基于数据关联图谱的电网调控数据自动修复方法研究

doi:10.16628/j.cnki.2095-8188.2026.03.004

摘要/Abstract

摘要：

随着新型电力系统建设的深入推进,高质量数据已成为提升大电网协同控制与调度精益化管理水平的关键支撑。针对电网跨层级协同调度中海量多源异构数据异常修复难题,提出一种基于数据关联图谱的智能修复方法。通过融合调度对象关系、时空关联与数据血缘,构建全景电网调控数据关联图谱,实现数据细粒度全生命周期刻画。在此基础上,提出异常数据双向追踪算法,实现异常高效识别与准确定位;进而构建融合规则、模型与知识推理的多策略协同修复方法,结合修复影响度评估生成最优修复方案。实验结果表明,该方法在修复效率与准确性方面均具显著优势,可有效提升电网调控数据质量,为智能电网安全稳定运行提供可靠数据支撑。

关键词: 电网调控数据, 数据血缘, 全景数据关联图谱, 多策略协同, 数据修复

Abstract:

With the advancement of the new power system,high-quality data has become a crucial support for enhancing the coordinated control of large power grids and the lean management of dispatching.Aiming at the challenge of repairing abnormal massive,multi-source and heterogeneous data in cross-level collaborative power grid dispatching,an intelligent data repair method based on a data association graph is proposed.By integrating dispatching object relationships,spatio-temporal correlations,and data lineage,a panoramic power grid regulation and control data association graph is constructed,achieving the,fine-grained depiction of data throughout its entire life cycle.On this basis,a bidirectional tracking algorithm for abnormal data is proposed to enable efficient identification and accurate localization of anomalies.Furthermore,a multi-strategy collaborative data repair method integrating rules,models,and knowledge reasoning is developed,which combines repair impact assessment algorithm to generate the optimal repair strategy.Experimental results demonstrate that this method offers significant advantages in both repair efficiency and accuracy,effectively improving the quality of power grid regulation and control data and providing reliable data support for the safe and stable operation of smart grids.

Key words: power grid dispatching and control data, data lineage, panoramic data association graphs, multi-strategy collaboration, data repair

中图分类号:

TM73

谢琳, 陶蕾, 王佳琪, 李大鹏, 叶瑞丽, 张周杰, 李嘉睿. 基于数据关联图谱的电网调控数据自动修复方法研究[J]. 电器与能效管理技术, 2026, 0(3): 23-31.

XIE Lin, TAO Lei, WANG Jiaqi, LI Dapeng, YE Ruili, ZHANG Zhoujie, LI Jiarui. Research on Power Grid Dispatching and Control Data Automatic Repair Methods Based on Data Association Graphs[J]. LOW VOLTAGE APPARATUS, 2026, 0(3): 23-31.

图/表 10

图1

图2

图3

图4

图5

表1

图6

表2

图7

表3

参考文献 20

[1]	刘吉臻, 王庆华, 胡阳, 等. 新型电力系统的内涵、特征及关键技术[J]. 新型电力系统, 2023, 1(1):49-65.
[2]	郭剑波, 王铁柱, 罗魁, 等. 新型电力系统面临的挑战及应对思考[J]. 新型电力系统, 2023, 1(1):32-43.
[3]	许洪强, 姚建国, 南贵林, 等. 未来电网调度控制系统应用功能的新特征[J]. 电力系统自动化, 2018, 42(1):1-7.
[4]	许洪强. 调控云架构及应用展望[J]. 电网技术, 2017, 41(10):3104-3111.
[5]	许洪强, 蔡宇, 万雄, 等. 电网调控大数据平台体系架构及关键技术[J]. 电网技术, 2021, 45(12):4798-4807.
[6]	谢琳, 陶蕾, 叶瑞丽, 等. 基于多源量测信息的数据质量诊断方法研究与分析[J]. 电器与能效管理技术, 2024(5):36-45.
[7]	初芯言, 郑祥. 基于改进相对强度熵法的风电场电能质量评估方法研究[J]. 电器与能效管理技术, 2023(6):75-79.
[8]	潘晓华, 金泳, 高扬华, 等. 面向复杂数据审计需求的数据血缘构建方法[J]. 计算机应用研究, 2024, 41(1):76-82.
[9]	GAO Y, CHEN X, DU X. A big data provenance model for data security supervision based on PROV-DM model[J]. IEEE Access, 2020(8):38742-38752.
[10]	PORKODI S, KESAVARAJA D. Secure data provenance in internet of things using hybrid attribute based crypt technique[J]. Wireless Personal Communications, 2021, 118(3):1-22. doi: 10.1007/s11277-020-07999-4
[11]	许洪强. 面向调控云的电力调度通用数据对象结构化设计及应用[J]. 电网技术, 2018, 42(7):2248-2254.
[12]	胡新雨, 郁海彭, 何智, 等. 基于人工智能的变电站倒闸智能防误技术研究与应用[J]. 电器与能效管理技术, 2024(6):70-79.
[13]	张晓华, 刘道伟, 吕先进, 等. 基于时变图的大电网稳定态势知识图谱建模及管理技术[J]. 电力信息与通信技术, 2023, 21(3):1-9.
[14]	苑菲, 杨红英, 刘道伟, 等. 基于知识图谱的电网调度运行优化管理系统[J]. 电力信息与通信技术, 2023, 21(3):17-25.
[15]	黄旭, 祖国强, 左鹏, 等. 基于数据蒸馏和LSTM的配电系统量测数据修复[J/OL]. 电力系统及其自动化学报,1-9.https://doi.org/10.19635/j.cnki.csu-epsa.001726.
[16]	GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems.Montreal,Canada: NIPS Foundation, 2014:2672-2680.
[17]	吕朋蓬, 卜强生, 郭野, 等. 基于梯度惩罚生成对抗网络的配电网缺失数据修复方法[J]. 太阳能学报, 2025, 46(5):185-192.
[18]	蒲天骄, 谈元鹏, 彭国政, 等. 电力领域知识图谱的构建与应用[J]. 电网技术, 2021, 45(6):2080-2091.
[19]	MNIH V, KAVUKCUOGLU K, SILVER D, et al. Human-level control through deep reinforcement learning[J]. Nature, 2015, 518(7540): 529-533. doi: 10.1038/nature14236
[20]	王国霖. 基于深度强化学习的工业时序数据异常检测技术研究[D]. 沈阳: 沈阳建筑大学, 2024.

应用名称	应用功能描述	评审确定的实体与关系的总数量	评审确定的实体数量	评审确定的关系数量
负荷预测准确率分析	分析电网短期负荷预测数据与实际负荷数据曲线及关键时段的准确率	104	52	52
新能源预测准确率分析	分析电网风电、光伏预测数据与实际负荷数据曲线及关键时段的准确率	119	56	63
供电能力分析	分析电网最大供电能力、最小供电能力、负荷预测、实际负荷等数据曲线的变化关系	100	49	51
负荷与温度分析	分析电网负荷数据与温度的变化关系	88	44	44
历史最大负荷分析	分析电网历史最大负荷及发生时间、负荷占比	93	46	47

异常类型	注入方法	注入比例/%
数据缺失	随机移除特定时间段内或特定时刻的数据点	1.0~5.0
数据跳变	在平稳序列中插入幅值超过3倍标准差脉冲	0.5~1.0
数据越限	将数据值修改至物理合理范围之外	0.2~0.5
逻辑异常	插入不符合业务逻辑或物理约束的数据	0.1~0.3

修复方法	平均处理时间/min	人工干预率/%
人工修复	105.000	100
规则修复	0.011	0
模型修复	4.170	0
强化学习修复	7.290	12.5
图谱修复	0.542	3.2