新息图法状态估计与数据挖掘技术的结合研究

《新息图法状态估计与数据挖掘技术的结合研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、哈尔滨工业大学工学硕士学位论文摘要静态状态估计算法的计算速度较快，还可以根据量测量之间的满足电路定律的相互关系，检测识别坏数据和拓扑错误，但其识别往往要经过几次状态估计计算才能完成，因而其识别速度较慢。动态状态估计算法可以根据新息向量来识别坏数据，其识别坏数据的能力强，速度快，而且不受多个坏数据的影响。但是由于只考虑了每个量测量自身时间上的联系，而没有考虑各量测量之间的联系，所以当同时出现坏数据和拓扑错误时，动态状态估计的新息向量就不容易把它们区别开来。新息图法状态估计是一种动态状态估计方法，它不仅具备了动态状态估

2、计检测速度快，对量测量的要求低的优点，而且具有静态状态估计中应用的量测之间可以相互校核的条件，使得其识别功能大大提高。电力系统是一个典型的大系统，电力系统数据库中的数据日益膨胀，如何对这些大量的数据进行分析、加工以便从中获取对我们有用的信息是一个非常现实的问题。数据挖掘技术在这时显示出了它的优点。为了提高数据挖掘的效率在用新息图法状态估计之前首先运用数据消减技术对数据库中的数据进行精简，然后用预处理技术来对采集到的数据库中的噪声数据进行处理。为了消除连支坏数据对拓扑结构变化识别的影响，文中采用了选树的方法来处理连支

3、上的坏数据所带来的影响.通过加伪量测使其满足可观测条件来解决状态估计程序的可观测性问题。最后采用决策树来识别拓扑结构变化，并用LN省电网2002年11月份的数据对该方法进行验证，计算结果表明，此方法具有新息图法识别速度快，抗坏数据干扰能力强和需要冗余量测少的优点，说明该方法具有较强的实用性。关键词状态估计;新息图;数据挖掘;拓扑错误;坏数据;决策树哈尔滨工业大学工学硕士学位论文AbstractNotonlythecalculationspeedofstaticstateestimationishigh,butals

4、ocanitdetectandidenti斤thebaddataandtopologyerrorsbaseontherelationofmeasurementsatisfactioncircuitlaw.Buttheidentificationspeedislow，becauseitneedcalculatestateestimationmanytimes.Dynamicstateestimationcanidentifybaddatabaseoninnovationvectorrapidlyandcorrectl

5、y,itcangetridoftheinfectionmanybaddata.Butitignoretherelationofmeasurements,soitisdifficulttodetectandidentifythebaddataandtopologyerrorswhenthebaddataandtopologyerrorsappearatthesametimeThemethodofinnovationgraphisanewdynamicstateestimationway.Notonlyithasthe

6、meritofquickspeedandfewmeasurements,butalsocanitcorrectthemeasurementaccordingstaticstateestimation.Powersystemisatypicalbigsystem.Thedataofdatabaseisincreasingrapidly,soitisarealisticproblemtousabouthowtoanalysetheseproblemssothatwecangetthevaluableinformatio

7、nfromthesedatas.Dataminingcansolvetheseproblems.Atfirstthepaperreducethedataofdatabasebeforestateestimation,sothatwecanincreasetheefficiency,thendealwiththebaddatawithdataminingtechnique.Thispaperpresentstheconceptofchoosetree,sothatwecanavoidtheinfectionoflin

8、k-branchbaddata,becauselink-branchbaddatacanarousebadinfectiontotheidentifyingoftopologyerrors.AtlastpresentstheidentifyingwayofdecisiontreeandcheckoutitwiththeNovember'sdataofLNel