基于谱聚类的PMU不良数据检测方法技术

本发明专利技术公开了一种基于谱聚类的PMU不良数据检测方法，包括：基于四点数据斜率特征构建决策树模型，并利用该决策树模型辨识事件数据、以及正常数据和不良数据；对于辨识出的包含正常数据和不良数据的数据集合A，利用3σ准则进行初步筛选，将数据集合划分为A1、A2、与A3三个部分，其中A1部分与A2部分分别为正常数据与不良数据，A3部分中包含了正常数据和不良数据；利用谱聚类的方法，构造数据之间的权重距离矩阵，从而在A3部分中检测出不良数据。该方法能通过数据间的权重准确检测偏差值较小的不良数据。

【技术实现步骤摘要】
基于谱聚类的PMU不良数据检测方法本申请要求2020-12-28申请的202011576078.X的专利申请的优先权。
本专利技术涉及电力系统
，尤其涉及一种基于谱聚类的PMU不良数据检测方法。
技术介绍
PMU可以为电力系统各类应用提供实时相量数据，如决策控制、振荡检测和状态估计，然而，由于现场环境复杂，受到同步信号抖动、通信协议错误、自然或人为等因素的影响，PMU存在不同程度的数据质量问题。准确检测PMU不良数据对于提高数据质量、保障电力系统安全稳定运行至关重要。目前检测PMU不良数据常用的方法有基于状态估计、基于卡尔曼滤波和基于数据驱动的方法，在这些方法中，基于数据驱动的方法由于不需要系统拓扑和线路参数的先验知识受到广泛关注。现有的基于数据驱动的方法有基于低秩性、主成分分析和时空相似性等算法，然而它们都需要多台PMU的量测信息，对于某些地区只安装了少量PMU，并且很难获得多台PMU的量测信息的情况不适用；而使用单台PMU的量测来实现不良数据检测的方法有基于集成学习的，基于密度聚类的方法等，然而当不良数据在事件过程中出本文档来自技高网...

【技术保护点】
1.一种基于谱聚类的PMU不良数据检测方法，其特征在于，包括：/n基于四点数据斜率特征构建决策树模型，并利用该决策树模型辨识事件数据、以及正常数据和不良数据；/n对于辨识出的包含正常数据和不良数据的数据集合A，利用3σ准则进行初步筛选，将数据集合划分为A1、A2、与A3三个部分，其中A1部分与A2部分分别为正常数据与不良数据，A3部分中包含了正常数据和不良数据；/n利用谱聚类的方法，构造数据之间的权重距离矩阵，从而在A3部分中检测出不良数据。/n

【技术特征摘要】
20201228 CN 202011576078X1.一种基于谱聚类的PMU不良数据检测方法，其特征在于，包括：
基于四点数据斜率特征构建决策树模型，并利用该决策树模型辨识事件数据、以及正常数据和不良数据；
对于辨识出的包含正常数据和不良数据的数据集合A，利用3σ准则进行初步筛选，将数据集合划分为A1、A2、与A3三个部分，其中A1部分与A2部分分别为正常数据与不良数据，A3部分中包含了正常数据和不良数据；
利用谱聚类的方法，构造数据之间的权重距离矩阵，从而在A3部分中检测出不良数据。


2.根据权利要求1所述的一种基于谱聚类的PMU不良数据检测方法，其特征在于，数据斜率计算公式为：



其中，ti、ti+1表示时刻，Xi、Xi+1表示相应时刻的数据，||为绝对值符号；
将四点数据斜率ki，ki+1，ki+2，ki+3作为数据Xi的特征，能够区分事件数据、以及正常数据和不良数据。


3.根据权利要求2所述的一种基于谱聚类的PMU不良数据检测方法，其特征在于，构建决策树模型的方式包括：
设置信息增益率阈值ε、决策树深度p，利用现场数据构造训练数据集来构建决策树模型；信息增益率阈值ε用于验证划分特征是否符合要求；深度p表示递归计算的次数；
将训练集中所有数据输入，训练数据集中的数据包含阶跃点数据与其他数据两类，如果ti+1时刻，出现扰动事件，则ti时刻的数据Xi为阶跃点数据；计算各数据的四点数据斜率，得到四类特征；使用二分法离散化每个连续特征，提取训练数据集中所有数据的每一类特征的取值，对于每一类特征，将取值从小到大排序，计算排序中相邻特征的中点作为候选划分点，计算每类特征对应不同划分点的信息增益率，选择最大值作为相应类特征的信息增益率，比较四类特征的信息增益率，选出信息增益率最大的特征，并将其信息增益率与设定的信息增益率阈值ε比较；如果小于ε则所有数据为同一类别；如果大于信息增益率阈值ε，则选出信息增益率最大的候选划分点sb，将数据划分为两部分，特征值bi≤sb的所有数据划分为一组，特征值bi＞sb的所有数据为另一组，信息增益率最大的候选划分点为分支节点；递归重复，直至某节点中所有数据均为阶跃点数据或非...

【专利技术属性】
技术研发人员：郭小龙，李渝，孙谊媊，王衡，朱世佳，杨智伟，刘灏，毕天姝，
申请(专利权)人：国网新疆电力有限公司，华北电力大学，
类型：发明
国别省市：新疆;65