電力系統(tǒng)不良數(shù)據(jù)檢測(cè)與識(shí)別方法研究

劉喆 劉策

本文首先介紹了電力系統(tǒng)中數(shù)據(jù)識(shí)別不良的重要性，然后闡述了電力系統(tǒng)中不良數(shù)據(jù)的概念。最后，給出了電力系統(tǒng)故障測(cè)量數(shù)據(jù)檢測(cè)與識(shí)別實(shí)際應(yīng)用中的狀態(tài)估計(jì)方法。幾種識(shí)別方法，如殘差搜索識(shí)別法等。

1 研究電力系統(tǒng)中的不良數(shù)據(jù)識(shí)別算法的必要性

隨著中國(guó)智能電網(wǎng)的逐步完善，智能電網(wǎng)發(fā)展迅速。在當(dāng)今階段，我國(guó)的智能電網(wǎng)有著復(fù)雜度高，范圍廣的特點(diǎn)，所以會(huì)在電力系統(tǒng)中產(chǎn)生海量的量測(cè)數(shù)據(jù)。針對(duì)不良數(shù)據(jù)帶來(lái)的干擾這一研究問(wèn)題，這就需要使采集到的量測(cè)數(shù)據(jù)進(jìn)行檢測(cè)辨識(shí)，確保電力系統(tǒng)中所需數(shù)據(jù)的準(zhǔn)確度意義在于保障智能電網(wǎng)內(nèi)每個(gè)系統(tǒng)的可靠性。然而，這么龐大的數(shù)據(jù)的正確性對(duì)電力系統(tǒng)能否高效穩(wěn)定的運(yùn)行有著重要的影響，從而更加確定了電力系統(tǒng)中對(duì)不良數(shù)據(jù)的辨識(shí)修復(fù)的必要性，為此課題進(jìn)一步的研究提供支持。

2 判斷電力系統(tǒng)中不良數(shù)據(jù)的方法

從一個(gè)正常的電力系統(tǒng)上講，其中對(duì)數(shù)據(jù)的量測(cè)是有一定的誤差的，然而誤差的大小呈正態(tài)分布。從大體上其分布的表現(xiàn)上看，對(duì)于所有的量測(cè)值來(lái)說(shuō)，誤差為標(biāo)準(zhǔn)差δ。當(dāng)電力系統(tǒng)中的量測(cè)系統(tǒng)運(yùn)行良好時(shí)，誤差大于3δ的概率很小，相當(dāng)于基本無(wú)法發(fā)生的情況。所以這種數(shù)據(jù)我們就把它看成不良數(shù)據(jù)，接下來(lái)對(duì)你識(shí)別出來(lái)以防止煩擾電力系統(tǒng)調(diào)度人員對(duì)各種情況下的決策。

在電力系統(tǒng)故障測(cè)量數(shù)據(jù)的檢測(cè)和識(shí)別中，實(shí)際應(yīng)用中使用的主要方法是基本狀態(tài)估計(jì)方法。殘差搜索識(shí)別方法，基于聚類分析的GSA模型算法，基于關(guān)聯(lián)規(guī)則分析的錯(cuò)誤數(shù)據(jù)識(shí)別方法，接下來(lái)逐一進(jìn)行討論。

3 電力系統(tǒng)中的狀態(tài)估計(jì)法

在這個(gè)階段，識(shí)別是電力系統(tǒng)狀態(tài)估計(jì)的主要任務(wù)。在測(cè)量系統(tǒng)中查找測(cè)量數(shù)據(jù)并將其刪除是最終目標(biāo)，使電力系統(tǒng)更加穩(wěn)定。電力系統(tǒng)中的一個(gè)關(guān)鍵組成部分為狀態(tài)估計(jì)，其對(duì)所有量測(cè)數(shù)據(jù)進(jìn)行第一次檢測(cè)以及辨識(shí)。但是，在客觀存在的不利因素下，數(shù)據(jù)的可信度不能得到保證。不良數(shù)據(jù)的不匹配將影響后續(xù)調(diào)度程序的某些決策，因此狀態(tài)估計(jì)的重要任務(wù)是檢測(cè)和識(shí)別不良數(shù)據(jù)。

智能電網(wǎng)中的狀態(tài)估計(jì)是一個(gè)完整的過(guò)程，除了狀態(tài)估計(jì)之外，還具有不良數(shù)據(jù)的識(shí)別。估計(jì)的計(jì)算是基于計(jì)算的原始數(shù)據(jù)的最佳標(biāo)準(zhǔn)，并接近最佳估計(jì)。最大接近于電力系統(tǒng)的實(shí)際狀態(tài)，相當(dāng)于讓數(shù)據(jù)的可信度提升。數(shù)據(jù)檢測(cè)是指根據(jù)相應(yīng)的測(cè)試標(biāo)準(zhǔn)的數(shù)據(jù)是不是有缺陷的。辨識(shí)是發(fā)現(xiàn)不良數(shù)據(jù)的測(cè)量點(diǎn)存在的位置，經(jīng)過(guò)檢測(cè)判斷數(shù)據(jù)的正確性，再對(duì)分析這些數(shù)據(jù)，通過(guò)辨識(shí)來(lái)提高數(shù)據(jù)的可靠性。

4 殘差搜索識(shí)別方法和非二次準(zhǔn)則方法

殘差搜索識(shí)別方法首先通過(guò)加權(quán)殘差或標(biāo)準(zhǔn)殘差對(duì)不良數(shù)據(jù)進(jìn)行排序，然后逐一消除，然后計(jì)算狀態(tài)估計(jì)以達(dá)到最佳效果。然而它也具有一些缺點(diǎn)，由于該方法需要重新?tīng)顟B(tài)估計(jì)，因此需要大量計(jì)算。在此基礎(chǔ)上修改了非二次準(zhǔn)則方法，為的是取消第二狀態(tài)估計(jì)以減少計(jì)算量，該方法通常對(duì)于檢測(cè)和識(shí)別不良數(shù)據(jù)是有效的，但存在“殘留污染”和“殘余洪水”現(xiàn)象的干擾會(huì)影響檢測(cè)效果，從而導(dǎo)致錯(cuò)誤檢測(cè)或漏檢的后果。

5 基于聚類分析的 GSA模型算法

基于聚類分析的 GSA模型算法的不良數(shù)據(jù)辨識(shí)：智能電網(wǎng)系統(tǒng)的不良數(shù)據(jù)識(shí)別是數(shù)據(jù)修復(fù)的基礎(chǔ)與前提，本文對(duì)智能電網(wǎng)異常數(shù)據(jù)的識(shí)別方法的研究是針對(duì)不良數(shù)據(jù)。針對(duì)受物理環(huán)境、惡劣天氣的一些不可改變的偶然因素影響以及監(jiān)控設(shè)備老化或故障等多種原因?qū)е碌闹悄茈娋W(wǎng)不良數(shù)據(jù)，獲得了一種利用 GSA模型算法檢測(cè)不良數(shù)據(jù)的方法， BP神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練和測(cè)試待測(cè)數(shù)據(jù)。K均值聚類方法用于數(shù)據(jù)分類，然后使用間隙統(tǒng)計(jì)方法。提取出 k值以及不良數(shù)據(jù)，并利用數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證。

不良數(shù)據(jù)的個(gè)數(shù)的確定：k-means算法可以準(zhǔn)確，準(zhǔn)確地執(zhí)行數(shù)據(jù)分類操作，但前提需要知道簇的確切數(shù)量。在智能電網(wǎng)中不良數(shù)據(jù)的辨識(shí)中，我們往往不知道不良數(shù)據(jù)的個(gè)數(shù)及分布范圍，因此，不可能在識(shí)別中預(yù)先指定簇的數(shù)量，并且需要間隙統(tǒng)計(jì)算法來(lái)分析每個(gè)簇的信息。判斷簇的數(shù)量，如何確定簇的數(shù)量是問(wèn)題的關(guān)鍵。

6 關(guān)聯(lián)規(guī)則分析法

基于關(guān)聯(lián)規(guī)則分析的不良數(shù)據(jù)辨識(shí)：通過(guò)分析數(shù)據(jù)庫(kù)中以往每個(gè)采樣時(shí)間對(duì)應(yīng)下數(shù)據(jù)，將其進(jìn)行離散化處理使其成為關(guān)聯(lián)規(guī)則所需的數(shù)據(jù)類型，關(guān)聯(lián)規(guī)則算法挖掘后，獲取采樣時(shí)間下的關(guān)聯(lián)規(guī)則，每個(gè)采樣時(shí)間對(duì)應(yīng)的測(cè)量預(yù)測(cè)量為，最后，根據(jù)時(shí)間屬性與測(cè)量數(shù)據(jù)的對(duì)應(yīng)關(guān)系，驗(yàn)證當(dāng)前時(shí)間測(cè)量數(shù)據(jù)的正確性。從而對(duì)不良數(shù)據(jù)進(jìn)行的識(shí)別。

每個(gè)時(shí)刻在關(guān)聯(lián)規(guī)則的提?。宏P(guān)聯(lián)規(guī)則分析方法用于分析歷史數(shù)據(jù)，然后在每個(gè)采樣時(shí)刻提取關(guān)聯(lián)規(guī)則，即隨時(shí)測(cè)量預(yù)測(cè)量。然后，通過(guò)比較數(shù)據(jù)和數(shù)據(jù)之間的關(guān)系，比較測(cè)量數(shù)據(jù)以達(dá)到檢測(cè)和識(shí)別不良數(shù)據(jù)的目的。

（作者單位：東北大學(xué)秦皇島分校）