[发明专利]一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法

说明书

一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法，属于数据处理技术领域。首先，整理原始量测数据，建立电力系统的动态模型。其次，建立容积卡尔曼滤波CKF基本方程，得到数据清洗要用到的前期准备数据。再次，对k+1时刻的电力系统量测装置采集到的原始量测数据z_k+1进行不良数据辨识、修正过程；对k+1时刻的原始量测数据z_k+1进行数据清洗。最后，计算得到下一时刻数据清洗的前期准备数据，并对下一时刻的电力系统量测数据进行清洗，得到数据清洗值的集合。本发明考虑量测数据之间的相关性，通过将突变数据辨识过程与数据相关性强弱程度辨识过程进行结合，对波动型数据和不良数据进行区分，并通过修正因子对不良数据完成清洗，提高数据清洗准确性。

技术领域

本发明属于数据处理技术领域，涉及电力系统数据清洗方法，特别涉及到一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法。

背景技术

数据清洗，就是对缺失、错误数据等不良数据的辨识修正过程，即对“脏”数据的“清洗”过程，将“脏”数据补全或更正为更接近真实数据的可靠数据。由于电力系统量测误差及数据传输干扰等问题，通过量测装置最终收集得到的量测数据不可避免会存在“脏”数据。如果不对“脏”数据加以处理便直接使用，将会对后续分析带来巨大的误差。目前大多直接将超过量测标准差一定倍数的突变数据当作“脏”数据，但是随着风电等新能源并网趋势的发展，这种具有随机性、间歇性的新能源出力将导致电力系统功率产生波动，量测数据也随之成为变化不稳定的波动型数据。因此，目前电力系统中的突变数据不仅包括“脏”数据，还包含了大量量测正确的波动型数据，若不加区分的对所有突变数据进行数据清洗，可能反而会把正确数据处理成“脏”数据。

发明内容

本发明目的是在对量测数据的数据清洗过程中，提出一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法，该方法考虑量测数据之间的相关性，通过将突变数据辨识过程与数据相关性强弱程度辨识过程进行结合，对波动型数据和不良数据进行区分，并通过修正因子对不良数据完成清洗，提高数据清洗准确性。

为了达到上述目的，本发明的技术方案是：

一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法，包括以下步骤：

步骤1：整理原始量测数据。在某一时刻时，通过电力系统量测装置采集得到原始数据组成的向量为z，设定需要数据清洗的时刻个数为N，即得到需要清洗的总数据集合为{z₁，z₂，z₃，…，z_N}。以k代表时刻，则需要利用k时刻的数据对k+1时刻进行预测，从而对k+1时刻的数据z_k+1进行清洗。

步骤2：建立电力系统的动态模型，得到电力系统动态方程和量测方程如下所示：

x_k+1＝f(x_k)+q_k (1)

z_k+1＝h(x_k+1)+r_k+1 (2)

式中：k表示时刻；x_k和x_k+1分别是k时刻和k+1时刻的状态向量，包括电力系统电压幅值、相角等；z_k+1是k+1时刻的量测向量，包括电力系统功率、电压等；f(·)和h(·)分别是电力系统的状态转移函数和量测函数；q_k和r_k+1分别为k时刻的过程噪声和k+1时刻的量测噪声，满足均值为0、方差阵分别为Q和R的正态分布。

步骤3：设定起始时刻k＝1，则k+1＝2，表示利用第1个时刻的前期准备数据，对第2个时刻的数据z₂进行清洗。