楊建平,肖 飛,葉 康,齊敬先,曹越峰

1(國網(wǎng)上海市電力公司,上海 200122)

2(南瑞集團(tuán)公司(國網(wǎng)電力科學(xué)研究院),南京 211000)

基于改進(jìn)局部異常因子算法的拓?fù)浔孀R技術(shù)①

楊建平1,肖 飛1,葉 康1,齊敬先2,曹越峰2

1(國網(wǎng)上海市電力公司,上海 200122)

2(南瑞集團(tuán)公司(國網(wǎng)電力科學(xué)研究院),南京 211000)

針對電網(wǎng)中的拓?fù)溴e(cuò)誤和不良遙測信息嚴(yán)重影響電網(wǎng)的安全運(yùn)行的現(xiàn)象,提出了基于改進(jìn)局部異常因子算法的拓?fù)浔孀R方法.該方法利用統(tǒng)計(jì)理論對開關(guān)及刀閘的狀態(tài)信息和電網(wǎng)的遙測信息進(jìn)行評估,同時(shí)考慮到遙測及遙信信息對拓?fù)溴e(cuò)誤辨識的影響不同,采用相對熵對其數(shù)據(jù)進(jìn)行加權(quán)處理,并在異常拓?fù)錉顟B(tài)檢測過程中,通過網(wǎng)格來屏蔽那些非異常的對象,提升算法效率.實(shí)驗(yàn)結(jié)果表明,該算法能夠快速識別電網(wǎng)中的拓?fù)溴e(cuò)誤,發(fā)現(xiàn)其中的不良遙測信息.

局部異常因子;權(quán)重;開關(guān)變位;拓?fù)浔孀R

電網(wǎng)拓?fù)浣Y(jié)構(gòu)的正確與否對于狀態(tài)估計(jì)有重要影響,拓?fù)溴e(cuò)誤經(jīng)常導(dǎo)致狀態(tài)估計(jì)結(jié)果不可用或者狀態(tài)估計(jì)不收斂[1].拓?fù)溴e(cuò)誤分為支路型拓?fù)溴e(cuò)誤和廠站拓?fù)溴e(cuò)誤[2],且支路型拓?fù)溴e(cuò)誤通常是由廠站拓?fù)溴e(cuò)誤引起的.目前拓?fù)溴e(cuò)誤辨識方法主要有規(guī)則法[3-5]、人工神經(jīng)網(wǎng)絡(luò)法[6,7]、殘差法[8-11]、新息圖法[12-14]、最小信息損失法[15,16]、轉(zhuǎn)移潮流法[17]及狀態(tài)估計(jì)法[18,19].規(guī)則法雖然應(yīng)用簡單,但規(guī)則間容易存在沖突現(xiàn)象.人工神經(jīng)網(wǎng)絡(luò)法對于規(guī)模較大且網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)經(jīng)常變化的網(wǎng)絡(luò)適應(yīng)能力較差.殘差法難以區(qū)分由不良數(shù)據(jù)和拓?fù)溴e(cuò)誤引起的殘差.新息圖法對于單一的不良數(shù)據(jù)和拓?fù)溴e(cuò)誤具有良好的效果,但是難以辨識不良數(shù)據(jù)和拓?fù)溴e(cuò)誤同時(shí)存在的場景.最小信息損失法建模復(fù)雜,難以應(yīng)用于實(shí)際的分析.轉(zhuǎn)移潮流法能夠辨識支路型拓?fù)溴e(cuò)誤及不良數(shù)據(jù),但對于廠站拓?fù)溴e(cuò)誤辨識困難.

針對上述問題,本文在狀態(tài)辨識模型中提出兩個(gè)改進(jìn)方案[21]:(1)在狀態(tài)辨識模型中引入更多的信息用于拓?fù)溴e(cuò)誤辨識;(2)進(jìn)一步提高狀態(tài)辨識求解算法的計(jì)算效率.本文采用局部異常因子算法對開關(guān)的狀態(tài)信息及其遙測數(shù)據(jù)進(jìn)行分析,充分利用采集到的多源冗余數(shù)據(jù),最大可能性還原電網(wǎng)運(yùn)行狀態(tài),將電網(wǎng)運(yùn)行信息轉(zhuǎn)化為需要進(jìn)行辨識的對象,通過計(jì)算每個(gè)對象的局部異確認(rèn)電網(wǎng)存在拓?fù)溴e(cuò)誤的可能性.常規(guī)的局部異常因子算法由于未考慮對象屬性的權(quán)重及對象分布區(qū)域密度的因素,導(dǎo)致算法運(yùn)行效率較低,本文采用相對熵對對象屬性進(jìn)行權(quán)重設(shè)置,并通過網(wǎng)格和稠密單元過濾掉非異常的狀態(tài)變化信息,進(jìn)一步提高了算法的效率及結(jié)果的可靠性.

1 對象建模

電網(wǎng)拓?fù)溴e(cuò)誤的發(fā)生可以分為兩種情況:一種是電網(wǎng)中沒有發(fā)生拓?fù)渥兓?而表示開關(guān)及刀閘狀態(tài)的信號反應(yīng)出狀態(tài)變化,即誤發(fā);另一種是在電網(wǎng)中發(fā)生了拓?fù)渥兓?而開關(guān)及刀閘信號卻沒有對其相應(yīng)的變化做出反應(yīng),即漏發(fā).這兩種情況均可以通過設(shè)備相關(guān)的電氣量測量數(shù)據(jù)和狀態(tài)遙信數(shù)據(jù)反映出來,因此,通過引用其遙測、遙信信息來對開關(guān)及刀閘進(jìn)行模型定義從而發(fā)現(xiàn)處于非正常運(yùn)行狀態(tài)的設(shè)備來辨識拓?fù)溴e(cuò)誤.

電網(wǎng)拓?fù)錉顟B(tài)由刀閘、開關(guān)等設(shè)備開斷狀態(tài)來決定,某時(shí)刻拓?fù)錉顟B(tài)決定于上一時(shí)刻該設(shè)備的狀態(tài)及其到當(dāng)前狀態(tài)的轉(zhuǎn)換方式.假設(shè)上一時(shí)刻不存在不良遙測數(shù)據(jù)及拓?fù)溴e(cuò)誤,則可以通過判定狀態(tài)轉(zhuǎn)換的合理性來判定下一時(shí)刻電網(wǎng)是否存在拓?fù)溴e(cuò)誤.因此可以利用遙測變換值及遙信變換值來對狀態(tài)轉(zhuǎn)換進(jìn)行定義,通過發(fā)現(xiàn)異常的狀態(tài)轉(zhuǎn)換來判定電網(wǎng)是否存在拓?fù)溴e(cuò)誤.

由于在拓?fù)潢P(guān)系中,刀閘和開關(guān)是連接關(guān)系的核心,為此,通過定義每個(gè)刀閘和開關(guān)的狀態(tài)轉(zhuǎn)換來確認(rèn)電網(wǎng)拓?fù)湔_性.假設(shè)t0時(shí)刻某開關(guān)R的狀態(tài)為:

其中YC代表遙測信息,YX代表遙信狀態(tài)信息;

t1時(shí)刻開關(guān)R的狀態(tài)為:其中YC’代表遙測信息,YX’代表遙信狀態(tài)信息,從而該開關(guān)的狀態(tài)轉(zhuǎn)換可以表示為:

即某時(shí)刻開關(guān)和刀閘的拓?fù)錉顟B(tài)可以通過該狀態(tài)轉(zhuǎn)換來進(jìn)行對象定義,并通過判定所有開關(guān)和刀閘狀態(tài)轉(zhuǎn)換的合理性,辨識電網(wǎng)運(yùn)行的拓?fù)溴e(cuò)誤.

根據(jù)設(shè)備類型及所連接的其他主設(shè)備來對遙測和遙信信息類型進(jìn)行確認(rèn).

表1 設(shè)備類型及引用屬性

由于遙測及遙信信息對于判定拓?fù)溴e(cuò)誤影響不同,故而在進(jìn)行拓?fù)溴e(cuò)誤辨識時(shí)需要進(jìn)行屬性權(quán)重定義來區(qū)別屬性對于異常值的貢獻(xiàn)程度.

2 局部異常因子算法

2.1 常規(guī)局部異常因子算法

局部異常因子(LOF)算法是由Breuning首次提出的一種基于密度的異常檢測算法,它通過賦予對象一個(gè)表示其異常程度因子的方式來確認(rèn)對象相對于其局部鄰域的異常程度.

該算法的流程如下:

第三步,計(jì)算對象p與其k距離鄰域中對象的可達(dá)距離,對象p相對于對象o的可達(dá)距離為:

局部異常因子越大,對象是異常數(shù)據(jù)的可能性越大.

2.2 改進(jìn)的局部異常因子算法

為了解決LOF算法計(jì)算量大的問題,需要對原始數(shù)據(jù)進(jìn)行篩選,通過網(wǎng)格約簡技術(shù)的應(yīng)用可以排除掉那些不可能的異常數(shù)據(jù),進(jìn)而減少了計(jì)算量.另一方面,為了提高LOF算法的檢測準(zhǔn)確率,在計(jì)算對象之間的距離時(shí),以信息論中的相對熵為對象屬性設(shè)置權(quán)值,達(dá)到為對象異常程度較大的屬性賦予較大權(quán)值的目的.

改進(jìn)的局部異常因子算法首先通過確認(rèn)稠密單元和稠密區(qū)域排除不可能的異常點(diǎn),然后基于相對熵對對象屬性賦權(quán)重,最后在常規(guī)局部異常因子算法中將對象距離計(jì)算公式改為加權(quán)的距離計(jì)算公式來進(jìn)行局部異常因子計(jì)算,進(jìn)而確認(rèn)可能的異常點(diǎn).

2.2.1 基于網(wǎng)格進(jìn)行數(shù)據(jù)約簡

GDLOF算法[21]證明稠密單元和稠密區(qū)域中的點(diǎn)不可能是異常點(diǎn).其基本思想為:將數(shù)據(jù)集D的每一維度進(jìn)行等寬劃分,每個(gè)子區(qū)域稱為一個(gè)網(wǎng)格.p是數(shù)據(jù)集D中的一個(gè)對象,若對象p的所有m最近鄰q都在某網(wǎng)格內(nèi),并且q的所有m最近鄰o也在該網(wǎng)格內(nèi),則稱該網(wǎng)格為稠密單元[23].若單元滿足其中和分別為單元的標(biāo)識序列),則這兩個(gè)單元為鄰居單元.若對象p的所有m最近鄰q都在某網(wǎng)格內(nèi),并且q的所有m最近鄰o也在某單元集內(nèi),且該單元集內(nèi)的任意兩個(gè)單元均為鄰居單元,則這個(gè)單元集合為稠密區(qū)域.

通過不斷確認(rèn)及更新稠密單元和稠密區(qū)域,僅對邊緣區(qū)域的數(shù)據(jù)進(jìn)行LOF計(jì)算,從而可以達(dá)到數(shù)據(jù)約簡的目的.

2.2.2 對象屬性權(quán)重賦值

信息論是一門將信息作為研究對象,以揭示信息的本質(zhì)特性及規(guī)律為基礎(chǔ),應(yīng)用數(shù)學(xué)方法來研究信息存儲(chǔ)、傳輸、處理、控制和利用等一般規(guī)律的科學(xué)[22].信息熵可以用來度量一個(gè)系統(tǒng)的無序和雜亂程度.熵值越大,系統(tǒng)中的數(shù)據(jù)越無序.由于信息熵完全建立在原始數(shù)據(jù)基礎(chǔ)上,故具有很強(qiáng)的客觀性,可以用于識別離群點(diǎn)數(shù)據(jù),即確認(rèn)非正常的狀態(tài)轉(zhuǎn)換,進(jìn)而確認(rèn)拓?fù)溴e(cuò)誤.同時(shí),基于網(wǎng)格對數(shù)據(jù)約簡后,將大大的減少局部異常因子算法的計(jì)算量.

2.2.2.1 信息熵

2.2.2.2 相對熵

在對象集中,每個(gè)對象的每個(gè)屬性對該對象的異常貢獻(xiàn)度均不一樣,通過確認(rèn)其屬性的相對熵來為該對象與其他對象距離計(jì)算時(shí)提供權(quán)值.從而對象之間的距離計(jì)算公式為:

其中wi為對象p的第i維屬性的權(quán)值.

2.2.3 局部異常因子計(jì)算

基于常規(guī)局部異常因子算法,將加權(quán)的對象距離公式(13)替代公式(4)來進(jìn)行局部異常因子計(jì)算.

3 案例分析

3.1 常規(guī)局部異常因子算法

表2給出了某變電站母聯(lián)開關(guān)設(shè)備特定連續(xù)時(shí)刻的8個(gè)狀態(tài)數(shù)據(jù),描述屬性包括負(fù)荷、電流、遙信值.

表2 母聯(lián)開關(guān)屬性數(shù)據(jù)

根據(jù)局部異常因子算法計(jì)算其結(jié)果如表3所示.

表3 常規(guī)算法局部異常因子

u2 0.832 u3 18.334 u4 18.138 u5 1.465 u6 0.852 u7 1.214

3.2 改進(jìn)的局部異常因子算法

3.2.1 基于網(wǎng)格進(jìn)行數(shù)據(jù)約簡

基于網(wǎng)格進(jìn)行數(shù)據(jù)約簡,將數(shù)據(jù)每一維進(jìn)行等分求出數(shù)據(jù)網(wǎng)格,得出:效果如圖1所示.

圖1 對象網(wǎng)格分布

3.2.2 對象屬性權(quán)重賦值

利用公式(12)進(jìn)行對象屬性權(quán)重賦值,各個(gè)對象屬性的相對熵如表4所示.

表4 辨識對象的相對熵

加了權(quán)重之后的對象基于公式(13)進(jìn)行對象間距離計(jì)算,其局部異常因子結(jié)果如表5所示.結(jié)果比對如表6.

表5 改進(jìn)算法局部異常因子

表6 兩種算法異常因子結(jié)果對比

由結(jié)果可知,通過對數(shù)據(jù)對象運(yùn)用相對熵添加相應(yīng)的權(quán)重使得數(shù)據(jù)的異常因子計(jì)算更為準(zhǔn)確,在實(shí)際運(yùn)用中可以更加準(zhǔn)確的判定數(shù)據(jù)的異常程度.

3.3 K值影響分析

本文采用某變電站設(shè)備實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行分析,該站包含8個(gè)開關(guān),29個(gè)刀閘,通過局部異常因子算法確認(rèn)其在一段時(shí)間內(nèi)開關(guān)和刀閘的連接是否存在拓?fù)溴e(cuò)誤.將選取的數(shù)據(jù)進(jìn)行離散化和歸一化預(yù)處理.

圖2 廠站接線圖

最終實(shí)驗(yàn)結(jié)果如表7所示.

表7 不同K值實(shí)驗(yàn)結(jié)果對比

結(jié)果表明本方法對如下三種拓?fù)洚惓＞苷_辨識:

1)負(fù)荷與電流變化較大,遙信未變化;

2)負(fù)荷變化較小,電流值變化較大,遙信未變化;

3)負(fù)荷與電流變化較小,遙信發(fā)生變化.

同時(shí),k值的選擇根據(jù)數(shù)據(jù)規(guī)模有所不同,k值過大或過小都會(huì)導(dǎo)致最后正確率的下降,導(dǎo)致漏辨識,需要經(jīng)過反復(fù)實(shí)驗(yàn),該過程可根據(jù)最稀疏聚類的密度對k值進(jìn)行調(diào)整,從而確認(rèn)較為合理的k值,進(jìn)而提升局部異常因子算法的正確率及工作效率.

4 結(jié)論

本文提出了基于改進(jìn)局部異常因子算法的拓?fù)浔孀R方法,通過電網(wǎng)狀態(tài)變化的相關(guān)遙測值及遙信值快速辨識拓?fù)溴e(cuò)誤.網(wǎng)格算法可以對大量數(shù)據(jù)進(jìn)行預(yù)處理,提高辨識效率,同時(shí)將將權(quán)重設(shè)置應(yīng)用于節(jié)點(diǎn)距離計(jì)算,充分利用了數(shù)據(jù)本身隱含的信息,提高辨識的準(zhǔn)確性.實(shí)例證明,本文提出的改進(jìn)方法能夠?qū)﹄娋W(wǎng)拓?fù)錉顟B(tài)進(jìn)行快速有效的辨識,為后續(xù)基于拓?fù)涞碾娋W(wǎng)應(yīng)用分析打下堅(jiān)實(shí)基礎(chǔ).

1于爾鏗.電力系統(tǒng)狀態(tài)估計(jì).北京:水利電力出版社,1985.

2 Abur A,Gomez A.Power system state estimation:Theory and implementation.New York:Marcel Dekker,2004.

3 Sing N,Glavitsch H.Detection and identification of topological errors in online power system analysis.IEEE Trans.on Power Systems,1991,6(2):324–331.

4 Sing N,Oesch F.Pratical experience with rule-based on-line topology error detection.IEEE Trans.on Power Systems, 1994,9(2):841–847.

5張婷,翟明玉,張海濱,齊苗苗,龔成明,李雷.基于不確定性推理的變電站拓?fù)溴e(cuò)誤辨識.電力系統(tǒng)自動(dòng)化,2014,38(6): 49–54.

6 Souza JCS,Leite da Silva AM,Alves da Silva AP.Online topology determination and bad data suppression in power system operation using artifical neutral networks.IEEE Trans. on Power Systems,1998,13(3):796–803.

7 Souza JCS,Leite da Silva AM,Alves da Silva AP.Data debugging for real-time power system monitoring based on pattern analysis.IEEE Trans.on Power Systems,1996,11(3): 1592–1599.

8 Wu FF,Wen H,Liu E.Detection of topology errors by stateestimation.IEEE Trans.on Power Systems,1989,4(1): 176–183.

9 Alsac O,Vempati N,Betal S.Generalized state estimation. IEEE Trans.on Power Systems,1998,13(3):1069–1075.

10 Abur A,Kim H.Identifying the unknown circuit breaker statuses in power networks.IEEE Trans.on Power Systems, 1995,10(4):2029–2037.

11 Mili L,Steeno G,Dobraca F.A robust estimation method for topology erroridentification.IEEE Trans.on Power Systems,1999,14(4):1469–1474.

12周蘇荃,柳焯.新息圖法拓?fù)溴e(cuò)誤辨識.電力系統(tǒng)自動(dòng)化, 2000,24(4):23–27.

13周蘇荃,柳焯.新息圖法的智能特征.電力系統(tǒng)自動(dòng)化,2000, 24(13):15–19.

14周蘇荃,柳焯.新息圖法識別多重網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)變化.中國電機(jī)工程學(xué)報(bào),2001,21(10):67–72.

15孫宏斌,高峰,張伯明.最小信息損失狀態(tài)估計(jì)中潮流和拓?fù)浣y(tǒng)一估計(jì)的通用理論.中國電機(jī)工程學(xué)報(bào),2005,25(17): 1–4.

16孫宏斌,高峰,張伯明.最小信息損失狀態(tài)估計(jì)在拓?fù)溴e(cuò)誤辨識中的作用.中國電機(jī)工潮流的狀態(tài)估計(jì)模型.電力系統(tǒng)自動(dòng)化,2010,34(2):39–42.

17 Li Abur A,Hongrae.Identifying the unknown circuit breaker statuses in power networks.IEEE Trans.on Power Systems, 1995,10(4):2029–2037.

18李賓.基于專家系統(tǒng)的不良遙信數(shù)據(jù)辨識.電力信息化,2010,(7):22–25.

19張凈,孫志揮,宋余慶,倪巍偉,晏燕華.基于信息論的高維海量數(shù)據(jù)離群點(diǎn)挖掘,2011,38(7):148–151.

20李存華,孫志揮.GridOF:面向大規(guī)模數(shù)據(jù)集的高效異常檢測算法.計(jì)算機(jī)研究與發(fā)展,2004,40(11):1586–1592.

21 Agyemang M,Ezeife CI.Lsc-mine:Algorithm for mining local outliers.Proc.of the 15th Information Resource Management Association(IRMA)International Conference. New Orleans.2004,1.5–8.

22何光宇,常乃超,董樹鋒,等.基于集合論估計(jì)的電網(wǎng)狀態(tài)辨識:(一)建模.電力系統(tǒng)自動(dòng)化,2016,40(5):25–31.

Topology Identification Based on Optimized Local Outlier DetectionAlgorithm

YANG Jian-Ping1,XIAO Fei1,YE Kang1,QI Jing-Xian2,CAO Yue-Feng2

1(State Grid Shanghai Municipal Electric Power Company,Shanghai 200122,China)
2(Nari Group Corporation State Grid Electric Power Research Institute,Nanjing 211000,China)

In view of the fact that grid topology errors and bad telemetry information affect the safe operation of power grids seriously,this paper proposes a topology identification method based on improved local outlier factor algorithm. The method uses statistical theory to evaluate the state information of breakers and disconnectors and telemetry information of the power network.While taking into account the different influence of telemetry and remote communication on topology error identification,we weight its data by relative entropy.In the process of abnormal topology state detection,non-anomalous objects are shielded to enhance efficiency of the algorithm.Experimental results show that the algorithm can quickly identify the grid topology errors and find bad telemetry information.

local outlier factor;weight;dislocation;topology identification

2016-08-26;收到修改稿時(shí)間:2016-10-08

10.15888/j.cnki.csa.005762