The invention discloses an improved method for identification of bad data in power system, the implementation steps include: pre multiple power equipment measuring data regularization as the input, the measurement data of bad data as the output of the training data set was constructed, the regularization specifically refers to the combination of cepstrum mean subtraction, data each method of regularization, the training data set by recurrent neural network training; in the application, the measured power equipment measurement data to construct test data sets, the test data will be set to the same regularization input trained recurrent neural network, bad data identification results can be obtained corresponding to the electric power equipment. The invention weakens the physical meaning of the collected power data, preserves the characteristic information to the greatest extent, improves the data identification ability, and has the advantages of high identification accuracy, strong expansibility, good performance and high efficiency.
【技术实现步骤摘要】
一种改进的电力系统不良数据辨识方法
本专利技术涉及电力系统不良数据的检测与辨识技术,具体涉及一种改进的电力系统不良数据辨识方法。
技术介绍
电力系统不良数据的检测与辨识是电力系统状态估计的重要功能之一,其目的在于排除量测采样数据中偶然出现的少量不良数据,提高状态估计的可靠性。电力系统中不良数据的存在会降低状态估计的收敛性能,甚至可能造成状态估计失败,如何可靠检测和不良数据成为状态估计应用的难题。因此,建立一套算法评估模型,进行不良数据检测与辨识算法的最优选择,对电力系统状态估计的效果及电力系统的稳定运行具有十分重要的意义。在提高保护装置自身的可靠性方面,电力工作者采用了抗干扰设计、软硬件冗余配置以及装置自检等多种容错方法,取得了很好的效果,但对错误采样和电磁干扰等都可能导致的采样值数据失真问题却一直未能找到很好的解决办法。目前,国内外进行电力系统不良数据检测辨识的研究方法大致可以归纳为基于状态估计和基于数据挖掘的两大类方法。1)状态估计法一般以加权最小二乘状态估计方法为基础,假设测量误差服从正态分布,然后基于假设检验的方法依据残差来辨识不良量测数据。但是,这些方法可能会出现残差污染和残差淹没现象,从而造成漏检或误检,影响辨识的效果。由于算法采用非线性残差方程,辨识过程中需进行多次状态估计,因此计算量极大;2)数据挖掘指的是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取出隐含其中、事先不为人知但又是潜在有用的信息和知识的过程。基于数据挖掘的不良数据的检测辨识方法又可以分为基于神经网络和基于模糊理论的两种方法。但是,传统的单层感知器只能求解线性问题, ...
【技术保护点】
一种改进的电力系统不良数据辨识方法,其特征在于实施步骤包括:1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集,所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化,通过训练数据集训练循环神经网络;2)将被测电力设备的量测数据构建测试数据集,将测试数据集进行相同的规整化后输入训练好的循环神经网络,得到被测电力设备对应的不良数据辨识结果。
【技术特征摘要】
1.一种改进的电力系统不良数据辨识方法,其特征在于实施步骤包括:1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集,所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化,通过训练数据集训练循环神经网络;2)将被测电力设备的量测数据构建测试数据集,将测试数据集进行相同的规整化后输入训练好的循环神经网络,得到被测电力设备对应的不良数据辨识结果。2.根据权利要求1所述的改进的电力系统不良数据辨识方法,其特征在于,步骤1)中将倒谱均值减法、数据归整方法结合进行规整化的函数表达式如式(1)所示;式(1)中,为第i个采集数据xi的规整化结果,xavg为N个采集数据的均值,σ为均方差,N为采集数据的数量,均值xavg的函数表达式如式(2)所示,均方差σ的函数表达式如式(3)所示;式(2)和式(3)中,xavg为采集数据xi的均值,σ为均方差,xi为第i个参数数据,N为采集数据的数量。3.根据权利要求1所述的改进的电力系统不良数据辨识方法,其特征在于,所述循环神经网络为三层循环神经网络,所述三层循环神经网络包括输入层、隐藏层和输出层。4.根据权利要求3所述的改进的电力系统不良数据辨识方法,其特征在于,所述三层循环神经网络的隐藏层在任意t时刻的激活值如式(4)所示;s(t)=f(Uw(t)+Ws(t-1))(4)式(4)中,s(t)为隐藏层在任意t时刻的激活值,f为激活函数,U为输入层和隐藏层的连接矩阵,W为隐藏层之间的连接矩阵,w(t)为t时刻的输入层输入值,s(t-1)为t-1时刻的隐藏层激活值。5.根据权利要求4所述的改进的电力系统不良数据辨识方法,其特征在于,输入层和隐藏层的连接矩阵、隐藏层之间的连接矩阵的更新方式如式(5)所示;式(5)中,W(t+1)为t+1时刻的隐藏层之间的连接矩阵W,W(t)为t时刻的隐藏层之间的连接矩阵...
【专利技术属性】
技术研发人员:梁运华,潘志敏,罗志平,宋兴荣,程莹,
申请(专利权)人:国家电网公司,国网湖南省电力公司,国网湖南省电力公司检修公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。