新一代智能变电站使用采集执行单元统一采样,后续设备都将依赖此装置数据,因此该装置采样环节产生的异常数据会影响变电站保护、测控等多个系统的正常运行。如何高效地识别这些异常数据是电力系统采样中至关重要的部分,也是智能变电站...新一代智能变电站使用采集执行单元统一采样,后续设备都将依赖此装置数据,因此该装置采样环节产生的异常数据会影响变电站保护、测控等多个系统的正常运行。如何高效地识别这些异常数据是电力系统采样中至关重要的部分,也是智能变电站安全性和稳定性的基础。传统的异常数据检测方法主要设计用于处理低采样率场景下偶尔出现的异常采样点。随着智能变电站采样率的提高和电磁干扰问题的加剧,采样时连续多个采样点同时异常成为普遍现象。这使得原有识别算法准确率降低,而未被识别的异常数据可能会造成后续测控装置精度降低甚至保护装置误动。针对传统检测方法的不足,提出基于密度的噪声空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的交流采样异常数据识别实时算法。该算法利用异常数据与正常数据的空间密度差异,有效区分出密度较低的异常采样点,从而实现智能变电站异常采样数据的识别。相比于传统方法,所提方法在采样异常数据识别上具有更准确的结果。展开更多
文摘新一代智能变电站使用采集执行单元统一采样,后续设备都将依赖此装置数据,因此该装置采样环节产生的异常数据会影响变电站保护、测控等多个系统的正常运行。如何高效地识别这些异常数据是电力系统采样中至关重要的部分,也是智能变电站安全性和稳定性的基础。传统的异常数据检测方法主要设计用于处理低采样率场景下偶尔出现的异常采样点。随着智能变电站采样率的提高和电磁干扰问题的加剧,采样时连续多个采样点同时异常成为普遍现象。这使得原有识别算法准确率降低,而未被识别的异常数据可能会造成后续测控装置精度降低甚至保护装置误动。针对传统检测方法的不足,提出基于密度的噪声空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的交流采样异常数据识别实时算法。该算法利用异常数据与正常数据的空间密度差异,有效区分出密度较低的异常采样点,从而实现智能变电站异常采样数据的识别。相比于传统方法,所提方法在采样异常数据识别上具有更准确的结果。