電力自動化系統中的壞數據分析與處理

殷 超，姚 鵬，湯 鵬

((1.河海大學能源與電氣工程學院，江蘇 南京 210098；2.東南大學電氣工程學院，江蘇 南京 210096；3.江蘇省電力檢修分公司本部，江蘇 南京 211102)

0 引言

目前的電力系統狀態估計僅利用了數據的冗余度，而電力系統是一個穩定的，具有很強規律性的系統，并且數據庫中儲存著大量的經過處理的歷史數據，對它們的有效利用，可以大大改善電力系統狀態估計程序的執行效率與精度。

人工神經網絡[1]具有模式識別和聯想的功能，即對于存在一定的規律但規律又不容易被發現的一組數據，可以通過若干組同樣滿足該規律的數據對神經網絡進行訓練，這樣，在不需要知道具體規律的情況下，對于一定的輸入，經訓練的神經網絡即可輸出滿足規律的輸出。電力系統中的量測量之間受電路定律的束縛，但是在存在壞數據的情況下這些定律變得難以合理應用，人工神經網絡具有的高度的容錯性能很好解決這一矛盾。

本論文研究的主要內容是：依據量測量的冗余度以及歷史數據的規律性，提出一種基于人工神經網絡的狀態估計算法。利用面向對象的程序設計方法，采用數據挖掘技術將SCADA大數據庫分成若干子數據庫，相對應各子數據庫分別訓練神經網絡，對應于總數據庫，訓練拓撲辨識神經網絡，依據量測量和訓練好的神經網絡進行狀態估計并采用圖形學技術在界面顯示網絡拓撲。

1 遺傳算法優化的BP神經網絡(GA-BP)

傳統的BP神經網絡存在收斂速度慢，容易陷入局部極小點而無法得到全局最優解[2][3]，并且對初試權值矩陣很敏感等缺點。而遺傳算法自始至終是在全局解空間中搜索最優解，使用遺傳算法優化BP神經網絡可以有效地解決上述問題。具體步驟如下：

1.初始化；

2.根據權值矩陣維數與閾值維數進行二進制編碼；

3.隨機初始化產生規模為設定值的種群；

4.選擇，交叉，變異生成子代種群；

5.解碼種群中的每個染色體形成BP神經網絡的初試權值矩陣即閾值矩陣，進行BP訓練，訓練完成進行校驗，以校驗結果的均方根差的倒數作為適應度；

6.評價新生子代種群；

7.進行子代進化；

8.判斷是否滿足結束條件，若滿足，遺傳優化結束，若不滿足，返回步驟4；

9.解碼遺傳算法輸出的最優染色體，初始化BP神經網絡的初試權值矩陣與閾值矩陣；

10.訓練BP神經網絡；

11.判斷是否達到訓練結束條件（一般以訓練次數和輸出誤差作為該條件），若滿足，訓練結束，若不滿足，返回步驟10；

12.輸入計算參數，獲得神經網絡計算結果；

13.算法結束。

2 電力系統狀態估計程序實現

盡管采用遺傳算法優化的BP神經網絡能夠縮短訓練時間，但是對于對實時性要求較高的狀態估計來說，這是遠遠不能滿足的，而在狀態估計中真正實現功能的神經網絡計算用時確非常短，相比于傳統的狀態估計需要進行大規模的矩陣運算與大量的迭代計算在效率上有很大提高，因此可以將神經網絡的訓練放在離線模式下進行，將訓練好的神經網絡取代傳統狀態估計在電力系統軟件中的位置。電力系統狀態估計的基本功能有兩點：1.由遙信信息，確定系統網絡拓撲；2.由遙測信息，計算系統潮流，其結果應滿足電路定律。在此，定義兩種神經網絡實例，分別實現上述功能。

2.1 離線模式

該模式下主要完成GA-BP神經網絡的訓練，訓練過程包括兩個步驟，一是采用遺傳算法優化，導出權值矩陣與閾值矩陣，二是BP神經網絡獲取這些矩陣進行初始化，進行常規神經網絡的訓練。由于訓練數據對于神經網絡的影響較大，對于確定網絡拓撲的神經網絡A在從系統歷史數據庫選擇數據時必須符合以下要求：

1.數據要能夠反映系統的運行狀態, 要有高峰、低谷和一般情況下的負荷狀態；

2.數據要能夠反映系統結構的變化；

3.為加快訓練速度，盡量減少輸入與輸出變量。

對于處理遙測量的神經網絡群B(個數對應于字數庫個數)從子數據庫獲取訓練數據，數據應滿足以下要求：

1.數據要能夠反映系統的運行狀態, 要有高峰、低谷和一般情況下的負荷狀態；

2.數據要緊湊，不能過于分散；

將訓練好的神經網絡A保存于內存中，免去調用時讀取硬盤的開銷，過大的神經網絡群B占用大量的內存，將其以串行化方式存入各子數據庫對應表中。

2.2 在線模式

該模式即為電力系統狀態估計主程序，分為拓撲辨識與遙測壞數據辨識。

2.2.1 拓撲辨識

開關位置（包括變壓器檔位等遙信量）與量測值間并不存在直接的滿足電路定律的規律，但是開關量直接影響網絡拓撲，網絡拓撲直接影響潮流分布，而潮流分布與量測值息息相關，因此開關位置與量測值間存在一定復雜的規律。對于訓練的足夠好的神經網絡A，以采集到的遙測量為輸入變量，開關位置為輸出量，輸出結果與遙信量對比，與之不同的遙信量即為壞數據。

2.2.2 遙測壞數據辨識

根據神經網絡A的輸出形成分類字符串，尋找對應子數據庫，讀取子數據表中存入的串行化神經網絡 ，以采集到的遙測量為輸入變量，各有功功率，無功功率，電壓幅值，電壓相角等傳統狀態估計計算輸出為輸出量，輸出量中與量測對應的部分如果誤差大于±3 ( 為正常量測范圍的0.5% ～2% )，則為壞數據。

無論是否含有壞數據，將神經網絡的輸出量存入總數據庫與子數據庫。值得注意的是，盡管神經網絡具有很強的容錯能力，但也是有限的，對于壞數據過多的情況，可能會存在誤判，這種情況在傳統狀態估計中稱之為不可辨識，將誤判數據存入數據庫會導致以后的訓練數據畸變，同時也影響系統其它軟件的運行，因此，對于判定下來壞數據超過總數據50%的情況，則認為是誤判，不予以入庫，并發出警報。

3 結論

在EMS中，電力系統狀態估計是不可或缺的重要組成部分，本文在廣泛總結了前人研究的基礎上，提出了利用被忽視確又很有價值的大量歷史數據進行狀態估計的方法，采用了數據挖掘技術對數據進行分類處理，并提出了分類子數據庫的命名方式；采用了遺傳算法優化的BP神經網絡算法，克服了傳統BP神經網絡算法的不足，并且將神經網絡的訓練與使用進行分離，大大減少了實時運行的時間開銷，滿足實時性要求，使用兩類神經網絡分別進行拓撲辨識與遙測分析，對兩類神經網絡采取不同的存儲方式，節省了內存開銷，提高了運行速率。

[1]袁曾任.人工神經元網絡及其應用[M ].北京: 清華大學出版社,1999.

[2]Zhu YL,Sidhu TS,Yang M Y'etal.An AI-based automatic network topology processor[J].Electric Power Systems Research,2002,61(1)：57～65.

[3]P.J.Deitel,H.M.Deitel.C++ How To Program,Seventh Edition[M].北京:電子工業出版社,2010.