DBSCAN 算法

针对因风电场机组异常数据而导致风电功率预测精度下降的问题，文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise，DBSCAN)算法加上最小绝对残差(least absolute residual，LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据，然后基于LAR方法构建堆积型异常数据识别模型，分别实现对风电场分散型异常数据和堆积型异常数据的清洗，最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明，基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。

在背景谐波阻抗变化和背景谐波电压波动的情况下，传统谐波责任划分方法难以适用于现有的统计型谐波监测数据，提出一种背景谐波变化下基于监测数据的多谐波责任划分方法。首先，构建谐波监测数据区间样本集，并建立背景谐波变化下的多谐波源区间谐波责任划分数学模型；其次，利用基于密度的聚类算法（DBSCAN）将采集到的统计型谐波数据集以簇为评价周期进行场景划分，并采用滑窗动态相关性分析方法筛选出满足线性关系阈值要求的数据；最后，利用基于参数化回归算法（PM）的区间线性进行方程参数计算并获取最佳样本划分方案，在构造的区间谐波责任划分基础上计算中长期时间范畴的谐波责任。利用实际电网中的谐波监测数据对所提方法进行验证，验证了该方法能利用现有的统计型谐波监测数据在背景谐波变化的情况下对每个谐波源进行合理时间尺度的谐波责任划分，可为实际电力系统运行过程中的多谐波责任划分提供一种新的思路。

随着泛在电力物联网建设的不断推进，低压台区的管理将越来越精细化，而建立正确的台区户变隶属关系是保证台区精细化管理的关键所在。本文首先对基于HPLC的台区自动识别技术的原理和工作流程进行论述分析，然后在此基础上提出了一种针对台区户变隶属关系的校验方法。最后，选取了一个典型应用场景进行测试，并通过与停上电事件户变隶属关系研判方法进行对比分析，验证了本文所提方法的有效性和正确性，为台区户变隶属关系精准分析提供了一种实用、准确的方法。