電力系統(tǒng)異常數(shù)據(jù)檢測辨識方法綜述

王 晶

(西安電子科技大學 數(shù)學與統(tǒng)計學院，陜西 西安 710071)

?

電力系統(tǒng)異常數(shù)據(jù)檢測辨識方法綜述

王 晶

(西安電子科技大學 數(shù)學與統(tǒng)計學院，陜西 西安 710071)

電力系統(tǒng)中異常數(shù)據(jù)的存在會很大程度上降低系統(tǒng)狀態(tài)估計準確度及狀態(tài)估計收斂速率。介紹了電力系統(tǒng)異常數(shù)據(jù)產(chǎn)生的原因及不良影響，根據(jù)傳統(tǒng)與非傳統(tǒng)的分類方法分別介紹了多種電力系統(tǒng)異常數(shù)據(jù)檢測辨識方法，同時還分析了各種方法的優(yōu)缺點。最后，展望了該方向值得繼續(xù)學習的新方法。

電力系統(tǒng)；異常數(shù)據(jù)；檢測辨識；傳統(tǒng)方法；非傳統(tǒng)方法

Foundation items：The National Natural Science Foundation of China( 71271165)；Science and Technology Project of State Grid Corporation of China

目前，現(xiàn)代化技術(shù)越來越先進。隨之，在各種電力系統(tǒng)中，電網(wǎng)的內(nèi)部結(jié)構(gòu)及系統(tǒng)運行方式也變得更加復(fù)雜，這使得加深系統(tǒng)智能化、自動化成為必然。同時，由于人們對電能質(zhì)量的要求提高，使得必須擁有更真實、更精確的數(shù)據(jù)庫。然而，多種外部環(huán)境的干擾會導致少數(shù)測量數(shù)據(jù)存在測量誤差，影響數(shù)據(jù)分析，進而影響決策。例如，在風電廠系統(tǒng)中[1]，由于電氣控制或系統(tǒng)部件故障導致風機故障使得傳感器測得的風速、風向等因素都存在很大的誤差；水力發(fā)電系統(tǒng)中，由于發(fā)電機的超負荷運作或者發(fā)電機振動失步導致測量數(shù)據(jù)存在嚴重誤差[2]；在火電廠系統(tǒng)中，由于傳感器故障或系統(tǒng)本體故障，導致對流量、料位、轉(zhuǎn)速、振動、位移和應(yīng)力的測量產(chǎn)生誤差[3]，或者由于電氣系統(tǒng)的不正常運行及各項設(shè)備長時間的運行也會出現(xiàn)各種影響測量數(shù)據(jù)精確度的問題；核電站中，系統(tǒng)的運行狀態(tài)被重要設(shè)備的運行狀態(tài)直接影響。在實際電站運行過程中，存在著許多不可預(yù)知因素會引起設(shè)備出現(xiàn)故障，從而使得測量數(shù)據(jù)有誤差[4]；太陽能光伏發(fā)電系統(tǒng)中[5]，由于傳輸距離遠、傳輸變量多，數(shù)據(jù)在采集與傳輸過程中由于系統(tǒng)、環(huán)境等客觀原因及人為主觀原因影響，難免會使得少數(shù)測量數(shù)據(jù)缺失或異常；在地熱發(fā)電系統(tǒng)中[6]，生產(chǎn)井與回灌井之間的距離與系統(tǒng)運行狀態(tài)之間有很大關(guān)系。若兩者距離太近，前者的熱水溫度會被后者的冷水快速冷卻；如果距離較遠，又不能起到維持熱儲壓力的作用。兩者都會使得系統(tǒng)收集到的數(shù)據(jù)存在較大誤差。因此，為了保證電力系統(tǒng)可以正常運行，必須對系統(tǒng)異常數(shù)據(jù)進行檢測辨識及修正等相關(guān)處理。

1 異常數(shù)據(jù)產(chǎn)生原因、不良影響

1.1 異常數(shù)據(jù)產(chǎn)生原因

電力系統(tǒng)測量數(shù)據(jù)一般由有效測量數(shù)據(jù)與測量誤差兩部分組成。通常情況下，測量誤差是服從正態(tài)分布的白噪聲，對其經(jīng)過一定的處理后就基本可以消除對電力系統(tǒng)狀態(tài)預(yù)測和估計結(jié)果的影響。而異常數(shù)據(jù)是指測量誤差很大致使其遠遠偏離正常測量數(shù)據(jù)變化軌跡的數(shù)據(jù)。

通常，異常數(shù)據(jù)的產(chǎn)生有多種原因，但基本可歸納如下：(1)對數(shù)據(jù)的測量非同時進行；(2)數(shù)據(jù)測量或傳輸過程中，系統(tǒng)內(nèi)部設(shè)備因意外而發(fā)生故障；(3)數(shù)據(jù)測量或傳輸系統(tǒng)受到外部環(huán)境因素的干擾而意外失靈。

1.2 異常數(shù)據(jù)的影響

異常數(shù)據(jù)的存在使得不能充分、正確認識系統(tǒng)工作狀態(tài)，會直接影響電網(wǎng)調(diào)度[7]，其具體表現(xiàn)在：(1)對狀態(tài)評估正確性及估計收斂速度的影響：異常數(shù)據(jù)的存在會很大程度上擾亂數(shù)據(jù)的平穩(wěn)性，使得對系統(tǒng)狀態(tài)估計產(chǎn)生偏差，甚至可能失??；(2)對決策的影響：電網(wǎng)調(diào)度者需要根據(jù)測量數(shù)據(jù)進行網(wǎng)內(nèi)調(diào)度，然而異常數(shù)據(jù)的存在會影響其判斷準確性，進而影響其制定決策；(3)對能量管理的影響：異常數(shù)據(jù)的存在會使得系統(tǒng)拓撲分析、安全分析以及無功優(yōu)化等軟件頻繁運行，大大增加了能量消耗[8]。

2 異常數(shù)據(jù)檢測辨識方法及優(yōu)缺點

目前，已有相當多關(guān)于電力系統(tǒng)異常數(shù)據(jù)的檢測辨識方法。根據(jù)其原始適用系統(tǒng)，大致可以分為2類：傳統(tǒng)異常數(shù)據(jù)檢測辨識方法及非傳統(tǒng)異常數(shù)據(jù)檢測辨識方法。

2.1 傳統(tǒng)異常數(shù)據(jù)檢測辨識方法及優(yōu)缺點

傳統(tǒng)異常數(shù)據(jù)檢測辨識方法是指根據(jù)電力系統(tǒng)的分布特性，提出的專門適應(yīng)于各種電力系統(tǒng)異常數(shù)據(jù)檢測辨識的方法。根據(jù)狀態(tài)估計中檢測辨識所處階段，傳統(tǒng)異常數(shù)據(jù)檢測辨識方法又可以分為3類[9]：估計計算后的檢測辨識，估計計算中的檢測辨識，估計計算前的檢測辨識。

2.1.1 估計計算后的檢測辨識及優(yōu)缺點

估計計算后的檢測辨識是指在狀態(tài)估計階段完成后，計算測量殘差并對其進一步處理，檢驗處理后的測量殘差是否超出設(shè)定閾值。估計計算后方法主要有加權(quán)殘差rw檢測法、標準殘差rn檢測法及殘差搜索與估計辨識法等。文獻[10]給出一種利用遞歸測量誤差對異常數(shù)據(jù)進行檢測辨識的方法。該方法以估計辨識法為前提，在其基礎(chǔ)上通過遞歸的方法逐次計算測量誤差的估計值。這使得在刪去異常數(shù)據(jù)后，不再需要重新計算靈敏度矩陣，大大減小計算量，加快計算速度。隨后，將降階后的殘差靈敏度矩陣與測量誤差估計值相結(jié)合，MiLi等提出了假設(shè)檢驗辨識法[11]。常用電力系統(tǒng)異常數(shù)據(jù)檢測辨識方法大多屬于估計計算后的檢測辨識方法。通常情況下，該類方法的檢測辨識效果很好，但計算量較大，同時殘差淹沒還可能導致檢測靈敏度降低。

2.1.2 估計計算中的檢測辨識及優(yōu)缺點

估計計算中的檢測辨識是指檢測辨識階段融合于迭代估計計算中。能同時檢測到多個異常數(shù)據(jù)，效率較高；但在刪去異常數(shù)據(jù)后，不對系統(tǒng)狀態(tài)再次估計，使得最后所得結(jié)果可能不是最優(yōu)。非二次型準則是非常典型的估計計算中的檢測辨識方法。該方法在估計計算過程中，采用非二次準則估計器對測量殘差大小進行重復(fù)計算、檢查，進一步根據(jù)測量殘差調(diào)整對應(yīng)權(quán)值，從而達到檢測出異常數(shù)據(jù)的目的。文獻[12]中的方法將快速Givens變換與非二次準則相結(jié)合。通過給已處理數(shù)據(jù)集直接添加新測量，同時將正則殘差用增益函數(shù)的平方根代替，省去了直接計算殘差靈敏度矩陣，算法復(fù)雜度降低，更有實際應(yīng)用性。

2.1.3 估計計算前的檢測辨識及其缺點

如果可以在狀態(tài)估計之前將異常數(shù)據(jù)剔除，避免重復(fù)狀態(tài)估計，無疑是最理想的工作狀態(tài)。估計計算前的檢測辨識不僅可以避免重復(fù)狀態(tài)估計帶來的繁瑣計算，其靈活性還很強，適合很多系統(tǒng)中的異常數(shù)據(jù)檢測辨識。但是，該類方法在理論體系與方法完備性方面有待更加完善?；跍y量突變量的異常數(shù)據(jù)檢測辨識、基于新息矢量的異常數(shù)據(jù)檢測辨識、基于網(wǎng)絡(luò)圖論方法的異常數(shù)據(jù)檢測辨識等均是估計計算前的檢測辨識法。文獻[10]給出一種通過對測量數(shù)據(jù)之間的相關(guān)性分析來檢測辨識異常數(shù)據(jù)的方法。通過將統(tǒng)計學相關(guān)理論與電力系統(tǒng)運行方式相結(jié)合，同時利用數(shù)據(jù)相關(guān)性約束對測量數(shù)據(jù)集進行檢測辨識。新息圖法也是估計計算前的方法[12]，該方法通過引入新息向量，并將其與圖論相聯(lián)系，來確定新息向量的空間相關(guān)性。根據(jù)相關(guān)性，識別出異常向量，進一步追溯出異常數(shù)據(jù)。

2.2 非傳統(tǒng)異常數(shù)據(jù)檢測辨識方法及優(yōu)缺點

目前，很多傳統(tǒng)的異常數(shù)據(jù)檢測辨識方法都屬于狀態(tài)估計后方法。多數(shù)情況下，這些方法檢測辨識效果顯著，但仍有不足：很難對多個相關(guān)異常數(shù)據(jù)進行準確檢測辨識，對于關(guān)鍵測量點的拓撲結(jié)構(gòu)錯誤或異常數(shù)據(jù)不能進行檢測辨識，并且這些方法對遙測異常數(shù)據(jù)和遙信異常數(shù)據(jù)不能做到同時處理。為彌補上述不足，國內(nèi)外學者嘗試用新理論來處理電力系統(tǒng)的異常數(shù)據(jù)[13-24]。

2.2.1 基于數(shù)據(jù)挖掘的異常數(shù)據(jù)檢測辨識方法及優(yōu)缺點

基于神經(jīng)網(wǎng)絡(luò)[18-20]、基于模糊理論與聚類分析[16,22]及基于間歇統(tǒng)計[20,24-25]等的方法均是基于數(shù)據(jù)挖掘的方法。文獻[18]通過建立逆向傳播神經(jīng)網(wǎng)絡(luò)，并用其來消除估計前的干擾，達到辨識各種形式測量誤差的目的。該方法采用已有正常數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓練樣本，方便對網(wǎng)絡(luò)進行實時監(jiān)控，進而準確檢測辨識異常數(shù)據(jù)。但是，該方法對網(wǎng)絡(luò)的訓練過程、訓練樣本及樣本代表性具有很強的依賴性。同時該方法中閾值的選取通常具有很強的主觀性，這使得其很難在實際應(yīng)用中發(fā)揮作用。文獻[21]提出一種應(yīng)用神經(jīng)網(wǎng)絡(luò)，基于時間序列分析與無監(jiān)督學習的大數(shù)據(jù)檢測方法。通過時間序列模型與自適應(yīng)神經(jīng)網(wǎng)絡(luò)相結(jié)合對歷史數(shù)據(jù)潛在特征進行挖掘。該方法的優(yōu)點是其可以結(jié)合測量量的歷史數(shù)據(jù)與當前數(shù)據(jù)，同時還能實現(xiàn)動態(tài)數(shù)據(jù)的異常檢測。但是，該方法在設(shè)備在受外界環(huán)境異常影響較為大時，可能會出現(xiàn)異常數(shù)據(jù)的誤報。基于模糊數(shù)學理論，文獻[22]給出一種用動態(tài)聚類方法檢測異常數(shù)據(jù)的方法。其利用測量時刻點的數(shù)據(jù)差值與標準殘差進行聚類，避免了殘差污染。文獻[23]通過采用模糊聚類分析，找到正常測量數(shù)據(jù)和異常測量數(shù)據(jù)兩者的聚類中心，從而可以快速準確檢測辨識異常。該算法中待聚類點坐標及目標函數(shù)均不是連續(xù)分布的，導致問題可能存在許多局部極值，影響檢測效果。間歇統(tǒng)計方法(GSA)是另外一種檢測辨識方法。早在2002年就有人運用GSA[16]對異常數(shù)據(jù)進行檢測辨識。2003年后，相繼出現(xiàn)利用GSA算法對異常數(shù)據(jù)進行檢測辨識的論文，表明GSA算法具有很大實際應(yīng)用價值。改進的GSA算法雖然其辨識效果受到神經(jīng)網(wǎng)絡(luò)訓練質(zhì)量的影響[17]，但是對含單個異常數(shù)據(jù)的測試數(shù)據(jù)而言，改進的GSA能夠表現(xiàn)出良好的辨識性，同時還能有效克服聚類算法難以確定最佳聚類個數(shù)的難題。文獻[24-25]給出將GSA聚類算法與神經(jīng)網(wǎng)絡(luò)方法相混合應(yīng)用于異常數(shù)據(jù)檢測辨識的方法。相比一般傳統(tǒng)GSA聚類方法，改進后的GSA能夠有效地避免殘差污染現(xiàn)象。

2.2.2 基于優(yōu)化的異常數(shù)據(jù)檢測辨識方法及優(yōu)缺點

基于信任度、基于遺傳算法以及基于支持向量機的異常數(shù)據(jù)檢測辨識都是基于優(yōu)化的異常數(shù)據(jù)檢測辨識方法。在基于信任度的異常數(shù)據(jù)檢測辨識方法中[26]，通過對母線各開關(guān)負荷及與其直接相連開關(guān)負荷平衡關(guān)系的建立，給出3個可信度分析準則，在此基礎(chǔ)上確定數(shù)據(jù)質(zhì)量評價模型。根據(jù)數(shù)據(jù)質(zhì)量評價模型，可以有效檢測辨識異常數(shù)據(jù)。進一步還可以根據(jù)不同測量數(shù)據(jù)之間的可信度，以整個系統(tǒng)數(shù)據(jù)可信度最大為目標對異常數(shù)據(jù)進行修正。文獻[26]所給方法，當收集的數(shù)據(jù)絕大多數(shù)正確，只有少數(shù)異常數(shù)據(jù)存在時，才能夠通過數(shù)據(jù)之間的冗余及約束關(guān)系對異常數(shù)據(jù)進行修正。但是，存在較多異常數(shù)據(jù)時，數(shù)據(jù)間的約束關(guān)系不能得到充分利用，從而使得方法的準確性降低。文獻[27]中，在模糊數(shù)據(jù)挖掘中引入了遺傳優(yōu)化算法，并對隸屬度函數(shù)的參數(shù)使用遺傳算法進行優(yōu)化。將優(yōu)化后的參數(shù)整合成一系列有序的參數(shù)集，然后將該列參數(shù)集分別編碼為對應(yīng)遺傳個體。對所有遺傳個體施加進化算法同時結(jié)合模糊數(shù)據(jù)挖掘找出最佳遺傳個體，即參數(shù)集。根據(jù)所得最佳參數(shù)集，在線檢測時可以最大限度區(qū)分正常與異常，從而提高檢測準確性。然而，對于數(shù)據(jù)量較大的情況，遺傳算法的應(yīng)用過程將會及其繁雜并且耗時。支持向量機具有優(yōu)良模式識別性能[28]。利用支持向量機的回歸和分類算法，可以分別對遙測異常數(shù)據(jù)和遙信異常數(shù)據(jù)進行辨識。其中，回歸模型采用支持向量機非線性回歸算法對正常測量數(shù)據(jù)進行訓練，使模型具有對測量數(shù)據(jù)的一步預(yù)測能力。而對于狀態(tài)估計中拓撲結(jié)構(gòu)錯誤的問題，應(yīng)用支持向量機分類算法構(gòu)建辨識遙測異常數(shù)據(jù)的分類模型。支持向量機可以利用上階段迭代結(jié)果，直接學習迭代過程中新增樣本，計算復(fù)雜度得以減少。然而目前該算法大多只適用于多個輸入、一個輸出的情況。為了滿足多個輸出的需求，需訓練多個單輸出支持向量機，這將會大大增加計算量，同時還使得檢測辨識效果大打折扣。

2.2.3 基于圖論的異常數(shù)據(jù)檢測辨識方法及優(yōu)缺點

文獻[28]利用圖論相關(guān)知識對系統(tǒng)中的異常數(shù)據(jù)進行檢測辨識。在該算法中，首先根據(jù)拓撲錯誤種類構(gòu)建錯誤辨識準則；其次，通過引入圖的矩陣運算來確定測量量和模擬量的關(guān)系；最后，通過對判別關(guān)系的分析達到對異常數(shù)據(jù)與拓撲錯誤辨識的目的。該算法雖然矩陣運算較為繁瑣，但是對同時存在異常數(shù)據(jù)與拓撲錯誤的情況辨識效果顯著?；谪惾~斯網(wǎng)絡(luò)的異常數(shù)據(jù)檢測辨識方法[29]通過建立分布式貝葉斯網(wǎng)絡(luò)模型并利用數(shù)據(jù)的時空相關(guān)性來發(fā)現(xiàn)數(shù)據(jù)間的因果關(guān)系，進一步找出異常數(shù)據(jù)。該方法建立的模型清晰直觀，適合存在不確定性和信息不完全時進行有效檢測辨識。雖然需要根據(jù)歷史信息或者實驗數(shù)據(jù)確定先驗概率，具有一定的主觀性，但是綜合考慮先驗信息和后驗信息，不僅可以排除只考慮先驗信息造成的主觀偏見，也可以有效消除只使用后驗信息造成的噪聲干擾。在文獻[30]中，同時考慮多時段RTU/PMU功率和電壓幅值信息的情況下，引入了基于貝葉斯網(wǎng)絡(luò)數(shù)據(jù)的處理策略的擴展卡曼濾波算法對電力系統(tǒng)異常數(shù)據(jù)進行檢測，效果顯著。

3 可研究方向

(1)雖然間歇統(tǒng)計算法應(yīng)用于檢測辨識電力系統(tǒng)異常數(shù)據(jù)的效果較為理想，但是其在實際當中的應(yīng)用效果還未知，有待進一步研究。為此可以考慮將間歇統(tǒng)計算法與狀態(tài)估計結(jié)合，進一步來檢測辨識異常數(shù)據(jù)，從而保證在有相同檢測效果的前提下更具有實用性。

(2) 針對間歇統(tǒng)計算法的不足，還可以考慮將聚類算法與間歇統(tǒng)計算法相結(jié)合，用來對異常數(shù)據(jù)進行檢測辨識。這種方法既能有效克服殘差污染，快速準確辨識，又解決了難以確定聚類個數(shù)的問題，比間歇統(tǒng)計算法更簡捷，效果更好。

(3) 考慮將時間序列或卡曼濾波等方法應(yīng)用于數(shù)據(jù)預(yù)測，再結(jié)合貝葉斯網(wǎng)絡(luò)的空間相關(guān)性，有效檢測系統(tǒng)中的“時空”異常值。這種方法可以反映電力系統(tǒng)的拓撲變化，從而減少誤報率。

4 結(jié)語

就目前已有電力系統(tǒng)異常數(shù)據(jù)檢測辨識方法而言，一些傳統(tǒng)的方法很容易會出現(xiàn)殘差污染或殘差淹沒現(xiàn)象，這在很大程度上會使得檢測效果變差。并且傳統(tǒng)異常數(shù)據(jù)檢測辨識方法中，通常引入的是非線性殘差方程，其在辨識過程中必須反復(fù)進行狀態(tài)估計，計算復(fù)雜度與時間復(fù)雜度大大增加。而基于數(shù)據(jù)挖掘、優(yōu)化及圖論的非傳統(tǒng)異常數(shù)據(jù)檢測辨識方法有更高的預(yù)見性和較好的檢測能力，有效避免漏檢和誤檢現(xiàn)象。

[1]朱倩雯，葉 林，趙永寧，等. 風電場輸出功率異常數(shù)據(jù)識別與重構(gòu)方法研究[J]. 電力系統(tǒng)保護與控制，2015，43(3):38-45.

ZHU Qian-wen, YE Lin, ZHAO Yong-ning, et al. Methods for elimination and reconstruction of abnormal power data in wind farms[J].Relay,2015,43(3):38-45.

[2]呂悅惠，趙英君. 水輪發(fā)電機組常見故障及預(yù)防措施[J]. 中國水能及電氣化，2013(3)：52-54.

LV Yue-hui, ZHAO Ying-jun. Common faults and prevention measures of hydro-generating unit[J].Rural Hydropower & Electrification in China,2013(3):52-54.

[3]鮑 文，楊 坤，胡清華，等. 應(yīng)用信息譜息圖法檢測火電廠的異常數(shù)據(jù)[J]. 動力工程學報，2005,25(6):865-869.

BAO Wen, YANG Kun, HU Qing-hua, et al. Detection of anomalous data in fossil fired power plants by using informational hierarchical charts[J]．Chinese Journal Of Power Engineering，2005，25(6)：865-869．

[4]顧海霞，王 婷，劉高俊，等. 核電廠重要設(shè)備的監(jiān)視與預(yù)警技術(shù)[J]. 原子能科學技術(shù)，2014(Z2):1054-1058.

GU Hai-xia, WANG Ting, LIU Gao-jun, et al. Monitoring and pre-warning technology of important devices of nuclear power plant[J]. Atomic Energy Science and Technology,2014(Z2):1054-1058.

[5]趙亞麗. 基于監(jiān)測系統(tǒng)光伏發(fā)電項目數(shù)據(jù)的修復(fù)與分析[D]. 北京：北京建筑大學，2014.

[6]李志茂，朱 彤. 世界地熱發(fā)電現(xiàn)狀[J]. 太陽能產(chǎn)業(yè)論壇，2007(8):10-14.

LI Zhi-mao. Status of world geothermal power generation[J]. Solar Energy,2007(8):10-14.

[7]唐 駿. 電力系統(tǒng)狀態(tài)估計研究綜述[J]. 中國新技術(shù)新產(chǎn)品，2011,20(13):142-143.

[8]黃彥全，肖 建，李云飛，等. 基于量測數(shù)據(jù)相關(guān)性的電力系統(tǒng)不良數(shù)據(jù)檢測和辨識新方法[J].中國電機工程學報，2009,26(11):162-166.

HUANG Yan-quan, XIAO Jian, LI Yun-fei, et al. A new method to detect and identify bad data based on correlativity of measured data in power system[J]. Proceedings of the CSEE, 2009, 26(11):162-166..

[9]劉廣一，于爾鏗，夏祖治. 量測系統(tǒng)誤差方差的估計與修正[J]. 中國電機工程學報, 1990(6):31-39.

[10]張永超. 電力系統(tǒng)不良數(shù)據(jù)檢測和辨識方法研究[D]. 西南交通大學, 2009.

[11]李碧君，薛禹勝，顧錦汶，等. 基于快速分解正交變換狀態(tài)估計算法的壞數(shù)據(jù)檢測與辨識[J]. 1999,23(20):1-7.

LI Bi-jun, XUE Yu-sheng, GU Jin-wen, et al. Detection and identification of bad data in state estimation using fast decoupled orthogonal transformation[J]. Automation of Electric Power Systems，1999，23(20)：1-7．

[12]KOGLIN H J, NEISIUS U, PEIPLER G, et al. Bad data detection and identification[J]. Electrical Power and Energy Systems,1999,12(2):94-103.

[13]SALEHFAR H, ZHAO R. A neutral network pre-estimation filter for bad data detection and identification in power system state estimation[J]. Electric Power System Research,1995,34:127-134.

[14]葛 成.基于GSA的電力系統(tǒng)不良數(shù)據(jù)辨識方法研究[D]. 南京：南京理工大學，2005.

[15]TIBSHIRIUL R, WALTHER G, HASTIE T. Estimating the number of clusters in a dataset via the gap statistic[R]. Unpublished Technical Report: Stanford University, 2000.

[16]JEU H J. MIN Lin. Enhancement of power system data debugging using GSA-based data-mining technique[J]. IEEE Trans on Power System,2002,17(11):1022-1029.

[17]張 斌. 基于GSA的數(shù)據(jù)挖掘在電力系統(tǒng)不良數(shù)據(jù)辨識中的應(yīng)用[D]. 南京：南京理工大學，2003.

[18]TEEUWSEN S P. Neural network based multi-dimensional feature forecasting for bad data detection and feature restoration in power system[C]. IEEE Power Engineering Society General Meeting, 2006:18-22.

[19]SINGH D, PANDEY J P, CHAUHAN D S. Topology identification, bad data processing, and state estimation using fuzzy pattern matching[J]. IEEE Transactions on Power Delivery,2005,20(3).

[20]郭艷東，申定輝. 基于改進GSA算法的電網(wǎng)不良數(shù)據(jù)檢測和辨識[J]. 華東電力,2013,41(3):542-545.

GUO Yan-dong, SHEN Ding-hui. Bad data detection and identification based on improved GSA algorithm in grid[J]. East China Electric Power, 2013，41(3)：542-545.

[21]嚴英杰，盛戈皞，陳玉峰，等. 基于大數(shù)據(jù)分析的輸變電設(shè)備狀態(tài)數(shù)據(jù)異常檢測方法[J]. 中國電機工程學報，2015,35(1):52-59.

YAN Ying-jie, SHENG Ge-hao, CHEN Yu-feng, et al. An method for anomaly detection of state information of power equipment based on big data analysis[J]. Proceedings of the CSEE，2015,35(1):52-59.

[22]劉 浩，劉玉田. 模糊數(shù)學在狀態(tài)估計不良數(shù)據(jù)檢測辨識中的應(yīng)用[J]. 電力系統(tǒng)及其自動化學報，1996,8(3):50-57.

LIU Hao. The application of fuzzy mathematics at bad data detection and identification of state estimation[J]. Proceedings of the CSU-EPSA,1996,8(3):50-57.

[23]戴曉輝，李敏強，寇紀淞. 基于遺傳算法的動態(tài)聚類方法[J]. 系統(tǒng)工程理論與實踐，1999,19(10):108-116.

DAI Xiao-hui, LI Min-qiang, KOU Ji-song. A dynamic clustering method based on genetic algorithms[J]. Systems Engineering -Theory & Practice,1999,19(10):108-110.

[24]吳軍基，楊 偉，葛 成，等. 基于GSA的肘形判據(jù)用于電力系統(tǒng)不良數(shù)據(jù)辨識[J].中國電機工程學報，2006,26(22):23-28.

WU Jun-ji, YANG Wei, GE Cheng, et al. Application of GSA-based elbow judgment on bad-data detection of power system[J]. Proceedings of the CSEE,2006,26(22):23-28.

[25]楊 偉，胡 軍，吳軍基. 基于GSA的電力系統(tǒng)不良數(shù)據(jù)辨識算法[J]. 繼電器，2005,33(22)41-44.

YANG Wei, HU Jun, WU Jun-ji. The identification algorithm of bad data in power system based on GSA[J]. Power System Protection and Control,2005,33(22).

[26]劉 健，蔡明威，張志華，等. 基于可信度的電纜配電網(wǎng)不良數(shù)據(jù)辨識與修正[J].電力自動化設(shè)備，2014,34(2):67-73.

LIU Jian, CAI Ming-wei, ZHANG Zhi-hu, et al. Bad data identification and correction based on confidence level for cable power distribution system[J]. Electric Power Automation Equipment,2014,34(2).

[27]孫 東，黃天戍，秦丙栓，等. 基于模糊數(shù)據(jù)挖掘與遺傳算法的異常檢測方法[J].計算機應(yīng)用，2006,26(1):210-216.

SUN Dong, HUANG Tian-shu, QIN Bing-shuan, et al. Anomaly detection approach based on fuzzy data mining and genetic algorithm[J]. Journal of Computer Applications, 2006,26(1):210-0212.

[28]王增平，張晉芳，錢 誠. 基于同步測量信息的電網(wǎng)拓撲錯誤的辨識方法[J]. 電力自動化設(shè)備，2012，32(1):1-8.

WANG Zeng-ping, ZHANG Jin-fang, QIAN Cheng. Topology error identification based on synchronized measurements for power network[J]. Electric Power Automation Equipment,2012,32(1):1-8.

[29]吳 新，郭創(chuàng)新，曹一家. 基于貝葉斯網(wǎng)絡(luò)的電力系統(tǒng)故障診斷研究[C].中國高等學校電力系統(tǒng)及其自動化專業(yè)學術(shù)年會,2004.

[30]王興志，嚴 正，沈 沉. 基于在線核學習的電網(wǎng)不良數(shù)據(jù)檢測與辨識方法[J]. 電力系統(tǒng)保護與控制， 2012,40(1):50-55.

(本文編輯：嚴 加)

A Survey on Power System Bad Data Detection and Identification

WANG Jing

(School of Mathmatics and Statistics, Xidian University, Xi′an 710071 , China)

Power system bad data can reduce the accuracy and convergence efficiency of state estimation largely. This paper first introduces the causes and the negative effects of power system bad data. Then, recommends the power system bad data detection and identification methods according to whether they belong to conventional or unconventional methods, and the advantages and disadvantages of various methods are also analyzed. Finally, the new methods are expected to further this research.

power system; bad data; detection and identification; nonconventional methods; unconventional methods

10.11973/dlyny201506016

國家自然科學基金項目(71271165)；國家電網(wǎng)公司科技項目

王 晶(1991)，女，碩士研究生，主要從事系統(tǒng)可靠性建模、分析與預(yù)測。

TM71

A

2095-1256(2015)06-0813-05

2015-10-20