电力系统中的不良数据监测和辨识方法
电力系统阻抗测量与参数辨识方法研究
电力系统阻抗测量与参数辨识方法研究概述：电力系统作为供电的基础设施，其稳定性和可靠性一直是电力行业研究的重点。
电力系统的负荷、线路和设备之间的相互作用会导致电力系统的阻抗产生变化。
因此，准确测量电力系统的阻抗并辨识其参数是保障电力系统运行和安全的重要手段。
一、电力系统阻抗测量方法：1. 传统测量方法：传统的电力系统阻抗测量方法包括电压采样和电流采样，利用电压和电流的波形特征来估计电力系统的阻抗。
这种方法简单直观，但对于复杂的电力系统，误差较大且耗时较长。
2. 数字测量方法：随着现代电力系统的发展，数字化技术逐渐应用到阻抗测量中。
数字测量方法通过将电力系统的电压和电流信号转换为数字信号，通过数字信号处理的方式来估计电力系统的阻抗。
这种方法具有精度高、响应快的优点，能够有效识别电力系统中的故障和异常情况，提高了电力系统的可靠性和稳定性。
二、电力系统阻抗参数的辨识方法：1. 试验参数法：试验参数法是通过对电力系统施加不同的干扰信号，测量电力系统的响应信号，从而辨识出电力系统的阻抗参数。
这种方法需要对电力系统进行干扰实验，精度较高，但操作复杂且耗时。
2. 数值计算法：数值计算法是通过建立数学模型，利用电力系统的核心方程组进行计算，从而辨识电力系统的阻抗参数。
这种方法具有计算速度快、精度高的特点，但对电力系统的模型要求较高，需要准确的初始条件和参数输入。
三、阻抗测量与参数辨识方法的应用：1. 阻抗测量在故障检测中的应用：阻抗测量方法可以实时监测电力系统中的故障情况，包括线路短路、设备故障等，及时进行处理，保障电力系统的安全运行。
2. 阻抗参数辨识在电力系统规划中的应用：阻抗参数辨识方法可以对电力系统的阻抗进行准确测量和分析，为电力系统的规划和设计提供重要参考，提高电力系统的可靠性和经济性。
结论：随着电力系统的发展，电力系统阻抗测量与参数辨识方法的研究变得越来越重要。
传统的测量方法在大型电力系统中存在一定的局限性，因而数字测量方法逐渐得到应用。
电力系统中的高频线路故障检测与快速识别
电力系统中的高频线路故障检测与快速识别电力系统是现代社会不可或缺的基础设施之一，而高频线路故障的发生对电力系统的正常运行和安全性产生了极大的影响。
因此，对电力系统中的高频线路故障进行快速检测和识别是非常重要的。
一、高频线路故障的原因和特点高频线路故障通常是由绝缘材料损坏、设备老化或操作失误等因素引起的。
这种故障具有以下特点：1. 高频信号波形的变化：高频线路故障通常会导致电流和电压的波形变化，如频谱的扩展、谐波峰值的突变等。
2. 高频噪声的产生：故障产生的高频信号会引起系统中的噪声，降低了信号的质量。
3. 快速蔓延和扩大：高频故障会迅速扩大影响范围，如果不能及时检测和识别，可能会导致更大范围的事故发生。
二、高频线路故障的检测方法为了快速检测和识别高频线路故障，目前研究人员提出了以下几种方法：1. 高频信号测试仪器：使用高频信号测试仪器可以对电力系统中的信号进行测试和分析，以便找到异常和故障点。
2. 人工巡检：工作人员可以通过目视观察的方式来检测线路中的异常情况，但是这种方法费时费力且不易准确判断故障点。
3. 传感器监测：通过在电力系统中设置传感器，可以实时监测线路中的电流和电压变化，一旦检测到高频信号异常，就能及时发出警报。
三、快速识别高频线路故障的方法当发现高频线路故障时，需要快速识别并采取措施进行修复。
下面是几种常用的识别方法：1. 频谱分析：通过对高频信号进行频谱分析，可以找到信号中的异常频率成分，从而确定故障点。
2. 特征提取：将高频信号进行特征提取，如峰值、谐波含量等，利用提取到的特征进行故障识别。
3. 人工智能技术：利用机器学习和深度学习等人工智能技术，对高频线路故障进行模式识别和分类，提高故障识别的准确性和效率。
四、高频线路故障检测与快速识别的挑战和解决方案在进行高频线路故障检测和快速识别时，会面临一些挑战：1. 数据量大：电力系统中的数据量庞大，如何高效处理和分析这些数据是一个挑战。
电力系统故障检测技术使用方法总结
电力系统故障检测技术使用方法总结引言：电力系统故障是指在供电过程中，由于各种原因导致系统出现故障现象，严重影响了电力系统的稳定运行和供电质量。
故障的及时检测和准确定位对于电力系统的运行和维护至关重要。
随着科技的进步，电力系统故障检测技术不断发展，为电力系统运维人员提供了有效的工具和方法。
本文将总结并介绍一些常见的电力系统故障检测技术的使用方法。
一、供电系统故障检测技术1. 基于传统测量方法的故障检测技术传统的测量方法包括电压、电流、功率和功率因数等传感器所测量的信号值。
通过对这些信号进行分析和比对，可以发现系统中的异常情况。
例如，电压的跳变、电流的异常波动以及功率因数的突变均可能暗示着供电系统的故障。
利用这些测量数据，运维人员可以通过作图和曲线拟合等方法，准确检测出故障的发生地点。
2. 基于图像处理的故障检测技术图像处理技术在电力系统故障检测中也得到了广泛应用。
通过摄像头等设备获取电力系统现场的图像数据，并经过处理和分析，可以发现系统中的异常情况。
例如，图像中的火花、闪光以及烟雾等现象都可能暗示着故障的发生。
运维人员可以利用图像处理软件进行特征提取和图像匹配，快速准确地检测出故障点。
3. 基于数据挖掘的故障检测技术数据挖掘技术在电力系统故障检测中具有很高的应用价值。
通过对大量历史数据的分析和挖掘，可以提取出与故障相关的特征模式。
基于这些特征模式，运维人员可以建立故障检测模型，并通过实时监测数据的比对来判断系统是否存在故障。
数据挖掘技术的优势在于能够自动分析大量数据，发现隐藏的规律和异常情况，为故障检测提供了强大的支持。
二、故障检测技术的使用方法1. 数据采集与预处理在使用故障检测技术之前，首先需要采集和整理电力系统的相关数据。
比如，电压、电流、功率等测量数据，以及现场的图像和视频数据。
采集到的数据需要经过预处理，包括去除异常值、填补缺失值以及滤波等。
预处理的目的是保证数据的准确性和一致性，为后续的故障检测提供可靠的数据基础。
电力工程施工风险辨识风险评价和风险控制方案
电力工程施工风险辨识风险评价和风险控制方案一、风险辨识风险辨识是指在电力工程施工前，通过对施工过程中可能出现的各种不利因素进行系统分析、调查和收集相关信息，识别出可能引发事故或损害的潜在风险。
1.通过文献调研：针对电力工程施工相关文献进行调研，了解施工过程中的常见风险。
2.参照经验：借鉴以往类似电力工程施工经验，总结出存在的风险。
3.工作现场勘察：实地考察施工工作现场，了解地形、环境、气候等因素对施工安全的影响。
通过以上方法，可以梳理出一份详细的风险清单，包括但不限于人员伤亡风险、设备故障风险、意外事故风险等。
二、风险评价风险评价是指对辨识出的风险进行定性和定量评估，以确定其发生的可能性和后果的严重性，为制定风险控制方案提供依据。
1.概率评估：通过历史数据或专家评估，对各种风险事件发生的概率进行定量分析，得出可能性的大小。
2.影响评估：对各种风险事件的后果进行评估，包括人员伤亡、设备损坏、工程延误、环境污染等方面的评估，以确定风险事件的影响程度。
3.风险优先级评估：将概率和影响综合考虑，对风险进行优先级排序，确定哪些风险需要优先考虑。
通过以上评估方法，可以对风险进行全面、科学的评估，为后续制定风险控制方案提供数据支持。
在电力工程施工中，为了降低风险并确保施工安全，需要制定相应的风险控制方案。
1.事前控制：在施工前预测可能出现的风险，并采取相应措施进行控制，如合理安排施工计划、选择安全设备、制定详细的工艺流程等。
2.事中控制：在施工过程中及时发现风险，并采取相应措施进行控制，如实行安全管理制度、加强岗位培训、强化现场安全巡查等。
3.事后控制：在事故发生后进行追溯分析和总结经验，及时纠正并制定相应措施，以避免类似事故再次发生。
通过以上控制方案的实施，可以最大限度地降低风险，并保障电力工程施工的安全进行。
总之，电力工程施工风险辨识、风险评价和风险控制是保证电力工程施工安全的重要环节。
只有通过系统分析、评估和控制，才能有效预防和减少施工事故的发生，保证工程的顺利进行。
电力系统的智能监测与设备故障诊断方法
电力系统的智能监测与设备故障诊断方法随着电力系统的快速发展和数字化转型，智能监测与设备故障诊断方法在电力系统中发挥着重要的作用。
电力系统是人们日常生活中重要的能源供应来源，其正常运行对社会经济发展至关重要。
然而，电力系统中的设备故障时有发生，如果不能及时发现和准确定位故障，将对供电可靠性产生严重影响。
因此，研究和应用智能监测与设备故障诊断方法是电力系统运行的关键。
首先，智能监测与设备故障诊断方法可以通过多种技术手段对电力系统进行实时监测和数据采集，从而获取设备运行状态的详细信息。
其中，传感器网络技术是一种常用的智能监测手段，通过布置在电力系统各个关键点的传感器，实时采集电流、电压、温度等参数，实现对电力系统的全面监测。
此外，还可以利用机器学习和人工智能技术对监测数据进行分析和处理，以提取有用的信息并识别异常情况。
通过这些技术手段，可以实现电力系统的智能化监测，及时发现潜在故障风险。
其次，智能监测与设备故障诊断方法对于设备故障的诊断起到了至关重要的作用。
传统的设备故障诊断方法主要依赖于人工经验和专业知识，往往存在主观性和误判的风险。
而智能监测与设备故障诊断方法通过分析监测数据和设备运行状态，利用数据挖掘和模式识别等技术，可以快速准确地诊断设备的故障类型和位置。
例如，通过监测发电机的振动、温度和电流等参数，结合机器学习算法，可以实现对发电机转子故障的精确诊断。
这些智能化的诊断方法不仅能够提高故障诊断的准确性，还可以降低人力成本和维修时间，提高供电可靠性。
此外，智能监测与设备故障诊断方法还可以通过预测和预警来提前预防设备故障的发生。
通过对电力系统的长期运行状态和设备的历史故障数据进行分析，可以建立故障预测模型，预测设备故障的概率和发生时间。
一旦预测到设备可能出现故障，系统可以发送预警信息，提醒运维人员采取相应的措施，避免故障的扩大和损失的进一步恶化。
通过这种方式，不仅可以提高电力系统的安全性和可靠性，还可以降低故障带来的经济损失。
电力行业的电力监测与故障诊断
电力行业的电力监测与故障诊断在电力行业中，电力监测与故障诊断是至关重要的环节。
随着电力需求的增长和电网规模的扩大，电力系统的稳定性和安全性成为了亟待解决的问题。
本文将探讨电力行业中电力监测与故障诊断的重要性以及现代技术在这一领域的应用。
一、电力监测的重要性电力监测指的是对电力系统中各个环节进行实时监控和数据采集，以确保电力系统的正常运行。
电力监测不仅能够提供实时数据，还可以通过数据分析和处理，帮助发现潜在的问题并进行预测。
它可以帮助电力行业及时采取措施，提高电力系统的可靠性和稳定性。
首先，电力监测可以实时监控电力系统的负荷情况。
通过对电力系统负荷的监测，可以及时了解电力系统的供需状况，为电力公司提供合理的运营策略和决策依据。
同时，电力监测还可以发现电力系统中的异常负荷，及时采取措施避免发生负荷过载导致的故障。
其次，电力监测可以识别电力系统中的潜在故障。
通过对电力系统各个元件的监测，可以及时发现元件的异常状况，避免因元件故障引起的电力中断或事故。
比如，通过对变压器的监测，可以检测温度升高、漏油等异常情况，及时进行维修或更换。
这样可以避免因变压器故障导致的供电中断，确保电力系统的稳定供电。
最后，电力监测可以提高电力系统的运行效率。
通过对电力系统各个环节的监测，可以及时发现运行问题，并通过数据分析和处理找到问题的根源。
这样可以帮助电力公司优化运行策略，提高电力系统的运行效率和能源利用率。
二、故障诊断技术的应用随着现代技术的发展，越来越多的数据采集和处理技术被应用到电力监测与故障诊断中。
下面将介绍几种常见的故障诊断技术。
首先是基于模型的故障诊断技术。
基于模型的故障诊断技术是基于电力系统运行模型的建立和分析，通过模拟和比对实际数据，判断电力系统中的故障类型和位置。
这种方法依赖于对电力系统的建模和算法的应用，能够准确地诊断电力系统中的故障。
其次是基于数据挖掘的故障诊断技术。
基于数据挖掘的故障诊断技术通过对大量的电力系统数据进行分析和挖掘，寻找数据中的规律和异常，从而判断电力系统中的故障。
电网安全风险辨识与评估
电网安全风险辨识与评估
电网安全风险辨识与评估是指对电网系统中存在的各种潜在风险进行辨识和评估，以便制定出相应的风险管理措施。
电网作为重要的基础设施，其安全性对于经济社会的稳定运行至关重要。
因此，对电网安全风险进行辨识与评估具有重要意义。
在电网系统中，可能存在的安全风险包括电力设备故障、电力质量问题、自然灾害、电力市场风险等。
首先，通过对电力设备的检测和监测，可以及时发现设备的潜在故障，以避免故障造成的损失。
其次，电力质量问题，如电压波动、瞬时电压降低等，可能会影响电力设备的正常运行，因此需要进行相应的质量监测和改善措施。
此外，自然灾害，如地震、风暴等，也可能对电网系统造成严重影响，因此需要对潜在的自然灾害风险进行辨识和评估。
最后，电力市场风险涉及电力供需关系和电力市场竞争等因素，也需要进行相应的评估和管理。
辨识和评估电网安全风险的方法包括搜集相关数据和信息、制定风险评估指标和方法、进行实地考察和采取定性和定量分析等。
通过搜集数据和信息，可以对电网系统的运行情况和存在的风险进行了解。
在制定风险评估指标和方法时，可以考虑电网系统的影响范围、风险等级、概率和影响程度等因素，并对不同风险进行分类和排序。
此外，实地考察和采取定性和定量分析，可以进一步了解电网系统存在的风险，并为制定相应的风险管理措施提供依据。
综上所述，电网安全风险辨识与评估是非常必要的，通过对电
网系统中各种潜在风险进行识别和评估，可以及时采取相应的风险管理措施，保障电网系统的安全稳定运行。
电能质量事件的快速识别与定位方法
电能质量事件的快速识别与定位方法1. 电能质量是指电力系统中电能供给系统中的各种质量问题，如电压波动、频率变动、谐波、电磁干扰等，对电力系统正常运行和终端设备性能造成影响的问题。
电能质量事件的快速识别与定位方法，是解决这些问题、提高电能供给系统运行质量的关键方法之一。
2. 在实际的电力系统运行中，电能质量事件经常会发生，给系统稳定性和可靠性带来一定影响。
为了及时发现电能质量事件，并准确地判别其类型和位置，快速识别与定位方法显得尤为重要。
3. 快速识别与定位电能质量事件的方法有很多种，其中一种常见的方法是使用电能质量监测仪器进行实时监测。
监测仪器可以通过测量电压、电流、功率因数等参数来分析电能质量事件的性质和来源。
4. 另一种快速识别与定位方法是利用计算机技术进行数据分析。
通过收集电力系统中的各种数据，如电压波形、电流波形等，利用计算机对数据进行处理和分析，可以帮助快速识别和定位电能质量事件。
5. 在进行快速识别与定位时，需要注意的是要根据电能质量事件的特征，选择合适的识别与定位方法。
不同类型的电能质量事件可能需要不同的方法来进行识别与定位。
6. 除了使用监测仪器和计算机技术外，还可以利用人工检查的方法进行电能质量事件的快速识别与定位。
人工检查虽然费时费力，但在一些特殊情况下仍然是一种有效的方法。
7. 在进行电能质量事件的快速识别与定位时，还需要考虑到系统的安全性和可靠性。
对于一些严重的电能质量事件，要及时做出处理，以保障系统的正常运行和设备的安全使用。
8. 总的来说，电能质量事件的快速识别与定位方法是电力系统正常运行的重要保障。
只有及时发现并准确判别电能质量事件，才能及时采取措施进行处理，避免对系统和设备造成不良影响。
【电能质量事件的快速识别与定位方法】。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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 system
Fu 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 disadvantage 0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。国内外已经提出了多种不良数据检测与辨识的方法，大致分为传统理论方法和新理论方法： （1） 传统不良数据检测法主要有：残差极值函数检测法、加权残差检测法或标准残差检测法、测量量突变检测法、测量量残差检测法等；传统不良数据辨别法主要有：加权残差搜索辨识法、标准化残差搜索辨识法，非二次准则法、不良数据估计辨识法等。 （2） 不良数据检测新理论方法[2]主要包括：基于数据挖掘的模糊数学法、神经网络法、聚类分析法、间隙统计法等。 2不良数据检测
对于m维电力系统量测量，可用以下的时间序列表示[3]： ()()1,2,,iizzkvkim （1-1）
式中，k为时标，()ivk为量测噪声。系统量测方程为： ()(())()zthxtvt （1-2）
上式为非线性方程组，表示第t个时间断面的状态量与量测量之间的关系。通过迭代计算，获得状态量的估计值为ˆ()xt，回代该状态估计值到（1-2）中，可获得量测估计值为ˆ()zt，从而获得量测估计残差列向量为： ˆ()()()rtztzt
（1-3）
对每一时间断面的残差建立目标函数极值为： 11ˆˆˆ()[()][()]TTJxzhxRzhxrRr （1-4）
式中，R为量测噪声协方差矩阵，在量测噪声为两两独立信号的假设前提下，R为对角阵。 根据)ˆ(xJ对不良数据检测是按以下假设检验方法进行：
不真，有不良数据，假设：属真，无不良数据，假设：1100H)ˆ(HH)ˆ(HJJxJxJ
（1-5）
式中，J对应于某一)(2Ka，为检测的门槛值。 根据量测方程的雅可比矩阵H和量测噪声协方差矩阵，定义以下量测残差灵敏度矩阵： 111()TWIHHRHR （1-6）
定义加权残差为： 1wrRr
（1-7）
对应地，有加权残差灵敏度矩阵为： 1111()TTwWIRHHRHHR
（1-8） 加权残差检测逐维对量测量进行假设检验：
10,,100,,0HHHHHH不真，接受，假设：属真，接受，假设：iwiwiwiwrr
（1-9）
式中，iw,为第i维量测量的检测门槛值。 式（4-6）、（4-7）、（4-8）和（4-9）组成了不良数据加权残差检测的计算式。 同样地，定义标准化残差为： 1NrDr
（1-10）
式中，[]DdiagWR。 相应地，标准化残差灵敏度矩阵为： 1NWDW
（1-11）
与加权残差检测法相似，标准残差检测将逐维地对量测量进行假设检验：
10,,100,,0HHHHHH不真，接受，假设：属真，接受，假设：iNiNiNiNrr
（1-12）
式中，iN,为第i维量测量的检测门槛值。对于假设的检验我们设立置信度的标准。协方差矩阵中的各元素反映的是量测量之间的变化关系，而有效检测量测数据异常变动的指标应是该量测数据的方差，即 （1-13）
可以选择3in或5in进行校验。 3不良数据辨识 在正常量测条件下，目标极值函数的数学期望和方差分别为： ˆ[()][]
ˆˆ[()][()]2
wEJxTrWmnKVarJxEJxKK
（1-14）
式中，m为量测列向量维数，n为状态列向量维数。 ˆ()Jx
为K阶自由度
2分布的随机变量，随着自由度的增大，)(2
K
逼近于正态分布。
当量测量中含有不良数据时，目标极值函数的数学期望和方差分别为：
22ˆ
iiinEzkzn
2,2,ˆ[()]ˆ[()]24wiwii
wiwii
EJxKwVarJxKw
（1-15）
式中，wi为第i个量测量不良数据加权值。 式（4-15）等号右边由两项组成，一项是正常量测信号的统计特征，另一项为不良数据信息，因此，当量测量中存在不良数据时，极值函数值将增大。考虑到正常量测的极值函数值服从自由度为K的2分布，不良数据检测的门槛值由误检概率确定。为克服多个不良数据情况下加权残差辨识法和标准化残差辨识法效率低下的缺点，同时也为了防止估计结果受到不良数据的污染，一种改进方法就是采用非二次准则的估计器，在估计迭代过程中检查每次量测估计残差大小，根据不同的非二次准则调整不同量测量残差的权值，在估计过程中把不良数据排除。 对可疑不良数据的误差矢量进行估计的方法称为不良数据估计辨识法，其实质是对不良数据可疑集中量测量的噪声信号进行估计，可一次性辨识出多个不良数据。量测量的残差用量测误差列矢量表示的形式为： 111ˆ()TTrzzvHHRHHRvWv （1-16）
根据不良数据检测结果，把量测数据划分为可疑量测数据集和正常量测数据集，根据这一划分原则，有：
ssttrWvWv （1-17）
式中，sv和tv分别为s维可疑量测误差矢量和t维正常量测误差矢量，sW为残差灵敏度矩阵中对应可疑量测误差的sm维子矩阵，tW为残差灵敏度矩阵中对应正常量测误差的tm维子矩阵。
建立目标函数为： 1()[][]TsssssJvrWvGrWv （1-18）
式中，[()]TtttttGdiagVarWvWRW为加权矩阵。 解式（4-17），可得到可疑量测误差矢量的估计值为： 111ˆ()TTssssvWGWWGr （1-19）
式（1-19）有解的条件是ss阶矩阵1()TssWGW的逆存在，即()sRankWs，否则可疑量测误差就是不可估的，从而不良数据是不可辨识的。实践中，只要满足以下条件就可认为t维正常量测量保持了对系统状态的可观测性： （1）nsmt； （2）除参考节点外，所有节点的状态量都必须有量测量互相覆盖。
如果上述估计针对加权残差进行，则式（1-19）变为： 111ˆ()TTwswswswswvWGWWGr (1-20)
4不良数据检测辨别方法优劣总结 4.1不良数据检测方法总结 加权残差检测法和标准残差检测法相比较于残差极值函数检测法，其优点是非总体型检测，能检测到不良数据出现的具体位置。但其缺点是由于存在残差污染和残差淹没现象，根据加权残差检测法或标准化残差获得的检测结果只能是不良数据的可疑集，真正的不良数据尚需要通过辨识技术从该不良数据可疑集中寻找出来。 4.2不良数据辨识方法总结 加权残差搜索辨识法和标准化残差搜索辨识法的优点在于由大到小逐个剔除相应的量测量，每剔除一个量测量就重新进行一次估计，并根据估计结果重新计算目标极值函数值和残差，直至目标极值函数的检测结果表明量测数据中已经不存在不良数据，单个不良数据和弱相关的多个不良数据的辨识是有效的，很好地将检测的结果进行精确化。其缺点在于可能需要反复进行状态估计计算，在多个不良数据的情况下，搜索辨识法无疑计算效率低。 非二次准则状态估计法通过改变估计过程中估计残差的权值，能有效地突出不良数据，克服多个不良数据情况下加权残差辨识法和标准化残差辨识法效率低下的缺点，同时也为了防止估计结果受到不良数据的污染。但在多不良数据情况下，过多的变权可能导致估计迭代收敛性能下降。 不良数据估计辨识法通过对量测量分块，直接对可疑不良数据集进行量测误差估计，可一次性地辨识出多不良数据，改方法的不足之处是不良数据存在着不可估的可能性。