基于分层聚合的电力系统不良数据自动辨识.pdf

为了准确分辨电力系统中的不良数据，从而保证电网安全运行，提出了基于分层聚合的电力系统不良数据自动辨识方法。根据电力系统主电路连接形式，计算分层标准与聚合指标的实际数值，完成基于分层聚合的电力系统规划。在此基础上，确定电力数据的不良程度，通过数据加权残差的处理方式，得到具体的辨识标度值，利用该值自动辨识电力系统不良数据。对比实验结果显示，与前推回代追踪辨识方法相比，基于分层聚合的自动辨识方法的辨识准确率较高，能够保证电网安全运行，符合实际应用需求。关键词：分层聚合；不良数据；自动辨识；加权残差；辨识标度值中图分类号：TN929文献标识码：A文章编号：1674-6236（2023）16-0187-04DOI：10.14022/j.issn1674-6236.2023.16.039Automatic identification of bad data in power system based onhierarchical aggregationZHAI Jia，FENG Guanhua，ZHANG Hongfan（State Grid Beijing Customer Service Center，Beijing 100062，China）Abstract:In order to accurately distinguish the bad data in power system and ensure the safe operation ofpower grid，an automatic identification method of bad data in power system based on hierarchicalaggregation is proposed.According to the main circuit connection form of power system，the actual valuesof hierarchical standard and aggregation index are calculated，and the power system planning based onhierarchical aggregation is completed.On this basis，the bad degree of power data is determined，and thespecific identification scale value is obtained through the processing method of data weighted residual，which is used to automatically identify the bad data of power system.The comparative experimentalresults show that compared with the forward push back tracking identification method，the automaticidentification method based on hierarchical aggregation has higher identification accuracy，can ensurethe safe operation of power grid and meet the needs of practical application.Keywords:hierarchical aggregation；bad data；automatic identification；weighted residual error；identifythe scale value-187电子设计工程 2023年第16期差、电信号传输不及时等外界因素，极易导致不良信息参量出现，且随着电网运行时间的增加，这些数据会在数据库主机中大量堆积，从而对电网主机的稳定运行能力造成一定的不利影响2。传统前推回代型追踪辨识方法通过统计电力数据传输能力的方式，确定不良数据所处位置，再借助物理信道组织，将这些信息参量反馈至既定存储位置，以此实现不良数据辨识3。然而该方法的应用能力有限，其对于不良数据的分辨准确度始终不能达到实际应用标准。为解决上述问题，设计基于分层聚合的电力系统不良数据自动辨识方法，并通过对比实验的方式，验证该方法的实际应用价值。1基于分层聚合的电力系统规划在分层聚合思想的支持下，电力系统规划包含主电路连接、分层标准制定、聚合指标计算三个执行环节。1.1主电路连接主电路体系负责电力系统中的电量信号供应，以 MAX811T 芯片作为核心搭建结构。在实际应用过程中，整个主电路体系中包含多个R消耗电阻，其中一部分电阻负责点传输电量信号的处理，另一部分电阻则负责更改供应电流的传输方向，在复位子回路的作用下，这些电阻结构能够整合一切可利用的电信号资源，并可借助传输信道，将这些信号参量反馈回 MAX811T 主芯片中4-5。电信号聚合器具备一定的电量感应能力，可与 MAX811T 芯片直接相连，并可调取其中的电流与电压参量。完整的连接示意图如图1所示。图1主电路示意图在电力应用系统中，主电路存在于高压输入端与低压输出端之间，且连接位置不会随不良数据传输行为的改变而出现变化。1.2分层标准制定分层标准约束了电力系统不良数据的传输能力，在分层聚合算法作用下，分层标准的实际取值越大，不良数据对于电量系统的攻击能力也就越强，此时主机元件对于这些数据参量的辨识意愿也就更强。在不考虑其他干扰条件的情况下，分层标准计算结果只受到电力不良数据分类权限、信息分辨指标两项物理系数的直接影响6-7。假设电力不良数据分类权限为，若考虑分层聚合算法的作用能力，该项指标参量的取值结果始终处于)1,e之间。信息分辨指标为，一般情况下，该项指标参量的取值结果越大，分层标准的数值计算标准也就越细致。联立上述物理量，可将分层聚合算法的分层标准计算结果表示为：s=exp-r-h(p)22（1）式中，r表示权限下的不良数据标记指标，h表示初始标记向量，p 表示单位时间内的不良数据传输均值。在电网运行环境中，分层聚合算法的应用必须参考分层标准的数值精度水平。1.3聚合指标计算聚合指标作为分层标准的补充说明条件，其对于分层聚合算法的影响相对较弱，在既定的电网运行环境中，该项物理系数的取值区间较为局限，其值并不会随电力系统不良数据传输水平的增加而明显增大8-9。设w表示电力系统不良数据的聚合分类条件，在考虑分层聚合能力的情况下，w1的不等式条件恒成立。y表示电网运行环境中的不良数据传输特征值，d表示主电路体系中的电信号单位传输量，w表示电力系统对于不良数据的判别标准。在上述物理量的支持下，联立式（1），可将分层聚合算法的聚合指标表示为：j=w=1+sy2wd（2）对于电力系统主机而言，聚合指标选取结果将直接影响分层聚合算法的实际能力。2自动辨识算法在电力系统应用环境中，联合分层聚合算法，对信息不良水平进行计算，再根据加权残差统计标准，确定辨识标度的具体数值，从而完成基于分层聚合的电力系统不良数据自动辨识方法的设计。2.1电力数据不良性计算电力数据不良性通常指的是电力系统中存在的-188各种问题或异常情况，可能导致电力系统的不稳定、不可靠或不安全。在分层聚合算法的作用下，数据自身的不良性越强，电力主机对于该类型数据参量的辨识作用行为也就越明显10-11。设gmax表示分层聚合权限的最大数值反馈结果，gmin表示分层聚合权限的最小数值反馈结果，在电力系统运行环境中，gmaxgmin且gmaxgmin的不等式条件恒成立。表示电力系统主机中不良传输数据的拆分统计项系数，且指标的取值结果恒大于自然数1。Q表示基于分层聚合算法的数据不良性特征值，联立上述物理量，可将电力数据不良性表达式定义为：M=j-gmax2-gmin2|Q2（3）不良性价值决定了电力系统不良数据的实际传输能力，该值能够帮助电网主机对不良数据参量进行判别与处理12。2.2不良数据加权残差不良数据加权残差也称之为不良电力数据辨识误差，对于电力主机而言，该项指标参量能够决定自动辨识指令的执行强度，并可在不良性原则标准的作用下，完成对已存储数据的分析与处理13-14。假设表示电力系统主机对于不良数据的辨识阈值，其取值结果会随着分层聚合算法作用强度的变化而不断改变。b表示电力系统主机在单位时间内所能感知到的不良数据传输均值，一般来说，该项物理系数的取值结果越大，不良数据加权残差的计算数值也就越大。在上述物理量的支持下，联立式（3），可将不良数据加权残差表达式定义为：K=12M-(b)2fl-1（4）其中，f表示电力系统主机对于不良数据的自动化判别权限，l表示辨识系数。在考虑电力数据不良性的情况下，可认为加权残差的物理计算值越大，电力系统主机对于分层聚合算法的适应性能力也就越强。2.3辨识标度值辨识标度值决定了电力系统主机对于不良数据的承载能力，在分层聚合算法的作用下，辨识主机对于不良数据参考的分辨精度水平越高，则表示辨识标度值的取值结果越大，此时，电力系统不良数据的瞬时传输能力也就相对较强15-16。设表示分层聚合算法量化系数的最小值，若考虑分层聚合算法的实际作用能力，则1的不等式条件恒成立。假设、表示两个不同的电力系统不良数据自动化分辨参量，u表示参量取值为时的不良数据辨识权限，u表示参量取值为时的不良数据辨识权限，A表示既定不良数据标度。在上述物理量的支持下，联立式（4），可以得到电力系统不良数据辨识标度值计算结果：Z=1K=1+lnuu(A-1)2（5）至此，完成各项物理系数指标的计算与处理，在分层聚合算法的支持下，实现电力系统不良数据自动辨识方法的设计。3实例分析选取如图 2 所示的供电柜主机作为实验对象。首先，将分层聚合算法控制程序输入实验用供电柜主机中，所得各项实验数据作为实验组变量；其次，将前推回代追踪算法控制程序输入实验用供电柜主机中，所得各项实验数据作为对照组变量；然后，控制其他干扰变量完全保持一致；最后，通过进行相关实验，得到实验组、对照组实验结果。图2供电柜主机电力系统不良数据分辨准确率能够描述电网应用环境的运行稳定性，一般来说，不良数据分辨准确率越高，电网应用环境的运行稳定性也就越强。电力系统不良数据分辨准确率的物理计算式如下：=I0U0100%（6）其中，I0表示不同方法分辨出的电力系统不良数据数量，U0表示电力系统不良数据总量。图 3 反映了实验组、对照组电流有效值的数值变化情况。翟 佳，等基于分层聚合的电力系统不良数据自动辨识-189电子设计工程 2023年第16期图3电流有效值分析图 3 可知，实验组电流有效值的变化形式相对较为稳定，整个实验过程中的最大取值结果为56.91 A、最小取值结果为 54.33 A，二者差值仅为2.58 A。对照组电流有效值的变化波动性更强，整个实验过程中的最大取值结果为 49.50 A、最小取值结果为33.00 A，二者差值为16.50 A。图 4 反映了实验组、对照组电压有效值的变化情况。图4电压有效值分析图 4可知，整个实验过程中，实验组电压有效值的平均水平相对较低，全局最大值仅能达到420 V；对照组电压有效值的平均水平相对较高，最大值达到了500 V，与实验组极值相比上升了80 V。联合图 3、图 4对电力系统不良数据分辨准确率指标进行计算，具体数值结果如表1所示。分析表 1可知，在整个实验过程中，实验组电力系统不良数据分辨准确率指标的均值水平相对较高，而对照组准确率指标的均值水平相对较低。综上可知，随着基于分层聚合的自动辨识的应用，电力系统不良数据分辨准确率指标始终保持在较高的水平，与前推回代追踪辨识方法相比，更符合稳定电网运行环境的实际应用需求，可以保证电网的安全稳定运行。4结束语在分层聚合算法的作用下，电力系统不良数据自动辨识方法针对主电路连接现状进行改进，在此基础上根据不良数据加权残差指标的计算结果，确定辨识标度的具体数值。以此实现电力系统不良数据自动辨识。从实用性角度来看，这种新型辨识方法能够有效提升不良数据分辨准确率，对维护电网运行环境的稳定性能够起到较强的作用。参考文献：1 方睿,董树锋,唐坤杰,等.基于最大测点正常率与GPU并行加速的不良数据辨识方法J.电力系统自动化,2019,43(16):86-93,115.2 李永攀,彭伟伦,门锟,等.基于多视角低秩分析的电力状态不良数据检测J.电子科技大学学报,2019,48(3):361-365.3 陈文超,黄武浩,郑伟彦,等.复杂状态估计不良数据的前推回代追踪辨识方法J.电力系统及其自动化学报,2020,32(1):116-124.4 刘雯静,杨军,袁文,等.一种基于PMU和SCADA单节点互校核的前端数据辨识框架J.电力系统保护与控制,2020,48(8):1-9.5 阮振,吕林,刘友波,等.考虑负荷数据虚假注入的电力信息物理系统协同攻击模型J.电力自动化设备,2019,39(2):181-187.6 王聪,张宏立,范文慧.基于参数观测器的不确定混沌电力系统参数辨识J.太阳能学报,2019,40(4):1067-1075.7 李雪,姜涛,陈厚合,等.基于图分割的电力系统同调机群辨识新方法J.中国电机工程学报,2019,39(23):6815-6825,7095.表1电力系统不良数据分辨准确率实验时间/min51015202530不良数据分辨准确率（%）对照组85.7183.5584.4784.7583.7586.46实验组99.9097.3398.6397.7097.2596.32（下转第195页）-190参考文献：1 李波,李凯,钟苏生,等.基于电网多源数据融合的深度学习算法研究与应用J.电子设计工程,2021,29(10):116-119,124.2 王智伟,王利,黄观文,等.基于BP神经网络的滑坡监测多源异构数据融合算法研究J.地质力学学报,2020,26(4):575-582.3 王宇,高吉普,林呈辉,等.基于多源数据融合的电网故障智能诊断方法研究J.电子器件,2020,43(2):304-308.4 赵维兴,熊楠,宁楠,等.基于多源信息融合的电网多层智能故障诊断方法J.南方电网技术,2021,15(9):9-15.5 彭晖,吴涛,史浩秋,等.新一代电网调控系统分析决策中心多活数据同步设计与实现J.电力系统自动化,2020,44(16):98-104.6 汪文达,刘宏君,文明浩.配电网分布式源业务流即时处理技术研究J.电测与仪表,2020,57(12):27-31.7 谈林涛,李军良,任昺,等.基于RB-XGBoost算法的智能电网调度控制系统健康度评价模型J.电力自动化设备,2020,40(2):189-195.8 叶鹤林,刘松,胡剑,等.基于IGDT的含光热电站电力系统多源联合调度策略J.电力系统保护与控制,2021,49(23):35-43.9 王宇,徐长宝,祝健杨,等.基于改进 Petri 网和Hilbert变换的多源信息融合电网故障诊断方法J.电测与仪表,2021,58(6):125-129.10张雪琴,盛晨兴,欧阳武.基于证据推理的电力推进系统轴承多特征融合故障诊断研究J.武汉理工大学学报,2021,43(4):27-34.11徐济宣,马辉,冯小凯.轴承故障的多源异构数据特征级融合诊断方法J.机械设计与制造,2021(9):150-154,159.12贠韫韵,董海鹰,陈钊,等.考虑随机性及光热电站参与的多源发电系统两阶段随机优化调度J.电力系统保护与控制,2020,48(4):30-38.13崔杨,张家瑞,仲悟之,等.考虑源-荷多时间尺度协调优化的大规模风电接入多源电力系统调度策略J.电网技术,2021,45(5):1828-1836.14杨晓萍,王旭花,薛媛,等.基于能量可实现的多源电力系统短期优化调度J.太阳能学报,2020,41(5):91-97.15任昺,高欣,贾欣,等.一种基于信息差异图模型的电力调度自动化系统故障溯源方法J.电网技术,2021,45(12):4808-4817.16范士雄,刘幸蔚,於益军,等.基于多源数据和模型融合的超短期母线负荷预测方法J.电网技术,2021,45(1):243-250.17苏超,杨强.基于多视图稀疏特征选择的架空输电线路故障原因判别J.智慧电力,2023,51(3):96-103.（上接第190页）8 李雪,于洋,姜涛,等.基于稀疏增强动态解耦的电力系统振荡模式与模态辨识方法J.电工技术学报,2021,36(13):2832-2843.9 王立永,纪斌,吴红林.基于改进排列熵算法的电力系统设备状态智能识别研究J.电气传动,2021,51(21):76-80.10苑开波,罗萍萍,王高猛,等.基于灰色关联分析法的电力系统隐蔽性数据攻击检测新方法J.电工电能新技术,2019,38(1):17-23.11丁勇,王冰尧,袁方,等.支持第三方仲裁的智能电网数据安全聚合方案J.电子学报,2020,48(2):350-358.12吴昊,朱自伟.基于熵权-层次分析法综合指标的电网关键线路辨识J.中国电力,2020,53(5):39-47,55.13吴忠强,张伟.基于终端滑模模糊神经网络的电力系统负荷频率控制研究J.模糊系统与数学,2019,33(5):43-58.14康英伟,刘向伟,郑鹏远,等.基于PMI变量选择方法和NSDE算法的SCR系统模型辨识J.热能动力工程,2019,34(2):75-81.15康英伟,孙智滨,常俊.基于改进差分进化算法的湿法烟气脱硫系统模型辨识J.动力工程学报,2019,39(10):834-839.16荣智海,齐波,张鹏,等.基于核主成分分析的油色谱在线监测装置异常状态快速辨识J.高电压技术,2019,45(10):3308-3316.陈方之，等基于BN算法的电力调度多源故障数据融合研究-195