况 华, 何 鑫, 何 觅, 覃日升*, 姜 訸

(1.云南电网有限责任公司，昆明 650011；2.云南电网有限责任公司电力科学研究院，昆明 650217；3.云南电网有限责任公司昆明供电局，昆明 650011)

电力系统运行方式日益复杂，给电力系统安全稳定运行带来诸多困扰，也对调度中心提出了更高要求。数据可信是保障调度可靠性的重要前提，但由于自然环境、计量仪器等因素的影响，量测数据会出现异常，导致调度人员错误决策，对电力系统可靠性和经济性造成影响[1-2]。异常数据检测作为提高量测数据质量的重要方法，可为配电网调度决策提供可靠数据支持，对电力系统安全稳定运行十分重要[3]。

电力系统异常数据检测方法主要分为传统方法和智能方法，传统方法包括最大标准化残差、非二次准则等，智能方法主要为基于数据挖掘技术的聚类分析、神经网络等[4]。近年来，智能方法因能有效解决电力系统拓扑结构和网络参数未知场景而受到重视。基于数据挖掘的异常数据检测是通过算法挖掘隐藏在大量数据中的有用信息，识别不符合数据集的异常数据。聚类分析是数据挖掘的经典方法，常用来做异常数据检测[5-6]。文献[7]基于Spark运行框架，提出了并行K-means聚类算法对不良数据进行检测和辨识，提高了状态估计的速度和准确性。文献[8]先后通过并行化最小生成树方法和并行K-means方法对数据进行聚类来辨识异常数据，最后基于Spark框架设计径向基函数(radical basis function, RBF)神经网络对异常数据进行修正。……