一种配电网相关的数据处理方法技术

本发明专利技术提出了一种配电网相关的数据处理方法，主要包括基于EFWLS鲁棒估计来检测基于FCM的不良数据，利用FCM算法与EFWLS算法结合的方法对不良数据进行处理，得到准确的配电网实时运行数据，并将该数据与预测得出的正常运行数据集中的数据进行对比，从而检验系统的运行状态，当虚假数据非常严重时，本文提出的方法可以识别所有的虚假数据，并且没有虚假检测、漏检等现象，因此具有很强的识别虚假数据的能力，假数据点的估计值与实际值接近，特别是对于无关的假数据点，估计值与实际值非常接近，该方法不仅能识别假数据，而且能对假数据测量点进行非常准确的估计。

A data processing method related to distribution network

【技术实现步骤摘要】
一种配电网相关的数据处理方法
本专利技术属于电力行业领域，具体涉及一种配电网相关的数据处理方法。
技术介绍
在电网数据质量异常检测分析中，其中干扰因素之一的不良数据影响很大，所谓不良数据，是指测量误差很大的量测量。由于量测数据在测量和传送过程中存在着偶然故障和随机干扰，导致电力系统调度中心采集的量测数据中存在着不良数据，不良数据可能会影响调度员做出错误的决策，进而影响电力系统的正常运行，甚至可能威胁整个电力系统的安全和稳定运行，因此必须对电力系统中的不良数据进行处理或剔除。同时，随着电力系统的网络结构和运行方式的日趋复杂，对电力系统中不良数据的处理提出了更高的要求。不良数据的检测与辨识是电力系统状态估计的重要内容，其主要目的是在获得状态估计值的基础上依靠系统提供的冗余信息，检测和剔除量测采样数据中偶然出现的少量不良数据，以提高状态估计的可靠性和实时数据的质量，对电力系统的在线分析与决策控制起至关重要的作用。因此，国内外学者对其展开了大量的研究工作，并已取得一些研究成果。目前，不良数据检测与辨识的方法主要分为以下两类：一、传统的不良数据检测方法有目标函数值检测法、加权残差检测法或标准化残差检测法、量测量突变检测法等。常用的不良数据辨识方法主要有残差搜索法、非二次准则法、零残差法、估计辨识法等。二、相对传统检测原理的一些新理论和新方法，主要有基于模糊数学、神经网络、聚类分析、间隙统计算法等数据挖掘的新技术方法。但是，目前对识别数据，仍旧存在虚假检测、漏检等现象，因此当前需求一种具备精确识别虚假数据的能力，特别是对于无关的假数据点，估计值与实际值非常接近的问题，而且不仅能识别假数据，还能对假数据测量点进行非常准确估计的方案。
技术实现思路
鉴于目前存在的需求，本专利技术提供一种配电网相关的数据处理方法，其特征在于：步骤1：基于配电网中的大量量测原始数据，建立基于指数加权最小二乘法(EFWLS)的抗差状态估计模型；步骤2：其中，网络连接、支路参数和测量数据，系统状态变量和测量值满足以下关系：其中，表示m维测量矢量；r表示测量剩余矢量；指数加权最小二乘法(EFWLS)通过计算测量误差的最小加权平方和得到状态变量的最优解，如下式：s.tc(x)＝0其中，c(x)表示零注入等同性约束，W是一个指数权函数对角矩阵，即W＝diag{w1(r1),W2(r2),...Wm(rm)}，其表达式为：其中，是测量i的标准残差，其公式为：根据指数加权最小二乘法(EFWLS)的抗差状态估计模型，引入拉格朗日乘子lambda处理等式约束方程，形成增广拉格朗日函数l(x,lambda)的无约束优化问题：minL(x,λ)＝J(x)+λTc(x)将测量方程h(x)和零注入等式约束方程c(x)线性化，并用牛顿法求解最优条件，得到迭代修正方程的矩阵形式：式中，k为迭代次数；步骤3：将所有测量数据输入状态估计矩阵，以获得所有测量的最佳估计，计算系统测量的相对测量估计误差：式中Δzi表示相对测量估计误差；步骤4：按照上述聚类划分方法对相对误差矩阵进行分类；确定最佳分类，记录测量值作为已知的准确测量值，不包含度量值的最佳分类是不良数据集，并输出不良数据集所包含的量测值；步骤5：采用节点功率平衡法对不良数据进行校正，并重新进行状态估计，经过反复的模糊聚类分析，将所有数据分为一组，即所有数据均为可靠值，即完成校正。进一步的，所述原始数据采用了将2％高斯噪声应用于潮流计算结果的方法，通过增加或减少20％的原始数据、设置零、更改符号、取消趋势多种方式，生成数据，计算中使用标准单位值。有益效果：本方案采用EFWLS鲁棒估计来检测基于FCM的不良数据，利用FCM算法与EFWLS结合的方法对不良数据进行处理，得到准确的配电网实时运行数据，并将该数据与预测得出的正常运行数据集中的数据进行对比，从而检验系统的运行状态，以最小化不良数据对状态估计的影响IEEE33配电网中不良数据识别，本方案提出的方法可以识别所有的虚假数据，并且没有虚假检测、漏检等现象，因此具有很强的识别虚假数据的能力，假数据点的估计值与实际值接近，特别是对于无关的假数据点，估计值与实际值非常接近，而本方案提出的方法不仅能识别假数据，而且能对假数据测量点进行非常准确的估计。附图说明图1是本方案数据处理流程示意图；图2是本方案数据处理识别测试结果示意图；图3是本方案状态估计结果对比测试结果示意图；图4是本方案配电网及其测量系统状态示意图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面将结合附图进一步阐述本专利技术。如图1-4所示，一种配电网相关的数据处理方法，其特征在于：步骤1：基于配电网中的大量量测原始数据，建立基于指数加权最小二乘法(EFWLS)的抗差状态估计模型；步骤2：其中，网络连接、支路参数和测量数据，系统状态变量和测量值满足以下关系：其中，表示m维测量矢量；r表示测量剩余矢量；指数加权最小二乘法(EFWLS)通过计算测量误差的最小加权平方和得到状态变量的最优解，如下式：s.tc(x)＝0其中，c(x)表示零注入等同性约束，W是一个指数权函数对角矩阵，即W＝diag{w1(r1),W2(r2),...Wm(rm)}，其表达式为：其中，是测量i的标准残差，其公式为：根据指数加权最小二乘法(EFWLS)的抗差状态估计模型，引入拉格朗日乘子lambda处理等式约束方程，形成增广拉格朗日函数l(x,lambda)的无约束优化问题：minL(x,λ)＝J(x)+λTc(x)将测量方程h(x)和零注入等式约束方程c(x)线性化，并用牛顿法求解最优条件，得到迭代修正方程的矩阵形式：式中，k为迭代次数；步骤3：将所有测量数据输入状态估计矩阵，以获得所有测量的最佳估计，计算系统测量的相对测量估计误差：式中Δzi表示相对测量估计误差；步骤4：按照上述聚类划分方法对相对误差矩阵进行分类；确定最佳分类，记录测量值作为已知的准确测量值，不包含度量值的最佳分类是不良数据集，并输出不良数据集所包含的量测值；步骤5：采用节点功率平衡法对不良数据进行校正，并重新进行状态估计，经过反复的模糊聚类分析，将所有数据分为一组，即所有数据均为可靠值，即完成校正。进一步的，所述原始数据采用了将2％高斯噪声应用于潮流计算结果的方法，通过增加或减少20％的原始数据、设置零、更改符号、取消趋势多种方式，生成数据，计算中使用标准单位值。根据KCL定律，如果配电网中连接的估计状态数据均为正态数据，则节点功率均衡，即所有正态有本文档来自技高网...

【技术保护点】
1.一种配电网相关的数据处理方法，其特征在于：/n步骤1：/n基于配电网中的大量量测收集的原始数据，建立基于指数加权最小二乘法(EFWLS)的抗差状态估计模型；/n步骤2：/n其中，网络连接、支路参数和测量数据，系统状态变量和测量值满足以下关系：/n

【技术特征摘要】
1.一种配电网相关的数据处理方法，其特征在于：
步骤1：
基于配电网中的大量量测收集的原始数据，建立基于指数加权最小二乘法(EFWLS)的抗差状态估计模型；
步骤2：
其中，网络连接、支路参数和测量数据，系统状态变量和测量值满足以下关系：



其中，表示m维测量矢量；r表示测量剩余矢量；
基于指数加权最小二乘法(EFWLS)通过计算测量误差的最小加权平方和得到状态变量的最优解，如下式：



s.tc(x)＝0
其中，c(x)表示零注入等同性约束，W是一个指数权函数对角矩阵，即W＝diag{w1(r1),W2(r2),...Wm(rm)}，其表达式为：



其中，是测量i的标准残差，其公式为：



根据指数加权最小二乘法(EFWLS)的抗差状态估计模型，引入拉格朗日乘子lambda处理等式约束方程，形成增广拉格朗日函数l(x,lambda)的无约束优化问题：
minL(x,λ)＝J...

【专利技术属性】
技术研发人员：黄文思，刘道新，陆鑫，郭雷，薛迎卫，林超，蒋演，刘玉方，陈泉，刘烨，
申请(专利权)人：国网信通亿力科技有限责任公司，国网信息通信产业集团有限公司，国网江苏省电力有限公司，国家电网有限公司，
类型：发明
国别省市：福建;35