基于时间序列法的不良数据的辨识与修正研究
本文选题：不良数据 + 时间序列 ； 参考：《东南大学》2015年硕士论文
【摘要】：随着智能电网的迅速发展,电力系统的自动化水平显著提升,电网运行越来越依赖数据信息,为了保证电网能够安全稳定的运行,需要提高这些数据的质量。本文针对辨识和修正不良数据的方法进行以下几个方面的分析研究。首先阐述了辨识与修正电力系统中不良数据的国内和国外的研究现状,通过对国内外研究方法的分析,又基于电力系统中数据的时间序列特性,提出了从时间序列的角度出发,探索如何辨识与修正不良数据。然后论文介绍了时间序列分析的基本概念、时间序列的基本模型和时间序列分析建模的理论方法,为辨识和修正电力系统中的不良数据奠定了理论基础。电力系统中的数据可以看成是既包含规律性又包含随机性的时间序列,为此本文提出了基于时间序列分析的电力系统不良数据辨识方法。首先利用Lagrange插值法修补缺失数据,完成对数据的预处理；然后利用ARMA模型对预处理后的数据进行拟合,实现对电力数据统计规律的描述；最后根据不良数据一般都具有较大的拟合残差的特点,采用设定误差辨识区间的方法实现对电力系统中不良数据的辨识。根据不良数据不同的类型和个数,提出分别采用功率平衡法以及采用RBF神经网络法完成对不良数据的修正。其中运用功率平衡的修正方法是依据KCL与KVL定律,利用功率平衡原理修正单个不良数据；利用RBF神经网络的修正方法是基于网络强大的学习能力,通过训练好的网络修正各种类型的不良数据。以电力系统中实际量测数据为例进行仿真分析,验证了本文提出的电力系统不良数据辨识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.
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM732
【相似文献】
相关期刊论文 前10条
1 ;2009年度(第七届)国际水利先进技术(产品)推介会推介技术[J];中国水利;2009年09期
2 胡志斌;时间序列的非线性测试及其应用[J];武汉水利电力大学(宜昌)学报;1997年03期
3 胡志斌;时间序列的非线性测试及其应用[J];武汉水利电力大学(宜昌)学报;1998年04期
4 石岩,胡昌振,马宝华,谭惠民;模糊时间序列的最优预测方法[J];探测与控制学报;1999年03期
5 孙青华,张世英;长记忆向量时间序列的非线性协整关系研究[J];天津大学学报;2002年03期
6 于景华,田立新;混沌时间序列及其在能源系统中的应用[J];江苏大学学报(自然科学版);2002年04期
7 曹广喜;;向量分整时间序列的协整关系探讨[J];河海大学学报(自然科学版);2006年04期
8 许娜;商朋见;胡广生;;气温变化时间序列的复杂性分析[J];北京交通大学学报;2008年03期
9 熊有伦,杨叔子,王跃科;复时间序列与主轴回转精度[J];华中工学院学报;1987年02期
10 陈章潮;用时间序列预测电力系统负荷[J];电力系统自动化;1982年04期
相关会议论文 前10条
1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年
2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年
3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年
4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年
5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年
6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年
7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年
8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年
9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年
10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年
相关重要报纸文章 前6条
1 ;《时间序列与金融数据分析》[N];中国信息报;2004年
2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年
3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年
4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年
5 东证期货 王爱华 杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年
6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年
相关博士学位论文 前10条
1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年
2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年
3 苗圣法;时间序列的模式检测[D];兰州大学;2015年
4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年
5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年
6 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年
7 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年
8 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年
9 张勇;时间序列模式匹配技术研究[D];华中科技大学;2012年
10 董晓莉;时间序列数据挖掘相似性度量和周期模式挖掘研究[D];天津大学;2007年
相关硕士学位论文 前10条
1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年
2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年
3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年
4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年
5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年
6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年
7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年
8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年
9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年
10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年
，本文编号：1909247
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/1909247.html
