【学术】智能配电网大数据应用需求和场景分析研究
中国电力科学研究院的研究人员刘科研、盛万兴等，在2015年第2期《中国电机工程学报》上撰文，智能配电网中存在大量异构多源的数据，其中的数据规模和特点符合大数据的各项特征。首先总结配电网大数据的来源和特征
3 配电网多源数据融合中的不良数据辨识
3.1 不良数据检测与辨识方法
不良数据检测是指判断某次量测采样中是否存在不良数据。不良数据辨识是指在发现某次量测采样中存在不良数据后，确定哪个(或哪些)量测是不良数据。不良数据的处理已经成为一个热门课题，目前国内外已经提出多种不良数据检测与辨识的方法，大致分为以下2 类：
1)传统的不良数据检测方法包括目标函数极值检测法、加权残差法、检测法或标准化残差检测法、量测量突变检测法等。传统的不良数据辨识方法主要有残差搜索法、非二次准则法、零残差法、估计辨识法等;
2)相对传统的一些新理论和新方法主要有基于数据挖掘的模糊数学法、神经网络法、聚类分析法、间隙统计法等。这些方法大多针对传统配电网比较简单的小规模结构化数据。随着智能配电网规模的不断扩大、分布式电源的接入以及网络技术在配电系统中的广泛应用，对于配电网中达到大数据级别的不良数据的检测与辨识，传统方法很难达到处理需求。
3.2 基于多源数据的不良数据辨识方法
根据配电网大数据多源、多渠道的特点，可基于不同来源的数据进行互校核，实现不良数据的检测与辨识，包括电度量和量测量的互校核、不同数据系统间的互校核方法、不同结构数据的互校核等，如图3所示。
图3 基于多源数据融合的不良数据辨识方法
1)基于电度量与量测量互校核的不良数据检测方法。(略)
2)基于不同系统间数据互校核的不良数据检测方法。
配电网多源数据按获得来源分，可分为来自不同系统的数据，来自不同系统间的数据可以进行互校核。如可结合配电网管理信息系统、生产管理系统的信息以及低压台区互联信息，确定配变用电类型，按照不同行业需量系数和典型日负荷曲线可拟合出该配变负荷曲线。
免责声明：本文仅代表作者个人观点，与本站无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
我要收藏
个赞
