基于改進模糊聚類分析的電力系統不良數據辨識

高金蘭， 康迪， 雷星宇， 朱佳麗

(東北石油大學 電氣工程學院，黑龍江 大慶 163318)

0 引 言

電力系統不良數據的檢測與辨識是電力系統狀態估計的重要功能之一，它能夠排除量測采樣數據中偶然出現的少量不良數據，提高狀態估計的可靠性，確保電力系統正常穩定的運行。目前，不良數據檢測與辨識的方法主要是基于狀態估計的方法，包括目標函數極值檢測法、加權或標準化殘差檢測法和量測量突變檢測法等方法[1]。這些方法的缺點是很可能出現殘差污染和殘差淹沒現象，從而引起不良數據的誤檢和漏檢。

近年來，越來越多的新理論、新方法被應用到了電力系統不良數據檢測辨識當中。文獻[2]提出了利用模糊數學中的ISODATA方法和隸屬度概念來判定不良數據，一定程度上克服了殘差污染和殘差淹沒現象。文獻[3]引入基于貝葉斯數據處理策略的擴展卡爾曼濾波算法及局部加權投影回歸策略對電網參數進行在線檢測辨識，該方法具有較高的精度。文獻[4]將圖論和蟻群優化算法結合起來，依據靈敏度分析法進行不良數據檢測辨識，具有較快的計算速度。

模糊C-均值算法(Fuzzy C-means Algorithm, FCM)[5-6]是解決模糊聚類問題的經典算法，該方法是將聚類分析歸結為一個帶約束條件的非線性優化問題，相對于其他的聚類算法，FCM算法有著設計簡單、應用范圍廣泛等優點。但模糊C-均值算法也存在對算法初始值敏感，易陷入局部最優的缺點。萬有引力算法(Gravitational Search Algorithm, GSA)作為一種智能尋優的新算法，具有較強的全局搜索能力。……