针对变电一次设备状态监测中普遍存在的异常数据问题,提出了一种基于点排序识别聚类结构(Ordering Points to Identify the Clustering Structure,OPTICS)的状态监测异常数据过滤算法。通过对一次设备状态监测的历史数据进行异常数据特...针对变电一次设备状态监测中普遍存在的异常数据问题,提出了一种基于点排序识别聚类结构(Ordering Points to Identify the Clustering Structure,OPTICS)的状态监测异常数据过滤算法。通过对一次设备状态监测的历史数据进行异常数据特征分析,建立了基于密度聚类的异常数据过滤机制。并以某110 k V变电站一次设备变压器油色谱以及GIS SF6密度微水实验为例,对该算法的异常数据检测效果进行了验证。该算法与传统异常数据过滤算法的对比试验结果表明,该算法能够准确地识别异常数据的特征,有效过滤状态监测中的异常数据,显著降低噪声干扰,从而提高数据的可靠性。展开更多
文摘针对变电一次设备状态监测中普遍存在的异常数据问题,提出了一种基于点排序识别聚类结构(Ordering Points to Identify the Clustering Structure,OPTICS)的状态监测异常数据过滤算法。通过对一次设备状态监测的历史数据进行异常数据特征分析,建立了基于密度聚类的异常数据过滤机制。并以某110 k V变电站一次设备变压器油色谱以及GIS SF6密度微水实验为例,对该算法的异常数据检测效果进行了验证。该算法与传统异常数据过滤算法的对比试验结果表明,该算法能够准确地识别异常数据的特征,有效过滤状态监测中的异常数据,显著降低噪声干扰,从而提高数据的可靠性。
