電力系統(tǒng)不良數(shù)據(jù)檢測與識別方法研究

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)故障測量數(shù)據(jù)檢測與識別實際應(yīng)用中的狀態(tài)估計方法。幾種識別方法，如殘差搜索識別法等。

1 研究電力系統(tǒng)中的不良數(shù)據(jù)識別算法的必要性

隨著中國智能電網(wǎng)的逐步完善，智能電網(wǎng)發(fā)展迅速。在當(dāng)今階段，我國的智能電網(wǎng)有著復(fù)雜度高，范圍廣的特點，所以會在電力系統(tǒng)中產(chǎn)生海量的量測數(shù)據(jù)。針對不良數(shù)據(jù)帶來的干擾這一研究問題，這就需要使采集到的量測數(shù)據(jù)進行檢測辨識，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)每個系統(tǒng)的可靠性。然而，這么龐大的數(shù)據(jù)的正確性對電力系統(tǒng)能否高效穩(wěn)定的運行有著重要的影響，從而更加確定了電力系統(tǒng)中對不良數(shù)據(jù)的辨識修復(fù)的必要性，為此課題進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

從一個正常的電力系統(tǒng)上講，其中對數(shù)據(jù)的量測是有一定的誤差的，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，對于所有的量測值來說，誤差為標(biāo)準(zhǔn)差δ。當(dāng)電力系統(tǒng)中的量測系統(tǒng)運行良好時，誤差大于3δ的概率很小，相當(dāng)于基本無法發(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)，接下來對你識別出來以防止煩擾電力系統(tǒng)調(diào)度人員對各種情況下的決策。

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

3 電力系統(tǒng)中的狀態(tài)估計法

在這個階段，識別是電力系統(tǒng)狀態(tài)估計的主要任務(wù)。在測量系統(tǒng)中查找測量數(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)中的一個關(guān)鍵組成部分為狀態(tài)估計，其對所有量測數(shù)據(jù)進行第一次檢測以及辨識。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)估計的重要任務(wù)是檢測和識別不良數(shù)據(jù)。

智能電網(wǎng)中的狀態(tài)估計是一個完整的過程，除了狀態(tài)估計之外，還具有不良數(shù)據(jù)的識別。估計的計算是基于計算的原始數(shù)據(jù)的最佳標(biāo)準(zhǔn)，并接近最佳估計。最大接近于電力系統(tǒng)的實際狀態(tài)，相當(dāng)于讓數(shù)據(jù)的可信度提升。數(shù)據(jù)檢測是指根據(jù)相應(yīng)的測試標(biāo)準(zhǔn)的數(shù)據(jù)是不是有缺陷的。辨識是發(fā)現(xiàn)不良數(shù)據(jù)的測量點存在的位置，經(jīng)過檢測判斷數(shù)據(jù)的正確性，再對分析這些數(shù)據(jù)，通過辨識來提高數(shù)據(jù)的可靠性。

4 殘差搜索識別方法和非二次準(zhǔn)則方法

殘差搜索識別方法首先通過加權(quán)殘差或標(biāo)準(zhǔn)殘差對不良數(shù)據(jù)進行排序，然后逐一消除，然后計算狀態(tài)估計以達(dá)到最佳效果。然而它也具有一些缺點，由于該方法需要重新狀態(tài)估計，因此需要大量計算。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)估計以減少計算量，該方法通常對于檢測和識別不良數(shù)據(jù)是有效的，但存在“殘留污染”和“殘余洪水”現(xiàn)象的干擾會影響檢測效果，從而導(dǎo)致錯誤檢測或漏檢的后果。

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：智能電網(wǎng)系統(tǒng)的不良數(shù)據(jù)識別是數(shù)據(jù)修復(fù)的基礎(chǔ)與前提，本文對智能電網(wǎng)異常數(shù)據(jù)的識別方法的研究是針對不良數(shù)據(jù)。針對受物理環(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模型算法檢測不良數(shù)據(jù)的方法， BP神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練和測試待測數(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)計方法。提取出 k值以及不良數(shù)據(jù)，并利用數(shù)據(jù)進行實例驗證。

不良數(shù)據(jù)的個數(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)的辨識中，我們往往不知道不良數(shù)據(jù)的個數(shù)及分布范圍，因此，不可能在識別中預(yù)先指定簇的數(shù)量，并且需要間隙統(tǒng)計算法來分析每個簇的信息。判斷簇的數(shù)量，如何確定簇的數(shù)量是問題的關(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：通過分析數(shù)據(jù)庫中以往每個采樣時間對應(yīng)下數(shù)據(jù)，將其進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，獲取采樣時間下的關(guān)聯(lián)規(guī)則，每個采樣時間對應(yīng)的測量預(yù)測量為，最后，根據(jù)時間屬性與測量數(shù)據(jù)的對應(yīng)關(guān)系，驗證當(dāng)前時間測量數(shù)據(jù)的正確性。從而對不良數(shù)據(jù)進行的識別。

每個時刻在關(guān)聯(lián)規(guī)則的提取：關(guān)聯(lián)規(guī)則分析方法用于分析歷史數(shù)據(jù)，然后在每個采樣時刻提取關(guān)聯(lián)規(guī)則，即隨時測量預(yù)測量。然后，通過比較數(shù)據(jù)和數(shù)據(jù)之間的關(guān)系，比較測量數(shù)據(jù)以達(dá)到檢測和識別不良數(shù)據(jù)的目的。

（作者單位：東北大學(xué)秦皇島分校）