双源校核的宽频异动识别系统及检测方法

技术领域

本发明属于电力系统宽频检测技术领域，尤其涉及一种双源校核的宽频异动识别系统及检测方法，更具体的是一种基于对宽频与SCADA组成的两源互校核的异动识别系统及检测方法。

背景技术

近年来，在电力电子技术的广泛应用下，电网中多种能源共存，其规模和结构不断发展，数据类型增多的同时数据量也迅速扩大。调度人员对电网进行观测和调控时，需要掌握全面准确的数据，在多个前端数据来源的量测信息上进行不同形式数据的收集整理、挖掘分析等后续应用。在收集数据的过程中，由于通信传输等原因，各来源的前端量测量之间可能存在矛盾，说明数据中存在与真实值偏移较大的量测值，即不良数据，如缺失值为了避免坏数据给后续分析带来误差，使调度中心做出错误的决策影响电网后续运行，需对原始量测数据进行清洗，找出不良数据。

数据采集与监视控制系统在电网中广泛应用，在布点数量和采集数据信息量等方面都占据着绝对的优势，加强了电力系统可观测性，但由于量测误差或传输错误可能存在不良数据。

传统的不良数据辨识方法主要包括残差搜索法、零残差法和估计辨识法，还有将状态估计后得到的特征与机器学习、数据融合结合的新方法，其密集的量测产生的大量数据也给校核带来挑战，有学者针对此问题利用状态估计与异常点检测算法，如模式识别、局部离群因子算法对宽频装置量测值进行不良数据辨识，都集中于对单一源数据进行校核。考虑到SCADA与宽频装置均分布在电网中采集量测值，同一节点可能存在SCADA与宽频装置同时量测，可互为补充。针对这种情况，有文献提出将SCADA状态估计结果和宽频装置量测值相结合进行二次线性状态估计，同时利用二次线性状态估计更新残差协方差矩阵的方式，对SCADA量测量中的关键量测量是否存在不良数据进行检测，但其没有对宽频装置数据进行校核，且需要多次迭代，较为复杂。随着电力系统中多源信息的不断丰富，合理利用其进行不良数据检测的识别结果将比单一来源判断更可靠。

发明内容

针对上述现有技术中存在的不足之处，本发明提供了一种双源校核的宽频异动识别系统及检测方法。其目的是为了实现的发明目的。

本发明为实现上述目的所采用的技术方案是：

双源校核的宽频异动识别系统，将两源对同一节点的量测值对时、插值、作差，得到的差值作为检测的特征量；基于正常情况下的两源差值对改进的进行训练，使用改进的BP神经网络算法得到模型的最佳的训练参数，再利用训练好的模型对待检测数据进行快速初筛；使用间隙统计算法对边界的数据进行核验，确定两源数据是否存在矛盾；辨识出存在矛盾后，对该时刻的宽频装置数据进行不良数据辨识，最终确定不良数据源。

双源校核的宽频异动识别检测方法，包括以下步骤：

步骤1.采用拉格朗插值的方法补充SCADA数据进行数据对应，在相邻两量测值间均匀插值，直到实现两源量测数据的匹配，每一个宽频量测值都有与之对应的SCADA量测值；

步骤2.宽频测量值与SCADA量测值插值数据同一节点进行差值计算；

步骤3.利用改进的遗传算法优化后的BP神经网络正确数据的差值训练，得到输出结果模型；

步骤4.将收集到的、已进行对时处理的量测差值输入训练好的模型中，通过输出值即可判断是否存在坏数据；

步骤5.在将坏的数据序列，利用特征平滑线校验方法认定宽频装置存在不良数据。

更进一步的，所述采用拉格朗插值的方法补充SCADA数据进行数据对应，在相邻两量测值间均匀插值，直到实现两源量测数据的匹配，每一个宽频量测值都有与之对应的SCADA量测值，包括：

对于SCADA量测值中的n个采样点进行,拉格朗插值补充，填补与宽频对比的缺失量；

其中n代表已知的采集点个数，i代表第i个数据，j代表第j个数据，x代表采集点对应的x轴分量，y代表采集点对应的y轴分量，L(x)代表所求的缺失量。

更进一步的，所述宽频测量值与SCADA量测值插值数据同一节点进行差值计算，表达式为：

D(t

其中D(t

更进一步的，所述利用改进的遗传算法优化后的BP神经网络正确数据的差值训练，包括以下步骤：

步骤31.假设输入层M个节点，隐含层L个，输出层J个，其关系为：

上式中，n是迭代次数，y

通过训练得到误差公式：

上式中，d

采用网络误差的倒数作为适应度函数：

上式中：fitness(w,v,θ,r)为适应度值，x

步骤32.将改进的遗传算法进行选择操作、交叉操作、变异操作；其中，交叉概率和变异概率进行自适应调整，如下式：

式中，f

步骤33.得出经过改进的遗传算法优化后的输出结果；

经过自适应遗传算法优化之后的神经网络输入输出层如下：

神经网络隐含层第i个节点的输入变量net

式中：w

神经网络隐含层第i个节点的输出变量y

神经网络输出层第k个节点的输出变量

式中：v

更进一步的，所述将收集到的、已进行对时处理的量测差值输入训练好的模型中，通过输出值即可判断是否存在坏数据，是将收集到的、已进行对时处理的量测差值输入训练好的改进BP神经网络中，通过输出值判断是否可能存在坏数据。

更进一步的，所述在将坏的数据序列，利用特征平滑线校验方法认定宽频装置存在不良数据，包括：

步骤51.对于宽频数据样品集U，计算出该宽频信号数据在同一时刻的最大值与最小值：

上式中，X

步骤52.通过对比提取得到特征曲线：

X

上式中，X

步骤53.与历史数据的电流、电压或谐波最大最小值，计算历史数据域的上下限：

上式中，

步骤54.计算电流、电压或谐波数据可行域的上下限：

上式中，

利用计算出的可行域上下限形成电流、电压或谐波数据的可行域矩阵，宽频信号的可行域矩阵为：

可行域矩阵的每一列元素

上式中，

当中第个分量满足时，计算待检数据下限：

双源校核的宽频异动识别装置，包括：

采集模块，用于采用拉格朗插值的方法补充SCADA数据进行数据对应；

运算模块一，用于SCADA数据中在相邻两量测值间插值，直到实现两源量测数据的匹配，每一个宽频量测值都有与之对应的SCADA量测值；并将宽频测量值与SCADA量测值插值数据同一节点进行差值计算；

变电站双源校核的宽频异动判别模型，为利用改进的BP神经网络正确数据的差值训练得到的模型，用于收集到的数据校验；

运算模块二，用于将收集到的、已进行对时处理的量测差值输入训练好的支持向量机，通过输出值即可判断是否存在坏数据；利用特征平滑线校验方法认定宽频装置存在不良数据，校验宽频信号是否跳变，确定是否宽频装置数据存在差错。

一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述的双源校核的宽频异动识别检测方法的步骤。

一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的双源校核的宽频异动识别检测方法的步骤。

本发明具有以下有益效果及优点：

本发明方法能够采用基于优化的BP神经网络的辨识方法，根据两源量测差值识别异常点。然后检验其所在时间点的宽频装置测值，最终确定不良数据位置。该方法能够有效地辨识出两数据源的前端不良数据，计算量小、耗时较短，比仅利用单源数据进行校核的结果更加可靠。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明实施方式的仿真流程图；

图2是本发明提出的算法中流程图；

图3是本发明提出的算法改进BP神经网络与传统BP神经网络的回归分析。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-图3描述本发明一些实施例的技术方案。

实施例1

本发明提供了一个实施例，是一种双源校核的宽频异动识别系统。本发明将两源对同一节点的量测值对时、插值、作差，得到的差值作为检测的特征量；为克服电网中缺少不良数据样本的问题，仅基于正常情况下的两源差值对改进的进行训练，使用改进的BP神经网络算法得到模型的最佳的训练参数，再利用训练好的模型对待检测数据进行快速初筛；之后使用间隙统计算法对边界的数据进行核验，确定两源数据是否存在矛盾；辨识出存在矛盾后，对该时刻的宽频装置数据进行不良数据辨识，最终确定不良数据源。

实施例2

本发明又提供了一个实施例，是一种双源校核的宽频异动识别检测方法，包括以下步骤：

步骤1.采用拉格朗插值的方法补充SCADA数据进行数据对应，在相邻两量测值间均匀插值，直到实现两源量测数据的匹配，每一个宽频量测值都有与之对应的SCADA量测值；

步骤2.宽频测量值与SCADA量测值插值数据同一节点进行差值计算；

步骤3.利用改进的遗传算法优化后的BP神经网络正确数据的差值训练，得到输出结果模型；

步骤4.将收集到的、已进行对时处理的量测差值输入训练好的模型中，通过输出值即可判断是否存在坏数据；

步骤5.在将坏的数据序列，利用特征平滑线校验方法认定宽频装置存在不良数据。

所述SCADA指以计算机为基础的生产过程控制与调度自动化系统。它可以对现场的运行设备进行监视和控制。

进一步，所述步骤1中，按照公式(1)，对于SCADA量测值中的n个采样点进行,拉格朗插值补充，填补与宽频对比的缺失量；

其中n代表已知的采集点个数，i代表第i个数据，j代表第j个数据，x代表采集点对应的x轴分量，y代表采集点对应的y轴分量，L(x)代表所求的缺失量。

进一步，所述步骤2中，宽频测量值与SCADA量测值插值数据同一节点进行差值计算，得到差值表达式为：

D(t

其中D(t

进一步，所述步骤3中，采用利用改进的BP神经网络正确数据的差值训练，具体包括以下步骤：

步骤31.假设输入层M个节点，隐含层L个，输出层J个，其关系为：

上式中，n是迭代次数，y

通过训练可得到误差公式：

上式中，d

采用网络误差的倒数作为适应度函数：

上式中：fitness(w,v,θ,r)为适应度值。x

步骤32.将改进的遗传算法进行选择操作、交叉操作、变异操作；其中，交叉概率和变异概率进行自适应调整，见式(7)、式(8)。

式中，f

步骤33.最终得出经过改进的遗传算法优化后的输出结果。

经过自适应遗传算法优化之后的神经网络输入输出层公式如式(9)、(11)所示。

神经网络隐含层第i个节点的输入变量net

/>

式中：w

神经网络隐含层第i个节点的输出变量

神经网络输出层第k个节点的输出变量

式中：v

进一步，所述步骤4中，之后再将收集到的、已进行对时处理的量测差值输入训练好的改进BP神经网络中，通过输出值即可判断是否可能存在坏数据。

进一步，所述步骤5中,利用特征曲线校验方法认定宽频装置存在不良数据。

步骤51.对于宽频数据样品集U，计算出该宽频信号数据在同一时刻的最大值与最小值：

上式中，X

步骤52.通过对比提取得到特征曲线：

X

上式中，X

步骤53.与历史数据的电流、电压或谐波最大最小值，应用式(14)可计算出历史数据域的上下限：

上式中，

步骤54.计算出电流、电压或谐波数据可行域的上下限：

上式中，

利用计算出的可行域上下限形成电流、电压或谐波数据的可行域矩阵，该宽频信号的可行域矩阵为：

可行域矩阵的每一列元素

上式中，

当中第个分量满足时，利用式(18)计算待检数据下限：

实施例3

本发明又提供了一个实施例，是一种双源校核的宽频异动识别装置，包括：

采集模块，用于采用拉格朗插值的方法补充SCADA数据进行数据对应；

运算模块一，用于SCADA数据中在相邻两量测值间插值，直到实现两源量测数据的匹配，每一个宽频量测值都有与之对应的SCADA量测值；并将宽频测量值与SCADA量测值插值数据同一节点进行差值计算；

变电站双源校核的宽频异动判别模型，为利用改进的BP神经网络正确数据的差值训练得到的模型，用于收集到的数据校验；

运算模块二，用于将收集到的、已进行对时处理的量测差值输入训练好的支持向量机，通过输出值即可判断是否存在坏数据；利用特征平滑线校验方法认定宽频装置存在不良数据，校验宽频信号是否跳变，确定是否宽频装置数据存在差错。

实施例4

基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1-3所述的任意一种双源校核的宽频异动识别检测方法的步骤。

实施例5

基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1-3所述的任意一种双源校核的宽频异动识别检测方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。