不良数据辨识
不良数据检测与辨识的数学基础
正态分布
概率密度 分布函数
1 f ( x) e 2 E(x)= D( x)= 2
1 F ( x) e 2 x ( t )2 2
2
( x )2 2 2
dt
标准正态分布 1, 0
对于任意的正态分布随机变量
P{| X | } 0.6827 P{| X | 2 } 0.9545 P{| X | 3 } 0.9973
当被研究的随机变量 是数量众多的相互独 立的随机变量之和， 则他必定服从正态分 布或近似正态分布的。
正态分布随机变量落在μ ± 3σ区 间内的概率几乎等于１。
E i 0
i 1,..., m D( i ) i2
μ是z的真值(测量很多次的均值)
z ~ N (, )
2
3
3
8/106
坏数据定义
由正态分布的特性可知
P(| Z | ) 68.3% P(| Z | 2 ) 95.5% P(| Z | 3 ) 99.7%
采用估计--检测和辨识--再估计--再检测和辨识的迭 代模式
10/106
坏数据的可检测和可辨识性
可观测(估计)性
能检测吗？
不良数据可检测
有没有？
不良数据可辨识
哪个是？
11/106
根据误差来判断
误差
量测值和真值之间的差
状态变量真值
v z h( x )
最直接的方法
如果我们能够知道系统的真值x，则量测误差很容易计算 出来，我们就可以把误差大于3σ的量测挑选出来。
看起来好像不良数据的检测与辨识很容易。
可能吗？
实际上，真实的系统状态是无法知道的，真实的量测误 差也是一个未知数。
12/106
根据残差来判断
残差
量测值和量测估计值之间的差
状态变量估计值
ˆ J x k 2k
或
~ N 0,1
23/106
3σ准则
ˆ J x ~ N k , 2k
或
ˆ J x k 2k
~ N 0,1
根据3σ准则，即某正态随机变量的误差将以 99.75%的概率落在3σ区间之内，即：
ˆ J x k 2k 3 ˆ J x 3 2k k
常数项
正态分布
一般坏数据幅值比正常量测误差的标准差大许多 倍，所以这第三项的值会十分大。 因此，考察估计后目标函数的值就能确定量测中 是否存在坏数据。
25/106
实用方法
考察目标函数是否超过某一事先确定的门槛值，以 确定是否存在不良数据。
J J
J J
有BD 无BD，属真
有BD，属真 称为漏检，或取伪错误 称为误检，或弃真错误。
（3）WR-1W=R-1W；
（4）WRWT=WR=RWT；
（5）0<Wij<1。
16/106
残差方程的作用
描述了残差和量测误差之间的线性关系
ri Wij v j Wi1 v1 Wi 2 v2 Wim vm
j 1 m
W矩阵的元素就是相应的比例系数 量测i的残差ri和所有量测误差有关
1
因为估计值和真值十分接近，上式的量测雅克比矩 阵都可以在估计值处取值，即：
残差方程
r Wv
H T R 1H 1 H T R 1 W I H
残差灵敏度矩阵
15/106
残差灵敏度矩阵的性质
r Wv
H T R 1H 1 H T R 1 W I H
（1）W是奇异矩阵，其秩k=m-n； （2）W是等幂矩阵：WW=W；
J J
无BD
J J
这种方法的漏检率与门槛值的大小有关
26/106
J检测评价
J检测属总体检测，所有量测误差都会对J有贡献， 并产生影响。
有时并没有坏数据，许多量测的误差虽然没有超过3σ， 但也会造成J较大。 有时有一两个不良数据，但由于量测冗余度高，正常时J 值就已经很大，一两个坏数据并不足以使J值发生明显变 化。
ˆ H ( x ) H T x R 1 v
14/106
残差方程
r v H ( x) H
T
I H ( x) H
ˆ x R
T
1
ˆ H ( x ) H T x R 1v
1
1
ˆ x R H ( x ) H T x R 1 v ˆ
将残差方程r=Wv代入上式：
J x v W R Wv v R Wv
T T 1 T 1
ˆ J x 是 2分布
定义A=R-1W m m m J x v T Av vi2 Aii Aij vi v j
i 1 i 1 j 1
j i
上面公式应以99.75%的概率得到满足
24/106
坏数据检测性质
如果有一个坏数据发生在量测 j 上 v v j e j
计算新的目标函数
j T 1 ˆ ˆ J ( x) J ( x) 2 j e j R Wv w jj j
2
2
自由度为k的 分布
不良数据的检测（Bad Data Detection） 判断某次量测采样中是否存在不良数据 不良数据的辨识（Bad Data Identification）
发现某次量测采样中存在不良数据后，确定哪个(或哪些) 量 测是不良数据 不良数据的删除（Bad Data Suppression） 对辨识出的坏数据，用某种方法排除它们对状态估计结果的 3/106 影响
W既不可逆，也不对角占优，是引起不良数据检测 与辨识困难的根本原因。
18/106
加权残差
为了便于进一步简化计算公式和分析，进入残差方 程的加权形式。
定义加权残差：
rw R 1 r
理解：对每个量测量对应的加权残差
rwi
定义加权量测误差：υw R 1 υ
理解：对每个量测量对应的加权误差
由残差方程可见，量测残差也会明显变大。
三种检测方法
目标函数值检测法 加权残差检测法 标准化残差检测法
由目标函数的公式可知，目标函数的数值也会变大。
21/106
不良数据的检测-J检测法
利用估计后的目标函数进行坏数据检测的方法简称 ˆ 为 J x 检测：
2 ˆ ˆ ˆ J x z h x R z h x r R r rwj T 1 T 1 j 1 m
22/106
不良数据的检测-J检测法
2 i
0
Jx的数学期望值
m m 2 i
ˆ E J x Aii E vi2 Aij E vi v j i 1 j i
k 是冗余量测数
i 1
m
E J x Aii Aii Ri m n k ˆ
ˆ r z h( x)
ˆ x x x
残差和误差的关系
将量测估计在真值x附近Taylor级数展开
ˆ h( x) h( x) H ( x)x 代入残差表达式： v z h( x ) r z h( x ) H ( x )x v H ( x )x
T
得到：
ቤተ መጻሕፍቲ ባይዱ
x H
ˆ x R
T
1
ˆ H ( x ) H T x R 1v
1
1
r v H ( x) H
I H ( x) H
ˆ x R
T
ˆ H ( x ) H T x R 1v
1
1
ˆ x R
1
检测和辨识
人们在状态估计之前会对量测数据进行处理，
根据对不良数据处理水平不同分为三个层次：
人工检测和辨识
量测极限值检测
量测量突变检查 量测数据的相关性检查
计算机实时检测和辨识(数据的预处理)
利用远动功能实现 粗检测和辨识
状态估计程序中的检测和辨识
4/106 通过大量正常的冗余量测，利用数学方法处理不良数据
D diag WR
rN D1 r
rN WN υ
定义标准化残差灵敏度矩阵 WN D1W 标准化残差方程为：
是加权残差的一种，在国外早期的文献中，标准化 残差对检测和辨识单个不良数据有重要的作用。
20/106
不良数据的检测
当量测中存在不良数据时，量测误差矢量中某些分 量的值明显变大。
6/106
实时数据的误差
量测值和真值总是存在差异，即误差 从采样到计算机数据库的全过程，每个环节都可能 受到各种随机干扰而产生误差 误差来源：
各环节的随机干扰
量测的不同时性，死区传送，CDT不同时
7/106
误差的性质
假设误差具有正态分布的性质
i zi hi ( x)
i
ri
残差方程改写：
rw Wwvw
i wi i
H T R1 H 1 H T R 1 Ww I R H
1
19/106
标准化残差
通过残差方程，可以得到残差的方差阵 Var r E rr T WRW T WR
定义矩阵D
定义标准化残差
只有0.3%的可能性使得Z-μ落在3σ范围之外
1995电力系统状态估计中的不良数据辨识
电力系统状态估计中的不良数据辨识李钊年(青海大学水电系,青海西宁 810016)摘要 文中以电力系统状态估计理论为依据,给出了一种新的不良数据检测和辨识的方法 Hypothesis 状态估计法。
关键词 状态估计 不良数据 辨识中图分类号:TM74 文献标识码:AIdentification of Bad Data of Electric PowerSystem State EstimationLi Zhaonian(Hydroelec tric Department of Qinghai University,Xining 810016)Abstract Based on the basis of the theory of elec tric po wer system state estimation,the Hypothesisalgorithm is presented in this paper.Key words state estima tion,bad data,identification状态估计是利用实时量测系统的冗余度来提高数据精度,自动排除随机干扰所引起的错误信息,估计或预报系统的运行状态(或轨迹)的。
它以测量误差的统计特点为基础,用数理统计的方法计算估计值。
以前,电力系统的结构相对比较简单,有经验的调度人员根据量测量的极限检查、量测量的突变检查和量测量的相关检查三个原则,可以正确判断不良数据,排除它们的影响,正确掌握系统运行状态。
但是,随着电力系统的日益扩大和调度手段的现代化,这种人工检测和辨识已不能满足实际运行的要求。
如今,在现代化的高度系统中,计算机的高度自动化功能已越来越多的应用于电力系统的状态估计中。
在实际应用中,不良数据检测和辨识的实时性,一方面要靠硬件装置的提高,减少不良数据的机会;另一方面要从软件着手,人为主动地检测和辨识出不良数据。
因此,如何借助于计算机所具备的程序这一强大功能,建立一个可靠而完整的数据的质量,是进一步提高计算机在线应用水平的关键。
基于专家系统的不良遥信数据辨识
闭接 点 ，或 一 对 常 开 和 一 对 常 闭接
３ 不 良遥 信 数 据 识 别
ｌ原 因分析
实 现 变 电站 无 人值 班 后 ，传 统 的 通 过 模 拟 方 式 以变 电 站 指 示 仪
表 、信 号 灯 光 、 光字 牌 等方 式告 警
是 断路 器 设 备 问题 ，如 接 点 抖动 、 开 关副接 点数 不够等 。 导 致 断 路 器 变 位 误 信 量 错 误 的 主 要原 因可归 结为 以下几 类 。 （ ） 电源 干 扰 。 遥 信 接 点 一 般 １ 为 无 源 空 接 点 ， 如 该 电 源 出 现 波
置 本 身在 设 计上 即欠 缺 周 全 考 虑 ，
作 、复 归 、控 制 回路 断 线 、 变压 器
有 载 调 压 分 接 头 信号 及 其 它 告 警 信 号 的 遥 信 量 直 接 反 应 系 统 一 次 、 二
次 运 行 情 况 ， 是 调 度 值 班 人 员 关 注
集 装 置 经 过 沟道 铺 设 的长 电缆 线路
的 焦 点 。 由于 多 数 遥 信 量 取 自 开 关 辅 助 节 点 ，在 其 采 集 及 传 输 过 程 中
受 干 扰 和 信 号 抖 动 的 影 晌 ， 发 生 遥 信 量 误 报 的 情 况 相 当 常 见 。 严 重 影
响调 度 值 班 人 员 的 工 作状 态 和 工 作
无 法保 证 遥信 准 确 度 。 即便 是 合格
遥信装 置误 信概率 高 。
直 接 取 自 开 关 的 辅 助 接 点 ，经 开 关 操 作 一 定 次 数 后 ，辅 助 接 点 的 机 械 传 动 部 分 出 现 间 隙 ， 加 上 开 关 动 作
电力系统中的不良数据监测和辨识方法
电力系统中的不良数据检测和辨识方法介绍西南交通大学电气学院10专业2班傅广港摘要:简述了电力系统不良数据的检测和辨识的必要性。
列举了目前较为主流的不良数据检测和辨识方法，并对这些方法优缺点作出评价。
关键词：不良数据；检测；辨识；优缺点Ways to detect and identify the bad data in power systemFu Guanggang（College of Electrical and Engineering，Southwest Jiao Tong University) Abstract: This paper expounds the necessity of the bad data detection and the identification in power system, as well as the common methods to realize，and discuss the advantages and disadvantages。
Keywords：bad data ；detect; identify；advantage disadvantage0引言在电力系统的实际运行中，由于量测量和量测通道的误差以及可能受到的干扰，会出现各种测量误差。
而我们电力系统的量测数据，通常可看作有效的量测数据和量测噪声的线性组合，通常情况下量测噪声为白噪声[1]，通过一定的技术处理（如数字滤波、提高量测冗余度等)一般可消除白噪声对电力系统状态估计结果的影响.但当量测数据中包含不良数据时，这些不良数据对电力系统状态估计结果的影响是不容忽视的，电力系统中的不良数据可能会影响调度员做出错误的决策，进而影响电力系统的正常运行,甚至可能威胁整个电力系统的安全。
因此，为了确保电力系统的稳定安全运行，对不良数据的处理有非常重要的意义[2].1不良数据检测和辨识的研究现状不良数据检测与辨识是电力系统状态估计的重要功能之一，其功能是在获得状态估计值的基础上依靠系统提供的多余信息，发现和排除测量采样数据中偶然出现的少数不良数据,以提高状态估计的可靠性。
状态估计中不良数据的混合检测辨识法
Keywords power transformer PD on2line locating
第6期
刘 浩 状态估计中不良数据的混合检测辨识法
19
或发电机组非计划停运等 。量测误差定义为从系统
所获得的错误量测信息 。其主要有两个来源 : ①由
仪表传输等所引起的量测系统误差 。 ②由断路器
关 、断的错误状态信息所引起的网络结构误差 。本
- 01338 - 01139 - 01830 - 01713
01449
节点编号
( i2j)
10211 10212 10213 10215 12213 13214 15216 16217 16218
注 : 实际量测数为 38 个 。
表 3 第二采样线路潮流部分量测值
线路潮流 (标幺值) 有功 无功
因为有突变量的情况下 , a ( i) 也将呈现出较大 的数值而被检测出 ,此法不能区分检测出的可疑数 据是不良数据还是突变量 。本文讨论了用残差检测 法来区分不良数据与突变量 。
4 异常数据的区分
在无不良数据时 ,残差总是很小 ,在有不良数据 时 ,总会有残差较大的量测 。此为区分不良数据与 突变量的依据 。
基于增广状态估计的混合不良数据诊断与参数辨识
基于增广状态估计的混合不良数据诊断与参数辨识陆东生;马龙鹏【摘要】电网同时存在遥测坏数据和参数错误时,由于坏数据会影响参数辨识结果,全网参数辨识和估计方法很难保证结果的准确性.文中提出一种基于增广状态估计的混合不良数据诊断与参数辨识方法,先通过残差平衡度判断不良数据是遥测坏数据还是错误参数,将遥测坏数据直接剔除;然后,通过分区方法将多个潜在的不良参数尽可能分开在不同的局部区域,以减弱不良数据之间的相互影响;最后,采用分区增广状态估计方法修正不良参数.算例结果表明,该方法能有效区分坏数据和错误参数,且分区参数辨识能避免不良数据之间相互影响,从而提高了可疑参数辨识的精度.【期刊名称】《江苏电机工程》【年(卷),期】2019(038)002【总页数】6页(P99-104)【关键词】参数辨识;状态估计;数据诊断;残差平衡度【作者】陆东生;马龙鹏【作者单位】国网江苏省电力有限公司,江苏南京210024;国网江苏省电力有限公司经济技术研究院,江苏南京210008【正文语种】中文【中图分类】TM7150 引言状态估计是能量管理系统(energy management system，EMS)的重要组成部分，其结果准确性直接影响电网调度的智能化分析与决策[1—4]。
在实际运行系统中，要想得到完全准确的量测数据和电网参数十分困难，而错误参数或坏数据的存在会影响状态量的准确性，所以剔除坏数据和修正错误参数有着重大的实际意义[5]。
传统的检测坏数据方法有目标函数检测法、加权残差检测法、标准化残差检测法、测量突变检测法[6]等。
目标函数检测法检测电网是否存在坏数据[7]；加权残差检测法、标准化残差检测法分别通过求加权残差和标准化残差确定坏数据[8]。
参数辨识一般采用增广状态估计方法，将待估参数直接作为状态量进行估计[9—11]，另一类方法是量测残差灵敏度分析[12]，该方法在常规状态估计结束后再利用量测残差进行参数估计。
不良数据辨识
或
~ N 0,1
23/106
3σ准则
ˆ J x ~ N k , 2k
或
ˆ J x k 2k
~ N 0,1
根据3σ准则，即某正态随机变量的误差将以 99.75%的概率落在3σ区间之内，即：
ˆ J x k 2k 3 ˆ J x 3 2k k
i
ri
残差方程改写：
rw Wwvw
i wi i
H T R1 H 1 H T R 1 Ww I R H
1
19/106
标准化残差
通过残差方程，可以得到残差的方差阵 Var r E rr T WRW T WR
定义矩阵D
定义标准化残差
由残差方程可见，量测残差也会明显变大。
三种检测方法
目标函数值检测法 加权残差检测法 标准化残差检测法
由目标函数的公式可知，目标函数的数值也会变大。
21/106
不良数据的检测-J检测法
利用估计后的目标函数进行坏数据检测的方法简称 ˆ 为 J x 检测：
2 ˆ ˆ ˆ J x z h x R z h x r R r rwj T 1 T 1 j 1 m
检测和辨识
人们在状态估计之前会对量测数据进行处理，
根据对不良数据处理水平不同分为三个层次：
人工检测和辨识
量测极限值检测
量测量突变检查 量测数据的相关性检查
计算机实时检测和辨识(数据的预处理)
利用远动功能实现 粗检测和辨识
状态估计程序中的检测和辨识
4/106 通过大量正常的冗余量测，利用数学方法处理不良数据
不良数据检测与辨识算法的评估研究
的研究 ， 并结合电力系统 的特 点， 在理论研究与工程 应用方面取得了大量的成果 ， 进一步丰富和发展 了 相关算法［２ ４１ －。而对算法进行综合评估是一项复杂且 １ 伴随着模糊性的系统工程 ， 故采用基于模糊 数学理
数据 中偶然 出现的少量不 良数据 ， 高状态估计的 提 可靠性ｎ 。在实际应用中 ， 必须根据 电力系统规模 、
ｅ ａｕａ ｉｎ． ｔｃ ｎ ｇｉ ｆｅ ｔｖｅｒ ｆ ｒ ｎ ｅｔ ｈｏ ｅ ａｇｏ ｉｈ ｒａ ｔ ａ ｗｅ ｙ ｔ ｍ． ｖ ｌ ｔｏ Ｉ ａ ｖｅｅ ｃｉ ｅ ｅｅ ｃ ｏ ｃ ｏｓ ｌ ｒｔ ｍ ｆ ｃ ｕ ｌ ｏ ｐｏ ｒｓ ｓｅ
Ｋ ｅ ｒ ｓ ｐ ｗｅ ｙ ｔ ｍ； ａ ａ ａ ｄ ｔｃ ｉ ｎ ａ ｄ ｉ ｅ ｔ ｃ ｔ ｎ ａｇ ｒ ｈ ｅ ａｕ ｔ ｎ ｆ ｚ ￣ ｓ ｎ ｈ ｔ ｖ ｌ ａｉ ｎ ｙ ｗｏ ｄ ： ｏ ｒｓ ｓｅ ｂ ｄ ｄ ｔ ； ｅ ｅ ｔ ｎ ｎ ｉ ａ ｉ ； ｌ ｏ ｉ ｍ ｖ ｌ ａｉ ； ｕ ２ ｙ ｔ ｅ ｉ ｅ ａｕ ｔ ｏ ｄ ｉ ｆ ｏ ｔ ｏ ｃ ｏ
关键 词 ： 电力 系统 ； 良数 据 ； 测 与辨识 ； 法评价 ； 不 检 算 模糊 综合 评价
文章编号：０２８ ３ （０２２ ． ３—５ 文献标识码 ： 中图分类号： Ｍ７２ １０ ３ １２ １）２ ２ ９０ ０ Ａ Ｔ １
１ 引言
电力系统不 良数据的检 测与辨识是 电力系统状
态 估 计 的 重 要 功 能 之 一 ， 目的在 于 排 除 量 测 采 样 其
Ｓ ｈ ｏ ｆ ｅ ｔ ｃ ｌ ｎ ｉ ｅ ｒ ｇ Ｚｈ ｎ ｚ ｏ ｉ ｅ ｓｔ ， ｅ ｇ ｈ ｕ ４ ０ ０ ， ｉ ａ ｃ ｏ ｌ ｃ ｒ ａ ｇ ｎ ｅ ｉ ， ｅ ｇ ｈ ｕ Ｕｎ ｖ ｒ ｉ Ｚｈ ｎ ｚ ｏ ５ ０ Ｃｈ ｎ ｏ Ｅｌ ｉ Ｅ ｎ ｙ １
4 不良数据的检测和辩识
概述
残差方程
检测方法 1
辨识方法
不良数据的检测
当量测中存在不良数据时，量测误差矢量中某 些分量将有个别分量的值明显变大。 由残差方程可见，量测残差也会明显变大。 由目标函数的公式可知，目标函数的数值也会 变大。 三种检测方法
目标函数值检测法 加权残差检测法 标准化残差检测法
v T Av vi2 Aii Aij vi v j Jx
i 1 i 1 j 1 m m m
j i
概述
残差方程
检测方法 1
辨识方法
目标函数的分布特性
的数学期望值: EJ x ˆ Jx
m 2 i m
Aii E vi2 Aij Evi v j
可能吗？
概述
残差方程
检测方法
辨识方法
残差
残差
量测值和量测估计值之间的差 r z h( x ˆ)
估计值
残差和误差的关系
ˆx 将量测估计在真值x附近Taylor级数展开 x x ˆ ) h( x) H ( x)x h( x 代入残差表达式：
r z h( x ) H ( x)x v H ( x )x 得到： ˆ ) v H ( x)x r z h( x
概述
残差方程
检测方法
辨识方法
残差方程的作用
描述了残差和量测误差之间的线性关系
ri Wij v j Wi1 v1 Wi 2 v2 Wim vm
j 1 m
W矩阵的元素就是相应的比例系数 量测i的残差ri和所有量测误差有关
自动电压控制中不良数据的辨识
方数 据采 集终 端转 发 的数 据 ， 分 别 独 立 作 为 闭 锁 并
条件 ， 保证 数 据准 确 和 系统 安 全 ． Ｖ 中 ， 集 数 据 ＡＣ 采
的质量直接决定了系统控制的性能． 实际运行 中， 由 于装 置 、 集 、 采 传输 等 出现异 常将 导致 遥 测量 中 出现 不 良数 据 ， 而造 成 Ａ Ｃ误 动 ． 献 ［ ］ 以一 起 从 Ｖ 文 ３ 中
中图分类号 ： Ｍ７ Ｔ ６
ｄｉ１．９ ９ｊｉ ｎ １０ － ５ ．００ ０ ．１ ｏ：０３ ６／． ｓ．００５ Ｘ ２ １ ．７０ ２ ｓ ６
随着 人们 生 活水 平 的提 高 ， 电压 质 量 的要 求 对
的工程 实用价 值 ． 是 目前 鲜有 文 献对 Ａ Ｃ的不 良 但 Ｖ
数据进行 辨识 ， 以文 中的研 究非常具有 现实意义 ． 所
染 和残 差淹 没 的发生 ． 献 ［ ０ 中揭 示 了残 差 灵 敏 文 １］ 度 矩 阵 中元 素 与不 良数 据 大小 在 可 检 测 、 辨 识 上 可
Ａ Ｃ实行 三 级 电压 控 制 Ｊ Ａ Ｃ子 站 系 统 具 有 遥 Ｖ ．Ｖ
测、 遥信 、 调和遥 控 等 四遥 功 能 ． 遥 它既 可 以独 立 采 集各 台机 组 的机端 电压 、 子 电流 、 用 电母 线 电 定 厂
事故 为案 例分 析指 出 ， 由于 电流互 感器 自身 的缺点 ， 导致 采集 的数 据异 常 ， 而造 成 保护装 置 误动 ． 于 从 鉴 不 良数据 将造成 Ａ Ｃ装 置 的误 动 ， 而影 响 电力 系 Ｖ 进
统 的电压质 量 ， 因此 ， Ｖ Ａ Ｃ的不 良数据 辨识 具有 很 高
云计算在电力系统不良数据识别中的应用
黪 ！ 罄
‘Ｉ 与 应 用
云计算在电力系统不良数据识别中的应用
刘 建 安
（ 忻 州供 电公 司 变电运 维工 不 良数据 严重影 响 电力 系统 正常运行 ， 智能 电网的发展 对 电力不 良数 据识 别提 出了新挑战 ， 云计算 可 以为 用户提供 超强 计算 能 力、 大存 储 空间服务 ， 将 云计算应 用到 电 力 系统不 良数 据识别 可有 效提 高算法性 能， 克服传 统算 法 中存在 的 不足 。 本 文首 先介绍 了电 力 系统 不 良数 据识 别， 接 下 来分析 了云计 算 的特点 及 类别， 最后 阐述 了云计 算在 电力 系统 不 良数 据识 别 中的应 用。 关键 词： 不 良数 据ｉ Ｒ ￣ Ｊ ， 】云计 算 电力 系统 中图分类 号： Ｔ Ｍ７ ３ ２ 文献标 识码 ： Ａ 文章编 号： １ ０ ０ ７ — ９ ４ １ ６ （ ２ ０ １ ３ ） ０ ７ — ０ ０ ６ ６ ￣１
１电力系统 不 良数 据识 别
环境及编程模型。 Ｓ ａ ａ Ｓ 将一些特定的软件封装成服务 ， 这种模 式中
Ｓ ａ ａ Ｓ 将逐渐成为在线软件 主要 的应用模 智能 电网是未来 电力系统发展的方 向， 智能 电网需要对 目前电 软件通过服 务模 式发布 ， 但未来 的发展可能受 限于 网络带宽 以及信息存储 等基础设施 。 网进行 电力监测系统的升级改造， 提高 电网智能化测量水平 。 随着 式 ， 数字化变 电站 、 输 电线路监控系统、 Ｇ Ｉ Ｓ 集成监控平 台等智能系统的 ３云计算在电力系统不良数据识别中的应用 发展 ， 未来 电力系统将会采集到海量的实时数据 ， 这 些数据 是否 准 随着 电网信息化 的不断发展 ， 电网状态数据 的存储以及计算面 确决定着 电力系统的安全可靠 ， 在实际数据采集 中， 由于测量系统 临着非常大 的挑 战， 电网运行结 构具有分布式特性使得 电力系统数 可 能受 到随机干扰或者存 在偶 然故 障， 电力系统可 能出现不 良数 据具有分布式特征 ， 将云计算的文件 系统引入 电力系统可解决 电力 据。 电力系统不 良数 据可 能影 响到电力调度决策 ， 对 电力系统正常 系统数据存储的难题 。 云计算还可 以适用于电力系统数据处理的很 运行带来威胁 。 电力 系统不 良数据识别就 是要发现并消除测量数据 多方面 ， 云计算在 电力系统不 良数据识别方面的应用优势主要有 ： 中出现的偶 然不 良数据 ， 保证 系统运行安全性 ， 电力系统不 良数据 （ １ ） 构建以云计算 技术为 中心 ， 以快速数据识别为 目标 ， 提供 实时数 识别和处理对 电力系统安全可靠运行有 重要意义 。 据处理 及存储 的软件平 台和工具 ， 及时发现并排除不 良数据 。 （ ２ 脓 目前 ， 电力系统不 良数据识别主要是基于状态估计和数据挖掘 托于云计算强大快速 的数据处理能力 ， 基于云计算 的不 良数据识 别 两个方面。 基于状态估计的不 良数据识别算法可能 出现残差污染的 算法可以最大限度发挥优势 ， 克服传统不 良数据识别中过度依赖调 现象 ， 造成 数据误检 。 基 于数据挖掘的识别算法 主要是基于智 能算 度员的缺 陷， 可以根据 电力系统状态数据快速准确判 断电力系统状 法进行不 良数据识别 ， 这些算法包括神经 网络 、 聚类分析、 模糊理论 态。 （ ３ ） 不 良数据识 别算 法能够很好地适应云计算技术 中的分布式 等， 这些智能算法存在计算量大、 复杂度高的问题 ， 在 电力系统大数 计算存储等特点 ， 可以根据不 良数据辨识算法的这一特性设计适合 据量 的情 况下 ， 不能很好地满足智能 电网的需求【 】 １ 。 云平台 的算法模型。 （ ４ ） 电力系统中的状态数据符合分布式特征 ， 这