CN103034781A - 一种滤波器 - Google Patents

Abstract

本申请实施例公开了一种滤波器，通过分类器对待检测数据进行分类，通过多个比较器和运算器协调实现对海量电力数据的异常检测，其实现简单，能够准确、快速地检测出电力实时数据中的异常数据，易于工程实现。

Description

一种滤波器

技术领域

本发明涉及电力数据处理技术领域，更具体地说，涉及一种用于电力数据处理的滤波器。

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，本申请提供一种滤波器，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：

一种滤波器，包括：

获取待检测的电力数据，并对所述待检测的电力数据进行分类的分类器，所述电力数据的类别包括电压类，电容电抗类，负荷类，主变类和线路类；

与所述分类器相连接，将每一类电力数据与该类电力数据对应的第一阈值进行比较的第一比较器；

与所述第一比较器相连接，依据所述第一比较器的比较结果判断电力数据是否异常的第一判断器；

分别与所述第一比较器和所述第一判断器相连接，计算第m类数据t时刻的梯度的第一运算器；

与所述第一运算器相连接，将所述梯度与第二阈值进行比较的第二比较器；

与所述第二比较器相连接，依据所述第二比较器的比较结果判断电力数据是否异常的第二判断器；

分别与所述第二比较器和所述第二判断器相连接，依据预设的预测公式，应用当前时刻之前的若干个前后时刻相邻的负荷数据计算当前时刻的负荷数据的预测值的第二运算器；

与所述第二运算器相连接，依据所述预测值，以及所述若干个负荷数据及其预测值，计算所述当前时刻的负荷数据的概率为p的置信区间的第三运算器；

与所述第三运算器相连接，将当前检测的负荷数据与所述置信区间的端点进行比较的第三比较器；

与所述第三比较器相连接，依据所述第三比较器的比较结果判断电力数据是否异常的第三判断器。

上述滤波器，优选的，还包括：与所述分类器相连接，对所述待检测的电力数据进行缓存的缓存器。

上述滤波器，优选的，还包括：

与所述缓存器相连接，计算t时刻所述待检测电力数据的前向梯度和后向梯度的第四运算器；

与所述第四运算器相连接，将所述前向梯度的绝对值和后向梯度的绝对值与第三阈值进行比较，将所述前向梯度的绝对值和后向梯度的判定式与第四阈值进行比较的第四比较器；

与所述第四比较器相连接，依据所述第四比较器的比较结果判断检测的电力数据是否异常的第四判断器。

上述滤波器，优选的，还包括：

分别与所述第四比较器和所述第四判断器相连接，对第四判断器判断为正常的若干个电力数据进行小波变换，得到小波系数和尺度系数的第五运算器；

与所述第五运算器相连接，使用Birge-Massart策略计算降噪阈值的第六运算器；

分别与所述第五运算器和所述第六运算器相连接，依据上述降噪阈值对小波系数进行重构的第七运算器。

通过以上方案可知，本申请提供的一种滤波器，通过分类器对待检测数据进行分类，通过多个比较器和运算器协调实现对海量电力数据的异常检测，其实现简单，能够准确、快速地检测出电力实时数据中的异常数据，易于工程实现。

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滤波器的结构示意图；

图2为本申请实施例提供的另一种滤波器的结构示意图；

图3为本申请实施例提供的又一中滤波器的结构示意图。

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滤波器的结构示意图如图1所示，包括：

分类器101，第一比较器102，第一判断器103，第一运算器104，第二比较器105，第二判断器106，第二运算器107，第三运算器108，第三比较器109和第三判断其110；

其中，分类器101用于获取待检测的电力数据，并对所述待检测的电力数据进行分类，所述分类器101可以通过所述电力数据携带的识别标识对电力数据进行分类，本实施例中，分类器101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，可以以下述方式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式，只要能将标识出上述电力数据的类别即可。

第一比较器102与分类器101相连接，用于将每一类电力数据与该类电力数据对应的第一阈值进行比较。本实施例中，对于每一类数据，都预先设置有与该类数据相对应的第一阈值。

具体的，对于电压类数据，第一比较器102将电压类数据与电压类第一阈值进行比较，所述第一阈值可以为相应设备的电压等级。其中，电压等级根据设备的不同而不同，例如，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 Information Mode，CIM）获知。

对于电容电抗类数据，第一比较器102将电容电抗类数据的绝对值与电容电抗类第一阈值进行比较，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。

对于负荷类数据，第一比较器102首先计算所述负荷类数据与标准负荷值之间的相似距离，将所述相似距离与负荷类第一阈值进行比较，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，

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

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；

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；第一比较器102首先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。

第一比较器102将有功数据P及其的理论值P^*的差值的绝对值与主变类第一阈值进行比较。

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；

对于首端数据，第一比较器102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将首端有功数据P₁及其理论值

的差的绝对值与线路类第一阈值进行比较。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；

对于末端数据，第一比较器102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

将末端有功数据P₂及其理论值

的差的绝对值与线路类第一阈值进行比较。

第一判断器103与第一比较器102相连接，用于依据所述第一比较器的比较结果判断电力数据是否异常；

对于电压类数据，第一判断器103判断所述电压类数据取值是否落在第一预设的取值范围内，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。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，第一判断器103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，第一判断器103根据不同的状态分别判断，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（即运行状态下无功数据的第一阈值），且电流数据大于20（即运行状态下电流数据的第一阈值）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（即停运状态下无功数据的第一阈值），且电流数据等于0（即停运状态下电流数据的第一阈值）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，第一判断器103判断所述相似距离是否大于负荷类第一阈值，如果是，则所述负荷类数据正常，否则，所述负荷类数据异常；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，第一判断器103判断有功数据P及其的理论值P^*的差值的绝对值是否小于主变类第一阈值，如果是，则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，第一判断器103对于不同的线路类数据分布进行判断，对于首端数据，第一判断器103判断首端有功数据P₁及其的理论值

的差值的绝对值是否小于线路类类第一阈值，如果是，则所述首端数据正常，否则，所述首端数据异常；具体的，当所述理论值

满足不等式（4）时，所述首端数据正常，否则，所述首端数据异常；对于末端数据，第一判断器103判断末端有功数据P₂及其的理论值

的差值的绝对值是否小于线路类类第一阈值，如果是，则所述末端数据正常，否则，所述末端数据异常；具体的，当所述理论值

满足不等式（5）时，所述末端数据正常，否则，所述末端数据异常；

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

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

其中，P₁为首端有功数据；P₂为末端有功数据。

第一运算器104分别与所述第一比较器102和所述第一判断器103相连连接，用于对对判断器103判断为正常的数据再次进行检测，包括，计算第m类数据t时刻的梯度G_m，t，优选的，

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）；

第二比较器105与所述第一运算器104相连接，用于将所述梯度与第二阈值进行比较的第二比较。

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，第二比较器105用于将所述梯度G_m，t的绝对值与所述正常阈值进行比较，

第二判断器106与所述第二比较器105相连接，用于依据所述第二比较器的比较结果判断电力数据是否异常；

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；

第二运算器107分别与所述第二比较器105和所述第二判断器106想练级，用于依据预设的预测公式，应用当前时刻之前的若干个前后时刻相邻的负荷数据计算当前时刻的负荷数据的预测值；其计算过程为：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。

第三运算器108与所述第二运算器107相连接，用于依据所述预测值，以及所述若干个负荷数据及其预测值，计算所述当前时刻的负荷数据的概率为p的置信区间；其计算过程为：

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。

第三比较器109与所述第三运算器108相连接，用于将当前检测的负荷数据与所述置信区间的端点进行比较；

所述置信区间的端点为

和

第三判断器110与所述第三比较器相连接，用于依据所述第三比较器的比较结果判断电力数据是否异常；

当第三比较器109比较出所述负荷数据x_n与所述置信区间的端点满足如下关系式时，则所述负荷数据x_n异常，否则，所述负荷数据正常。

$x_n<{\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}-S\&CenterDot;K_{(p,n)}$ 或 $x_n>{\hat{x}}_n+\mathrm{\&Delta;}\stackrel{\&OverBar;}{x}+S\&CenterDot;K_{(p,n)}$

本申请实施例提供的一种滤波器，通过分类器对待检测数据进行分类，通过多个比较器和运算器协调实现对海量电力数据的异常检测，其实现简单，能够准确、快速地检测出电力实时数据中的异常数据，易于工程实现。

优选的，在图1所示的滤波器的基础上，本申请实施例提供的另一种滤波器的结构示意图如图2所示，还包括：

缓存器201，第四运算器202，第四比较器203和第四判断器204；

缓存器201与所述分类器相连接，用于对所述待检测的电力数据进行缓存；

第四运算器202与所述缓存器201相连接，用于计算t时刻所述待检测电力数据的前向梯度和后向梯度；其计算过程为：

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

其中，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；

第四比较器203用于将所述前向梯度的绝对值和后向梯度的绝对值与第三阈值进行比较，将所述前向梯度的绝对值和后向梯度的判定式与第四阈值进行比较；所述前向梯度的绝对值和后向梯度的判定式为c=G_m,t×G′_m，t。

第四判断器204用于依据所述第四比较器203的比较结果判断检测的电力数据是否异常；

优选的，当第四判断器204判断出当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滤波器，在对实时数据进行在线检测的同时，应用第四运算器、第四比较器和第四判断器对所述电力数据进行离线检测，进一步提高了检测的准确性。

为了进一步优化上述实施例，在图2所示实施例的基础上，本申请实施例提供的又一种滤波器的结构示意图如图3所示，还包括：

第五运算器301，第六运算器302和第七运算器303；

第五运算器301分别与所述第四比较器203和所述第四判断器204相连接，用于对第四判断器204判断出正常的n个数据a₁,a₂，...，a_n，进行小波变换；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。

第六运算器302与所述第五运算器301相连接，用于使用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；

第七运算器303分别与所述第五运算器301和所述第六运算器302相连接，用于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。

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 (4)

1.一种滤波器，其特征在于，包括：

获取待检测的电力数据，并对所述待检测的电力数据进行分类的分类器，所述电力数据的类别包括电压类，电容电抗类，负荷类，主变类和线路类；

与所述分类器相连接，将每一类电力数据与该类电力数据对应的第一阈值进行比较的第一比较器；

与所述第一比较器相连接，依据所述第一比较器的比较结果判断电力数据是否异常的第一判断器；

分别与所述第一比较器和所述第一判断器相连接，计算第m类数据t时刻的梯度的第一运算器；

与所述第一运算器相连接，将所述梯度与第二阈值进行比较的第二比较器；

与所述第二比较器相连接，依据所述第二比较器的比较结果判断电力数据是否异常的第二判断器；

分别与所述第二比较器和所述第二判断器相连接，依据预设的预测公式，应用当前时刻之前的若干个前后时刻相邻的负荷数据计算当前时刻的负荷数据的预测值的第二运算器；

与所述第二运算器相连接，依据所述预测值，以及所述若干个负荷数据及其预测值，计算所述当前时刻的负荷数据的概率为p的置信区间的第三运算器；

与所述第三运算器相连接，将当前检测的负荷数据与所述置信区间的端点进行比较的第三比较器；

与所述第三比较器相连接，依据所述第三比较器的比较结果判断电力数据是否异常的第三判断器。

2.根据权利要求1所述的滤波器，其特征在于，还包括：与所述分类器相连接，对所述待检测的电力数据进行缓存的缓存器。

3.根据权利要求2所述的滤波器，其特征在于，还包括：

与所述缓存器相连接，计算t时刻所述待检测电力数据的前向梯度和后向梯度的第四运算器；

与所述第四运算器相连接，将所述前向梯度的绝对值和后向梯度的绝对值与第三阈值进行比较，将所述前向梯度的绝对值和后向梯度的判定式与第四阈值进行比较的第四比较器；

与所述第四比较器相连接，依据所述第四比较器的比较结果判断检测的电力数据是否异常的第四判断器。

4.根据权利要求3所述的滤波器，其特征在于，还包括：

分别与所述第四比较器和所述第四判断器相连接，对第四判断器判断为正常的若干个电力数据进行小波变换，得到小波系数和尺度系数的第五运算器；

与所述第五运算器相连接，使用Birge-Massart策略计算降噪阈值的第六运算器；

分别与所述第五运算器和所述第六运算器相连接，依据上述降噪阈值对小波系数进行重构的第七运算器。

Images