本文選題：不良數(shù)據(jù) + 時間序列��； 參考：《東南大學(xué)》2015年碩士論文

【摘要】：隨著智能電網(wǎng)的迅速發(fā)展,電力系統(tǒng)的自動化水平顯著提升,電網(wǎng)運行越來越依賴數(shù)據(jù)信息,為了保證電網(wǎng)能夠安全穩(wěn)定的運行,需要提高這些數(shù)據(jù)的質(zhì)量。本文針對辨識和修正不良數(shù)據(jù)的方法進行以下幾個方面的分析研究。首先闡述了辨識與修正電力系統(tǒng)中不良數(shù)據(jù)的國內(nèi)和國外的研究現(xiàn)狀,通過對國內(nèi)外研究方法的分析,又基于電力系統(tǒng)中數(shù)據(jù)的時間序列特性,提出了從時間序列的角度出發(fā),探索如何辨識與修正不良數(shù)據(jù)。然后論文介紹了時間序列分析的基本概念、時間序列的基本模型和時間序列分析建模的理論方法,為辨識和修正電力系統(tǒng)中的不良數(shù)據(jù)奠定了理論基礎(chǔ)。電力系統(tǒng)中的數(shù)據(jù)可以看成是既包含規(guī)律性又包含隨機性的時間序列,為此本文提出了基于時間序列分析的電力系統(tǒng)不良數(shù)據(jù)辨識方法。首先利用Lagrange插值法修補缺失數(shù)據(jù),完成對數(shù)據(jù)的預(yù)處理；然后利用ARMA模型對預(yù)處理后的數(shù)據(jù)進行擬合,實現(xiàn)對電力數(shù)據(jù)統(tǒng)計規(guī)律的描述；最后根據(jù)不良數(shù)據(jù)一般都具有較大的擬合殘差的特點,采用設(shè)定誤差辨識區(qū)間的方法實現(xiàn)對電力系統(tǒng)中不良數(shù)據(jù)的辨識。根據(jù)不良數(shù)據(jù)不同的類型和個數(shù),提出分別采用功率平衡法以及采用RBF神經(jīng)網(wǎng)絡(luò)法完成對不良數(shù)據(jù)的修正。其中運用功率平衡的修正方法是依據(jù)KCL與KVL定律,利用功率平衡原理修正單個不良數(shù)據(jù)；利用RBF神經(jīng)網(wǎng)絡(luò)的修正方法是基于網(wǎng)絡(luò)強大的學(xué)習(xí)能力,通過訓(xùn)練好的網(wǎng)絡(luò)修正各種類型的不良數(shù)據(jù)。以電力系統(tǒng)中實際量測數(shù)據(jù)為例進行仿真分析,驗證了本文提出的電力系統(tǒng)不良數(shù)據(jù)辨識和修正方法的可行性和有效性。
[Abstract]:With the rapid development of smart grid, the automation level of power system has been improved significantly. The operation of power grid is more and more dependent on data information. In order to ensure the safe and stable operation of power grid, the quality of these data should be improved. In this paper, the methods of identifying and correcting bad data are analyzed and studied in the following aspects. Firstly, the domestic and foreign research status of identifying and correcting bad data in power system is expounded. Through the analysis of research methods at home and abroad, and based on the characteristics of time series of data in power system, the paper puts forward the point of view of time series. Explore how to identify and correct bad data. Then the paper introduces the basic concept of time series analysis, the basic model of time series and the theoretical method of time series analysis modeling, which lays a theoretical foundation for the identification and correction of bad data in power system. The data in power system can be regarded as a time series containing both regularity and randomness. In this paper, a method for identifying bad data of power system based on time series analysis is proposed. Firstly, the missing data is repaired by Lagrange interpolation method, and the data preprocessing is completed, then the data after preprocessing is fitted by ARMA model to describe the statistical law of power data. Finally, according to the feature that bad data generally have large fitting residuals, the method of setting error identification interval is used to realize the identification of bad data in power system. According to the different types and numbers of bad data, the power balance method and RBF neural network method are used to correct the bad data respectively. The correction method of power balance is based on the law of KCL and KVL, and the principle of power balance is used to correct single bad data, and the correction method of RBF neural network is based on the strong learning ability of network. Correct various types of bad data through trained networks. Taking the actual measurement data in power system as an example, the feasibility and effectiveness of the proposed method for identification and correction of power system bad data are verified.
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM732

【相似文獻】

相關(guān)期刊論文 前10條

1 ;2009年度(第七屆)國際水利先進技術(shù)(產(chǎn)品)推介會推介技術(shù)[J];中國水利;2009年09期

2 胡志斌;時間序列的非線性測試及其應(yīng)用[J];武漢水利電力大學(xué)(宜昌)學(xué)報;1997年03期

3 胡志斌;時間序列的非線性測試及其應(yīng)用[J];武漢水利電力大學(xué)(宜昌)學(xué)報;1998年04期

4 石巖,胡昌振,馬寶華,譚惠民;模糊時間序列的最優(yōu)預(yù)測方法[J];探測與控制學(xué)報;1999年03期

5 孫青華,張世英;長記憶向量時間序列的非線性協(xié)整關(guān)系研究[J];天津大學(xué)學(xué)報;2002年03期

6 于景華,田立新;混沌時間序列及其在能源系統(tǒng)中的應(yīng)用[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2002年04期

7 曹廣喜;;向量分整時間序列的協(xié)整關(guān)系探討[J];河海大學(xué)學(xué)報(自然科學(xué)版);2006年04期

8 許娜;商朋見;胡廣生;;氣溫變化時間序列的復(fù)雜性分析[J];北京交通大學(xué)學(xué)報;2008年03期

9 熊有倫,楊叔子,王躍科;復(fù)時間序列與主軸回轉(zhuǎn)精度[J];華中工學(xué)院學(xué)報;1987年02期

10 陳章潮;用時間序列預(yù)測電力系統(tǒng)負(fù)荷[J];電力系統(tǒng)自動化;1982年04期

相關(guān)會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 馬培蓓;紀(jì)軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學(xué)會決策科學(xué)專業(yè)委員會第六屆學(xué)術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責(zé)任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀(jì)數(shù)量經(jīng)濟學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

相關(guān)重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀(jì)經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關(guān)博士學(xué)位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學(xué);2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學(xué);2015年

4 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 楊婷婷;用Argo浮標(biāo)結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學(xué)院研究生院(海洋研究所);2015年

6 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預(yù)測的研究[D];天津大學(xué);2003年

7 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學(xué);2012年

8 周勇;時間序列時序關(guān)聯(lián)規(guī)則挖掘研究[D];西南財經(jīng)大學(xué);2008年

9 張勇;時間序列模式匹配技術(shù)研究[D];華中科技大學(xué);2012年

10 董曉莉;時間序列數(shù)據(jù)挖掘相似性度量和周期模式挖掘研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學(xué);2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學(xué);2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學(xué);2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標(biāo)研究[D];中國地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學(xué);2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學(xué);2015年

，

本文編號：1909247