导读:本文包含了不良数据检测与辨识论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:不良,数据,向量,状态,电力系统,接触器,数据挖掘。
不良数据检测与辨识论文文献综述
薄一平[1](2019)在《基于数据挖掘的接触器电寿命不良数据检测辨识算法研究》一文中研究指出随着国民经济的发展以及交流接触器在电气线路中的广泛应用,在故障前就可以预测出交流接触器的电寿命至关重要,以免引起国民经济的重大损失。而系统操作的不良数据影响交流接触器的电寿命预测结果,因此,对交流接触器的电寿命数据质量的要求越来越高,对不良数据检测与辨识准确性也更为重要。本论文研究了基于数据挖掘的交流接触器电寿命不良数据检测与辨识方法,在一定程度上剔除了不良数据,对交流接触器电寿命预测可靠性具有重要意义。研究内容分为以下几点:首先,根据交流接触器的基本原理及退化机理,通过定义具体计算出相应特征参数:接触电阻、吸合时间、弹跳时间、起弧相角、燃弧时间、燃弧能量、平均燃弧功率等。结合了新小波阈值理论和经验模态分解的原理及去噪方法提出了改进的EMD交流接触器退化特征参数提取的方法,对电寿命试验数据进行特征提取、去噪处理,为不良数据检测与辨识作了数据准备。其次,关联规则是非常重要的数据挖掘技术,对其核心思想、基本性质、算法步骤及实现等进行深刻研究,根据其缺陷与不足,建立在基本的关联规则基础之上,提出了一种改进的关联规则算法,并通过实验来证实其改进后关联规则算法的可靠性能及其有效性。最后,通过使用改进的关联规则算法对交流接触器电寿命预处理的特征参数进行数据挖掘。对接触电阻、吸合时间、弹跳时间等参数,进行关联规则挖掘;根据燃弧时间、燃弧能量、平均燃弧功率等参数随起弧相角具有周期性变化,对其进行关联规则挖掘,得到其相应的规则。为了验证识别算法的有效性,人工设置不良数据进行检测与辨识,证实了该算法可对交流接触器电寿命监测数据进行不良数据检测与辨识。最后,对交流接触器电寿命预测新实验数组待辨识的样本进行不良数据检测,采用以上一系列步骤,最终辨识出不良数据,将不良数据剔除。(本文来源于《沈阳工业大学》期刊2019-06-04)
周嘉伦,刘可一,刘晓伟[2](2018)在《电力系统不良数据的检测与辨识算法研究——基于IEEE33含光伏系统仿真计算》一文中研究指出以电力系统状态估计为背景,运用模糊聚类方法构建基于IEEE33含光伏系统仿真计算模型,采用模糊等价矩阵的聚类分析方法编写相关程序,对照仿真结果与理论结果,总结模糊聚类法对不良数据的辨识能力,为电力系统稳定运行提供参考。(本文来源于《农业科技与装备》期刊2018年05期)
钟建伟,刘佳芳,倪俊,吕静[3](2018)在《改进新息图法在不良数据检测与辨识中的应用》一文中研究指出针对连支测量值为不良数据时,传统新息图法检测与辨识过程的无连续性问题,提出基于蚁群算法的改进新息图法。该方法根据配电网的网孔对配电网的支路进行编码,建立独立回路矩阵,通过对连支测量值的自动判断,利用简化的蚁群算法生成新树,对配电网络中的不良数据进行高效地检测与辨识。采用IEEE14节点配电系统对此方法进行验证,并与新息图法进行对比分析,仿真结果证明改进新息图法在时间上的高效性和在检测与辨识上的准确性。(本文来源于《电力系统及其自动化学报》期刊2018年09期)
刘佳芳[4](2018)在《配电网不良数据检测与辨识的改进新息图法研究》一文中研究指出本文结合图论的相关知识,对新息图法在配电网拓扑错误辨识和不良数据的检测与辨识方面进行了深入的研究,旨在优化新息图算法,提供快速准确、高效实用的拓扑错误辨识和不良数据检测与辨识方法,为电力系统提供实时可靠的数据库。首先以图论的相关理论知识为基础,通过建立支路回路关联矩阵,计算连支推算新息向量和差别向量,阐述了新息图法的工作原理。针对新息图法在检测到连支测量值为不良数据时,没有换树方法导致算法不连续的问题,采用快速换树法对新息图法进行了改进,解决了算法不连续问题,提高了算法的计算速度。基于回路,将配电环网中出现的多个相关不良数据分成了两种基本情况,研究了新息图法的检测与辨识原理。针对由新息图法判定相邻回路的连支测量值均为不良数据可能出现的误判情况,采用差别向量复检法对新息图法进行了改进,对由于多次更换连支而产生的多个差别向量依次进行判断,对不良数据的类型和位置进行正确辨识,解决了新息图法的误判问题,提高了算法的正确性。研究了新息图法在辐射配电网中的应用。根据新息图法的检测与辨识原理,通过讨论辐射配电网中环状结构的构建、连支及其测量值的确定,阐述了辐射配电网新息图的形成,分析了辐射配电网中新息图法检测与辨识拓扑错误和不良数据时的新息特征。新息图法可以快速准确地对辐射配电网中的拓扑错误和不良数据进行检测与辨识,拓宽了算法的应用范围,便于电网的安全运行和管理。以上研究都通过了IEEE算例的验证,结果表明了本文所述方法的可行性和有效性,能够为实时电力系统提供一个可靠的数据库,为电力系统的安全、稳定运行提供保障。(本文来源于《湖北民族学院》期刊2018-06-30)
吴加栋[5](2018)在《电力系统状态估计中不良数据检测和辨识方法的研究》一文中研究指出随着电力工业的发展和人民生活水平的提高,电力用户对供电可靠性和电能质量提出了更高的要求。为了提高电网的运行效率和可靠性,现代调度系统需要收集完整且可靠的实时数据进行处理,以利于高级应用软件的在线分析和决策控制。电力系统状态估计是电力系统在线监测、分析和控制功能的核心,在电网调度的智能化分析和决策中扮演重要的角色,状态估计的结果直接影响电网运行分析与决策的正确性与有效性,如何提高状态估计的精度是相关研究的重点内容。但由于布局不合理、通道传输不畅和管理操作不严等原因,量测系统必须对量测数据进行不良数据的检测与辨识。不良数据的检测与辨识是电力系统状态估计的重要功能之一,其目的在于排除量测采样数据中偶然出现的少量不良数据,提高状态估计的可靠性,这对电力系统的安全稳定运行具有十分重要的意义。本文围绕不良数据检测与辨识开展了以下研究:(1)首次提出利用外学生化残差作为判据进行电力系统状态估计不良数据检测与辨识,改进了传统不良数据检测与辨识使用的标准化残差的不足,进行仿真以验证其性能。并且为量测量突变检测法提出两种获取量测量突变检测量的方法。(2)针对使用单一判据检测辨识不良数据的局限性,提出基于减法聚类的FCM算法,综合分析外学生化残差、量测量突变检测量和量测误差的数据特点以进行不良数据检测与辨识,并进行仿真验证。(3)针对基于减法聚类的FCM算法在复杂不良数据情况下无法正确检测辨识不良数据的局限性,提出基于外学生化残差的指数型加权最小二乘法,利用等价权原理改进原算法的计算形式,使用检测辨识不良数据性能更好的外学生化残差代替原算法使用的残差,针对不同不良数据情况对方法进行验证,并将其性能与传统抗差估计方法和基本加权最小二乘法进行分析比较。(本文来源于《华北电力大学(北京)》期刊2018-03-01)
史豪杰[6](2017)在《一种实用的不良数据检测与辨识方法》一文中研究指出电力系统运行数据规模的不断增长,对电力系统不良数据检测与辨识的准确性和效率提出了更高的要求,为此,探讨一种基于电路分析法的不良数据检测与辨识方法。该方法基于电路基础理论,在电力系统模型参数已知的情况下,将各种接线方式简化为节点模型和支路模型,根据断面量测数据之间存在的电气联系,找出适用于任何节点和支路的不良数据检测与辨识算法。仿真算例表明,该算法简单、实用、计算速度快,能够有效检测并辨识不良数据。(本文来源于《广东电力》期刊2017年11期)
吴越嬴[7](2017)在《基于数据挖掘的电力系统不良数据检测与辨识算法研究》一文中研究指出随着电力系统自动化水平的不断提升,电网运行对实时数据质量的要求越来越高,因此针对不良数据的检测与辨识就显得尤为必要。传统的不良数据检测方法基本都是估计后的算法,需要反复进行多次状态估计,计算量较大的同时还有可能造成"残差淹没"或"残差污染"现象,所以较为理想的状态就是在估计前就能把不良数据检测辨识出来,而本文研究的基于关联规则挖掘的不良数据检测与辨识方法可以在一定程度上解决这些问题。本文研究内容主要有以下几点:1)研究传统的不良数据检测与辨识方法,分析它们的局限性与不足之处,根据状态估计前不良数据检测的优越性提出关联规则挖掘算法在这一课题中应用的可行性;2)对关联规则中的经典算法—Apriori算法进行深入研究,分析其不足,并在传统Apriori算法基础上,提出一种改进的多维关联规则算法,并将两种算法进行对比分析,验证改进算法的有效性;3)引进时态关联规则的概念,重点研究其中的一类——周期性关联规则,阐述周期性关联规则的基本思想和算法实现等,并针对基本算法提出改进并将其实现,使能减少不必要的周期性支持度计数、降低时间成本;4)将改进后的关联规则算法应用到估计前不良数据的检测与辨识中:在不知道系统拓扑结构的前提下以历史数据样本为基础,通过关联规则挖掘获得每个时刻对应的量测预测量;之后通过人为设定不良数据的方法进行实验分析,利用时间属性与状态量的相关联系验证当前时刻状态值的正确性,从而验证了本文提出的方法的可行性和有效性。(本文来源于《南京理工大学》期刊2017-01-01)
杨霁[8](2015)在《基于状态预测的电力系统状态估计及不良数据检测与辨识》一文中研究指出电力系统状态估计是电力系统能量管理系统(Energy Management System, EMS)的重要组成部分,在电网调度的智能化分析和决策中发挥着重要的作用。在传统状态估计方法中,仍然面临着一些困难,例如在由于量测缺失而导致冗余度不足时,系统状态估计的效果不理想;或是当关键量测为不良数据,系统因无法对其进行检测并修正而导致状态估计准确性大幅下降;甚至因量测设备或传输系统故障而无法获得关键量测数据时导致系统不可观测,状态估计器不能工作。而基于状态预测的电力系统状态估计可以在一定程度上对上述问题进行解决。本文研究重点如下:1、本文首先对最小二乘支持向量机回归原理进行深入研究。在最小二乘支持向量机回归模型的基础上,对模型参数提出优化方案以提高模型的准确性:本文采用目前比较成熟的粒子群优化算法,以均方误差最小化为目标,对相关模型参数进行寻优,并通过采用系统历史状态数据对回归模型进行训练,从而建立起系统状态预测模型。2、以系统历史状态数据为基础,利用最小二乘支持向量机回归预测模型对系统当前时刻状态量进行预测,并计算获取当前时刻系统量测预测值。针对某些系统存在量测缺失导致冗余度不足以致状态估计效果不理想,以及因关键量测无法获得而导致系统不可观测的问题,本文以量测预测值作为伪量测量加入实际量测中,对系统进行了状态估计。该方法可以恢复系统的量测冗余度,从而保证状态估计工作正常进行。最后进行仿真实验,验证本文方法的有效性。3、在基于最小二乘支持向量机预测模型获取量测预测值的前提下,本文采用标准化新息检测法对不良数据进行了检测与辨识。该方法通过在状态估计前对不良数据进行检测,有效避免残差污染及残差淹没现象。同时,相较于传统估计后残差分析检测方法,该方法可以对为不良数据的关键量测进行有效检测。本文还介绍并对比分析了两种将标准化新息检测法和标准化残差检测法相结合的系统运行状态突变检测方法。最后,通过进行仿真实验,验证了基于状态预测不良数据检测方法及两种突变检测方法的有效性。本文在Matlab平台上,分别以IEEE 14节点和IEEE30节点的输电系统为例进行仿真实验,通过与传统方法的分析比较,验证了本文论证方法的合理性、可行性和有效性。(本文来源于《西南交通大学》期刊2015-05-01)
许勇[9](2015)在《基于PMU的电力系统不良数据检测与辨识》一文中研究指出伴随着电力工业在全球的迅速发展,电力系统拥有更加复杂的运行方式和网络结构,这对电力系统运行的安全性和可靠性提出了更大的挑战。不良数据检测与辨识是电力系统状态估计的重要功能之一,主要目的是为了排除量测采样数据中可能存在的少量不良数据,以提高电力系统运行的稳定性和可靠性。随着基于GPS的PMU量测装置在电力系统中逐步的推广使用,PMU量测数据已成为电网分析的另一个重要的数据来源。利用PMU量测信息能提高整个系统量测冗余度,可以将SCADA中的关键量测量转换为冗余量测量,采取量测量辅助的方式可以对SCADA量测系统中的关键量测量进行不良数据检测,因此,本文主要利用PMU量测信息对PMU完全可观测和PMU部分可观测两个系统中出现不良数据的情况进行了分析,其主要内容如下:1.本文首先对不良数据的基本原理及常见的几种检测与辨识方法进行简单介绍,并通过实验对比分析。2.对于PMU量测量对电力系统完全可观测方面,给出了一种通过修改误差协方差矩阵的差值分析方式来检测与辨识不良数据的方法。主要内容是对PMU量测或SCADA量测中分别出现不良数据的情况进行检测与辨识,并通过实验对该方法进行验证分析。3.对于PMU量测量对电力系统部分可观测方面,给出了一种通过PMU量测信息更新残差协方差矩阵的方式检测与辨识不良数据的方法。主要内容是对SCADA系统中关键量测量存在不良数据的情况进行检测与辨识,并通过实验进行验证分析。(本文来源于《西南交通大学》期刊2015-05-01)
邳浚哲[10](2014)在《不良数据检测辨识及提高状态估计合格率的方法研究》一文中研究指出随着电力系统自动化程度的不断提高,系统对实时量测数据的准确性要求也越来越高。但是由于量测装置故障、数据传送通道不畅等原因,常常会产生一些不良数据,威胁到系统的安全稳定运行。不良数据检测辨识作为状态估计的重要功能之一,可排除偶然出现的错误信息,提高实时数据的可靠性。本文从理论和实践两方面着手,对不良数据检测辨识方法以及提高状态估计合格率的方法进行了深入研究。首先,介绍了不良数据检测辨识的研究现状和基本概念,阐述了几种常用不良数据检测与辨识方法,并对各种方法的基本原理和优缺点进行了简单的分析。其次,引入聚类分析的概念,针对已有算法中存在的不足,提出了一种基于COPS(clusters optimization on preprocessing stage)法的不良数据辨识法。该方法以标准残差Nr和量测突变量ΔZ作为特征值,自底向上地生成不同层次的数据划分,同时利用有效性指标Q(Ck)构建出与之相应的聚类质量曲线,保存具有最优质量的划分作为聚类结果。MATLAB仿真实验表明,该方法可快速准确地辨识不良数据,有效避免残差污染和残差淹没现象,适用于实际电网的需要。最后,结合河北省调度通信中心状态估计维护工作中遇到的各类问题,对提高状态估计合格率的方法进行了研究。以D5000智能电网调度技术支持系统中的状态估计模块为依托,对影响状态估计合格率的主要因素进行了分析。针对各类问题给出了相应的改进措施,并完善了状态估计调试方法。实践表明,本文方法可有效指导自动化维护人员的工作,提高状态估计合格率指标,使状态估计结果满足实用化的需要。(本文来源于《华北电力大学》期刊2014-12-01)
不良数据检测与辨识论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
以电力系统状态估计为背景,运用模糊聚类方法构建基于IEEE33含光伏系统仿真计算模型,采用模糊等价矩阵的聚类分析方法编写相关程序,对照仿真结果与理论结果,总结模糊聚类法对不良数据的辨识能力,为电力系统稳定运行提供参考。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
不良数据检测与辨识论文参考文献
[1].薄一平.基于数据挖掘的接触器电寿命不良数据检测辨识算法研究[D].沈阳工业大学.2019
[2].周嘉伦,刘可一,刘晓伟.电力系统不良数据的检测与辨识算法研究——基于IEEE33含光伏系统仿真计算[J].农业科技与装备.2018
[3].钟建伟,刘佳芳,倪俊,吕静.改进新息图法在不良数据检测与辨识中的应用[J].电力系统及其自动化学报.2018
[4].刘佳芳.配电网不良数据检测与辨识的改进新息图法研究[D].湖北民族学院.2018
[5].吴加栋.电力系统状态估计中不良数据检测和辨识方法的研究[D].华北电力大学(北京).2018
[6].史豪杰.一种实用的不良数据检测与辨识方法[J].广东电力.2017
[7].吴越嬴.基于数据挖掘的电力系统不良数据检测与辨识算法研究[D].南京理工大学.2017
[8].杨霁.基于状态预测的电力系统状态估计及不良数据检测与辨识[D].西南交通大学.2015
[9].许勇.基于PMU的电力系统不良数据检测与辨识[D].西南交通大学.2015
[10].邳浚哲.不良数据检测辨识及提高状态估计合格率的方法研究[D].华北电力大学.2014