CN103020166A - 一种电力实时数据异常检测方法 - Google Patents

Abstract

本发明公开了一种电力实时数据异常检测方法，通过对电力实时数据进行基于规则的异常检测、基于梯度的异常检测以及基于预测的异常检测等三次不同的方式对电力实时数据进行检测，其实现简单，能够准确、快速地完成对海量电力实时数据的异常检测，保证了电网智能优化的可靠性。

Description

一种电力实时数据异常检测方法

技术领域

本发明涉及电力数据处理技术领域，更具体地说，涉及一种电力实时据异常检测方法。

背景技术

随着电网信息化“SG-ERP工程”深入开展和电网“十二五”智能化规划的部署实施，对海量历史/实时数据库数据服务能力智能优化研究提出了更高的要求。但是，现有的电力数据的采集存储过程中，不可避免地会出现异常数据或噪声，因此，如何准确、快速地检测出电力实时数据中的异常数据成为亟待解决的问题。

发明内容

有鉴于此，本申请提供一种电力实时数据异常检测方法，以实现准确、快速地检测出电力实时数据中的异常数据的目的。

为实现上述目的，本发明提供了如下技术方案：

一种电力实时数据异常检测方法，包括：

步骤1：获取待检测的电力数据，所述电力数据携带有预先分配的识别标识；

依据所述识别标识确定所述电力数据的类别，所述类别包括：电压类，电容电抗类，负荷类，主变类和线路类；

依据与所述类别对应的检测规则对所述电力数据进行检测，当所述电力数据满足预设检测条件时，所述电力数据正常，否则，所述电力数据异常；

步骤2：对于步骤1中未检测出异常的数据，计算第m类数据t时刻的梯度G_m,t：

其中，v_t和v_t-τ分别表示t时刻和t-τ时刻的数据；

依据所述梯度以及第m类数据的正常阈值，检测所述未检测出异常的第m类数据是否异常；

步骤3：对于步骤2中未检测出异常的负荷数据，依据预设的预测规则，应用当前时刻之前的若干个负荷数据预测当前时刻的负荷数据的预测值，所述若干数据为前后时刻相邻时刻的负荷数据；

依据所述预测值，以及所述若干个负荷数据及其预测值，确定所述当前时刻的负荷数据的概率为p的置信区间；

当所述当前时刻的负荷数据值落在所述概率为p的置信区间内时，所述当前时刻的负荷数据正常，否则，所述当前时刻的负荷数据异常。

上述方法，优选的，依据与所述类别对应的检测规则对所述电力数据进行检测包括：

电压类数据：判断所述电压类数据是否满足第一预设的取值范围，如果是，则所述电压类数据是正常的，否则，所述电压类数据异常；

电容电抗类数据：判断所述电容电抗类数据是否满足当前状态下的第二预设的取值范围，如果是，所述电容电抗类数据正常，否则，所述电容电抗类数据异常；

负荷类数据：计算所述负荷类数据与标准负荷值之间的相似距离，将所述相似距离与预设阈值进行比较，当所述相似距离大于所述预设阈值时，所述负荷类数据正常，否则，所述负荷类数据异常；

主变类数据：所述主变类数据包括有功数据、无功数据、电流数据和电压数据；依据如下第一关系等式计算所述有功数据的理论值P^*，

其中，

P为有功数据，Q为无功数据，U为电压数据，I为电流数据；当所述理论值P^*满足第一预设条件时，所述主变类数据正常，否则，所述主变类数据异常；

线路类数据：所述线路类数据包括首端数据和末端数据，所述首端数据包括首端有功数据、首端无功数据、首端电流数据和首端电压数据，所述末端数据包括末端有功数据、末端无功数据、末端电流数据和末端电压数据；依据所述第一关系式计算所述首端有功数据的理论值

当所述首端有功数据的理论值

满足第二预设条件时，所述首端数据正常，否则，所述首端数据异常；依据所述第一关系式计算所述末端有功数据的理论值

当所述末端有功数据的理论值

满足第三预设条件时，所述末端数据正常；否则，所述末端数据异常。

上述方法，优选的，依据下式计算所述负荷类数据与标准负荷值之间的相似距离：

$d=\left|\frac{x_{\mathrm{nk}}-{\stackrel{\‾}{x}}_k}{{\stackrel{\‾}{x}}_k}\right|,$

其中，d为所述负荷类数据与标准负荷值之间的相似距离，x_nk为第n天第k时刻的负荷类数据，

为前面τ天第k时刻的数据的平均值。

上述方法，优选的，依据所述梯度以及第m类数据的正常阈值，检测所述未检测出异常的数据是否异常包括：

将所述梯度的绝对值与所述正常阈值进行比较，当所述的梯度的绝对值大于所述正常阈值时，所述未检测出异常的数据为正常；否则所述未检测出异常的数据异常。

上述方法，优选的，应用如下预测规则预测当前时刻的负荷数据的预测值：

${\hat{x}}_n=\underset{i=1}{\overset{n-2}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\Δ}{l}_i+x_{n-1}$

其中，

表示当前时刻的负荷数据的预测值，Δl_i＝x_i+1-x_i表示第i个时刻负荷数据的增量，

表示第i个时刻负荷数据的权重。

上述方法，优选的，所述当前时刻的负荷数据的概率为p的置信区间为：

${\hat{x}}_n+\mathrm{\Δ}\stackrel{\‾}{x}\±S\·K_{(p,n)}$

其中，

表示当前时刻的负荷数据的预测值；

其中，

（i=1,2,…，n-1）为当前时刻之前的各个时刻的负荷数据的实际值与相应时刻的预测值的差值；

为当前时刻之前的各个时刻的负荷数据的实际值与相应时刻的预测值的差值的标准差；

其中，t(p,n-2)是满足P(t_1-p/2(n-2)<t(n-2)<t/_p/2(n-2))=p的t值；n为当前时刻及之前时刻的负荷数据的总的个数。

上述方法，优选的，其特征在于，还包括：

对检测出异常的数据进行修正，包括：

对步骤1中检测出异常的数据，当检测出所述电压类数据异常时，将所述电压类数据修正为电压等级；

当检测出所述电容电抗类数据异常时，将所述电容电抗类数据修正为0；

当检测出所述负荷类数据异常时，将所述负荷类数据修正为前面τ天第k时刻的数据的平均值

对步骤2中检测出异常的数据，将检测出的异常数据修正为

sgn函数表示符号函数，如果G_m,t>0，则，sgn(G_m,t)＝1，否则，sgn(G_m,t)=-1；

对步骤3中检测出的异常数据，将检测出的异常负荷数据修改正为：如果当前负荷数据x_n满足如下公式

则将该异常负荷数据x_n修正为 ${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}+S\&CenterDot;K_{(p,n)};$

如果当前负荷数据x_n满足如下公式

则将该负荷数据x_n修正为 ${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}-S\&CenterDot;K_{(p,n)}.$

上述方法，优选的，还包括：

将所述待检测的电力数据存储至缓存。

上述方法，优选的，还包括：

获取缓存内的待检测电力数据；

计算t时刻所述待检测电力数据的前向梯度G_m，t和后向梯度G′_m，t，其中，

$G_{m,t}=\frac{v_t-v_{t-\mathrm{\&tau;}}}{\mathrm{\&tau;}},$ ${G^{\&prime;}}_{m,t}=\frac{v_{t+\mathrm{\&tau;}}-v_t}{\mathrm{\&tau;}},$

v_t为t时刻的待检测电力数据，v_t-τ为t-τ时刻的待检测电力数据，v_t+τ为t+τ时刻的待检测电力数据，G_m，t为第m类数据在t时刻的前向梯度，G′_m，t为第m类数据在t时刻的后向梯度；

依据所述前向梯度和后向梯度以及第m类数据的正常阈值，检测所述缓存后的待检测数据是否异常。

上述方法，优选的，依据所述前向梯度和后向梯度以及待检测数据的阈值，检测所述缓存后的待检测数据是否异常包括：

依据所述前向梯度和后向梯度计算判定式，所述判定式为c=G_m,t×G′_m,t；

当c<0，且max{|G_m，t|，|G′_m,t|}＞T_m时，所述缓存后的待检测数据异常；否则，所述缓存后的待检测数据正常，其中，T_m为第m类数据的正常阈值。

通过以上方案可知，本申请提供的一种电力实时数据异常检测方法，通过对电力实时数据进行基于规则的异常检测、基于梯度的异常检测以及基于预测的异常检测等三次不同的方式对电力实时数据进行检测，其实现简单，能够准确、快速地完成对海量电力实时数据的异常检测，保证了电网智能优化的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种电力实时数据异常检测方法的流程图；

图2为本申请实施例提供的另一种电力实时数据异常检测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例公开的一种电力实时数据异常检测方法流程图如图1所示，包括：

步骤S101：：获取待检测的电力数据，所述电力数据携带有预先分配的识别标识；

本实施例中，预先为电力数据分配了识别标识，用于对电力数据进行分类；本实施例中，将电力数据分为电压类数据，电容电抗类数据，负荷类数据，主变类数据和线路类数据。例如，可以以下述方法对电力类数据进行标识：BusBarSection为电压类数，Compensator为电容电抗类数据、SynchronousMachine位主变类数据、LineSegment为线路类数据、Load为负荷类数据等；当然，并不限于上述标识方法，只要能将标识出上述电力数据的类别即可。

步骤S102：依据所述识别标识确定所述电力数据的类别；

步骤S103：依据与所述类别对应的检测规则对所述电力数据进行检测，当所述电力数据满足预设检测条件时，所述电力数据正常，否则，所述电力数据异常；本实施例中，对于每一类电力数据，应用与其对应的特定规则对其进行检测。

优选的，对于电压类数据，判断所述电压类数据是否满足第一预设的取值范围，如果是，则所述电压类数据是正常的，否则，所述电压类数据异常；具体的，所述第一预设的取值范围可以为voltage(1±20%)，voltage为电压等级，假设当前采集的电压类数据为母线电压，那么，当母线电压的数据值落在母线电压的voltage(1±20%)范围内时，也就是当电压类数据变动值在电压等级的±20%以内时，所述母线电压时正常的，否则，所述母线电压异常。其中，标准电压等级根据设备的不同而不同，例如，标准电压等级有500Kv、220kV、110kV等，该等级信息可通过电力系统的公用信息模型（Common InformationMode，CIM）获知。当检测出所述电压类数据异常时，将当前电压类数据修正为电压等级值；

对于电容电抗类数据，判断所述电容电抗类数据是否满足当前状态下的第二预设的取值范围，如果是，所述电容电抗类数据正常，否则，所述电容电抗类数据异常；具体的，电容电抗类数据可以分为无功数据和电流数据，因为在采集数据的过程中，电容电抗可能处于运行状态，也可能处于停运状态，那么，当电容电抗处于运行状态时，判断所述无功数据和电流数据是否满足运行状态的第二预设的取值范围，所述运行状态的第二预设的取值范围可以为|Q|>0.5且|I|>20，其中，Q表示无功数据，I表示电流数据，也就是说，当无功数据的绝对值大于0.5，且电流数据大于20时，所述电容电抗类数据是正常的，否则，所述电容电抗类数据异常；当电容电抗处于停运状态时，判断所述无功数据和电流数据是否满足停运状态的第二预设的取值范围，所述停运状态的第二预设的取值范围可以为|Q|=0且|I|=0，其中，Q表示无功数据，I表示电流数据，也就是说，当无功数据等于0，且电流数据等于0时，所述电容电抗类数据是正常的，否则，所述电容电抗类数据异常；所述无功数据和电流数据可通过电网设备自带的代码进行区分，如code=30表示无功数据，code=40表示电流数据等。当检测出所述电容电抗类数据异常时，将所述电容电抗类数据修正为0。

对于负荷类数据，计算所述负荷类数据与标准负荷值之间的相似距离，将所述相似距离与预设阈值进行比较，当所述相似距离大于所述预设阈值时，所述负荷类数据正常，否则，所述负荷类数据异常；具体的，可以根据公式（1）计算所述负荷类数据与标准负荷值之间的相似距离，

$d=\left|\frac{x_{\mathrm{nk}}-{\stackrel{\&OverBar;}{x}}_k}{{\stackrel{\&OverBar;}{x}}_k}\right|---\left(1\right)$

其中，d为所述负荷类数据与标准负荷值之间的相似距离，x_nk为第n天第k时刻的负荷类数据，

为第k时刻的标准负荷值；优选的，所述负荷标准数据在工作日和非工作日（如节假日）的取值可以是不同的，因此，在应用公式（1）计算所述负荷类数据与标准负荷值之间的相似距离时，标准负荷值可根据是否节假日而取不同的值。将所述相似距离与与预设阈值进行比较，当所述相似距离大于所述预设阈值时，所述负荷类数据异常，否则，所述负荷类数据正常；优选的，所述预设阈值可以取为0.1，当然，也可以根据实际需要设置不同，这里不做具体限定。也就是说，当d>0.1时，所述负荷类数据异常，此时，可以将该异常负荷类数据修正为

对于主变类数据，所述主变类数据包括有功数据、无功数据、电流数据和电压数据；依据如下第一关系等式（即公式（2））计算所述有功数据的理论值P^*，

其中，

P为有功数据，Q为无功数据，U为电压数据，I为电流数据；P^*为所述有功数据P的理论值。

当所述理论值P^*满足第一预设条件时，所述主变类数据正常，否则，所述主变类数据异常；具体的，当所述理论值P^*满足不等式（3）时，所述主变类数据正常，否则，所述主变类数据异常；当检测出所述主变类数据异常时，将检测结果写入日志，以供技术人员查看。

|P-P^*|<0.1P          (3)

对于线路类数据，所述线路类数据包括首端数据和末端数据，所述首端数据包括首端有功数据、首端无功数据、首端电流数据和首端电压数据，所述末端数据包括末端有功数据、末端无功数据、末端电流数据和末端电压数据；依据所述第一关系式（即公式（2））计算所述首端有功数据的理论值

当所述首端有功数据的理论值

满足第二预设条件时，所述首端数据正常，否则，所述首端数据异常；依据所述第一关系式（即公式（2））计算所述末端有功数据的理论值

当所述末端有功数据的理论值

满足第三预设条件时，所述末端数据正常；否则，所述末端数据异常。具体所述第二预设条件和第三预设条件可参看不等式（3），即当所述首端有功数据的理论值

满足不等式（4）时，所述首端数据正常，否则，所述首端数据不正常；当所述末端有功数据的理论值满足不等式（5）时，所述末端数据正常，否则，所述末端数据不正常。

$|P_1-P_1^{*}|<0.1P_1---\left(4\right)$

$|P_2-P_2^{*}|<0.1P_2---\left(5\right)$

其中，p₁为首端有功数据；p₂为末端有功数据。

上述步骤S101~步骤S103是对电力数据进行的基于规则的异常检测方法，对于经过上述步骤未检测出异常的数据，本申请实施例对这些未检测出异常的数据进行了基于梯度的异常检测，包括：

步骤S104：数据，计算第m类数据t时刻的梯度G_m，t：

其中，v_t和v_t-τ分别表示t时刻和t-τ时刻的数据（此处不区分类别）；

步骤S105：依据所述梯度以及第m类数据的正常阈值，检测所述未检测出异常的第m类数据是否异常；所述第m类数据包括：电压类数据，电容电抗类数据，负荷类数据，主变类数据和线路类数据。

电力数据在采集过程中，由于干扰等的存在，有尖锐毛刺（数据突变）生成，使得电力数据异常，本实施例中，所述第m类数据的正常阈值用于判断数据采集过程中是否生成尖锐的毛刺，如果大于该正常阈值，说明有尖锐毛刺生成，否则，没有尖锐毛刺生成。正常阈值的取值与数据类型相关，不同的数据类型对应不同的正常阈值，具体取值可根据实际经验确定。

优选的，可以将所述梯度G_m，t的绝对值与所述正常阈值进行比较，当所述梯度的绝对值大于所述正常阈值时，所检测的数据是异常的，否则，所检测的数据是正常的。

优选的，当检测出异常数据时，将检测出的异常数据修正为

sgn函数表示符号函数，如果G_m,t>0，则，sgn(G_m,t)＝1，否则，sgn(G_m,t)=-1；

上述步骤S104~步骤S105是对电力数据进行的基于梯度的异常检测方法，对于经过上述步骤未检测出异常的负荷类数据，本申请实施例对这些未检测出异常的负荷类数据进行了基于预测的异常检测，包括：

步骤S106：依据预设的预测规则，应用当前时刻之前的若干个负荷数据预测当前时刻的负荷数据的预测值，所述若干数据为前后时刻相邻时刻的负荷数据；

假设x₁,x₂，...,x_n为前后时刻相邻时刻的负荷数据，当前时刻需要检测的负荷数据为x_n，x₁,x₂，...,x_n-1为当前时刻之前的n-1个时刻的负荷数据，那么当前时刻的负荷数据x_n的预测值

可以通过公式（1）来获得：

${\hat{x}}_n=\underset{i=1}{\overset{n-2}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\mathrm{\&Delta;}{l}_i+x_{n-1}---\left(1\right)$

其中，

表示当前时刻的负荷数据的预测值，Δl_i=x_i+1-x_i表示第i个时刻负荷数据的增量（即第i+1个时刻的负荷数据与第i个时刻的负荷数据值之差），

表示第i个时刻负荷数据的权重，x_n-1为当前时刻的前一个时刻（即第n-1个时刻）的负荷数据。

步骤S107：依据所述预测值，以及所述若干个负荷数据及其预测值，确定所述当前时刻的负荷数据概率为p的置信区间；p为预设的置信概率。

计算前n-1个时刻的n-1个负荷数据的实际值与预测值的差值，其中，前n-1个时刻的n-1个负荷数据的预测值依据公式（1）计算得到，分别记为

那么，前n-1个时刻的n-1个负荷数据的实际值与预测值的差值可以记为Δx₁,Δx₂，...,Δx_n-1，其中，

i=1,2,…,n-1；

所述n-1个差值的平均值、标准差和置信区间分别为：

为所述n-1个差值的平均值；

S为所述n-1个差值的标准差；

为所述n-1个差值的置信区间。

那么，当前时刻的负荷数据x_n概率为p的置信区间可以为：

${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}\&PlusMinus;S\&CenterDot;K_{(p,n)}$

其中，

t(p,n-2)是满足P(t_1-p/2(n-2)<t(n-2)<t_p/2(n-2))=p的t值，即t的概率为p的取值，t(p,n-2)值可通过查询t分布表来获得，n为检测所用的连续时刻的负荷数据的个数，即当前时刻及其之前时刻的负荷数据的总的个数。

例如，当n取值为20，置信概率p取值为0.95时，通过查表可计算出，K_(0.95,20)=2.16。

步骤S108：当所述当前时刻的负荷数据值落在所述概率为p的置信区间内时，所述当前时刻的负荷数据正常，否则，所述当前时刻的负荷数据异常。

具体的，如果 $x_n<{\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}-S\&CenterDot;K_{(p,n)}$ 或 $x_n>{\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}+S\&CenterDot;K_{(p,n)},$ 则所述负荷数据x_n为异常负荷数据，否则，所述负荷数据x_n为正常负荷数据。

优选的，当检测出当前负荷数据为异常数据时，对该异常负荷数据进行修正，具体为：

如果当前负荷数据x_n满足如下公式

则将该异常负荷数据x_n修正为 ${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}+S\&CenterDot;K_{(p,n)};$

如果当前负荷数据x_n满足如下公式

则将该异常负荷数据x_n修正为 ${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}-S\&CenterDot;K_{(p,n)}.$

本申请实施例提供的一种电力实时数据异常检测方法，通过对电力实时数据进行基于规则的异常检测、基于梯度的异常检测以及基于预测的异常检测等三次不同的检测对电力实时数据进行检测，其实现简单，能够准确、快速地完成对海量电力实时数据的异常检测，保证了电网智能优化的可靠性。

另外，当检测出异常数据时，本申请实施例还对异常数据进行修正，保证了数据的延续性，便于工作人员对电力数据进行分析，提高了工作人员的工作效率。

本申请实施例提供的另一种电力实时数据的异常检测方法的流程图如图2所示，本申请实施例中，步骤S201~步骤S208与图1所示步骤S101~步骤S108相同，这里不再赘述，下面详细论述与图1所示实施例的不同之处，即在对电力实时数据进行在线检测的同时，对电力实时数据进行离线检测，具体包括：

步骤S209：将所述待检测的数据存储至缓存；

步骤S210：获取缓存内的待检测电力数据；

步骤S211：计算t时刻所述待检测电力数据的前向梯度G_m，t和后向梯度G′_m，t，其中，

$G_{m,t}=\frac{v_t-v_{t-\mathrm{\&tau;}}}{\mathrm{\&tau;}},$ ${G^{\&prime;}}_{m,t}=\frac{v_{t+\mathrm{\&tau;}}-v_t}{\mathrm{\&tau;}},$

v_t为t时刻的待检测电力数据，v_t-τ为t-τ时刻的待检测电力数据，v_t+τ为t+τ时刻的待检测电力数据，G_m，t为第m类数据在t时刻的前向梯度，G′_m，t为第m类数据在t时刻的后向梯度；

步骤S212：依据所述前向梯度和后向梯度以及第m类数据的正常阈值，检测所述缓存后的待检测数据是否异常。

电力数据在采集过程中，由于干扰等的存在，有尖锐毛刺（数据突变）生成，使得电力数据异常，本实施例中，所述待检测的第m类数据的正常阈值用于判断数据采集过程中是否生成尖锐的毛刺，如果大于该正常阈值，说明有尖锐毛刺生成，否则，没有尖锐毛刺生成。正常阈值的取值与数据类型相关，不同的数据类型对应不同的正常阈值，具体取值可根据实际经验确定。

优选的，可以依据所述前向梯度和后向梯度计算判定式，所述判定式为c=G_mt×G′_mt；结合该判定式c的取值判断待检测数据是否异常。

当c<0，且max{|G_m，t|,|G′_m,t|}＞T_m时，所述待检测数据异常；否则，所述待检测数据正常。

优选的，在检测出异常数据时，还可以对检测出的异常数据进行修正，修正公式为：

${\hat{v}}_t=\frac{v_{t-\mathrm{\&tau;}}+v_{t+\mathrm{\&tau;}}}{2}$

其中，

为对t时刻的数据进行修正后的数据。

本申请实施例提供的一种异常数据检测方法，在对实时数据进行在线检测的同时，对所述实时数据进行离线检测，进一步提高了检测的准确性。

为了进一步优化上述实施例，在对实时电力数据进行离线检测后，还可以对其进行小波去噪处理，包括：

对待处理的n个数据a₁,a₂，...，a_n，进行小波变换（这里选小波基db4，进行5层分解），得到小波系数d_j,k和尺度系数c_j，k，

$d_{j,k}=\underset{m}{\mathrm{\&Sigma;}}g(m-2k)c_{j-1,m};$

$c_{j,k}=\underset{m}{\mathrm{\&Sigma;}}h(m-2k)c_{j-1,m};$

其中，h（m-2k）、g（m-2k）为一对正交镜像滤波器组（QMF）；j为分解层数，j=1,2,3,4,5；k表示第k个采样点，k=0,1,…，n-1；m=0,1,…，n-1。

使用Birge-Massart策略确定降噪阈值，具体包括：对第f层（1≤f≤j），保留绝对值最大的n_f个系数，n_f由下式决定：

n_f=M(j+2-i)^α，

其中，M，α为系数，优选的，M=L（1），即第一层分解后系数长度，α=3；

依据上述降噪阈值对小波系数进行重构，得到去除噪声后的信号，其重构公式为：

$c_{j-1,m}=\underset{m}{\mathrm{\&Sigma;}}{c}_{j-1,m}h(k-2m)+\underset{m}{\mathrm{\&Sigma;}}{d}_{j,m}g(k-2m);$

具体如何进行小波变换得到小波系数和尺度系数，以及如何根据降噪阈值进行重构现有技术已经很成熟，这里不再赘述。

优选的，为了更进一步优化上述实施例，将对异常数据进行修正的信息写入日志，所述修正信息包括数据的真实值与修正值，当数据修改错误或者需要查看原始数据时，可以根据日志对数据库进行恢复。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电力实时数据异常检测方法，其特征在于，包括：

步骤1：获取待检测的电力数据，所述电力数据携带有预先分配的识别标识；

依据所述识别标识确定所述电力数据的类别，所述类别包括：电压类，电容电抗类，负荷类，主变类和线路类；

依据与所述类别对应的检测规则对所述电力数据进行检测，当所述电力数据满足预设检测条件时，所述电力数据正常，否则，所述电力数据异常；

步骤2：对于步骤1中未检测出异常的数据，计算第m类数据t时刻的梯度G_m，t：

其中，v_t和v_t-τ分别表示t时刻和t-τ时刻的数据；

依据所述梯度以及第m类数据的正常阈值，检测所述未检测出异常的第m类数据是否异常；

步骤3：对于步骤2中未检测出异常的负荷数据，依据预设的预测规则，应用当前时刻之前的若干个负荷数据预测当前时刻的负荷数据的预测值，所述若干数据为前后时刻相邻时刻的负荷数据；

依据所述预测值，以及所述若干个负荷数据及其预测值，确定所述当前时刻的负荷数据的概率为p的置信区间；

当所述当前时刻的负荷数据值落在所述概率为p的置信区间内时，所述当前时刻的负荷数据正常，否则，所述当前时刻的负荷数据异常。

2.根据权利要求1所述的方法，其特征在于，依据与所述类别对应的检测规则对所述电力数据进行检测包括：

电压类数据：判断所述电压类数据是否满足第一预设的取值范围，如果是，则所述电压类数据是正常的，否则，所述电压类数据异常；

电容电抗类数据：判断所述电容电抗类数据是否满足当前状态下的第二预设的取值范围，如果是，所述电容电抗类数据正常，否则，所述电容电抗类数据异常；

负荷类数据：计算所述负荷类数据与标准负荷值之间的相似距离，将所述相似距离与预设阈值进行比较，当所述相似距离大于所述预设阈值时，所述负荷类数据正常，否则，所述负荷类数据异常；

主变类数据：所述主变类数据包括有功数据、无功数据、电流数据和电压数据；依据如下第一关系等式计算所述有功数据的理论值P^*，

其中，

P为有功数据，Q为无功数据，U为电压数据，I为电流数据；当所述理论值P^*满足第一预设条件时，所述主变类数据正常，否则，所述主变类数据异常；

线路类数据：所述线路类数据包括首端数据和末端数据，所述首端数据包括首端有功数据、首端无功数据、首端电流数据和首端电压数据，所述末端数据包括末端有功数据、末端无功数据、末端电流数据和末端电压数据；依据所述第一关系式计算所述首端有功数据的理论值当所述首端有功数据的理论值

满足第二预设条件时，所述首端数据正常，否则，所述首端数据异常；依据所述第一关系式计算所述末端有功数据的理论值

当所述末端有功数据的理论值

满足第三预设条件时，所述末端数据正常；否则，所述末端数据异常。

3.根据权利要求2所述的方法，其特征在于，依据下式计算所述负荷类数据与标准负荷值之间的相似距离：

$d=\left|\frac{x_{\mathrm{nk}}-{\stackrel{\&OverBar;}{x}}_k}{{\stackrel{\&OverBar;}{x}}_k}\right|,$

其中，d为所述负荷类数据与标准负荷值之间的相似距离，x_nk为第n天第k时刻的负荷类数据，

为前面τ天第k时刻的数据的平均值。

4.根据权利要求1所述的方法，其特征在于，依据所述梯度以及第m类数据的正常阈值，检测所述未检测出异常的数据是否异常包括：

将所述梯度的绝对值与所述正常阈值进行比较，当所述的梯度的绝对值大于所述正常阈值时，所述未检测出异常的数据为正常；否则所述未检测出异常的数据异常。

5.根据权利要求1所述的方法，其特征在于，应用如下预测规则预测当前时刻的负荷数据的预测值：

${\hat{x}}_n=\underset{i=1}{\overset{n-2}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\mathrm{\&Delta;}{l}_i+x_{n-1}$

其中，表示当前时刻的负荷数据的预测值，Δl_i=x_i+1-x_i表示第i个时刻负荷数据的增量，表示第i个时刻负荷数据的权重。

6.根据权利要去1所述的方法，其特征在于，所述当前时刻的负荷数据的概率为p的置信区间为：

${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}\&PlusMinus;S\&CenterDot;K_{(p,n)}$

其中，

表示当前时刻的负荷数据的预测值；

其中，

（i=1,2,…，n-1）为当前时刻之前的各个时刻的负荷数据的实际值与相应时刻的预测值的差值；

为当前时刻之前的各个时刻的负荷数据的实际值与相应时刻的预测值的差值的标准差；

其中，t(p,n-2)是满足P(t_1-p/2(n-2)<t(n-2)<t_p/2(n-2))=p的t值；n为当前时刻及之前时刻的负荷数据的总的个数。

7.根据权利要求6所述的方法，其特征在于，还包括：

对检测出异常的数据进行修正，包括：

对步骤1中检测出异常的数据，当检测出所述电压类数据异常时，将所述电压类数据修正为电压等级；

当检测出所述电容电抗类数据异常时，将所述电容电抗类数据修正为0；

当检测出所述负荷类数据异常时，将所述负荷类数据修正为前面τ天第k时刻的数据的平均值

对步骤2中检测出异常的数据，将检测出的异常数据修正为

sgn函数表示符号函数，如果G_m，t>0，则，sgn(G_m,t)＝1，否则，sgn(G_m,t)＝-1；

对步骤3中检测出的异常数据，将检测出的异常负荷数据修改正为：如果当前负荷数据x_n满足如下公式则将该异常负荷数据x_n修正为 ${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}+S\&CenterDot;K_{(p,n)};$

如果当前负荷数据x_n满足如下公式则将该负荷数据x_n修正为 ${\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}-S\&CenterDot;K_{(p,n)}.$

8.根据权利要求1所述的方法，其特征在于，还包括：

将所述待检测的电力数据存储至缓存。

9.根据权利要求8所述的方法，其特征在于，还包括：

获取缓存内的待检测电力数据；

计算t时刻所述待检测电力数据的前向梯度G_m，t和后向梯度G′_m，t，其中，

$G_{m,t}=\frac{v_t-v_{t-\mathrm{\&tau;}}}{\mathrm{\&tau;}},$ ${G^{\&prime;}}_{m,t}=\frac{v_{t+\mathrm{\&tau;}}-v_t}{\mathrm{\&tau;}},$

v_t为t时刻的待检测电力数据，v_t-τ为t-τ时刻的待检测电力数据，v_t+τ为t+τ时刻的待检测电力数据，G_m，t为第m类数据在t时刻的前向梯度，G′_m，t为第m类数据在t时刻的后向梯度；

依据所述前向梯度和后向梯度以及第m类数据的正常阈值，检测所述缓存后的待检测数据是否异常。

10.根据权利要求9所述的方法，其特征在于，依据所述前向梯度和后向梯度以及待检测数据的阈值，检测所述缓存后的待检测数据是否异常包括：

依据所述前向梯度和后向梯度计算判定式，所述判定式为c=G_m,t×G′_m,t；

当c<0，且max{|G_m，t，G′_m,t|}＞T_m时，所述缓存后的待检测数据异常；否则，所述缓存后的待检测数据正常，其中，T_m为第m类数据的正常阈值。

Images