兰州理工大学科研人员提出用于配电网量测数据中坏数据的辨识与修正方法

阅读提示：本文约 1000 字

状态估计的准确性为电力系统的安全稳定提供了重要保障。多种量测设备的技术特性随着配电网智能化水平的发展而不断提高，状态估计的准确性也在一定程度上得到提升。现阶段，电力系统的量测数据主要来自数据采集与监控（supervisory control and data acquisition, SCADA）系统和同步相量量测单元（phasor measurement unit, PMU）。

SCADA量测主要用于支路功率和电压幅值等信息的测量，其优点是在配电网中装设较多，数据资源丰富，主要缺陷是数据精度低、无时标，数据质量欠佳。PMU量测数据较SCADA量测具有精度高、时标准、延时低、刷新快等特点，还能直接测量电压相量等信息。PMU是目前较为理想的数据量测装置，但其装设受经济和技术等原因限制，仅靠配电网中已配置的PMU很难满足可观测性要求。在相当长的一段时间内，配电网中的SCADA/PMU两套数据仍会作为状态估计的数据源持续并存。

两种量测设备为状态估计提供了海量数据，但与此同时这些数据中也包含着大量的坏数据，若不对其进行处理，会对配电网状态估计精度造成巨大的影响。如何有效地对坏数据进行辨识并修正是亟需解决的问题。目前针对坏数据辨识，相关学者进行了大量研究，相关坏数据辨识方法如图1所示。

图1  坏数据辨识方法

兰州理工大学电气工程与信息工程学院的张铄、吴丽珍，在2022年第11期《电气技术》上撰文，针对量测数据中存在坏数据的问题，提出一种针对量测数据中坏数据的辨识修正方法。该方法运用了多级辨识和多方法检验技术，流程如图2所示。

图2  本文方法坏数据辨识流程

研究人员首先通过新息序列和基于密度的含噪声空间应用聚类（density-based spatial clustering of applications with noise, DBSCAN）算法进行初级辨识，将两种检验结果的交集数据作为异常数据、非交集数据作为可疑数据；然后将可疑数据通过基于时间惯性的检验进行二次辨识，若可疑数据与前后时刻呈现强相关性，则为正常数据，否则为异常数据；最后对挖掘的异常数据通过改进长短期记忆神经网络（long-short term memory, LSTM）算法进行预测修正。

他们搭建IEEE-33节点系统用于仿真验证，结果证明了该方法的有效性，对坏数据的辨识与修正起到了良好的作用，提升了状态估计的准确度。

本文编自2022年第11期《电气技术》，论文标题为“计及坏数据辨识与修正的配电网状态估计”，作者为张铄、吴丽珍，本课题得到国家自然科学基金项目和甘肃省科技计划的支持。

下载论文PDF版，请点击左下角“阅读原文”，访问期刊网站。

推荐阅读

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

CES电气

学会官方B站

CES TEMS

今日头条号

学会科普微信

新浪微博

抖音号

联系我们

☎️ 《电工技术学报》：010-63256949/6981；邮箱：[e-mail]

☎️ 《电气技术》：010-63256943；邮箱：[e-mail]

☎️ 《中国电工技术学会电机与系统学报（CES TEMS）》：电话：[phone]；邮箱：[e-mail]

☎️ 编务：010-63256994

☎️ 订阅：010-63256817

☎️ 商务合作：010-63256867/6838