[发明专利]一种电力系统不良数据的辨识方法及系统

权利要求书

1.一种电力系统不良数据的辨识方法，其特征在于，包括：

将获取的电力系统的网络模型信息和历史数据进行训练，得到神经网络模型；

将获取的当前量测数据带入所述神经网络模型得到量测残差；

对所述量测残差进行聚类分析，辨识电力系统不良数据的数量和位置信息。

2.如权利要求1所述的方法，其特征在于，所述对所述量测残差进行聚类分析，确定电力系统不良数据的数量和位置信息，包括：

将量测残差设定为多个聚类；

根据设定的聚类数量、聚类的间隙值和离散度获得最佳聚类个数；

基于所述最佳聚类个数对所述量测残差进行聚类，得到聚类结果；

在所述聚类结果中确定电力系统不良数据的数量和位置。

3.如权利要求2所述的方法，其特征在于，所述根据设定的聚类数量、聚类的间隙值获得最佳聚类个数，包括：

设定聚类数量为k；

当设定k＝1，此时如果满足下式时，所述最佳聚类个数为1；

gap(k)≥gap(k+1)-s_k+1

当设定k>1时，满足下式的最小k值为最佳聚类个数；

angel(k)＜angel(k+1)

式中：gap(k)：量测残差的k个聚类的间隙值；gap(k+1)：量测残差的k+1个聚类的间隙值；s_k+1：参考数据集的聚类离散度的标准差；angel(k)：lnW(k)～k曲线在k处的夹角；angel(k+1)：lnW(k)～k曲线在k+1处的夹角。

4.如权利要求3所述的方法，其特征在于，所述量测残差的k个聚类的间隙值gap(k)，按下式计算：

gap(k)＝E[lnW_r(k)]-lnW(k)

式中：W_r(k)：参考数据集聚类离散度；W(k)：量测残差的聚类离散度；E[lnW_r(k)]：参考数据集聚类离散度期望值。

5.如权利要求4所述的方法，其特征在于，所述参考数据集聚类离散度期望值E[lnW_r(k)]，按下式计算：

式中：F：参考数据集的个数；W_r,i(k)：表示第i组参考数据的聚类离散值；i：表示参考数据中的第i个；

所述量测残差的聚类离散度W(k)，按下述计算：

式中：a：表示量测残差的聚类中的第a个，a＝1,2,…,k；c_a：第a个量测残差聚类集；|c_a|：第a个聚类中的量测个数；D_a：第a个聚类内数据点间的距离之和。

6.如权利要求5所述的方法，其特征在于，所述第a个聚类内数据点间的距离之和D_a，按下式计算：

式中：i：量测残差聚类集c_a中第i个量测残差值；j：量测残差聚类集c_a中第j个量测残差值；d_i,j：两个量测残差值间的距离。

7.如权利要求5所述的方法，其特征在于，所述参考数据集的聚类离散度的期望E[lnW_r(k)]的标准差，按下式所示：

式中：s_k：参考数据集的聚类离散度的期望E[lnW_r(k)]的标准差；F：参考数据集的个数；sd_k：参考数据集的聚类离散度lnW_r(k)的标准差；

所述参考数据集的聚类离散度lnW_r(k)的标准差sd_k，按下式计算：