结果表明，在静态和故障情况下，与采用测量CT 或保护CT 输出相比，该算法的输出提供了最小的误差。

图7 静态情况下的检测结果

图8 故障情况下的检测结果