一種基于時間序列分析的電力系統異常數據辨識與修正方法
【技術領域】
[0001] 本發明涉及電力系統異常數據辨識與修正技術領域，尤其涉及一種基于時間序列 分析的異常數據辨識與修正方法。
【背景技術】
[0002] 隨著社會經濟的快速發展和科學技術水平的不斷提高，現代電力系統發展的越來 越快，社會對電網智能化的要求也越來越提高。由于電網規模的不斷擴大、電力系統結構和 運行模式的日益復雜，電力系統中大量的實時數據對系統的安全性、穩定性和可靠性的影 響越來越大。
[0003] 所謂異常數據，是指在實際的電力系統運行中測量誤差很大的量測量。電力系統 運行過程中由于通道錯誤、遠程終端單元故障以及外在條件變化等原因，都可能造成數據 的產生較大的誤差，產生異常數據。異常數據的存在可能會影響電力系統的正常運行，甚至 威脅整個電力系統的安全，因此電力系統中異常數據的辨識對于促進電網安全優質運行具 有重要價值。
[0004] 目前對電力系統中異常數據的辨識的研宄越來越多，主要分為基于狀態估計法、 基于新息圖法和基于數據挖掘法的異常數據辨識方法，其中基于數據挖掘的異常數據的辨 識方法主要有模糊數學法、神經網絡法、聚類分析法和間隙統計法。由于電力系統中的數據 可以看成是既包含規律性又具有隨機性的時間序列，因此可以采用時間序列分析法實現對 電力系統中異常數據的辨識；又由于神經網絡法能夠以任意精度逼近任何非線性映射，因 此適合描述具有復雜非線性特點的電力系統數據的預測模型。所以采用一種基于時間序列 分析和神經網絡的方法，有效地實現了對電力系統異常數據的辨識與修正。
【發明內容】
[0005] 為了辨識與修正電力系統的異常數據，提高網絡的運行控制能力，保證電力系統 安全、穩定和經濟運行，本發明提供一種基于時間序列分析的異常數據辨識與修正方法，可 以有效辨識與修正異常數據。
[0006] 為實現上述目的，本發明采用的技術方案為：
[0007] -種基于時間序列分析的異常數據辨識與修正方法，包括數據預處理，時間序列 建模，異常數據辨識和異常數據修正四個部分。數據預處理包括辨識和修正待檢測數據中 的缺失數據以及突變為零值的數據。時間序列建模根據建立時間序列模型的步驟，對待檢 測數據建立時間序列模型。異常數據辨識通過對建立的時間序列模型的擬合殘差序列進行 分析，辨識異常數據。異常數據修正采用神經網絡法實現對異常數據的修正。
[0008] 具體的，基于時間序列分析的異常數據辨識與修正方法的詳細步驟包括：對待檢 測數據中的缺失數據和突變為零值的數據進行辨識，采用拉格朗日插值算法對辨識出的數 據進行填補和修正；對預處理后的待檢測數據進行時間序列分析，根據Box-Jenkins建模 的思想，采用數據的平穩化處理、模型識別、參數估計和模型檢驗的時間序列建立模型的步 驟，對預處理后的數據建立差分自回歸移動平均模型；對建立的差分自回歸移動平均模型 的數據，實現對異常數據的辨識；對于辨識出的異常數據，采用RBF神經網絡實擬合殘差序 列進行分析，設定誤差置信區間，在置信區間外的數據則為異常現對異常數據修正，即建立 RBF神經網絡預測模型，利用非異常數據形成的樣本集對所述預測模型進行訓練，根據訓練 好的預測模型實現對異常數據的逐點修正。
[0009] 相對于現有技術，本發明具有如下有益效果：本發明提供的基于時間序列分析的 異常數據辨識與修正方法，該方法采用時間序列分析法對待檢測數據建立相應的時間序列 模型，實現對數據統計規律性的描述；對建立好的模型中的殘差序列進行分析，建立誤差置 信區間，實現待檢測數據中異常數據的辨識；采用RBF神經網絡法，實現對電力系統中異常 數據的逐點修正。本發明根據電力系統數據的時序特性，有效地實現了對電力系統異常數 據的辨識，采用神經網絡和縱向均值法分別對不連續的異常數據和連續的異常數據進行修 正，提高了修正的精度，促進電網安全優質運行。
【附圖說明】
[0010] 圖1為本發明基于時間序列分析的異常數據辨識與修正方法的流程圖。
【具體實施方式】
[0011] 下面結合附圖對本發明作更進一步的說明。
[0012] 如圖1所示，本發明的方法具體包括以下步驟：
[0013] 1)對待檢測據數據進行預處理，辨識待檢測據數據中的缺失數據和突變為零值的 數據，采用拉格朗日（Lagrange)插值方法對辨識出的缺失以及突變為零的數據進行填補 和修正。
[0014] Lagrange插值的方法是對給定的η個插值節點X1, X2，…Xn，以及對應的函數值 yi，y；E，…yn，利用η次Lagrange插值多項式，則對插值區間任意的X的函數值y可以通過 Ln(X)來求解，Ln(X)的表達式為：
【主權項】
1. 一種基于時間序列分析的電力系統異常數據辨識與修正方法，其特征在于：包括數 據預處理，時間序列建模，異常數據辨識和異常數據修正四個部分； 數據預處理，包括辨識和修正待檢測數據中的缺失數據以及突變為零值的數據； 時間序列建模，根據建立時間序列模型的步驟，對待檢測數據建立時間序列模型； 異常數據辨識，通過對建立的時間序列模型的擬合殘差序列進行分析，辨識異常數 據； 異常數據修正，采用神經網絡法實現對異常數據的修正。
2. 根據權利要求1所述的基于時間序列分析的異常數據辨識與修正方法，其特征在 于：對待檢測數據中的缺失數據和突變為零值的數據進行辨識，采用拉格朗日插值算法對 辨識出的數據進行填補和修正。
3. 根據權利要求1所述的基于時間序列分析的異常數據辨識與修正方法，其特征在 于：對預處理后的待檢測數據進行時間序列分析，根據Box-Jenkins建模的思想，采用數據 的平穩化處理、模型識別、參數估計和模型檢驗的時間序列建立模型的步驟，對預處理后的 數據建立差分自回歸移動平均模型。
4. 根據權利要求1所述的基于時間序列分析的異常數據辨識與修正方法，其特征在 于：對建立的差分自回歸移動平均模型的擬合殘差序列進行分析，設定誤差置信區間，在置 信區間外的數據則為異常數據，實現對異常數據的辨識。
5. 根據權利要求1所述的基于時間序列分析的異常數據辨識與修正方法，其特征在 于：對于辨識出的異常數據，采用RBF神經網絡實現對異常數據修正，即建立RBF神經網絡 預測模型，利用非異常數據形成的樣本集對所述預測模型進行訓練，根據訓練好的預測模 型實現對異常數據的逐點修正。
【專利摘要】本發明公開了一種基于時間序列分析的電力系統異常數據辨識與修正方法，包括數據預處理，時間序列建模，異常數據辨識和異常數據修正四個部分。數據預處理包括辨識和修正待檢測數據中的缺失數據以及突變為零值的數據。時間序列建模包括對預處理后的待檢測的數據進行時間序列分析，根據時間序列建立模型的步驟，采用差分自回歸移動平均模型對待檢測的數據進行建模。異常數據辨識通過對建立的差分自回歸移動平均模型的擬合殘差序列的分析，設定誤差置信區間，辨識異常數據。異常數據修正采用神經網絡法建立對異常數據修正的預測模型，通過對異常數據所在時刻的數據值進行預測，實現對異常數據的修正。本發明方法簡單易行，準確度高。
【IPC分類】G06Q10-06, G06Q50-06
【公開號】CN104766175
【申請號】CN201510182225
【發明人】蔣浩, 王珂, 蘇大威, 徐春雷, 余璟, 楊志強, 袁丁
【申請人】東南大學, 國家電網公司, 江蘇省電力公司, 江蘇省電力公司徐州供電公司
【公開日】2015年7月8日
【申請日】2015年4月16日