基于电压稳定性局部指标的电网电压稳定在线监测方法

基于电压稳定性局部指标的电网电压稳定在线监测方法。该方法能精确地处理实际负荷的时变特性，不受线路负荷、电压、负荷特性的影响；解决了持续激励条件不满足时，辨识参数不准确引起指标值误判的问题；其指标值性能良好，能准确地判断出薄弱节点，从而实现有效的电网电压稳定性的在线实时监测。

与现有技术相比，本发明的有益效果是：

本发明方法是一种基于电压稳定性局部指标的电网电压稳定在线监测方法。它通过对扩展单电源功率传输等值系统参数的辨识，计算电压稳定性局部指标。能精确地处理实际负荷的时变特性，不受线路负荷、电压、负荷特性的影响。

基于参数辨识理论，影响辨识结果准确性的主要因素是持续激励条件能否满足。如果持续激励条件难以满足，系统的可辨识性就较弱。但如能给辨识算法提供一个接近于真值的滤波初值，将有效提高辨识的收敛速度和辨识精度。

本发明方法根据被监测节点相邻区域内的信息计算被监测节点的单电源功率传输等值系统参数，将其作为初值，利用参数辨识方法辨识考虑了相邻区域以外系统影响的扩展单电源功率传输等值系统参数。由于辨识时的初值采用相邻区域的单电源功率传输等值系统参数，该初值与待辨识的扩展单电源功率传输等值系统参数的真值接近，使得辨识过程收敛更快，辨识结果更精确，从而解决了持续激励条件不满足时，辨识参数不准确引起指标值误判的问题。

由于辨识出的等值系统参数准确，计算出的电压稳定局部指标非常有效，能准确地判断出电网系统的薄弱节点，可靠地实现了电网电压稳定性的在线实时监测。

同时，本发明的以上计算方法给出了被监测节点不同大小范围内（与直连节点j连通但连接支路数可以等于0～3）的相邻区域等值系统计算方法。选取的连接支路数越多，相邻区域包含的范围就越大，从而算法具有灵活性，可针对不同系统选取适当的相邻区域，使辨识算法既精确又迅速简便，这也是现有算法不具有的。

系统中任意线路断开或任意节点属性改变等电网运行条件变化，都会引起各节点扩展等值系统的参数发生变化，但不同节点受其影响的程度并不相同。当|Zequi(k)|变化较小时，利用滤波器的调节能力，自动调整等值系统参数，得出正确的辨识结果；如|Zequi(k)|的变化较大，此时的参数辨识结果就有可能引入很大的计算误差。此时，本发明方法通过辨识算法滤波器复位，进行有效辨识，从而提高了辨识算法的可靠性。这样，利用预估参数值范围的方法，将超出预估参数范围的辨识结果作为无效数据剔除，进一步提高了持续激励条件不满足时参数辨识的可靠性和有效性。

基于电压稳定性局部指标的电网电压稳定在线监测方法。该方法能精确的处理实际负荷的时变特性，不受线路负荷电压负荷特性的影响；解决了持续激励条件不满足时，辨识参数不准确引起指标值误判的问题；其指标值性能良好，能准确地判断出薄弱节点，从而实现有效的电网电压稳定性的在线实时监测。与现有技术相比，本发明的有益效果是：本发明方法是一种基于电压稳定性局部指标的电网电压稳定在线监测方法，它通过对扩展单电源功率传输等值系统参数的辨识，计算电压稳定性局部指标。能精确地处理实际负荷的时变特性，不受线路负荷电压负荷特性的影响。基于参数辨识理论，影响辨识结果准确性的主要因素是持续激励条件能否满足。如果持续激励条件难以满足，系统的可辨识性就较弱。但如能给辨识算法提供一个接近于真值的滤波初值，将有效提高辨识的收敛速度和辨识精度。本发明方法根据被监测节点相邻区域内的信息计算被监测节点的单电源功率传输等值系统参数，将其作为初值，利用参数辨识方法辨识考虑了相邻区域以外系统的影响的扩展单电源功率传输等值系统参数。由于辨识时的初值采用相邻区域的单电源功率传输等值系统参数，该初值与待辨识的扩展单电源功率传输等值系统参数的真值接近，使得辨识的过程收敛更快，辨识结果更精确，从而解决了持续激励条件不满足时，辨识参数不准确引起指标值误判的问题。由于辨识出的等值系统参数准确，计算出的电压稳定局部指标非常有效，能准确地判断出电网系统的薄弱节点，可靠实现了电网电压稳定性的在线实时监测。同时，本发明的以上计算方法给出了被监测节点不同大小范围内（与直连节点j连通但连接支路数可以等于0～3）的相邻区域等值系统计算方法，选取的连接支路数越多，相邻区域包含的范围就越大，从而算法有灵活性，可针对不同系统选取适当的相邻区域，使辨识算法既精确又迅速简便，这也是现有的算法不具有的。系统中任意线路断开或任意节点属性改变等电网运行条件变化，都会引起各节点扩展等值系统的参数发生变化，但不同节点受其影响的程度并不相同。当|Zequi(k)|变化较小时，利用滤波器的调节能力，自动调整等值系统参数，得出正确的辨识结果；如|Zequi(k)|的变化较大，此时的参数辨识结果就有可能引入很大的计算误差，此时，本发明方法通过辨识算法滤波器复位，进行有效辨识，从而提高了辨识算法的可靠性。这样，利用预估参数值范围的方法，将超出预估参数范围的辨识结果作为无效数据剔除，进一步提高了持续激励条件不满足时参数辨识的可靠性和有效性。