在DBSCAN+LOF的大扰动工况下PMU装置不良数据检测算法研究

针对传统k-means算法异常点检测算法在大扰动情况下易产生误检、误判的问题,提出基于DBSCAN+LOF的电力系统PMU不良数据检测算法。结果表明:PMU正常数据存在较强的时空相似性,PMU不良数据的时空相似性均较弱,大扰动PMU数据存在较强的空间相似性,但时间相似性较弱;根据3种数据的时空特征,可利用DBSCAN算法检测出异常点,再利用LOF算法计算局部离群因子,通过局部离群因子大小来判别大扰动PMU数据和PMU不良数据;将提出的算法应用到电力系统短路故障中,结果显示在短路故障发生和切除时刻,LOF计算结果显示为大扰动PMU数据,在故障切除后,LOF计算结果显示为PMU不良数据,检测结果与实际情况完全相符,算法是合理有效的。