CN116257514B - 一种采用突变点检测法来定位及溯源功率跳变的方法 - Google Patents

Abstract

本发明属于电力调度控制技术领域，公开了一种采用突变点检测法来定位及溯源功率跳变的方法，其特征在于是通过以下步骤来实现的：第一步：预测并检测时间序列的单个突变点；第二步：进行功率跳变分量溯源。本发明具有以下主要有益技术效果：帮助分析形成跳变的原因，进而改善了功率总加跳变的数据质量，降低了跳变发生概率；改善了信道品质使跳变概率下降；改变规约编程和通信参数，降低了跳变的发生概率，缩短了时延；降低了通信参数选择成本；加大了信道带宽、提高了信道质量；提高了死区门限、减少总召次数、缩短帧等待时间。

Description

一种采用突变点检测法来定位及溯源功率跳变的方法

技术领域

本发明属于电力调度控制技术领域，尤其是涉及一种采用突变点检测法来定位及溯源功率跳变的方法。

背景技术

功率跳变也称为功率总加跳变，是指在电力系统的实际运行中，由于量测量和量测通道的误差及可能受到的干扰所出现的功率总加值发生的大幅度变化，即在电网一次侧出现了不符合实际情况的SCADA系统数据的剧升或骤降。具体可以分为：(1)均值跳变：从一个均值到另一个均值的较大的变化，表现为功率总加值的不连续性；(2)变率跳变：平均值没有较大的变化，但是方差变化较大；(3)转折跳变：某一时段内持续减少或增加，然后在某点突然持续增加或减少。跳变溯源：在发现有功率跳变的情况下，利用溯源算法，对总加公式中的各计算分量进行推理排查，溯源得出造成功率跳变的计算分量或具体原因。根据功率跳变持续的时间，功率跳变有如下几种跳变现象：A、持续跳变：是指功率跳变持续一个时间段，不同情况下可持续若干分钟，或几小时，甚至几天。持续跳变的原因通常比较固定，其原因主要有：(1)某些厂站的通信中断了；(2)远动终端处于发生故障；(3)远动终端退出了运行；(4)某二次回路中出现了固定型的硬件障碍。总的来说，持续跳变的原因都比较明显，容易查找，也容易解决。B、瞬时跳变：是指功率跳变持续较短的一个时间段，一般为几十秒或几分钟后，就又恢复正常了。原因主要有:(1)软件功能；(2)信道的品质；(3)规约编程的选择倾向等。此类跳变为本申请中功率跳变识别和溯源的重点。功率瞬时跳变的原因：针对功率瞬时跳变，分析造成其的原因主要分为2类：数据召集命令的不可断原因和其它原因，详细分析如下：(1)数据召集命令的不可断原因，功率瞬时跳变的系统原因是在功率总召命令执行中不可中断的特点造成的功率瞬时跳变。功率总召采集命令的具体执行流程分析如下：EMS主站对厂站发出的总召命令具有不可中断的特点。以全数据请求为例，对一个远动终端全部数据采集一遍，若上传数据有几千个点，则采集上传有几十帧报文，采集时长为几十秒，但采耗费报文和时间则取决于信道带宽，信道带宽的大小决定了采集的耗时。在全数据采集时，若远动终端已被采集过的数据发生变化，数据的变化不能马上被送往主站，即无法实时获取变化的数据，而必须在本轮的总召完成后才能够被送往主站系统。假设某个厂站的全部数据采集需45s，采集到8s时，假定8s内已被采集过的数据发生了变化，则此变化的数据必须要等待45s后才能被送往主站。但也可以通过规约的编程设置将变化的数据立即送往主站。但是，在经过长时间的变化数据请求后，很难保证上传到主站的数据是否还与厂站的数据保持一致。因为许多数据其实在很长时间都没有被刷新过一次，容易造成当数据在被主站大量地读取、比对、处理时，出现很大的误差，因此要进行全数据的总召。为避免数据变化不能及时上送问题，需要把此站的全部数据重新刷新一遍，此时主站数据便可与厂站的实际状态保持一致，使得数据错误的概率大大降低了。事实上，对于遥测量变化不大的负荷，1h上送一次数据也没有什么问题，但如果此数据的变化是一回300MW供电线路跳闸或者一台500MW发电机组的切机造成的，则会导致全网负荷骤降300MW或者全网机组出力骤降500MW，若此数据变化不能够及时上传，则将对电网运行造成巨大的影响。若此数据变化能及时上送，那么跳闸或者切机的动作信号，就会被调度自动化系统采集到，以便能够快速做出调整，维护电力系统的安全稳定运行。但如果此数据变化在延迟40s后才上传到主站并参加计算，那么在这60s内主站汇总的数据就不准确了。因此变化的数据的及时性对于电力系统调度十分重要。假如自动化系统平衡稳定，那么在延时5s后，这个系统将会重新回归平衡，那对于调度来说在其运行稳定的承受范围之内；但如果延时40s以上，则将对调度的判断造成巨大的压力，甚至影响整个系统的安全稳定运行。从以上分析可知，在执行总召时出现大型的数据跳变从而发生延时的情况，在电力系统的实际运行中只是小概率事件。但大量的小负荷波动遇上总召时发生延时的情况却是常有的，但因为对汇总数据影响不大，因此将其忽略。在实际的电力系统运行中，除了上述情况外，其实还存在有多种情况可以出现类似数据延时的可能，由于造成的原因不同，因此发生的概率和影响的程度一般也不同。其他原因：除数据总召命令的不可中断原因造成功率瞬时跳变外，造成功率瞬时跳变的其他原因可以概括为以下5个方面：a、自动化系统出现故障，如数据采集系统中某一数据通道的暂时性中断。b、量测和传送系统受到干扰，或者是出现意外失灵等情况。c、非同时测量电力系统运行过程中各个测量点的测量数据。d、出现特殊事件，如大工业负荷出现突发性偶然波动，数据被各种“突发”扰动。e、自然情况导致的，如气象条件变化造成的负荷波动。功率跳变的后果：出现功率跳变，说明功率总加值有或大或小的错误，其会造成如下一系统不良后果，具体如下：(1)导致EMS计算结果不准确，出现误差。EMS以状态估计为基础，由状态估计的计算结果扩展出调度员潮流、无功优化等高级应用软件模块，因此SCADA系统遥测值的精度及其数据完整性将直接影响到状态估计计算结果的准确度。若实时遥测数据含有“跳变”且被捕获到研究断面时，状态估计计算结果的准确度将会收到很大影响，并且间接影响到EMS所有应用模块计算结果的准确度，将会给运维人员提供错误的结果并产生错误的分析决策，影响到电力系统调度的正常运行。(2)引起有关设备误动。目前各类基于SCADA调控软件(如AGC、AVC等)的输入都是系统采集的实时遥测数据以及电网拓扑，对输入进行计算处理之后便可发出一系列遥控/遥调指令,从而命令相关电气设备进行操作,实现对电力系统中的目标对象的自动调节和控制。显然,当出现“跳变”数据时,生成的指令的确可能是不正确的，可能会引起相关设备的误动。(3)使数据统计报表不准确。由于SCADA系统一般按整点(或5min)的时间间隔来采集和保存遥测数据。若采集过程中出现了“跳变”数据,“跳变”数据也将被SCADA系统采集并保存下来。那么，当使用保存的数据来制作日报、月报等统计报表时，“跳变”数据也将被包括进来，参与统计。在特别情况下，对电压/电流/负荷的最大值、最小值进行统计运算时,“跳变”数据将大量地被包含在统计结果中，从而使各种统计报表的准确性和可靠性下降，将不能真实地反映电网当时的运行状态。(4)给历史数据的利用带来不便。由于电网的运维人员需要利用SCADA中的遥测历史数据去做分析判断并做出符合电网实际情况的决策，因此若“跳变”数据存在，运维人员就需要另外花费时间与精力去找出“跳变”数据并将其剔除，这将大大增加了运维工作人员的工作量，使得利用历史数据时变得更加麻烦。(5)对EMS系统资源的影响。当“跳变”数据存在时，EMS系统将会对这些数据进行更多次的拓扑分析、安全分析以及无功优化等，则EMS系统将会耗费更多的系统资源。(6)影响历史数据的使用价值。电网的工作人员使用SCADA遥测历史数据进行分析和统计时，对于统计结果的真实性及可靠性具有一定的要求。若由于“跳变”数据的存在，使得历史数据以及相应的计算结果的准确性降低，不再真实可靠，因此将会直接影响到电网工作人员对数据的利用，久而久之，这些数据也就失去了一定的参考价值。

功率跳变的辨识和溯源的必要性：SCADA的数据库包含的数据量是十分庞大的，而采集得到的“跳变”数据又仅仅只是一小部分，其所占的比例也仅仅是万分之几，因此对“跳变”数据进行人工查找及分析是极其困难的，尽管可以实现，但效率太低，耗费的时间太多。目前的实际日常工作中，当值班人员直观感觉总加数据不准确或者发生跳变就逐一检查参加总加的各个分量，由于手工操作，核对总加数据的频次受限；地区负荷总加数据涉及的关口分量及公式较多，在出现异常时采用人工方式对异常分量进行排查，公式分量多达上百条，引用分量数据非常庞大，无法迅速定位、费时费力，且易出现漏判等情况。另外，异常跳变并不是只表现为负荷波动大，平稳负荷中也会含有异常的数据。基于功率总加值样本序列的人工辨识完全依靠值班人员经验，并不能完全排除一些漏判及误判的情况。因此，需要采用多种突变检测工具，互相印证和补充，识别有溯源意义的跳变点，并运用分量溯源工具分析产生异常跳变的原因，在极低成本开支和资源使用的基础上提高状态评估正确性，对调度决策提供支持。

CN111562537A公开了一种电能表动态误差的同步测量方法，包括动态测试电压信号、动态测试电流信号和动态误差测试时间控制信号，其中动态误差测试时间控制信号的间隔T′包含N′个动态测试信号循环周期；测试时间控制信号间隔T′是电能表每个动态误差测试的时间间隔，电能表动态误差测试中，稳态电压信号和稳态电流信号送入标准电能量值测量单元，在测试时间控制信号同步控制下，标准电能量值测量单元累计测量稳态测试信号的电能量值；在时间间隔T′内，动态测试信号送入被试电能表，通过动态测试信号重复N次循环，完成电能表动态误差的N次测试；该方法不同于已有的电能表动态误差非同步测试方法，能够显著地提高电能表动态误差测量的准确度，并实现动态电能量值的溯源。

CN113093228A公开了一种全场景反馈式卫星导航信号质量监测优化方法及系统，该方法通过构建卫星导航信号质量监测模拟训练系统，实现信号与环境异常模拟遍历，建立并不断更新信号质量异常特征匹配库，通过匹配索引实现信号质量监测。本发明主要包含如下三个方面：一、构建全场景反馈式信号质量监测训练系统，给定信号质量监测模板；二、依据信号质量监测模板建立信号质量异常模板匹配库；三、开展信号环境异常模拟遍历，在信号质量异常模板匹配库中通过异常图案特征匹配索引法和异常量化特征空间最短距离索引法实现信号质量异常监测，并进行监测算法训练优化。本发明能够快速完成全场景条件下信号质量监测方法的学习训练，并具有故障溯源准确的特点。

申请人对于采用跳变分析法对电力系统中功率跳变溯源的方法进行了有效地研究，且应用于电力调度网中，但是，对于突变功率仍无有效地方法，经检索及咨询电力行业的专家、企事业单位，都无有效的解决方法，且由于人力等原因的限制，专业人员仍无法及时、准确地判断、预测、分析功率突变问题，给电力调度的准确性、及时性等带来了麻烦，故急需解决相应的技术问题。

发明内容

为解决上述问题，本发明的目的是揭示一种采用突变点检测法来定位及溯源功率跳变的方法，它是采用以下技术方案实现的。

一种采用突变点检测法来定位及溯源功率跳变的方法，其特征在于是通过以下步骤来实现的：

第一步：预测并检测时间序列的单个突变点：对于一个已知的时间序列X(t),t＝1,2,3,…,n，假设在t＝τ处有一个变化点，则突变点前的序列X(t),t＝1,2,3,…,τ对应一个分布函数F₁(x)，突变后的序列X(t),t＝τ,τ+1,τ+2,…,n对应另一个分布函数F₂(x)，且F₁(x)与F₂(x)不相等，对突变点前后的序列数据进行基于秩的比较，计算出统计量k(τ)，计算公式如下所示：

式中：

确定k(τ)的绝对值最大时间，定义了两个统计量为：

T＝argmax_1≤τ≤n-1(|k(τ)|)

K＝max_1≤τ≤n-1(|k(τ)|)

式中：K是指最终的统计量，T指对应的未知变化点，与之相关的显著性概率可近似为：

P≈2exp[-6K²(n³+n²)]

当P＜0.05时，变化显著，即序列数据在该点发生突变；

第二步：进行功率跳变分量溯源：功率跳变分量溯源通过后台常驻进程，对系统总加数据发生误差过大和跳变时进行分析，后台常驻进程实时进行监视，并保存总加数据及公式分量的数据，分量的数据指最近5分钟的数据，发生功率跳变时，对跳变时刻前后5分钟的全部数据分量遍历，进行比对分析，取得引起功率跳变的最大3个分量；

功率跳变溯源法采用：跳变率最大值溯源法及跳变量最大值溯源法；

其中，跳变率最大值溯源法为：取所有分量跳变率绝对值的最大值，定位最大跳变率的分量，如下式所示：

式中：P_i，t为当前跳变时间点数值，P_i，(t-1)为跳变时间点上一时刻数值，CVM为分量的最大值，t为跳变时间点，i为各分量；

其中，跳变量最大值溯源法为：取所有分量跳变值的最大值的绝对值，定位出最大跳变值的分量，如下式所示：

CV＝Max{|P_i，t-P_i，(t-1)|}

式中：P_i，t为当前跳变时间点数值，P_i，(t-1)为跳变时间点上一时刻数值，CV为分量，t为跳变时间点，i为各分量。

本发明具有以下主要有益技术效果：帮助分析形成跳变的原因，进而改善了功率总加跳变的数据质量，降低了跳变发生概率；改善了信道品质使跳变概率下降；改变规约编程和通信参数,降低了跳变的发生概率，缩短了时延；降低了通信参数选择成本；加大了信道带宽、提高了信道质量；提高了死区门限、减少总召次数、缩短帧等待时间。

附图说明

图1为跳变点定位图。

图2为算法运算结果图。

图3为功率跳变定位点试验数据图。

图4为功率跳变时刻分量数据详细统计表图。

图5为前溯源功率跳变top10分量图表。

图6为分量跳变值前溯结果排序图。

图7为前溯源功率跳变TOP3分量表。

图8为后溯源功率跳变top10分量表。

图9为分量跳变值后溯结果排序图。

图10为前后五分钟对比图。

具体实施方式

为了使所在技术领域人员能更好地理解及实施本专利，现结合说明书附图对本发明作进一步详细的说明。

一种采用突变点检测法来定位及溯源功率跳变的方法，其特征在于是通过以下步骤来实现的：

第一步：预测并检测时间序列的单个突变点：对于一个已知的时间序列X(t),t＝1,2,3,…,n，假设在t＝τ处有一个变化点，则突变点前的序列X(t),t＝1,2,3,…,τ对应一个分布函数F₁(x)，突变后的序列X(t),t＝τ,τ+1,τ+2,…,n对应另一个分布函数F₂(x)，且F₁(x)与F₂(x)不相等，对突变点前后的序列数据进行基于秩的比较，计算出统计量k(τ)，计算公式如下所示：

式中：

确定k(τ)的绝对值最大时间，定义了两个统计量为：

T＝argmax_1≤τ≤n-1(|k(τ)|)

K＝max_1≤τ≤n-1(|k(τ)|)

式中：K是指最终的统计量，T指对应的未知变化点，与之相关的显著性概率可近似为：

P≈2exp[-6K²(n³+n²)]

当P＜0.05时，变化显著，即序列数据在该点发生突变；

第二步：进行功率跳变分量溯源：功率跳变分量溯源通过后台常驻进程，对系统总加数据发生误差过大和跳变时进行分析，后台常驻进程实时进行监视，并保存总加数据及公式分量的数据，分量的数据指最近5分钟的数据，发生功率跳变时，对跳变时刻前后5分钟的全部数据分量遍历，进行比对分析，取得引起功率跳变的最大3个分量；

功率跳变溯源法采用：跳变率最大值溯源法及跳变量最大值溯源法；

其中，跳变率最大值溯源法为：取所有分量跳变率绝对值的最大值，定位最大跳变率的分量，如下式所示：

式中：P_i，t为当前跳变时间点数值，P_i，(t-1)为跳变时间点上一时刻数值，CVM为分量的最大值，t为跳变时间点，i为各分量；

其中，跳变量最大值溯源法为：取所有分量跳变值的最大值的绝对值，定位出最大跳变值的分量，如下式所示：

CV＝Max{|P_i，t-P_i，(t-1)|}

式中：P_i，t为当前跳变时间点数值，P_i，(t-1)为跳变时间点上一时刻数值，CV为分量，t为跳变时间点，i为各分量。

本申请中，通过试验来验证，具体实施验证过程：试验数据采取某实际运行的地区调度自动化系统中的功率总加值，时间为2022年1月2日全天5分钟采集数据，数据量288点，数据有总加分量多、存在跳变点等特点。

经过调整后的某市全网有功总加值数据如下(单位：MW)：

算法代码实现：利用R语言的Pettitt跳变点检测函数trend::pettitt.test进行运算，运行结果pettittTest$estimate为时间序列中产生跳变点的时刻。

关键代码如下：

##Pettitt's test for single change-point detection//引用R语言Pettitt函数

##

##data:data[["V1"]] //数据引用

##U*＝17801,p-value<2.2e-16 //计算显著性概率值

##alternative hypothesis:two.sided //双边趋势假设

##sample estimates: //样本估计

##probable change point at time K //定义突变点K

##195 //k值

ggplot(data＝data,mapping＝aes(x＝date,y＝V1))+geom_line()+//绘图数据包；指定X轴和Y轴；数据映像到图像；指定绘制类型

geom_vline(mapping＝aes(xintercept＝

s.numeric(.data[['date']][pettittTest$estimate])),//在图中绘制x轴的垂线(竖直线)；指明跳变点

linetype＝2, //垂线类型

colour＝"red", //垂线颜色

size＝2) //垂线粗细

运行结果展示：曲线形成：经过R语言Pettitt检测函数运算，得到如图1跳变点定位图。

图1中，横坐标为时间，纵坐标为Pettitt统计量，曲线为Pettitt统计量分布，红色虚线界定跳变点，即跳变时间点为2022年1月2日7时35分00秒，运行结果如图2示。在采用突变检测算法，经由R语言分析后，运算结果相同，印证在2022年1月2日7时35分00秒存在功率总加数据的显著跳变。

跳变分量溯源：定位跳变点后，需要进行跳变溯源，即找到引起跳变的分量。通过后台常驻进程实时监视组成功率总加数据公式的分量数据(最近5分钟的数据)，在此跳变时点，对全部分量数据遍历，进行比对分析，找到引起地区总加值跳变的TOP3分量，需要取前溯源TOP3分量、后溯源TOP3分量、合并前后溯源结果并分析，再进行现场确认。

试验数据：取2022年1月2日7时35分00秒前5分钟的分量数据，即2022年1月2日7时30分00秒的分量数据，即图4中“7:30”列，取2022年1月2日7时35分00秒后5分钟的分量数据，即2022年1月2日7时40分00秒的分量数据，即图3“7：40”列，涉及59条线路，即59个分量，全部试验数据见图4。图3其中一部分试验数据示例，图3功率跳变定位点试验数据图(单位:MW)。图4功率跳变时刻分量数据详细统计表图(单位：MW)。算法代码如下：取所有分量跳变值的最大值的绝对值，定位出最大跳变值的TOP3分量，差值计算代码如下：

data0735<-read_excel("/Users/joeypiao/Desktop/随州/07.35.xlsx")

a<-as.numeric(data0735$`30`)

b<-data0735$`35`

c<-data0735$`40`//引用分量数据

absdiffB<-abs(b-a)//定义绝对值函数，计算分量差值绝对值。

data0735$absdiffB<-absdiffB//赋值给向量data0735$absdiffB。

dataB<-data0735％>％arrange(desc(absdiffB))//对分量差值绝对值降序排列。

save(dataB,file＝"dataB.Rdata")

print(top_n(dataB,n＝60,absdiffB))//保存运算结果，打印分量差值绝对值TOP10。

top0735B<-top_n(dataB,n＝60,absdiffB)//TOP10分量差值的绝对值赋值给top0735B

showtext_auto()

ggplot(top0735B,aes(reorder(areacode,-absdiffB),y＝absdiffB))+//定义柱状图横轴的名称和区域；纵轴的数值。

geom_bar(stat＝"identity")+geom_col(aes(fill＝reorder(areacode,-absdiffB)))+scale_fill_manual(values＝c(rep("red",3),rep("blue",7)))+ggtitle///构建分量跳变值后溯结果排序柱状图；前3红色；后7蓝色。

分量持续变化分析：计算1月2日7时35分与7时40分分量变化差值，观察可能引发跳变的分量后续是否有持续相同趋势的变化。

代码如下：

absdiffA<-abs(b-c)//定义绝对值函数，计算分量差值绝对值。

data0735$absdiffA<-absdiffA//赋值给向量data0735$absdiffA。

dataA<-data0735％>％arrange(desc(absdiffA))//对分量差值绝对值降序排列。

save(dataA,file＝"dataA.Rdata")

print(top_n(dataA,n＝60,absdiffA))

top0735A<-top_n(dataA,n＝60,absdiffA)//保存运算结果，打印分量差值绝对值TOPn。

showtext_auto()

ggplot(top0735A,aes(reorder(areacode,-absdiffA),y＝absdiffA))+//定义柱状图横轴的名称和区域，纵轴的数值。

geom_bar(stat＝"identity")+geom_col(aes(fill＝reorder(areacode,-absdiffA)))+scale_fill_manual(values＝c(rep("red",3),rep("blue",7)))+ggtitle//构建分量跳变值后溯结果排序柱状图；前三红色；后7蓝色。

溯源结果展示与分析：运行溯源代码，可以得到溯源结果。溯源结果分为前溯源结果、后溯源结果、前后溯源结果汇总和分析、现场确认溯源结果，分述如下：

(1)前溯源结果

前溯源结果，取top10分量，如图5示，图5前溯源功率跳变top10分量图表(单位：MW),运行结果如图6示。图6，横坐标是各分量名，纵坐标是跳变量绝对值，最大的3个分量用红色柱体表示，后续较小的7个分量用蓝色柱体表示。由图中可知，总加跳变TOP3分量依次为：钟221、杨115、竹08。此3个分量的具体数据如图7示，图7前溯源功率跳变TOP3分量表(单位：MW)。

(2)后溯源结果

后溯源结果，取top10分量，如图8示，图8后溯源功率跳变top10分量表(单位：MW),运行结果如图9示。图9，横坐标是各分量名,纵坐标是跳变量绝对值，最大的3个分量采用红色柱体表示，后续较小的7个分量采用蓝色柱体表示。由图中可知，后溯持续变化TOP3分量依次为：杨115、竹08、季228。此3个分量的具体数据如图8可示。

(3)前后溯源结果和分析

通过对前5分钟各分量数据遍历，定位了引起总加跳变权重最大的3个分量。后续对跳变点后5分钟的各个分量数据再次进行抽取并进行遍历，观察分量是否持续进行变化。前后溯源结果汇总如图10,图10前后五分钟对比图(单位：MW)。

通过图10以得出如下推论：

1)钟211：在跳变点前数据发生了显著下降；跳变点后数据持平；

2)杨115：在跳变点前后数据都发生了大幅下降；需要重点关注；

3)竹08：在跳变点前数据小幅下降，跳变点后数据小幅回升；形态上属于正常波动；

4)季228：只在跳变点后数据发生了小幅下降，整体对总加数据跳变贡献度不大，可以予以忽略。

5)由图10知，引起功率跳变的分量是：钟211和杨115。

(4)现场确认溯源结果

钟211和杨115两个分量的现场确认溯源结果如下：

“钟211”跳变溯源分析：就“钟211”分量瞬时跳变的原因，从自动化系统故障、量测和传送稳定性、各个测量点的测量数据的同时性和一致性、某些大工业负荷的突发性偶然波动等方向分别进行了追踪和分析，未发现明显异常。

“杨115”跳变溯源分析：“杨115”为T结线路，经过对该变电站相同时点的数据追踪，发现该变电站的遥测数据存在跳变现象，经检修公司到现场排查发现后台数据也存在跳变现象，故对测控装置进行排查，在更换相关插件后数据恢复正常。

本申请中，通过选取了某地区实际发生跳变的功率曲线，分别采用算法，经算法运算后，成功计算出了功率跳变点的时间定位，且方法得出的试验数据与人工分析的时间一致。在找到突变时间发生后，通过应用最大差值法溯源代码，得出了前溯源结果、后溯源结果，通过前后溯源结果成功定位了功率跳变的TOP3分量，并经现场分析得出了具体的跳变分量原因。试验结果表明：算法效果良好，可以应用在实际中。

由于引起功率跳变的原因不尽相同，且出现的时间和幅度有很大的随机性，而传统采用人工查找分析功率跳变数据的方法是极其耗时费力的，尤其在分量众多的计算量发生功率跳变时，很难快速、精准进行定位，但在实际工作中需要快速找到跳变点并及时对其采取措施，防止数据跳变对电网基础数据产生影响，进而影响调控人员对电网的精准分析与决策，本文在调度智能值班系统建设中，结合实际应用，设计了调度智能值班系统，对功率跳变溯源难的问题进行了研究，探索出了功率跳变溯源的方法，在功率跳变点定位中，跳变量最大值溯源法也可成功定位出跳变分量，并通过试验数据分别进行了论证，主要完成工作如下：设计了调度智能值班系统的软硬件架构及详细应用功能，该系统采用构建B/S和C/S混合架构，通过融合各系统关键数据进行大数据深度挖掘分析和功能开发，实现了多系统智能巡检、故障自动研判定位分析、自动值班交接、缺陷自动化入库、智能专家库构建等主要功能，降低了自动化班组运维负担，全面提升了自动化专业的运维管控能力和自动化系统安全运行水平。

本发明对功率变化溯源主要得到以下益处：基于功率跳变分析及跳变溯源帮助分析形成跳变的原因，进而改善功率总加跳变的数据质量，降低跳变发生概率。其主要益处如下：a、改善信道品质，使跳变概率下降。b、改变规约编程和通信参数等，在不影响电力系统的正常运行的情况下，降低不重要的系统指标，由此降低跳变的发生概率。尽管这些措施对于全局指标的作用不大，但相同成本的情况下，可以实现大幅地降低跳变发生概率，缩短它的时延。c、降低通信参数选择成本。通信参数的选择是要针对于不同的厂站的通信条件的。一直以来，SCADA系统在这方面的工作都显不足，因为对上百个厂站设置不同的参数，工作繁杂，且系统管理的工作量巨大，实现困难。因此应当选择具有重大改进潜能的信道作为突破口，不需要以降低其他厂站通信指标为代价，而是应当每改进一个站时，同时还能够改善全局的指标，稳中求进，不用太过极端。d、加大信道带宽、提高信道质量。能够绝对地提升整个系统的通信指标。但其需要投入更多的硬件成本，因此一般选择此方法在系统更新换代的阶段进行。e、提高死区门限、减少总召次数、缩短帧等待时间。

本发明具有以下主要有益技术效果：帮助分析形成跳变的原因，进而改善了功率总加跳变的数据质量，降低了跳变发生概率；改善了信道品质使跳变概率下降；改变规约编程和通信参数,降低了跳变的发生概率，缩短了时延；降低了通信参数选择成本；加大了信道带宽、提高了信道质量；提高了死区门限、减少总召次数、缩短帧等待时间。

申请人对于本方法进行了实施，且与已研发成功的采用跳变分析法对电力系统中功率跳变溯源的方法形成的程序，共驻电力系统的电脑进程中，有效地解决了相应的技术问题。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (1)

1.一种采用突变点检测法来定位及溯源功率跳变的方法，其特征在于是通过以下步骤来实现的：

第一步：预测并检测时间序列的单个突变点；对于一个已知的时间序列X(t),t＝1,2,3,…,n，假设在t＝τ处有一个变化点，则突变点前的序列X(t),t＝1,2,3,…,τ对应一个分布函数F₁(x)，突变后的序列X(t),t＝τ,τ＝1,τ＝2,…,n对应另一个分布函数F₂(x)，且F₁(x)与F₂(x)不相等，对突变点前后的序列数据进行基于秩的比较，计算出统计量k(τ)，计算公式如下所示：

式中：

确定k(τ)的绝对值最大时间，定义了两个统计量为：

T＝argmax_1≤τ≤n-1(|k(τ)|)

K＝max_1≤τ≤n-1(|k(τ)|)

式中：K是指最终的统计量，T指对应的未知变化点，与之相关的显著性概率可近似为：

P≈2exp[-6K²(n³+n²)]

当P＜0.05时，变化显著，即序列数据在该点发生突变；

第二步：进行功率跳变分量溯源；功率跳变分量溯源通过后台常驻进程，对系统总加数据发生误差过大和跳变时进行分析，后台常驻进程实时进行监视，并保存总加数据及公式分量的数据，分量的数据指最近5分钟的数据，发生功率跳变时，对跳变时刻前后5分钟的全部数据分量遍历，进行比对分析，取得引起功率跳变的最大3个分量；

功率跳变溯源法采用：跳变率最大值溯源法及跳变量最大值溯源法；

其中，跳变率最大值溯源法为：取所有分量跳变率绝对值的最大值，定位最大跳变率的分量，如下式所示：

式中：P_i，t为当前跳变时间点数值，P_i，(t-1)为跳变时间点上一时刻数值，CVM为分量的最大值，t为跳变时间点，i为各分量；

其中，跳变量最大值溯源法为：取所有分量跳变值的最大值的绝对值，定位出最大跳变值的分量，如下式所示：

CV＝Max{|P_i，t-P_i，(t-1)|}

式中：P_i，t为当前跳变时间点数值，P_i，(t-1)为跳变时间点上一时刻数值，CV为分量，t为跳变时间点，i为各分量。