[发明专利]基于谱聚类的PMU不良数据检测方法

说明书

本发明公开了一种基于谱聚类的PMU不良数据检测方法，包括：基于四点数据斜率特征构建决策树模型，并利用该决策树模型辨识事件数据、以及正常数据和不良数据；对于辨识出的包含正常数据和不良数据的数据集合A，利用3σ准则进行初步筛选，将数据集合划分为A1、A2、与A3三个部分，其中A1部分与A2部分分别为正常数据与不良数据，A3部分中包含了正常数据和不良数据；利用谱聚类的方法，构造数据之间的权重距离矩阵，从而在A3部分中检测出不良数据。该方法能通过数据间的权重准确检测偏差值较小的不良数据。

本申请要求2020-12-28申请的202011576078.X的专利申请的优先权。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于谱聚类的PMU不良数据检测方法。

背景技术

PMU可以为电力系统各类应用提供实时相量数据，如决策控制、振荡检测和状态估计，然而，由于现场环境复杂，受到同步信号抖动、通信协议错误、自然或人为等因素的影响，PMU存在不同程度的数据质量问题。准确检测PMU不良数据对于提高数据质量、保障电力系统安全稳定运行至关重要。目前检测PMU不良数据常用的方法有基于状态估计、基于卡尔曼滤波和基于数据驱动的方法，在这些方法中，基于数据驱动的方法由于不需要系统拓扑和线路参数的先验知识受到广泛关注。

现有的基于数据驱动的方法有基于低秩性、主成分分析和时空相似性等算法，然而它们都需要多台PMU的量测信息，对于某些地区只安装了少量PMU，并且很难获得多台PMU的量测信息的情况不适用；而使用单台PMU的量测来实现不良数据检测的方法有基于集成学习的，基于密度聚类的方法等，然而当不良数据在事件过程中出现时，这些方法可能不适用。

发明内容

本发明的目的是提供一种基于谱聚类的PMU不良数据检测方法，能通过计算数据间的权重距离来构造相似度矩阵，从而准确检测偏差值较小的不良数据。

本发明的目的是通过以下技术方案实现的：

一种基于谱聚类的PMU不良数据检测方法，包括：

基于四点数据斜率特征构建决策树模型，并利用该决策树模型辨识事件数据、以及正常数据和不良数据；

对于辨识出的包含正常数据和不良数据的数据集合A，利用3σ准则进行初步筛选，将数据集合划分为A1、A2、与A3三个部分，其中A1部分与A2部分分别为正常数据与不良数据，A3部分中包含了正常数据和不良数据；

利用谱聚类的方法，构造数据之间的权重距离矩阵，从而在A3部分中检测出不良数据。

由上述本发明提供的技术方案可以看出，能够快速、准确地识别PMU不良数据，并能有效区分事件数据和不良数据，对偏差较小的不良数据也能准确检测，并且纯数据驱动，不需要系统的拓扑和参数的先验信息，因此采用基于谱聚类的PMU不良数据检测方法具有十分显著的优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于谱聚类的PMU不良数据检测方法的流程图；

图2为本发明实施例提供的事件数据、不良数据以及正常数据比较示意图；

图3为本发明实施例提供的不同方法对稳态数据的检测结果比较示意图；

图4为本发明实施例提供的三种方法能检测的偏差范围示意图；

图5为本发明实施例提供的配电网中实测不良数据检测结果比较示意图。

具体实施方式