1. 调度自动化数据质量治理导论
调度自动化系统是电网运行的“神经中枢”，它持续采集发电、输电、变电、配电各环节的实时量测，支撑状态估计、自动发电控制、调度潮流、告警处理与调度决策。数据一旦失真，轻则导致画面误报、曲线跳变，重则引发控制策略误动、调度误判。因此，数据质量治理不是简单的“修数据”，而是保障调度自动化系统可信运行的基础工程。
课程目标
本课程围绕“让调度数据可信可用”这一主线，帮助学员建立从数据接入、质量检测、异常定位到治理闭环的完整能力。学完本课程，应能够：
- 理解调度自动化数据质量的定义、维度与治理边界；
- 识别遥测、遥信、电能量、模型参数等不同数据对象的典型质量问题；
- 掌握基于量测平衡、变化率、越限、死区、时间戳等规则的检测方法；
- 能够结合SCADA/EMS实际数据，定位坏数据、抖动、跳变、冻结、错位等异常；
- 形成“发现—分析—处置—验证—归档”的治理闭环，并输出可复用的治理记录。
数据质量的定义与维度
在调度自动化语境下，数据质量是指数据在特定调度业务场景中满足准确性、完整性、及时性、一致性和有效性的程度。它不是单一指标，而是多维度约束：
| 维度 | 含义 | 调度场景示例 |
|---|---|---|
| 准确性 | 量测值接近真实运行值 | 某220kV线路有功遥测与电能量计量偏差超过2% |
| 完整性 | 关键测点不缺失、不中断 | 主变油温测点连续15分钟无刷新 |
| 及时性 | 数据在业务允许时延内到达 | 遥测时延超过3秒，影响AGC调节 |
| 一致性 | 多源数据之间逻辑自洽 | 线路两端有功功率不满足功率平衡 |
| 有效性 | 数据在合理量程和状态范围内 | 母线电压为0或超出0.9~1.1倍额定值 |
需要强调的是，数据质量没有绝对标准，必须结合业务场景判断。例如，用于考核的电能量数据对准确性要求极高，而用于画面监视的遥测数据更关注及时性和连续性。
治理范畴
调度自动化数据质量治理覆盖“源—网—荷—储”全环节，主要包括以下对象：
- 实时量测数据：遥测、遥信、遥控、遥调，重点治理跳变、抖动、冻结、错位、时标异常；
- 电能量数据：关口表、考核表、线损电量，重点治理偏差、倒送、缺失、倍率错误；
- 模型与参数：设备参数、拓扑关系、限值、变比、死区，重点治理参数错配、拓扑孤岛；
- 计算与派生数据：状态估计结果、潮流计算输出、AGC指令，重点治理收敛失败、残差过大；
- 告警与事件数据：SOE、告警抑制、误报漏报，重点治理重复告警、时标错乱。
在电网调度中的价值
高质量数据直接决定调度自动化系统的可用性。以状态估计为例，若某220kV线路有功遥测存在持续偏差，状态估计会将其判定为坏数据并剔除，导致该线路潮流不可观测，进而影响断面越限判断。反之，经过治理的数据能够提升状态估计收敛率、降低AGC调节偏差、减少误告警，使调度员在正常、异常和事故工况下都能获得可信的运行断面。
从经济性看，数据质量治理还能减少因线损计算偏差导致的考核争议，降低因误判造成的非计划停运风险。可以说，数据质量是调度自动化系统从“能看”走向“可信、可控、可调”的关键前提。
面临的挑战
调度自动化数据质量治理面临多重挑战：
- 数据源多、协议杂：不同厂站、不同厂家、不同规约（IEC 60870-5-104、IEC 61850等）导致时标、品质位、量纲不统一；
- 噪声与真实扰动难区分：负荷波动、短路故障、量测噪声都可能表现为数据跳变，需结合拓扑和物理规律判断；
- 治理与实时性矛盾：严格校验会增加时延，影响实时控制，需要分级治理；
- 闭环难落地：发现问题后，涉及自动化、保护、计量、运维多方，处置流程长、验证难。
治理闭环示意
下图给出调度自动化数据质量治理的基本闭环：从多源数据接入开始，经过质量检测与异常分类，进入处置与验证，最终归档并反馈规则优化。图中同时标出了典型异常类型与对应治理动作，便于建立整体认知。
该闭环强调“检测—分类—处置—验证—归档”的循环，而不是一次性修复。每一次治理都应留下可追溯的记录，包括异常测点、异常时段、检测规则、处置动作和验证结果，为后续阈值调整和规则优化提供依据。