[发明专利]一种基于变权秩和近似相等特性的同期线损异常数据辨识方法

权利要求书

1.一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述同期线损异常数据辨识方法包括以下步骤：

S1：求取与同期线损数据序列同时间尺度的理论线损功率数据序列，并进行功率-电量转换；

S2：求取同期线损与理论线损差异平均值，并形成差异序列集合；

S3：采用离散编秩法对差异序列集合中的元素按照绝对值大小进行编秩；

S4：采用惩罚变权方法对差异元素相应秩进行赋权，并计算变权正、负秩和；

S5：根据正、负秩和的大小相对关系，分析正常无异常数据时的正、负秩和近似相等特性及含异常数据时的正、负秩和异常特征；

S6：基于此，求取异常数据秩和差异阈值，辨识是否存在异常数据，并重复上述步骤，确定异常数据位置。

2.根据权利要求1所述的一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述S1包括以下步骤：

S101：计算与同期线损数据序列同时间尺度的理论线损功率数据序列；

按15min时间尺度计算理论线损，不同电压等级采用的理论线损计算方法不同；220kV以上电压等级采用潮流法计算，35kV以上及220kV以下电压等级采用前推后代法计算；

S102：对理论线损功率序列进行功率电量转换，形成与同期线损数据序列同时间尺度的理论线损电量数据序列。

3.根据权利要求1所述的一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述S2包括以下步骤：

S201：计算同期线损与理论线损元素差异平均值；

S202：构造同期线损与理论线损差异电量序列。

4.根据权利要求1所述的一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述S3包括以下步骤：

对ΔL中的元素按绝对值从小到大排序，得到新的编号，不妨设ΔL_i对应的新编号为SN(ΔL_i)，则的秩为：

R(ΔL_i)＝sgn(ΔL_i)·SN(ΔL_i)

式中，ΔL_i为差异电量序列集合中的元素；sgn(x)为符号函数，其计算公式为：

5.根据权利要求1所述的一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述S4包括以下步骤：

S401：计算差异元素相应秩的惩罚变权函数值，计算公式如下：

式中，为惩罚变权因子，其与ΔL的概率密度函数有关，计算公式为：

易知，为线损差异率的累计概率函数，其取值为[0，1]，故0≤Φ≤1，满足变权因子在[0，1]的取值条件；

S402：计算变权正、负“秩和”，计算公式如下：

式中，为差异元素ΔL_i的权值。

6.根据权利要求1所述的一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述S5包括以下步骤：

S501：分析正常无异常数据时变权正、负秩和近似相等特性；

如果同期线损系统数据质量较高，则其统计得到的同期线损电量与理论线损电量的差值应该随机地、均匀地分布在零的邻域内，故差值序列的秩值应均匀的分布在[-n，+n]之间，差值的总体分布应是对称的，而权值与差值相关，也呈对称性，故变权正、负秩和相差不应悬殊，即在正常无异常数据的情况下，正秩和与负秩和的绝对值近似相等，即

S502：分析同期线损数据集合含异常数据时，正、负秩和异常特征；

当同期系统中存在异常数据时会造成变权正秩和明显大于、小于或者不等于负秩和绝对值的现象，破坏上述秩和近似相等特性。

7.根据权利要求1所述的一种基于变权秩和近似相等特性的同期线损异常数据辨识方法，其特征在于，所述S6包括以下步骤：

当且仅当正秩和的观察值r⁺满足下式时，认为同期线损系统数据质量良好，无异常数据；

C_L≤r⁺≤C_U

式中，C_L为正秩和r⁺的下限阈值；C_U为正秩和r⁺的上限阈值；

进行异常数据辨识的关键就是确定上述两个阈值；

S601：首先计算仅考虑误判概率α的α阈值，计算公式如下：

式中，为样本中不存在异常数据时，R⁺的概率密度分布函数，其可根据历史数据计算，与样本容量n有关，为对称分布函数；

S602：然后计算考虑漏判概率β的β阈值，计算公式如下；

式中，为样本中存在异常数据时，R⁺的概率密度分布函数，该概率密度函数根据历史数据计算，与样本容量n有关；为偏态双峰对称分布函数，多数情况下远离中间值；

S603：最后计算综合考虑误判概率α和漏判概率β的α∩β阈值，分三种情况计算

①当时，α∩β阈值需要折衷，选取α阈值和β阈值的加权平均值：

②当时，α∩β阈值为：

③当时，α阈值和β阈值均恰好满足要求，α∩β阈值为：

S604：采用二分法逐渐缩小样本，重复上述步骤，确定异常数据位置。