GSA间隙统计算法的电力系统不良数据辨识研究(2)

菜单

5 结论 49

致谢 50

参考文献 51

附录 55

1 绪论

1.1 课题的研究意义

当今中国的经济水平在飞跃式的进展、社会在不断进步，群众生活条件也是越来越好，因此国家对于电力行业的要求和依赖也在一步一步的加深，在改革开放的今天电力行业已然得到了飞速发展。与此同时，电力系统的结构和运行方式也在日益改进与发展，这就对电力系统中参与运行的各项指标、实时数据或是运行维修检测技术提出了更高更严格的要求。然而，由于各种不利条件比如说相关软件的未及时更新、工作人员的操作上的失误、机器的人工读取误差等等的原因，电力系统中会出现急待检测与修正的不良或是故障数据。实践表明，电力系统中不良数据的来源主要有：论文网

1) 测量与传送系统存在时而大时而小的波动；

2) 测量与传送系统受到偶然故障；

3) 电力系统在快速运行过程中存在不能同时测量的点。

本文所进行辨识研究的不良数据，会影响电力系统软件环境的性能及电力调度决策，破坏电力系统的正常运行，威胁整个电力系统的安全。综上所述，电力系统不良数据的辨识的目的在于发现并排除在检查时或者运行维修时出现的少量的不良数据，这样就可以提高整个电力系统的安全运行的准确性，确保电力系统长远的发展。

1.2 国内外的研究现状文献综述

1.3 本文的主要研究工作

在本人的接下来的学习、研究中，将主要研究传统的GSA算法在电力系统不良数据检测与辨识中的运用，并针对传统GSA算法参考数据集生成困难、不良数据容易发生误判等的问题，进行研究一种新型的GSA最佳聚类个数判据，称之为肘形判据。该判据与k-means聚类算法相结合应用于不良数据的辨识研究。因为聚类理论中的核心问题就是如何快速准确的确定出最佳的聚类个数。因此通过多种方法选择多种聚类方法对原始数据集进行聚类，利用最大最小距离法来优化初始的聚类中心选取存在缺陷的问题，再利用GSA肘形判据和对其的相应改进估计该组数据集的最佳聚类个数即最终的最优解。由于电力系统不良数据只是偶尔出现，经最佳聚类后，可将聚类平均值最小的聚类组作为正常数据集，其他聚类均视为电力系统不良数据集，实现无教师指导的不良数据辨识。本文的主要研究工作如下:

1) 研究基于GSA算法的电力系统不良数据辨识的相关基本理论和研究现状，并分析不良数据与故障数据的区别。

2) 研究基于GSA算法的电力系统不良数据辨识的原理，进行实例仿真对比，得出最优结论；

3) 基于GSA算法的聚类中心选取中存在的缺陷，分析肘型判据理论，研究肘型判据在GSA方法之上所改进的不足，并进行实例仿真。

2 传统电力系统不良数据辨识方法

2.1 故障数据与不良数据的区别源.自/751·论\文'网·www.751com.cn/

在电力系统不良数据的辨识研究之前，有必要对电力系统中的不良数据与故障数据进行鉴定研究，不良数据与故障数据的区分和相关理论如下：

当今社会，面对日益复杂化的电力系统,故障的存在也会越来越多,也许小小的扰动就会导致电力系统大面积的失衡, 严重时系统可能就失去了稳定，继而瘫痪。电力系统在运行过程中由于受热、环境、人为等因素的影响，加之可能存在的安装和检修维护的不当，容易产生如线路、电缆绝缘老化的危险，进而在线路与系统中形成过大环流产生局部放电的现象，因此大大增加了介电损耗从而产生电力系统的故障[23]。此时产生的电力数据即为故障数据。为了避免供、用电事故，造成人员伤亡，我们国家的电力系统必须采取相应措施以降低电力系统的故障率。工作人员在故障发生前应具有快速准确检测出故障位置和故障类型的能力。当然，由于现如今先进的电力系统维修水平在稳步提升，大多数的故障如电缆故障都可能仅仅是早期故障，而且多半由于是因为可能存在的外力破坏、自身生产过程中的质量问题及安装时出现不当等问题。在这种情况下，进行维修运行的相关人员最关心的问题就是如何通过质量控制和在线的监测，可以轻松做到在故障来临之前就能检测出容易发生故障的部位并分析出潜在问题，来做到及时的保障电力系统的安全稳定的运行。