CN113672658B - 基于复相关系数的电力设备在线监测错误数据识别方法 - Google Patents

Abstract

本发明公开了一种基于复相关系数的电力设备在线监测错误数据识别方法。本发明提出了基于多个电力设备的状态量之间相关性，对状态量在线监测数据进行判断，识别其中的错误数据。本发明从多个电力设备的状态量之间的相关性角度来识别错误的在线监测数据，对于现有的基于单台设备的状态量在线监测数据的概率统计分布规律来识别错误数据而言，是很好的补充，比单纯使用单台设备监测数据进行识别更准确。

Description

基于复相关系数的电力设备在线监测错误数据识别方法

技术领域

本发明属于电力设备状态评价领域，具体地说是一种基于相关性的电力设备在线监测数据中错误数据的识别方法，用于剔除电力设备状态量在线监测数据中的错误数据。

背景技术

输变电设备的健康状态对电网的安全运行至关重要，健康状态不良的电力设备将严重威胁电网的安全运行水平，甚至引发电网事故。如何对电力设备状态进行准确监测，及时发现电力设备的潜在缺陷、避免意外事故发生，已成为电力行业的重要课题。

但是，由于在线监测装置损坏、性能下降等原因，报送的检测结果中往往存在错误数据，严重影响到电力设备维护人员对于设备状态的准确评估，甚至会造成严重故障漏报和良好状态误报，导致错误诊断结果。错误数据，是指由于在线监测系统出现错误、局部故障等因素而产生的无效数据。这种数据与被检测设备的状态无关，不包含与设备状态相关的信息。设备状态检测中错误数据种类众多，主要来源包括：1)传感器老化、失效或损坏，信号采集与处理装置失效或损坏；2)站内通讯系统发生故障，数据在传输通道中受到污染；3)测量系统的抗干扰能力差，受到严重的电磁、热、机械应力干扰；4)软件系统运行出错；5)人为不当操作与失误等。

为了识别在线监测装置报送的数据中是否存在错误数据，人们采取了众多方法。

1)基于数理统计的阈值诊断方法

传统的基于数理统计的异常数据检测与辨识方法数理统计中常见的异常数据检测方法。其基本思想是状态检测数据符合某一概率分布，处于概率分布边沿(或者说，属于该分布的概率很低)的数据被视为异常数据，将被剔除(即，异常数据就是错误)。主要有拉依达检测法、Grubbs检验、Dixon检验等，它们都是假设数据之间相互独立并满足正态分布，通过显著性水平进行检验，并利用置信区间过滤异常数据。

2)基于聚类分析的离群点辨识

除了拉依达检测法检测准则之外，还有基于统计概率密度分布聚类分析的异常数据辨识方法。该方法的原理是，在数个聚类中心周围一定范围之外孤悬的数据点，被认定为异常数据。其基本思想仍然是在某一数据集合中，远离大部分数据的数据被认定为异常数据。

现有以经典拉依达异常剔除法为代表的基于数据统计分布特性的异常数据剔除方法，以及常用以的聚类分析为基础的离群点剔除方法，这两者都是适用于对存在单一概率统计分布的数据进行基于置信度的异常数据剔除，而且都存在将真正反映设备状态异常的数据剔除掉的可能。他们将各个状态量看作独立的变量，不能反映状态量之间的相关性，无法充分利用多维度空间中各状态量之间的相互验证，因而对于错误数据的辨识准确度非常有限。例如，当某一台设备上的在线监测装置出现性能下降情况(例如，传感器与被测设备接触不良)，虽然所报送的数据仍然比较平稳，但是所报送的数据已经不能反映设备状态的变化。则从这个单一设备上的在线监测数据的统计概率分布来看，数据平稳，不存异常点或者离群点。显然，此时通过拉依达准则或者聚类分析都不能发现这种异常情况。

实际上，对于一些存在明显一项项因素的状态量，多台设备状态量之间存在显著的相关性。例如，对于敞开式变电站中的避雷器的泄漏电流的全电流在线监测数据而言，受到环境湿度的显著影响。而一座敞开式变电站中，可能存在数台甚至数十台同类避雷器，各避雷器的泄漏电流全电流幅值都受到同一个环境湿度的影响。即，各避雷器的全电流幅值将随着环境湿度的增大而同时增大。因此这些避雷器的全电流数据存在显著的相关性。如果其中某台避雷器的全电流数据的变化情况与众不同，则表明该避雷器的泄漏电流在线监测装置存在问题，其报送的全电流数据是错误的。从多台设备的相关性角度进行分析，能够识别出上文举例的在线监测装置性能下降所造成的错误数据。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于复相关系数的电力设备在线监测错误数据识别方法，从多个电力设备的状态量之间的相关性角度来识别错误的在线监测数据，对于现有的基于单台设备的状态量在线监测数据的概率统计分布规律来识别错误数据而言，是很好的补充，比单纯使用单台设备监测数据进行识别更准确。

为此，本发明采用如下的技术方案：一种基于复相关系数的电力设备在线监测错误数据识别方法，其包括：

第一步，选择存在相关性的数据：对于拟进行错误数据识别的某一台电力设备A的某一状态量C的在线监测数据x，根据已有的关于该类状态量C的影响因素F的先验知识，选择处于同一影响因素F影响下的p台同类电力设备的状态量在线监测数据y_i(i＝1,2,3，…，p)；

第二步，建立统计变量模型：以y_i为元素建立p维向量Y，令向量Z元素x和向量Y合并而成：

假设Z符合p+1维正态分布且期望值为μ、协方差为Σ，且μ和Σ可剖分为：

则x与Y的总体复相关系数为：

第三步，选取样本值：选取某一段时间内向量Z的n个取值z_j(j＝1,2,3，…，n)；

第四步，利用样本值计算复相关系数：

计算样本均值

样本离差阵V和样本协方差阵S，并进行下列剖分：/>

则x与Y的样本复相关系数r_xY为：

第五步，利用样本复相关系数识别错误数据：若r_xY小于0.1，说明x与Y的相关性很弱，即，x中存在错误数据。

本发明具有的有益效果是：

对于诸如一台设备上的在线监测装置出现性能下降等问题，从在线监测数据的统计概率分布来看，数据平稳，不存异常点或者离群点，此时通过拉依达准则或者聚类分析都不能发现这种异常情况。但是利用本发明提出的基于相关性分析的识别方法，能够识别出这种错误数据。即，本发明提出的方法，充分利用了同一环境下多台设备的状态量之间的相互验证，对于现有的基于单一设备在线监测数据统计分布特性的异常数据剔除方法而言，是非常好的补充。

附图说明

图1为本发明中错误数据识别方法的流程图。

具体实施方式

以下结合具体实施方式，对本发明的技术进行详细描述。应当知道的是，以下具体实施方式仅用于帮助本领域技术人员理解本发明，而非对本发明的限制。

本实施例为一种基于复相关系数的电力设备在线监测错误数据识别方法，用于识别避雷器泄漏电流的全电流幅值在线监测数据中的错误数据。如图1所示，其包括：

第一步，选择存在相关性的数据：对于拟进行错误数据识别的某一台避雷器A的泄漏电流全电流的在线监测数据x，根据已有的关于泄漏电流中全电流受环境湿度影响的先验知识，选择处于同一环境湿度影响下(即，同一变电站内)的另外5台同类避雷器的全电流在线监测数据y_i(i＝1,2,3,4,5)；

第二步，建立统计变量模型：以y_i为元素建立p维向量Y，令向量Z元素x和向量Y合并而成：

假设Z符合p+1维正态分布且期望值为μ、协方差为Σ，且μ和Σ可剖分为：

则x与Y的总体复相关系数为：

第三步，选取样本值：选取一周时间内向量Z的100个取值z_j(j＝1,2,3，…，100)；

第四步，利用样本值计算复相关系数：

计算样本均值

样本离差阵V和样本协方差阵S，并进行剖分：

则x与Y的样本复相关系数r_xY为：

第五步，利用样本复相关系数识别错误数据：若r_xY小于0.1，说明避雷器A的全电流在线监测数据与另外5台避雷器的相关性很弱，即，A的全电流在线监测数据中存在错误数据。

本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种基于复相关系数的电力设备在线监测错误数据识别方法，其特征是，包括：

第一步，选择存在相关性的数据：对于拟进行错误数据识别的某一台电力设备A的某一状态量C的在线监测数据x，根据已有的关于该类状态量C的影响因素F的先验知识，选择处于同一影响因素F影响下的p台同类电力设备的状态量在线监测数据y_i(i＝1,2,3，…，p)；

第二步，建立统计变量模型：以y_i为元素建立p维向量Y，令向量Z元素x和向量Y合并而成：

假设Z符合p+1维正态分布且期望值为μ、协方差为Σ，且μ和Σ可剖分为：

则x与Y的总体复相关系数为：

第三步，选取样本值：选取某一段时间内向量Z的n个取值z_j(j＝1,2,3，…，n)；

第四步，利用样本值计算复相关系数：

计算样本均值

样本离差阵V和样本协方差阵S，并进行下列剖分：

则x与Y的样本复相关系数r_xY为：

第五步，利用样本复相关系数识别错误数据：若r_xY小于0.1，说明x与Y的相关性很弱，即，x中存在错误数据。

Images