电力系统状态估计研究生课程_陈艳波(2).pptx

《电力系统状态估计研究生课程_陈艳波(2).pptx》由会员分享，可在线阅读，更多相关《电力系统状态估计研究生课程_陈艳波(2).pptx（106页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、电力系统状态估计电力系统状态估计Power System State Estimation华北电力大学电气学院主讲人：陈艳波1/106n教学教师教学教师 陈艳波，电力系统研究所，教五楼B-401 Tel:61773820 手机：15810555340 Email: 目前研究方向：状态估计状态估计、低频振荡、失步振荡等n教学参考书教学参考书 电力系统状态估计，于尔铿，水利电力出版社Power System State Estimation，Ali Abur，New York:Marel Dekker,20042/106电力系统状态估计概述电力系统状态估计概述Introduction to Pow

2、er System State Estimation华北电力大学电气学院主讲人：陈艳波3/106n必要性和定义必要性和定义n状态表征与可观测性状态表征与可观测性n常用算法常用算法n统计结果分析统计结果分析n状态估计流程状态估计流程电力系统状态估计概述4/106nSE的必要性的必要性电力系统需要随时监视系统的运行状态需要提供调度员所关心的所有数据测量所有关心的量是不经济的，也是不可能的，需要利用一些测量量来推算其它电气量 由于误差的存在，直接测量的量不甚可靠，甚至有坏数据电力系统状态估计(SE)的必要性5/106电力系统状态估计能够帮助我们解决这些问题！nSE的作用的作用降低量测系统投资，少装测

3、点计算出未测量的电气量利用量测系统的冗余信息，提高量测数据的精度1.1 电力系统状态估计的作用6/106n实时数据的误差实时数据的误差从采样到计算机数据库的全过程，每个环节都可能受到各种随机干扰而产生误差量测值和真值总是存在差异，即误差误差来源：各环节的随机干扰量测的不同时性，死区传送，CDT不同时实时数据的误差7/106nSE基本概念基本概念通常选择那些数量最少的一组量，知道这些量以后，通过计算就能够计算出全系统所有的电气量，称为系统的状态变量。状态估计就是采用数学的方法根据量测来计算这组状态变量。电力系统的运行状态可用各母线的电压幅值和相角来表示。什么是电力系统状态估计(SE)？8/106

4、n状态的决定因素状态的决定因素组成电力系统网络的各元件的参数，在系统建成之后就已经确定；各元件之间的联结情况，这主要由开关状态决定；决定电网运行情况的边界条件，即各发电和负荷的运行状况。状态是由什么决定的？9/106这要利用实时可用的信息。这些信息包括：确定网络联结情况的开关状态信息反映系统实时运行状态的量测量信息这通过实时网络状态分析程序来实现。可见，在状态估计程序计算之前，首先要进行拓扑分析来确定网络联结关系。怎样实时确定系统状态量的变化？10/106nSE定义定义在给定网络结线、支路参数和量测系统的条件下，根据量测值求最优状态估计值n1970年年F.C.Schweppe等等提提出出电电力

5、力系系统统最最小小二乘状态估计算法二乘状态估计算法n70年年代代初初期期，Larson和和Debs在在绑绑那那维维尔尔电电力力公司展开卡尔曼逐次滤波状态估计的研究公司展开卡尔曼逐次滤波状态估计的研究状态估计定义11/106n静态静态SE实际系统的运行状态是随时间而变化的，所以状态估计也应是随时间而变化地进行在某一采样时刻，我们可以把系统状态看成是常量，和时间的变化无关。这样，我们把在一个采样时刻进行的状态估计叫静态状态估计。静态状态估计不考虑状态的时变过程，考虑状态的时间变化的叫动态状态估计。静态状态估计12/106如果系统的状态变量个数为n，那么量测方程个数m应该大于或等于状态变量的个数n。

6、等于：潮流计算大于：状态估计多余m-n个方程为矛盾方程，找不到常规意义上的解，只能用拟合的方法求在某种估计意义上的解。状态量和量测方程13/106电力系统状态能够被量测量表征的必要条件是量测系统满足可观测性简单的讲，就是通过这些量测能够得出唯一的系统运行方式，系统状态变量是唯一的，那么就称为这个量测系统是可观测的非线性系统f(x)可观测的一个必要条件就是量测系统的雅可比矩阵H的秩与状态变量x的维数相同状态估计的表征14/106量测量的个数大于等于状态量的个数，是量测系统可观测的必要条件。假定量测量的个数为m，系统状态变量的个数为n，m-n被定义为量测系统的冗余度。它表征了量测量的充裕程度，通常

7、情况下，冗余度越高，系统状态估计的结果也越精确。量测点布置的最低要求就是要保证系统的可观测性。如果一个可观测的系统量测量的个数与状态量的个数相同，就是电力系统的潮流计算问题。换句话说，电力系统的潮流计算问题，是状态估计问题的一种特殊形式。状态估计的可观测性15/106常用的有两种，一个是牛顿拉夫逊法，一个是快速分解法。在一般正常条件的电力系统状态估计时，这两种算法是能够满足要求的。如果电力系统运行在病态条件下，例如重负荷线路，放射性网络或具有相接近的多解的运行条件，这两种算法就无能为力了。计算过程可能发散也可能振荡，难以判断究竟是给定的运行条件无解，还是算法本身不完善而得不到解。对于这种病态潮

8、流，岩本伸一等人发展的最优乘子法较好的解决了这一问题。状态估计常用算法 16/106状态估计计算结果的统计分析可以评价状态估计程序的性能和确定量测系统的配置是否合理。表征状态估计程序的主要指标是：目标函数的均值量测误差统计值估计误差统计值状态估计计算结果的统计分析17/106对于符合要求的量测模拟系统，量测误差的统计值应接近于1：对于正常的状态估计程序，量测量估计误差的统计值应小于1：可以表明滤波效果，目标函数的均值应该接近于量测冗余度：状态估计计算结果的统计分析18/106此外，还可以记录最大量测误差、最大估计误差、每次状态估计的迭代次数及其平均值。当然状态估计的计算时间和所占用的内存也是状

9、态估计程序的重要指标，但这要单独进行统计。状态估计计算结果的统计分析19/106状态估计统计性能分析20/106已知简单电路，电阻为10欧姆，电压为10伏，电压量测为10.1伏，电流量测为0.99安，功率为9.8W，估计电流值。问题？21/106读入数据拓扑分析可观测性分析迭代计算不良数据检测与辨识估计结果分析状态估计到底包含哪些内容？22/106状态估计示意流程23/106潮流计算是状态估计的一个特例状态估计用于处理实时数据，或者有冗余的矛盾方程的场合潮流计算用于无冗余矛盾方程的场合在线应用中，潮流计算在状态估计的基础上进行，也就是说，由状态估计提供经过加工处理过的熟数据，作为潮流计算的原始

10、数据。状态估计与潮流计算的关系24/106状态估计与潮流计算的关系(续)25/106状态估计中的“估计”一词和日常口语中的“估计”含意不尽相同。日常口语中的“估计”有预测的含意，即有推测的含意，被理解为不准确的推论。而SE中的估计严格基于本次采样中获得的反映系统实时运行状态的信息，用数学的方法拟合系统的真实状态。如果量测绝对准确，“估计”出的系统状态也绝对准确。在某一量测系统中，估计的准确性完全取决于量测值的准确性。强调指出26/106准确性的标准应是是否反映系统的实际状态。潮流是在事先假定原始数据绝对准确的前提下来计算潮流的，而实际上这是不可能的。不能因为常规潮流计算最后残差为零而认为常规潮

11、流比状态估计准，而事实上正相反。状态估计和潮流计算谁更准确？27/106实际离线潮流计算中所用的数据大多是通过电话或根据潮流报表上的记录查来的，具有不同时性，误差十分大，所以运行方式科的人员为了能调出一个可以接受的（或说得过去的）潮流，要反复修正原始数据，潮流结果的可信度只能在人的感觉（经验）能接受的范围内，和真实系统状态相差甚远。而状态估计直接取用从SCADA采来的实时信息，同时性比较好，只要量测和远动系统正常，这些原始数据可以反映当时系统的运行状况，再加上状态估计利用了冗余的量测信息，形成了对状态量的重复量测，从而获得了比量测精度更高的状态估计结果，所以状态估计的结果远比常规潮流计算的结果

12、精度高，更为可信。正因为这样状态估计的结果成为电网离线分析和计算的重要数据来源。状态估计和潮流计算谁更准确？(续)28/106电力系统状态估计算法电力系统状态估计算法Models and Approaches of Power System State Estimation华北电力大学电气学院主讲人：陈艳波29/106n概述概述n基本加权最小二乘法基本加权最小二乘法n快速分解状态估计快速分解状态估计n变换量测量变换量测量n比较比较n示例示例电力系统状态估计算法30/106在给定网络结构、支路参数和量测系统的条件下，根据量测值求最优状态估计值的计算方法称为状态估计算法。电力系统状态估计算法可以分

13、为两大类型：一种是卡尔曼型逐次算法一种是高斯型最小二乘法的总体算法概述31/106由于逐次型状态估计算法使用内存最少，对节点注入型量测具有一定的适应能力，程序简单，在一段时间内由邦那维尔电力系统提出后得到了一定的应用。但是这种算法的缺点是收敛速度慢，计算时间长，估计质量差，随着电力系统规模增大和节点注入型量测量的增多而变得更加严重，这些缺点限制了它的推广应用。目前在电力系统中，基本上应用的都是最小二乘法的总体算法一类。逐次型状态估计32/106基本加权最小二乘法（牛顿法）快速分解法变化量测量三种常用的最小二乘类算法33/106节点划分？潮流计算分为三类节点而状态估计是没有节点类型的概念的一个N

14、节点的网络，状态变量有多少个？状态变量有2N-1个因为必须指定一个节点的相角为0方程的个数？潮流计算方程的个数等于状态变量的个数状态估计中，方程的个数由量测量的个数决定状态估计与潮流相比34/106量测方程目标函数非线性方程求极值必要条件：根据数学知识：简化：加权最小二乘法的数学模型35/106如何求解？36/106牛顿法应用牛顿法求解37/106带入计算公式迭代公式收敛条件38/106迭代形式简记为收敛条件两个收敛条件任选其一即可几个有意义的矩阵39/106量测雅克比矩阵信息矩阵(Gain Matrix)状态估计误差方差阵量测估计误差量测估计误差方差阵误差方差阵HTR-1H-1中对角元素表示

15、量测系统可能达到的估计效果，是评价量测系统配置质量的重要指标。信息矩阵HTR-1H，其对角元素随量测量增多而增大，而HTR-1H-1的对角元素则随之降低。量测估计误差方差阵HHTR-1H-1 HT的对角元素表示量测量估计误差的方差的大小，在一般的量测系统中有diagHHTR-1H-1 HTR，表明状态估计可以提高量测数据的精度。冗余度与估计精度40/106加权最小二乘法具有良好的收敛性，但它的缺点是计算时间长和所需内存大。采用PQ分解法求解潮流的思想，将有功和无功解耦以及雅克比矩阵常数化的方法用在加权最小二乘法中，形成了快速分解状态估计算法。WLS流程图41/106从基本加权最小二乘法发展而来

16、先看基本加权最小二乘法的计算方程形式上的改写分解将状态量x分为电压幅值和相角量测量z分为有功和无功两类 快速分解状态估计（FDSE）42/106量测方程有功量测：支路有功量测节点注入有功量测无功量测：支路无功量测节点注入无功量测节点电压幅值量测分解方案43/106有功量测部分 无功量测部分 对高压电力网有功和相角的关系密切而受电压的影响相对较小无功与电压幅值的关系密切而受相角的影响较小与PQ分解法潮流计算作类型的假设，即分解的物理基础44/106分解后有分解的结果45/106对于高压电力网认为各支路两端的相角差很小各节点电压幅值接近于参考节点电压 与PQ分解法潮流计算作类型的假设，即那么，雅克

17、比矩阵可以常数化快速的物理基础46/106迭代形式分解分解+快速快速+分解47/106迭代形式快速分解状态估计48/106FDSE流程图49/106WLS与FDSE的区别50/106常数变化的系数矩阵na和nrn=na+nr方程维数求解方式FDSEWLS算法同时求解和分别求解和由美国电力公司提出的，也称为“唯支路”量测状态估计算法。本算法将支路潮流量测量变换为对支路两端电压差的“量测”，并假设运行电压变化不大，最后得到与基本加权最小二乘法状态估计相类似的迭代修正公式，但其信息矩阵是常实数、对称、实虚部统一的稀疏矩阵。变换量测量51/106优点：是计算速度快而又节省内存缺点：难以处理节点注入型量

18、测量，但这并不妨碍其实用性。变量量测法流程图52/106三种状态估计的比较53/106从状态估计到潮流比较54/106状态估计和潮流计算比较55/106测量值：I=1.05A=1.05p.u.U=9.8V=0.98p.u.P=9.6W=0.96p.u.状态量x为电流I量测方程：Z1=h1(x)+v1=x+v1Z2=h2(x)+v2=Rx+v2Z3=h3(x)+v3=Rx2+v3状态估计示例56/106雅克比矩阵信息矩阵迭代方程采用最小二乘法求解57/106迭代过程58/106状态的估计值量测的估计值：电流I=x=0.9917p.u.=0.9917A电压U=Rx=0.9917p.u.=9.917

19、V有功P=Rx2=0.9835p.u.=9.835W量测容余度增加，估计误差将减小误差统计59/106真值量测值误差估计值误差估计值 误差 1.05 0.05 1.015 0.015 0.9917 -0.0083线路潮流示例60/10612求量测雅可比矩阵61/106求量测雅可比矩阵(续)62/106传统的最小二乘以及卡尔曼滤波算法的计算过程，无法包含电力系统各类物理的和数学的约束形式。而电力系统中，很多物理约束信息对提高状态估计的精度是很有用处的。简单例子：存在的问题63/106最小二乘法估计结果显然违背了电力系统运行规则。如果考虑电力系统物理约束，通常正常运行时节点电压不可能达到0.2，而

20、且该线路没有电阻，则没有功率损耗，因此可以认为节点2所给出的电压功率量测是有问题的。去掉节点2的电压和有功量测方程后，采用最小二乘法可以得到计算结果为：存在的问题64/106可以看出，考虑了电力系统物理约束等条件的状态估计精度明显提高。因此，关于考虑等式约束和不等式约束的状态估计算法逐步出现，状态估计问题一定程度上转换为优化问题，采用优化算法进行求解。带等式约束和不等式约束的状态估计可用IPOPT求解。为了提高计算精度和准确性，通常会在状态估计之前首先进行坏数据检测和辨识，剔除坏数据之后再进行状态估计效果会好很多。问题的提出65/106不良数据辨识不良数据辨识Bad Measurement I

21、dentification华北电力大学电气学院主讲人：陈艳波66/106不良数据辨识67/106n概述概述n残差方程残差方程n不良数据检测不良数据检测n不良数据辨识不良数据辨识量侧数据在采集、传递、交换的整个过程中，不可能保证所有的数据都是准确无误的，有可能出现因设备原因或者网络原因造成数据的损坏或者偏差。几个定义不良数据的检测（Bad Data Detection）判断某次量测采样中是否存在不良数据不良数据的辨识（Bad Data Identification）发现某次量测采样中存在不良数据后，确定哪个(或哪些)量测是不良数据不良数据的删除（Bad Data Suppression）对辨识出

22、的坏数据，用某种方法排除它们对状态估计结果的影响概述68/106n人人们们在在状状态态估估计计之之前前会会对对量量测测数数据据进进行行处处理理，根根据对不良数据处理水平不同分为三个层次：据对不良数据处理水平不同分为三个层次：人工检测和辨识量测极限值检测量测量突变检查量测数据的相关性检查计算机实时检测和辨识(数据的预处理)利用远动功能实现粗检测和辨识状态估计程序中的检测和辨识通过大量正常的冗余量测，利用数学方法处理不良数据检测和辨识69/106检测的常用方法使用目标函数极值进行检测；用加权残差或标准化残差检测；上述两种方法的综合使用；量测量突变检测；应用伪量测量的检测。辨识的常用方法残差搜索法；

23、非二次准则法；零残差法（它是非二次淮则法的一个发展）；估计辨识法。检测和辨识方法70/106正态分布概率密度分布函数标准正态分布对于任意的正态分布随机变量不良数据检测与辨识的数学基础71/106当被研究的随机变量是数量众多的相互独立的随机变量之和，则他必定服从正态分布或近似正态分布的。正态分布随机变量落在 3区间内的概率几乎等于。量测值和真值总是存在差异，即误差从采样到计算机数据库的全过程，每个环节都可能受到各种随机干扰而产生误差误差来源：各环节的随机干扰量测的不同时性，死区传送，CDT不同时实时数据的误差72/106假设误差具有正态分布的性质是z的真值(测量很多次的均值)误差的性质73/10

24、6由正态分布的特性可知只有0.3%的可能性使得Z-落在3范围之外定义：误差大于3的量测数据叫坏数据，或不良数据（bad data，BD）。坏数据定义74/106内含量测预处理、拓扑错误辨识、遥测坏数据的检测和辨识量测预处理：去掉明显的坏数据拓扑错误辨识：找出开关、刀闸的状态错误遥测坏数据的检测和辨识采用估计-检测和辨识-再估计-再检测和辨识的迭代模式量测坏数据的检测与辨识75/106可观测(估计)性能检测吗？不良数据可检测有没有？不良数据可辨识哪个是？坏数据的可检测和可辨识性76/106误差量测值和真值之间的差最直接的方法如果我们能够知道系统的真值x，则量测误差很容易计算出来，我们就可以把误差

25、大于3的量测挑选出来。看起来好像不良数据的检测与辨识很容易。可能吗？实际上，真实的系统状态是无法知道的，真实的量测误差也是一个未知数。根据误差来判断77/106状态变量真值残差量测值和量测估计值之间的差残差和误差的关系将量测估计在真值x附近Taylor级数展开代入残差表达式：得到：根据残差来判断78/106状态变量估计值根据残差来判断79/106最小二乘的基本原理得到：残差方程80/106因为估计值和真值十分接近，上式的量测雅克比矩阵都可以在估计值处取值，即：残差方程残差灵敏度矩阵（1）W是奇异矩阵，其秩k=m-n；（2）W是等幂矩阵：WW=W；（3）WR-1W=R-1W；（4）WRWT=WR

26、=RWT；（5）0Wij1。残差灵敏度矩阵的性质81/106描述了残差和量测误差之间的线性关系W矩阵的元素就是相应的比例系数量测i的残差ri和所有量测误差有关残差方程的作用82/106如果W有逆，我们就可以用残差矢量r计算出量测误差，把大于3的找出来。W可逆吗？是mm阶的，但它的秩是m-n不能通过对W求逆来求误差向量W对角占优吗？如果对角占优则具有最大量测误差的量测所对应的残差一般也大。但是，当冗余量测较低时，W可能不满足对角占优的条件，最大残差和最大量测误差并不一致。W既不可逆，也不对角占优，是引起不良数据检测与辨识困难的根本原因。残差方程的作用83/106为了便于进一步简化计算公式和分析，

27、进入残差方程的加权形式。定义加权残差：理解：对每个量测量对应的加权残差定义加权量测误差：理解：对每个量测量对应的加权误差残差方程改写：加权残差84/106通过残差方程，可以得到残差的方差阵定义矩阵D定义标准化残差定义标准化残差灵敏度矩阵标准化残差方程为：是加权残差的一种，在国外早期的文献中，标准化残差对检测和辨识单个不良数据有重要的作用。标准化残差85/106当量测中存在不良数据时，量测误差矢量中某些分量的值明显变大。由残差方程可见，量测残差也会明显变大。由目标函数的公式可知，目标函数的数值也会变大。三种检测方法目标函数值检测法加权残差检测法标准化残差检测法不良数据的检测86/106利用估计后

28、的目标函数进行坏数据检测的方法简称为 检测：将残差方程r=Wv代入上式：定义A=R-1W不良数据的检测-J检测法87/106 的数学期望值由概率论可知，随着自由度k的增大，越来越逼近于正态分布；当k30时，可以用相应的正态分布来代替 分布。不良数据的检测-J检测法88/1060k 是冗余量测数 方差:是自由度为k的分布 或根据3准则，即某正态随机变量的误差将以99.75%的概率落在3区间之内，即：3准则89/106或上面公式应以99.75%的概率得到满足 如果有一个坏数据发生在量测 j 上计算新的目标函数一般坏数据幅值比正常量测误差的标准差大许多倍，所以这第三项的值会十分大。因此，考察估计后目

29、标函数的值就能确定量测中是否存在坏数据。坏数据检测性质90/106自由度为k的分布 正态分布常数项考察目标函数是否超过某一事先确定的门槛值，以确定是否存在不良数据。实用方法91/106 无BD，属真有BD，属真称为漏检，或取伪错误称为误检，或弃真错误。有BD无BD 这种方法的漏检率与门槛值的大小有关J检测属总体检测，所有量测误差都会对J有贡献，并产生影响。有时并没有坏数据，许多量测的误差虽然没有超过3，但也会造成J较大。有时有一两个不良数据，但由于量测冗余度高，正常时J值就已经很大，一两个坏数据并不足以使J值发生明显变化。所以J检测用于大系统不太敏感。J检测也无法告诉我们哪些量测是坏数据。J检

30、测评价92/106当量测值z是符合正态分布的随机变量时，其估计值可以认为等于其均值，所以残差也是一个按正态分布的随机变量。由于加权残差的权值是相应量测的标准差的倒数，因而加权残差也符合正态分布。不良数据的检测-加权残差检测93/106当检查最大的加权残差大于3时，则认为量测集中存在坏数据 误检概率：或对于第i个量测 根据3规则有：同样，如果量测符合正态分布，标准化残差也符合正态分布，即不良数据的检测-标准化残差检测94/106检查最大的正则化残差大于3时，则认为量测集中存在坏数据 误检概率：根据3规则有：不良数据的检测举例-无BD95/106计算正常时的J，rW，rN。当弃真错误概率为0.01

31、时，判断量测系统是否存在不良数据。解：结论：无坏数据rW，rN各分量幅值小于3不良数据的检测举例-有BD96/106计算正常时的J，rW，rN。当弃真错误概率为0.01时，判断量测系统是否存在不良数据。解：结论：量测中存在坏数据rW，rN各分量幅值均大于3例子中第二个量测是坏数据，但rw的幅值排序和不良数据并不一致。原因：坏数据的权重过高量测3并非不良数据，但rW的幅值却很大，这种现象叫残差污染。而按rN排序看，最大rN幅值的确在第二个量测上。标准化残差对检测和辨识单个不良数据有重要的作用。对于存在单个不良数据时，这个结论一般是正确的。残差污染97/106计算残差灵敏度系数矩阵W矩阵第二个对角

32、元列不占优，这是产生残差污染的主要原因。量测误差矢量利用残差方程计算残差解释残差污染现象98/106检测方法的成功率和测点配置、坏数据的大小都有关，量测冗余度较高，坏数据幅值较大时，一般说是容易将它们检测出来的。J检测法对系统规模小的情况效果较好rW和rN法不受系统规模的影响。其检测灵敏度，当量测冗余度高时，rW和rN都有极好的检测效果，当冗余度较小时效果较差。一般rN检测效果总是不劣于rW检测，但rN法要计算 Ni，这需要一定的计算代价。这两种方法，尤其是rN法，还能找出哪些数据最可能是坏数据，为BD辨识打下了基础。三种检测方法的评价99/106抗差状态估计抗差状态估计Robust Stat

33、e Estimation华北电力大学电气学院主讲人：陈艳波100/106广为应用的WLS在估计中会受到不良数据的影响，少量不良数据也会使其估计结果面目全非。为此，必须在WLS之后加上BD辨识环节，待BD被全部辨识完毕后，重新利用正常量测进行WLS为了在估计过程中自动抑制不良数据的影响，产生了抗差状态估计（Robust State Estimation，RSE），主要包括加权最小绝对值状态方法（WLAV）以合格率最大为目标的方法（MNMR）指数型状态估计方法（MES）最大指数绝对值状态估计（MEAV）概述101/106WLS数学模型WLAV模型基本性质可采用单纯形法或内点法求解没有杠杆点BD时，在估计过程可自动抑制不良数据收敛时，其得到的残差近似为其对应量测中所含的相对不良数据数值加权最小绝对值状态方法（WLAV）102/106MNMR模型基本性质可采用内点法求解没有杠杆点BD时，在估计过程可自动抑制不良数据以合格率最大为目标的方法(MNMR)103/106MES模型基本性质可采用牛顿法求解没有杠杆点BD时，在估计过程可自动抑制不良数据指数型状态估计方法（MES）104/106MEAV模型基本性质可采用牛顿法求解没有杠杆点BD时，在估计过程可自动抑制不良数据最大指数绝对值状态估计（MEAV）105/106106/106