CN106295850A - 一种基于历史量测的不良数据辨识方法及系统 - Google Patents
一种基于历史量测的不良数据辨识方法及系统 Download PDFInfo
- Publication number
- CN106295850A CN106295850A CN201610567194.2A CN201610567194A CN106295850A CN 106295850 A CN106295850 A CN 106295850A CN 201610567194 A CN201610567194 A CN 201610567194A CN 106295850 A CN106295850 A CN 106295850A
- Authority
- CN
- China
- Prior art keywords
- remote
- sudden change
- bad
- telemetry station
- remote signalling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000011664 signaling Effects 0.000 claims abstract description 165
- 238000005259 measurement Methods 0.000 claims abstract description 164
- 238000009499 grossing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000013213 extrapolation Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims 2
- 230000037430 deletion Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明公开了一种基于历史量测的不良数据辨识方法及系统,包括:将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;将预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定突变遥信点为坏遥信点/突变遥测点为坏遥测点;若有突变,则计算关联设备与历史遥测值之间的相关系数;若相关系数不接近于±1的个数大于预定数量,则判定突变遥信点为坏遥信点/突变遥测点为坏遥测点;修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据;从而实现对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性。
Description
技术领域
本发明涉及电力系统状态估计不良数据检测与辨识技术领域,更具体地说,涉及一种基于历史量测的不良数据辨识方法及系统。
背景技术
电网运行基础数据的质量直接决定了电力调度控制中心EMS各种高级分析与应用的实用化水平,也严重影响电力调度控制的准确性、可靠性及精益性。电网运行基础数据主要包含电网模型和量测数据两大部分,其中每部分存在的偏差或误差均会对电网基础数据的质量产生直接影响。所谓电力系统不良量测,是指由SCADA系统所提供的量测数据中总是存在误差数据。也就是说,电力系统状态估计的量测数据中既包括正常量测,也可能含有不良量测。电网量测数据错误会严重降低状态估计在局部区域的计算精度,进而影响基于状态估计的各种高级应用系统的工作效能。这些大的参数误差最终导致EMS电网分析结果精度较低,结果不可信,大大影响EMS的实用化,甚至对调度员产生误导,影响到电网的安全运行。
文献[1](Mili L,Chenial M G,Vialchare N S,et al.Robust StateEstimation Based On Project Satistic[J].IEEE Transactions on Power Systems,1996,11(2):1124-1130.)分析了加权残差Rw及标准化残差Rn检测法所存在的缺点,引出了非二次准则法,将快速Givens变换引入到非二次准则法,对已处理过的量测添加新量测,使不良数据的检测与辨识效率大大提升。但是该方法容易受到残差污染现象的影响,造成量测数据检测出现误检现象;
文献[2](黄彦全,肖建,李云飞等.基于量测数据相关性的电力系统不良数据检测和识新方法[J].电网技术,2006,30(2):70-74.)基于量测数据协方差矩阵,提出了利用量测数据协方差矩阵中各元素变化规律检测辨识不良数据的方法。该方法可以在一定程度上防止残差淹没和残差转移现象的出现。但是文章只对电力系统中出现遥测坏数据的案例进行了测试,且辨识出的坏数据并未得到修正,因而实用性不是很强。
因此,如何对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于历史量测的不良数据辨识方法及系统,以实现对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性。
为实现上述目的,本发明实施例提供了如下技术方案:
一种基于历史量测的不良数据辨识方法,包括:
将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;
判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
若有突变,则计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据。
其中,还包括:
按照先进先出原则,对每个遥测点和遥信点建立动态更新的历史量测数据队列;其中,所述历史量测数据队列中包括每个遥测点的所有历史遥测值,和每个遥信点的所有的历史遥信值。
其中,采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,包括:
利用所述历史遥测值及winters模型预测所述遥测点的第一预测遥测值;
利用所述历史遥测值及指数平滑法预测所述遥测点的第二预测遥测值;
利用所述历史遥测值及线性外推法预测所述遥测点的第三预测遥测值;
根据所述第一预测遥测值、所述第二预测遥测值、所述第三预测遥测值及预设的权重系数,计算所述预测遥测值。
其中,所述权重系数的确定方法包括:
利用权重系数测试数据,计算每种预测方法的拟合方差、协方差和方差;
根据所述拟合方差、协方差和方差,计算每种预测方法的最优可信度;
根据每种预测方法的最优可信度,确定不同预测算法的权重系数;其中,每种预测方法的最优可信度与权重系数成正相关。
其中,将遥信点记为突变遥信点之后,将所述突变遥信点存入可疑遥信集;将遥测点记为突变遥测点之后,将所述突变遥测点存入可疑遥测集。
其中,若与所述突变遥信点对应的关联设备与历史遥测值之间的相关系数,不接近于±1的个数不大于预定数量,则判定所述突变遥信点为好遥信点,并将所述突变遥信点从所述可疑遥信集中删除;
若与所述突变遥测点对应的关联设备与历史遥测值之间的相关系数,不接近于±1的个数不大于预定数量,则判定所述突变遥测点为好遥测点,并将所述突变遥测点从所述可疑遥测集中删除。
其中,所述修正坏遥测点对应的遥测坏数据,包括:将所述实际遥测值的数值改为所述预测遥测值的数值;
所述修正坏遥信点对应的遥信坏数据,包括:将所述遥信坏数据的开关状态取反。
其中,判断与所述突变遥信点对应的关联设备的遥测量是否突变,包括:
当与所述突变遥信点对应的关联设备的遥测量为非零值,且所述关联设备无突变遥测点,则判定与所述突变遥信点对应的关联设备的遥测量突变;
判断与所述突变遥测点对应的关联设备的遥测量是否突变,包括:
当与所述突变遥测点对应的关联设备的遥测量为非零值时,判定与所述突变遥测点对应的关联设备的遥测量突变。
一种基于历史量测的不良数据辨识系统,包括:
突变遥信点识别模块,用于将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;
突变遥测点识别模块,用于采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;
判断模块,用于判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;若有突变,则触发计算模块;
所述计算模块,用于计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
修正模块,用于修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据。
其中,所述修正模块包括:
第一修正单元,用于将所述实际遥测值的数值改为所述预测遥测值的数值;
第二修正单元,用于将所述遥信坏数据的开关状态取反。
通过以上方案可知,本发明实施例提供的一种基于历史量测的不良数据辨识方法,包括:将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;若有突变,则计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据;可见,在本实施例中,能对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于历史量测的不良数据辨识方法流程示意图。
图2为本发明实施例公开的超短期负荷权重分配计算示意图;
图3为本发明实施例公开的基于历史量测的不良数据检测与辨识流程示意图;
图4为本发明实施例公开的采用超短期母线负荷预测方法负荷权重分配计算示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于历史量测的不良数据辨识方法及系统,以实现对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性。
参见图1,本发明实施例提供的一种基于历史量测的不良数据辨识方法,包括:
S101、将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;
其中,本方案还包括:
按照先进先出原则,对每个遥测点和遥信点建立动态更新的历史量测数据队列;其中,所述历史量测数据队列中包括每个遥测点的所有历史遥测值,和每个遥信点的所有的历史遥信值。
具体的,在本实施例中,首先按照先进先出原则,对每个遥测点、遥信点建立动态更新的历史量测数据队列,保证每个测点量测队列保存的是当前量测断面之前最新的N个历史断面数据;需要说明的是,这里的先进先出原则其实等同于队列模型,该方法可以实时更新量测数据,利用最新的历史断面数据对当前量测数据进行辨识,保证了数据辨识的精确度。
其中,将遥信点记为突变遥信点之后,将所述突变遥信点存入可疑遥信集;将遥测点记为突变遥测点之后,将所述突变遥测点存入可疑遥测集。
具体的,在本实施例中实时获取当前遥测、遥信的量测断面,将每个遥信点的实际遥信量测与距离本次量测最近一次的经修正后的遥信历史断面相比较,记录所有出现开关变位的遥信信息,并将相应的遥信点记为突变遥信点,将之放入可疑遥信集。对每一个遥测测点,需要将当前实际遥测值与采用超短期母线负荷预测方法预测出的预测值相比较,记录所有超过预定阈值的遥测点,并记为突变遥测点,将之放入可疑遥测集。
其中,采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,包括:
利用所述历史遥测值及winters模型预测所述遥测点的第一预测遥测值;
利用所述历史遥测值及指数平滑法预测所述遥测点的第二预测遥测值;
利用所述历史遥测值及线性外推法预测所述遥测点的第三预测遥测值;
根据所述第一预测遥测值、所述第二预测遥测值、所述第三预测遥测值及预设的权重系数,计算所述预测遥测值。
具体的,在本实施例中,针对每一遥测点,利用最新的历史断面数据队列,采用超短期母线负荷预测方法预测当前时刻的遥测预测值,其中:
所述超短期母线负荷预测方法为:首先采用winters模型,指数平滑法,线性外推法、灰色模型法、负荷求导法等几种超短期母线负荷预测方法分别进行预测,再将这几种预测方法所得到的量测预测值进行加权平均,得本次预测结果。
其中,Winters预测模型实质是一种指数平滑法,该方法以3个平滑方程为基础,每个方程的平滑作用分别对应于一个平滑方程,将三个平滑结果结合起来进行外推,可以得到最终预测结果。
在本实施例中基于Winters模型的基础上对季节性因数进行了相应改进,改为周期性因素影响因子。
其中:为n+j时刻量测预测值;
为n时刻量测平均值;
为n时刻的平滑系数;
该方法所需要确定的平滑系数是能够使实际量测值与上一周期预测值之差平方和最小。
指数平滑法通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预测,其实质是根据本次的预测结果误差对本次预测值进行修正,其公式如下:
St=St-1+α·(Xt+St-1)
其中:Xt为t时刻的实测值;
St+1、St为t+1、t时刻的预测值;
ɑ为平滑系数,为了求取ɑ值,可利用穷举法求解进而使得误差平方和最小。
线性外推法的根本原理就是依据已有数据对负荷变化进行拟合,根据拟合出来的变化趋势进行外推,一般而言可以采用线性外推法,依据拟合曲线对基本负荷进行预测。
其中,所述权重系数的确定方法包括:
利用权重系数测试数据,计算每种预测方法的拟合方差、协方差和方差;
根据所述拟合方差、协方差和方差,计算每种预测方法的最优可信度;
根据每种预测方法的最优可信度,确定不同预测算法的权重系数;其中,每种预测方法的最优可信度与权重系数成正相关。
具体的,参见图2,不同预测方法的预测结果在进行加权平均时,需要进行权重分配处理;权重系数由采用不同预测方法获得的历史预测值与相应时刻实际断面量测值的差值大小,利用这些结果的协方差等信息经统计分析后确定;其中,拟合方差、协方差和方差等数值越大,最优可信度越小,相应的,最优可信度越小,则权重系数相应的就越小。
S102、判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
其中,判断与所述突变遥信点对应的关联设备的遥测量是否突变,包括:
当与所述突变遥信点对应的关联设备的遥测量为非零值,且所述关联设备无突变遥测点,则判定与所述突变遥信点对应的关联设备的遥测量突变;
判断与所述突变遥测点对应的关联设备的遥测量是否突变,包括:
当与所述突变遥测点对应的关联设备的遥测量为非零值时,判定与所述突变遥测点对应的关联设备的遥测量突变。
S103、若有突变,则计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
其中,若与所述突变遥信点对应的关联设备与历史遥测值之间的相关系数,不接近于±1的个数不大于预定数量,则判定所述突变遥信点为好遥信点,并将所述突变遥信点从所述可疑遥信集中删除;
若与所述突变遥测点对应的关联设备与历史遥测值之间的相关系数,不接近于±1的个数不大于预定数量,则判定所述突变遥测点为好遥测点,并将所述突变遥测点从所述可疑遥测集中删除。
具体的,对每一个突变遥信点,查看与其有直接电气联系的所有关联设备遥测量是否出现突变情况,若所关联设备遥测量非零值且无突变遥测点,则认为此突变遥信点对应的实际遥信值为坏数据,放入遥信坏数据集;若其关联设备存在突变遥测点,则利用关联设备之前的N个历史断面数据,计算所有与此突变遥信点相关联的遥测量测量之间的相关系数,若大部分相关系数都不符合接近±1特征,则认为此突变遥信点为坏数据,放入遥信坏数据集,若大部分相关系数都接近于±1,则在可疑遥信集中删除此遥信。
对可疑遥测集中的每一个突变遥测点,查看与其有直接电气联系的所有关联设备遥测量是否出现突变情况,若所关联设备遥测量非零值,则认为此突变遥测点为坏数据,放入遥测坏数据集;若若所关联设备遥测量不是非零值,则利用之前的N个历史断面数据,计算所有与此突变遥信点相关联的遥测量测量之间的相关系数,若大部分相关系数都不符合接近±1特征,则认为此突变遥测点为坏数据,放入遥测坏数据集,若大部分相关系数都接近于±1,则将相关系数接近于±1的突变遥测点从可疑遥测集中删除。
S104、修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据。
其中,所述修正坏遥测点对应的遥测坏数据,包括:将所述实际遥测值的数值改为所述预测遥测值的数值;
所述修正坏遥信点对应的遥信坏数据,包括:将所述遥信坏数据的开关状态取反。
具体的,这里将开关状态取反,即将闭合状态改为断开状态,断开状态改为闭合状态;参见图3,本实施例提供的基于历史量测的不良数据辨识方法的详细流程示意图。
下面对本发明实施例提供的不良数据辨识系统进行介绍,下文描述的不良数据辨识系统与上文描述的不良数据辨识方法可以相互参照。
参见图4,本实施例提供的一种基于历史量测的不良数据辨识系统,包括:
突变遥信点识别模块100,用于将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;
突变遥测点识别模块200,用于采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;
判断模块300,用于判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;若有突变,则触发计算模块;
所述计算模块400,用于计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
修正模块500,用于修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据。
基于上述技术方案,所述修正模块500包括:
第一修正单元,用于将所述实际遥测值的数值改为所述预测遥测值的数值;
第二修正单元,用于将所述遥信坏数据的开关状态取反。
本发明实施例提供的一种基于历史量测的不良数据辨识方法,包括:将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;若有突变,则计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据;可见,在本实施例中,能对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于历史量测的不良数据辨识方法,其特征在于,包括:
将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;
判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
若有突变,则计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据。
2.根据权利要求1所述的不良数据辨识方法,其特征在于,还包括:
按照先进先出原则,对每个遥测点和遥信点建立动态更新的历史量测数据队列;其中,所述历史量测数据队列中包括每个遥测点的所有历史遥测值,和每个遥信点的所有的历史遥信值。
3.根据权利要求2所述的不良数据辨识方法,其特征在于,采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,包括:
利用所述历史遥测值及winters模型预测所述遥测点的第一预测遥测值;
利用所述历史遥测值及指数平滑法预测所述遥测点的第二预测遥测值;
利用所述历史遥测值及线性外推法预测所述遥测点的第三预测遥测值;
根据所述第一预测遥测值、所述第二预测遥测值、所述第三预测遥测值及预设的权重系数,计算所述预测遥测值。
4.根据权利要求3所述的不良数据辨识方法,其特征在于,所述权重系数的确定方法包括:
利用权重系数测试数据,计算每种预测方法的拟合方差、协方差和方差;
根据所述拟合方差、协方差和方差,计算每种预测方法的最优可信度;
根据每种预测方法的最优可信度,确定不同预测算法的权重系数;其中,每种预测方法的最优可信度与权重系数成正相关。
5.根据权利要求1所述的不良数据辨识方法,其特征在于,将遥信点记为突变遥信点之后,将所述突变遥信点存入可疑遥信集;将遥测点记为突变遥测点之后,将所述突变遥测点存入可疑遥测集。
6.根据权利要求5所述的不良数据辨识方法,其特征在于,
若与所述突变遥信点对应的关联设备与历史遥测值之间的相关系数,不接近于±1的个数不大于预定数量,则判定所述突变遥信点为好遥信点,并将所述突变遥信点从所述可疑遥信集中删除;
若与所述突变遥测点对应的关联设备与历史遥测值之间的相关系数,不接近于±1的个数不大于预定数量,则判定所述突变遥测点为好遥测点,并将所述突变遥测点从所述可疑遥测集中删除。
7.根据权利要求1-6中任意一项所述的不良数据辨识方法,其特征在于,所述修正坏遥测点对应的遥测坏数据,包括:将所述实际遥测值的数值改为所述预测遥测值的数值;
所述修正坏遥信点对应的遥信坏数据,包括:将所述遥信坏数据的开关状态取反。
8.根据权利要求7所述的不良数据辨识方法,其特征在于,判断与所述突变遥信点对应的关联设备的遥测量是否突变,包括:
当与所述突变遥信点对应的关联设备的遥测量为非零值,且所述关联设备无突变遥测点,则判定与所述突变遥信点对应的关联设备的遥测量突变;
判断与所述突变遥测点对应的关联设备的遥测量是否突变,包括:
当与所述突变遥测点对应的关联设备的遥测量为非零值时,判定与所述突变遥测点对应的关联设备的遥测量突变。
9.一种基于历史量测的不良数据辨识系统,其特征在于,包括:
突变遥信点识别模块,用于将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;
突变遥测点识别模块,用于采用超短期母线负荷预测方法预测遥测点下一采样时刻的预测遥测值,将所述预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;
判断模块,用于判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;若有突变,则触发计算模块;
所述计算模块,用于计算所述关联设备与历史遥测值之间的相关系数;若所述相关系数不接近于±1的个数大于预定数量,则判定所述突变遥信点为坏遥信点/所述突变遥测点为坏遥测点;
修正模块,用于修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据。
10.根据权利要求9所述的不良数据辨识系统,其特征在于,所述修正模块包括:
第一修正单元,用于将所述实际遥测值的数值改为所述预测遥测值的数值;
第二修正单元,用于将所述遥信坏数据的开关状态取反。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610567194.2A CN106295850A (zh) | 2016-07-15 | 2016-07-15 | 一种基于历史量测的不良数据辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610567194.2A CN106295850A (zh) | 2016-07-15 | 2016-07-15 | 一种基于历史量测的不良数据辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295850A true CN106295850A (zh) | 2017-01-04 |
Family
ID=57651489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610567194.2A Pending CN106295850A (zh) | 2016-07-15 | 2016-07-15 | 一种基于历史量测的不良数据辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295850A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909490A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种监测设备数据流评估和噪声消除方法 |
CN107239848A (zh) * | 2017-04-14 | 2017-10-10 | 国网福建省电力有限公司泉州供电公司 | 基于负荷预测的不良数据辨识方法 |
CN107358541A (zh) * | 2017-06-14 | 2017-11-17 | 浙江大学 | 一种电力仿真数据的异常检测方法 |
CN107958334A (zh) * | 2017-12-05 | 2018-04-24 | 国网江西省电力有限公司景德镇供电分公司 | 一种用于电力行业对电力数据进行分析检验的方法 |
CN109872511A (zh) * | 2019-02-26 | 2019-06-11 | 西安交通大学 | 一种针对轴向位移突变监测的自适应两级报警方法 |
CN110298369A (zh) * | 2018-03-21 | 2019-10-01 | 中国电力科学研究院有限公司 | 一种电力系统不良数据的辨识方法及系统 |
CN112905958A (zh) * | 2021-01-27 | 2021-06-04 | 南京国电南自电网自动化有限公司 | 基于测控装置的短时数据窗遥测数据状态辨识方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134999A (zh) * | 2014-08-06 | 2014-11-05 | 国家电网公司 | 基于多数据源的配电网量测有效性分析实用化计算方法 |
CN104166718A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种适用于大电网的不良数据检测与辨识方法 |
CN104836223A (zh) * | 2014-11-14 | 2015-08-12 | 浙江大学 | 电网参数错误与不良数据协同辨识与估计方法 |
CN105514994A (zh) * | 2015-12-23 | 2016-04-20 | 国网福建省电力有限公司 | 一种基于拓扑树的配电网络数据辨识与修正的方法 |
-
2016
- 2016-07-15 CN CN201610567194.2A patent/CN106295850A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134999A (zh) * | 2014-08-06 | 2014-11-05 | 国家电网公司 | 基于多数据源的配电网量测有效性分析实用化计算方法 |
CN104166718A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种适用于大电网的不良数据检测与辨识方法 |
CN104836223A (zh) * | 2014-11-14 | 2015-08-12 | 浙江大学 | 电网参数错误与不良数据协同辨识与估计方法 |
CN105514994A (zh) * | 2015-12-23 | 2016-04-20 | 国网福建省电力有限公司 | 一种基于拓扑树的配电网络数据辨识与修正的方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909490A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种监测设备数据流评估和噪声消除方法 |
CN106909490B (zh) * | 2017-02-28 | 2020-05-05 | 国网福建省电力有限公司 | 一种监测设备数据流评估和噪声消除方法 |
CN107239848A (zh) * | 2017-04-14 | 2017-10-10 | 国网福建省电力有限公司泉州供电公司 | 基于负荷预测的不良数据辨识方法 |
CN107358541A (zh) * | 2017-06-14 | 2017-11-17 | 浙江大学 | 一种电力仿真数据的异常检测方法 |
CN107958334A (zh) * | 2017-12-05 | 2018-04-24 | 国网江西省电力有限公司景德镇供电分公司 | 一种用于电力行业对电力数据进行分析检验的方法 |
CN110298369A (zh) * | 2018-03-21 | 2019-10-01 | 中国电力科学研究院有限公司 | 一种电力系统不良数据的辨识方法及系统 |
CN109872511A (zh) * | 2019-02-26 | 2019-06-11 | 西安交通大学 | 一种针对轴向位移突变监测的自适应两级报警方法 |
CN109872511B (zh) * | 2019-02-26 | 2021-07-06 | 西安交通大学 | 一种针对轴向位移突变监测的自适应两级报警方法 |
CN112905958A (zh) * | 2021-01-27 | 2021-06-04 | 南京国电南自电网自动化有限公司 | 基于测控装置的短时数据窗遥测数据状态辨识方法及系统 |
CN112905958B (zh) * | 2021-01-27 | 2024-04-19 | 南京国电南自电网自动化有限公司 | 基于测控装置的短时数据窗遥测数据状态辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295850A (zh) | 一种基于历史量测的不良数据辨识方法及系统 | |
WO2017028632A1 (zh) | 一种配电网运行可靠性的预测方法 | |
CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
CN104134999A (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
CN103413044B (zh) | 一种基于变电站量测信息的电力系统局部拓扑估计方法 | |
CN105930976A (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN103825364B (zh) | 一种应用于电力系统状态估计的主子站信息交互方法 | |
CN107547269B (zh) | 基于farima的智能变电站通信流量阈值模型的构建方法 | |
CN104636874A (zh) | 检测业务异常的方法及设备 | |
CN105608842A (zh) | 一种核反应堆燃料破损在线监测报警装置 | |
CN106776480B (zh) | 一种无线电干扰现场测量异常值的剔除方法 | |
CN106682763A (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN104992010A (zh) | 一种基于拓扑分区的多断面联合参数估计方法 | |
CN105389656A (zh) | 一种电力系统二次设备效能评估方法 | |
CN104735710A (zh) | 一种基于趋势外推聚类的移动网络性能预警预判方法 | |
CN110188932A (zh) | 基于评价优化的数据中心能耗预测方法 | |
CN115063017A (zh) | 一种中小跨径桥梁结构监测和评估系统及方法 | |
CN102915514B (zh) | 基于半不变量法的电力系统状态估计可信度评估方法 | |
CN104915192B (zh) | 一种基于移动点和不完美排错的软件可靠性建模方法 | |
Fanucchi et al. | Failure rate prediction under adverse weather conditions in an electric distribution system using negative binomial regression | |
CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
Ding et al. | Individual nonparametric load estimation model for power distribution network planning | |
CN103914613B (zh) | 电力系统动态状态估计中异常情况的检测方法 | |
CN106709623B (zh) | 一种基于风险计算模型的电网营销稽查风险管控方法 | |
CN108459991A (zh) | 一种获得设备可靠性数据的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |