計及壞數據辨識與修正的配電網狀態估計

張 鑠 吳麗珍

計及壞數據辨識與修正的配電網狀態估計

張 鑠 吳麗珍

（蘭州理工大學電氣工程與信息工程學院，蘭州 730050）

配電網中多種量測設備所采集的異構異源數據共同構成了用于狀態估計的數據源，對量測數據的深度辨識是提升狀態估計精度的首要任務。本文提出一種針對量測數據中壞數據的辨識修正方法，首先運用新息序列和基于密度的含噪聲空間應用聚類（DBSCAN）算法進行初級辨識，然后根據量測數據的時間慣性進行二次辨識，最后采用改進長短期記憶神經網絡（LSTM）算法對異常數據進行修正，并搭建仿真平臺分析了所提方法的有效性。

配電網；多級辨識；壞數據；狀態估計

0 引言

狀態估計的準確性為電力系統的安全穩定提供了重要保障。多種量測設備的技術特性隨著配電網智能化水平的發展而不斷提高，狀態估計的準確性也在一定程度上得到提升。現階段，電力系統的量測數據主要來自數據采集與監控（supervisory control and data acquisition, SCADA）系統和同步相量量測單元（phasor measurement unit, PMU）。SCADA量測主要用于支路功率和電壓幅值等信息的測量，其優點是在配電網中裝設較多，數據資源豐富，主要缺陷是數據精度低、無時標，數據質量欠佳。PMU量測數據較SCADA量測具有精度高、時標準、延時低、刷新快等特點，還能直接測量電壓相量等信息。PMU是目前較為理想的數據量測裝置，但其裝設受經濟和技術等原因限制，僅靠配電網中已配置的PMU很難滿足可觀測性要求。在相當長的一段時間內，配電網中的SCADA/PMU兩套數據仍會作為狀態估計的數據源持續并存[1]。

兩種量測設備為狀態估計提供了海量數據，但與此同時這些數據中也包含著大量的壞數據，若不對其進行處理，會對配電網狀態估計精度造成巨大的影響。如何有效地對壞數據進行辨識并修正是亟需解決的問題。

目前針對壞數據辨識，相關學者進行了大量研究：文獻[2-3]借助PMU和SCADA的差異性和相似性對同一數據進行校驗來保證數據的可靠性，進行壞數據的辨識；文獻[4]根據量測設備自身的精度設置數據檢測標準，檢測不同場景下的壞數據，但檢測指標過于單一，容易對數據造成非壞即好的判斷；文獻[5]運用多級辨識技術準確分離出波動數據和偽波動數據，驗證了多級辨識的有效性。壞數據辨識方法[6]如圖1所示。

圖1 壞數據辨識方法

本文就量測數據中存在的壞數據問題提出一種辨識與修正方法。該方法運用多級辨識和多方法檢驗技術，流程如圖2所示。首先通過新息序列和基于密度的含噪聲空間應用聚類（density-based spatial clustering of applications with noise, DBSCAN）算法進行初級辨識，將兩種檢驗結果的交集數據作為異常數據、非交集數據作為可疑數據；然后將可疑數據通過基于時間慣性的檢驗進行二次辨識，若可疑數據與前后時刻呈現強相關性，則為正常數據，否則為異常數據；最后對挖掘的異常數據通過改進長短期記憶神經網絡（long-short term memory, LSTM）算法進行預測修正。搭建IEEE-33節點系統用于驗證所提方法的有效性。

圖2 本文方法壞數據辨識流程

1 壞數據辨識

1.1 基于新息序列的異常值辨識

求解式（3），可得

1.2 DBSCAN算法

DBSCAN算法是一種基于密度的聚類算法，該方法能成功處理不規則形狀的聚類問題，同時對包含噪聲的數據也有良好的處理效果，即該算法在識別數據集中不規則形狀聚類的同時，也可以識別噪聲。

DBSCAN算法流程[7-8]如圖3所示。

圖3 DBSCAN算法流程

DBSCAN示意圖如圖4所示，為能更大程度地識別異常值，本文將兩個連續的邊界點也納入可疑數據集中，后續再進行可疑數據的篩選。

圖4 DBSACN示意圖

1.3 基于時間慣性的二次辨識

2 改進LSTM算法修正異常值

當時間序列在時刻的數據發生異常時，可利用在時刻之前序列的歷史數據對時刻的數據進行預測修正，即利用序列本身的歷史數據周期特征進行修正，從而建立歷史時間序列預測模型對異常值進行修正。

LSTM是循環神經網絡（recurrent neural network, RNN）的一種衍生形態，解決了RNN梯度消失和爆炸的問題[9]，可以很好地從時序數據中學習經驗、對數據進行信息處理和預測。其與RNN最大的區別是隱藏層增加了單元狀態，通過引入不同的門結構來對單元狀態進行控制，門結構分別為：遺忘門、輸入門、輸出門。LSTM的單元結構如圖5所示[10]。x和y分別為神經元的輸入和輸出，h和C分別為神經元的短期狀態和長期狀態。在每個時間步，C-1首先經過一個遺忘門消除一些儲存信息，然后通過加法器添加一些新儲存信息，得到C；C經過由O控制的輸出門濾波產生短期狀態h和輸出y。

圖5 LSTM單元結構

式中：、、、為與輸入連接的權重矩陣；、、、為與先前短期狀態-1連接的權重矩陣；、、、為偏置項。

LSTM對于時序數據的處理依靠激活函數，若去掉激活函數，無論有多少個單元狀態和神經元，對數據的處理效果都會降低。為此，對激活函數進行改進以提高算法的數據處理能力。原始LSTM輸出門的激活函數是單一的tanh函數，改進后將tanh改為ReLU、sigmoid、tanh激活函數的加權。改進LSTM單元結構如圖6所示。

圖6 改進LSTM單元結構

改進后LSTM輸出值為

3 算例分析

本文選取IEEE-33節點系統，搭建仿真平臺分析所提方法的有效性。IEEE-33節點測試系統如圖7所示。通過模擬系統負荷的持續變化，獲得動態潮流數據作為狀態估計的真實值，并在真實值的基礎上隨機加入最高±0.75%誤差。仿真時段內系統負荷變化曲線如圖8所示。

圖7 IEEE-33節點測試系統

圖8 系統負荷變化曲線

3.1 異常數據辨識與修正

為能更深層次地挖掘可疑數據，本文將DBSCAN的邊界節點也納入可疑數據的范圍。對仿真算例中某時段SCADA電壓量測量的數據點進行DBSCAN之后的結果如圖9所示。在算法操作過程中需通過對Eps和MinPts參數聯合調整以獲得最優結果，本文最終選取Eps和MinPts分別為3.7和3.0。

圖9 DBSCAN結果

根據試驗結果可得：1、17、22、53、54、55、102、103、104、141、143為可疑數據點，這其中包含邊界點和異常點，其余點為正常數據點。

對DBSCAN算法運行得出的可疑數據集與基于新息序列辨識出的異常數據集取交集作為最終異常數據集。將其余的可疑數據點根據量測數據的時間慣性進行二次辨識，分離異常點與正常點。

運用改進LSTM算法對辨識出的異常點進行預測修正，部分壞數據修正見表1。

為凸顯本文所提壞數據辨識方法的優越性，將不同辨識算法與本文多級辨識算法進行對比。為直觀判斷不同數據辨識算法對量測數據的辨識能力，定義數據辨識錯誤率為

表1 部分壞數據修正

式中：為k+1時刻將真實數據判斷為壞數據的個數；m為量測數據總個數。的高低反映了數據清洗的準確性，越低，準確性越高。將仿真總時段均勻分割成15個時段，計算得到每個時段內的數據辨識錯誤率如圖10所示。

從圖10可以看出，僅使用新息序列辨識或僅使用DBSCAN辨識的錯誤率較高，且整體錯誤率均高于本文所提的多級辨識方法。對于多級辨識結果，二次辨識整體錯誤率控制在10%以下，且較初級辨識錯誤率大大降低，辨識效果優于單一辨識算法。

3.2 狀態估計結果分析

為進一步驗證壞數據辨識及修正的效果，以三個案例進行對比分析。

案例1：未使用壞數據辨識與修正算法進行狀態估計。

案例2：使用壞數據辨識與LSTM算法修正的狀態估計。

案例3：使用壞數據辨識與改進LSTM算法修正的狀態估計。

為便于對結果進行定量分析，本文采用標準差均值作為準確度指標。

電壓幅值和相位估計的標準差均值如圖11所示。

圖11 電壓幅值和相位估計的標準差均值

由圖11可知，在0～1 500s，案例3的結果要略優于案例1，三個案例總體的仿真結果差別不大，多級辨識技術及數據修正算法作用不明顯，這主要是因為在平穩狀態下，數據波動較小，系統各項參數并不發生大幅度的變化，雖然量測數據包含隨機誤差但數據總體仍保持平穩狀態；在1 500～5 000s，三個案例的估計標準差都呈現不同程度的波動，但使用壞數據多級辨識技術及改進LSTM算法修正的案例3的狀態估計精度明顯更優，未使用改進LSTM算法修正的案例2狀態估計精度次優，未使用壞數據辨識及修正的案例1效果最差，這表明多級辨識技術及改進LSTM算法對數據的修正在配電網狀態估計中起到了良好作用。

4 結論

本文針對量測數據中存在壞數據的問題，提出了一種用于壞數據辨識與修正的方法。該方法首先通過新息序列和DBSCAN算法進行初級辨識檢測出可疑數據，然后基于時間慣性進行二次辨識，最后采用改進LSTM算法對壞數據進行修正。仿真算例證明了該方法的有效性，對壞數據的辨識與修正起到了良好的作用，提升了狀態估計的準確度。

[1] 游家訓, 黃斌, 郭創新, 等. 混合量測用于電力系統狀態估計[J]. 高電壓技術, 2009, 35(7): 1765-1769.

[2] 吳星, 劉天琪, 李興源, 等. 基于WAMS/SCADA數據兼容和改進FCM聚類算法的PMU最優配置[J]. 電網技術, 2014, 38(3): 756-761.

[3] 薛輝, 賈清泉, 王寧, 等. 基于PMU量測數據和SCADA數據融合的電力系統狀態估計方法[J]. 電網技術, 2008, 32(14): 44-49.

[4] 劉科研, 張劍, 陶順, 等. 基于多源多時空信息的配電網SCADA系統電壓數據質量檢測與評估方法[J]. 電網技術, 2015, 39(11): 3169-3175.

[5] 高正男, 楊帆, 胡姝博, 等. 面向新能源電力系統狀態估計的偽波動數據清洗[J]. 高電壓技術, 2022, 48(6): 2366-2377.

[6] 劉莉, 翟登輝, 姜新麗. 電力系統不良數據檢測與辨識方法的現狀與發展[J]. 電力系統保護與控制, 2010, 38(5): 143-147, 152.

[7] 蔡文斌, 程曉磊, 王鵬, 等. 基于DBSCAN二次聚類的配電網負荷缺失數據修補[J]. 電氣技術, 2021, 22(12): 27-33.

[8] 胡金磊, 賴俊駒, 黎陽羊, 等. 基于自適應DBSCAN算法的開關柜絕緣狀態評價方法[J]. 電工技術學報, 2021, 36(增刊1): 344-352.

[9] 涂彥昭, 高偉, 楊耿杰. 一種基于卷積神經網絡和長短期記憶網絡的光伏系統故障辨識方法[J]. 電氣技術, 2022, 23(2): 48-54.

[10] 李冬輝, 尹海燕, 鄭博文, 等. 改進的LSTM方法在冷水機組傳感器故障檢測中的應用[J]. 電工技術學報, 2019, 34(11): 2324-2332.

Distribution network state estimation considering bad data identification and correction

ZHANG Shuo WU Lizhen

(College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050)

Heterogeneous data collected by a variety of measurement devices in the distribution network constitute the data source for state estimation. Depth identification of measurement data is the primary task to improve the accuracy of state estimation. In this paper, an identification and correction method for bad data in measured data is proposed. The method firstly uses primary identification based on new information sequence and density-based spatial clustering of applications with noise (DBSCAN) method, and then performs secondary identification according to the time inertia of measured data. Finally, the modified long-short term memory (LSTM) algorithm is used to correct the abnormal data. A simulation platform is built to verify the effectiveness of the proposed method.

distribution network; multistage identification; bad data; state estimation

國家自然科學基金項目（62063016）

甘肅省科技計劃（20JR10RA177）

2022-07-11

2022-08-13

張 鑠（1999—），男，碩士研究生，研究方向為配電網狀態估計。