CN103577695A - 一种电能质量数据中的可疑数据检测方法及装置 - Google Patents

Abstract

本发明公开了一种电能质量数据中的可疑数据检测方法及装置，方法包括：读取电能质量数据中待检测类型电网参数的样本数据；根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值；根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。本发明能够快速识别出电能质量数据中的可疑数据，确保了电能质量监测、测试的准确性。

Description

一种电能质量数据中的可疑数据检测方法及装置

技术领域

本发明涉及供电技术领域，尤其是涉及一种电能质量可疑数据检测方法。

背景技术

随着中国工业化的深入和电力电子技术的发展，电网中的非线性、冲击性负荷越来越多，使得电网系统电能质量问题愈加严重，与此同时，对供电电能质量敏感的用户也不断增加，提高电网电能质量水平成为供电企业一项重要工作。

一般来说，要提高电网电能质量水平，首先进行电能质量监测或测试，获取电网电能质量参数。参照电能质量国家标准及IEC、IEEE相关标准，电网电能质量参数主要包括了电压偏差、频率偏差、谐波、间谐波、电压三相不平衡度、闪变几项指标，同时为了全面分析电能质量，还会在监测时将电流、功率、功率因数等电网参数也一并记录。基于这些记录数据，开展电能数据挖掘分析，指导电能质量治理，从而提高电网电能质量水平。

由上述描述可知，电能质量数据是电能质量分析、治理的基础，而检测、清理数据中的错误部分，确保监测数据准确无误，是保证电能质量分析结果、治理策略正确的基础，电能质量可疑数据检测清理是开展电能质量监测分析的重要工作。

发明内容

本发明实施例提供了一种电能质量数据中的可疑数据检测方法，该方法包括：

读取电能质量数据中待检测类型电网参数的样本数据；

根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值；

根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；

根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。

此外，本发明还提供了一种电能质量数据中的可疑数据检测装置，包括：

样本数据读取模块，用于读取电能质量数据中待检测类型电网参数的样本数据；

云模型计算模块，用于根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值；

阈值确定模块，用于根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；

可疑数据确定模块，用于根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。

本发明能够快速识别出电能质量数据中的可疑数据，确保了电能质量监测、测试的准确性。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明公开的电能质量数据中的可疑数据检测方法的流程图；

图2为本发明公开的电能质量数据中的可疑数据检测装置的结构框图；

图3为本发明实施例中云模型中云滴正态分布图；

图4为本发明实施例中算法流程图；

图5为本发明实施例中电能质量可疑数据清理流程图。

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做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。

如图1所示，本发明公开了一种电能质量数据中的可疑数据检测方法，该方法包括：

步骤S101，读取电能质量数据中待检测类型电网参数的样本数据；其中，电能质量数据括：基波电压、基波电流、三相电压不平衡度、谐波总畸变率、闪变值。

步骤S102，根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值，云模型数字特征值包括：云模型期望、熵、超熵；

根据待检测类型电网参数的样本数据和式（1）确定样本均值；

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(1\right)$

根据所述样本均值、式（2）、式（3）确定样本方差、一阶样本绝对中心距；

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2---\left(2\right)$

$B_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-\stackrel{\‾}{X}|---\left(3\right)$

将样本均值做为云模型的期望；

根据一阶样本绝对中心矩和式（4）确定熵；

$\mathrm{En}=\sqrt{\frac{\mathrm{\π}}{2}}\×B_1---\left(4\right)$

根据样本方差、熵以及式（5）确定超熵；

$\mathrm{He}=\sqrt{|S^2-{\mathrm{En}}^2|}---\left(5\right)$

其中，

为样本平均值，x_i为待检测类型电网参数的样本数据，S为样本方差，B₁为一阶样本绝对中心矩，En为熵，He为超熵。

步骤S103，根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；

根据正态分布的3δ准则确定En’的范围为En±3He；

根据确定的En’的范围确定可疑数据的上、下阈值分别为Ex－3(En＋3He)、Ex＋3(En＋3He)；

步骤S104，根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。

此外，如图2所示，本发明还公开了一种电能质量数据中的可疑数据检测装置，该装置包括：

样本数据读取模块201，用于读取电能质量数据中待检测类型电网参数的样本数据；

云模型计算模块202，用于根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值；

阈值确定模块203，用于根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；

可疑数据确定模块204，用于根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。

上述的云模型计算模块202包括：

样本均值确定单元，用于根据待检测类型电网参数的样本数据和式（1）确定样本均值；

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(1\right)$

方差中心矩确定单元，用于根据所述样本均值、式（2）、式（3）确定样本方差、一阶样本绝对中心距；

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2---\left(2\right)$

$B_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-\stackrel{\‾}{X}|---\left(3\right)$

云模型数字特征值确定单元，用于将所述样本均值做为云模型的期望，根据所述一阶样本绝对中心矩和式（4）确定熵，根据所述样本方差、熵以及式（5）确定超熵；

$\mathrm{En}=\sqrt{\frac{\mathrm{\π}}{2}}\×B_1---\left(4\right)$

$\mathrm{He}=\sqrt{|S^2-{\mathrm{En}}^2|}---\left(5\right)$

其中，

为样本平均值，x_i为待检测类型电网参数的样本数据，S为样本方差，B₁为一阶样本绝对中心矩，En为熵，He为超熵。

阈值确定模块203包括：

En’范围确定单元，用于根据正态分布的3δ准则确定En’的范围为En±3He；

阈值范围确定单元，用于根据确定的En’的范围确定可疑数据的上、下阈值分别为Ex－3(En＋3He)、Ex＋3(En＋3He)。

本发明采用基于云模型的方法来实现对电能质量稳态数据中的可疑数据检测清理功能。具体方案如下：

特征值选取：

选择基波电压和基波电流为特征量进行可疑数据清理，根据相位相关性和采样时间点同步性来判断其他指标的可疑数据。

计算云模型数字特征，具体如下：

正态云采用期望Ex、熵En和超熵He三个数字特征来表征一个概念，例如：C=(Ex,En,He)。

期望：云滴在论域空间U中分布的均值，是最能够代表定性概念的点。

熵：定性概念的不确定度量，由概念的随机性与模糊性共同决定。

超熵：熵的不确定性度量，即熵的熵，用于反映云滴隶属度的随机性。

采用数字特征值逆向云发生器算法计算正态云的三个数字特征值。具体公式如下：

计算样本均值为： $\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

样本方差为： $S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2$

一阶样本绝对中心矩为： $B_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-\stackrel{\‾}{X}|$

计算云模型的期望为 $\mathrm{Ex}=\stackrel{\‾}{X},$ 熵为 $\mathrm{En}=\sqrt{\frac{\mathrm{\π}}{2}}\×B_1,$ 超熵为 $\mathrm{He}=\sqrt{|S^2-{\mathrm{En}}^2|}.$

(1)阈值确定方法：

从图3可以看出，μ₁、μ₂为云模型中云滴分布的包络线，云滴的分布类似于正态分布，称为泛正态分布，用超熵He来衡量偏离正态分布的程度，当He=0时，云模型退化为正态分布。下面为μ₁、μ₂的计算方法：

${\mathrm{\μ}}_1=\exp (-\frac{(x-\mathrm{Ex}{)}^2}{2{(\mathrm{En}+3\mathrm{He})}^2})$

${\mathrm{\μ}}_2=\exp (-\frac{{(x-\mathrm{Ex})}^2}{2{(\mathrm{En}-3\mathrm{He})}^2})$

正态分布具有“3δ准则”，即在正态分布密度函数曲线下“μ±3δ”范围内的面积为99.73%，只有约0.27%的数值有可能落在范围之外；同理，云模型也具有类似“3δ准则”的“3En’规则”。两者之间的区别在于，正态分布的δ是一个确定的值，而云模型因为考虑了He的影响，En’是一个以En为均值、He为方差的正态随机数，也就是说，云模型在正态分布基础上合理的扩展了“3δ准则”的范围，更能准确地刻画数据的随机波动性。

因此，本发明实施例根据云模型的“3En’规则”来确定可疑数据的上、下阈值，即根据正态分布的“3δ准则”确定En’的范围为En±3He，本发明选择最大En’，即En＋3He；再根据正态分布的“3δ准则”确定正常数据的范围为Ex±3En’。

综上所述，如图3所示，可疑数据的上、下阈值分别为Ex－3(En＋3He)、Ex＋3(En＋3He)。

(2)算法步骤：

图4为基于云模型的电能质量可疑数据检测清理方法步骤：

a)输入数据，输入数据可以为A相基波电压的日监测数据；

b)计算云模型的三个数字特征值(Ex,En,He)；

c)确定可疑数据上、下阈值；

d)根据阈值对日监测数据进行逐一判断，如果有可疑数据，则将其剔除，记录对应的时间点，并重复步骤b）、c），反之，则判断下一个数据；

e)直到不再有可疑数据时，算法结束

(3)其他指标是否可疑的判断规则：

为了提高算法效率，除基波电压和基波电流采用上述方法对可疑数据进行清理，其他指标均可以根据相位相关性和采样时间点的同步性进行判断，具体判断规则如下：

a)基波电压与谐波电压、电压波动、闪变、电压各序分量的可疑数据对应的相位和时间点具有一致性，电压不平衡度与A、B、C三相的结果有关，线电压与每两相的结果有关；

b)基波电流与谐波电流、电流各序分量的可疑数据对应的相位和时间点具有一致性，电流不平衡度与A、B、C三相的结果有关；

c)基波电压与基波电流的结果共同决定频率和功率的可疑数据；

d)根据基波电压、基波电流A、B、C三相的相关性可以判断是否有缺相的可疑数据。

下面结合一具体的实施方式对本发明做进一步具体描述。

如图5所示为本实施例提供的一种电能质量可疑数据清除方法的流程示意图，该方法包括：

S301：选取选择电能质量日统计数据中的基波电压和基波电流为特征量。

为了更加清楚地对本发明进行描述，下面以一组举例数据来描述本发明。以清除电能质量数据的基波电压数据中的可疑数据为例。

Ua={5853.48,5853.51,5853.47,5850.21,5852.73,5833.76,5850.24,5849.97,5849.74,5853.47,5852.86,5851.78,5847.37,5852.13,5855.53,5853.87,5851.03,5845.68,5849.97,5851.21,5850.71,5849.79,5850.28,5850.44,5850.96,5851.74,5850.77,5849.97,5850.92,5853.54,5846.73,5850.86,5854.87,5851.15,5857.41,5857.68,5853.87,5851.84,5851.77,5849.96,5850.35,5845.78,5848.35,5847.69,5847.87,5847.2,5848.25,5848.42,5851.75,5851.15,5854.53,5848.37,5848.85,5853.49,5852.52,5853.87,5850.25,5853.46,5851.77,5852.51}

S302：计算云模型数字特征值：期望Ex、熵En和超熵He。

根据方案中描述的计算方法，即以下公式计算云模型数字特征值：

计算样本均值为： $\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

样本方差为： $S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2$

一阶样本绝对中心矩为： $B_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-\stackrel{\‾}{X}|$

计算云模型的期望为 $\mathrm{Ex}=\stackrel{\‾}{X},$ 熵为 $\mathrm{En}=\sqrt{\frac{\mathrm{\π}}{2}}\×B_1,$ 超熵为 $\mathrm{He}=\sqrt{|S^2-{\mathrm{En}}^2|}$

计算结果如下：

期望/V	熵	超熵
			5850.895	2.187	0.862

S303：根据云模型的“3En’规则”来计算可疑数据的上、下阈值’。

得到的上下限值如下：

上阈值/V	下阈值/V
		5865.214	5836.576

S304：根据阈值对日监测数据进行逐一判断，如果有可疑数据，则将其清除。

可以发现，数据中的5833.76超过了下阈值，属于可疑数据，清除。

方法S305主要用于对其他数据类型进行可疑数据检测清理，因该类型数据量极大，这里不再单独给出示例。

本发明实施例能够快速识别出电能质量数据中的可疑数据，确保了电能质量监测、测试的准确性。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电能质量数据中的可疑数据检测方法，其特征在于，所述的方法包括：

读取电能质量数据中待检测类型电网参数的样本数据；

根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值；

根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；

根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。

2.如权利要求1所述的电能质量数据中的可疑数据检测方法，其特征在于，所述的电能质量数据包括：基波电压、基波电流、三相电压不平衡度、谐波总畸变率、闪变值。

3.如权利要求1所述的电能质量数据中的可疑数据检测方法，其特征在于，所述的云模型数字特征值包括：云模型期望、熵、超熵。

4.如权利要求3所述的电能质量数据中的可疑数据检测方法，其特征在于，所述的根据待检测类型电网参数的样本数据确定云模型数字特征值包括：

根据待检测类型电网参数的样本数据和式（1）确定样本均值；

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(1\right)$

根据所述样本均值、式（2）、式（3）确定样本方差、一阶样本绝对中心距；

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2---\left(2\right)$

$B_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-\stackrel{\‾}{X}|---\left(3\right)$

将所述样本均值做为云模型的期望；

根据所述一阶样本绝对中心矩和式（4）确定熵；

$\mathrm{En}=\sqrt{\frac{\mathrm{\π}}{2}}\×B_1---\left(4\right)$

根据所述样本方差、熵以及式（5）确定超熵；

$\mathrm{He}=\sqrt{|S^2-{\mathrm{En}}^2|}---\left(5\right)$

其中，

为样本平均值，x_i为待检测类型电网参数的样本数据，S为样本方差，B₁为一阶样本绝对中心矩，En为熵，He为超熵。

5.如权利要求4所述的电能质量数据中的可疑数据检测方法，其特征在于，所述的根据云模型的3En’规则和所述云模型数字特征值确定可疑数据的上、下阈值包括：

根据正态分布的3δ准则确定En’的范围为En±3He；

根据确定的En’的范围确定可疑数据的上、下阈值分别为Ex－3(En＋3He)、Ex＋3(En＋3He)。

6.一种电能质量数据中的可疑数据检测装置，其特征在于，所述的装置包括：

样本数据读取模块，用于读取电能质量数据中待检测类型电网参数的样本数据；

云模型计算模块，用于根据待检测类型电网参数的样本数据和云模型逆向发生器确定云模型数字特征值；

阈值确定模块，用于根据云模型的3En’规则和所述云模型数字特征值确定上、下阈值；

可疑数据确定模块，用于根据确定的上、下阈值确定待检测类型的电网参数中的可疑数据。

7.如权利要求6所述的电能质量数据中的可疑数据检测装置，其特征在于，所述的电能质量数据括：基波电压、基波电流、三相电压不平衡度、谐波总畸变率、闪变值。

8.如权利要求6所述的电能质量数据中的可疑数据检测装置，其特征在于，所述的云模型数字特征值包括：云模型期望、熵、超熵。

9.如权利要求8所述的电能质量数据中的可疑数据检测装置，其特征在于，所述的云模型计算模块包括：

样本均值确定单元，用于根据待检测类型电网参数的样本数据和式（1）确定样本均值；

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(1\right)$

方差中心矩确定单元，用于根据所述样本均值、式（2）、式（3）确定样本方差、一阶样本绝对中心距；

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2---\left(2\right)$

$B_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_i-\stackrel{\‾}{X}|---\left(3\right)$

云模型数字特征值确定单元，用于将所述样本均值做为云模型的期望，根据所述一阶样本绝对中心矩和式（4）确定熵，根据所述样本方差、熵以及式（5）确定超熵；

$\mathrm{En}=\sqrt{\frac{\mathrm{\π}}{2}}\×B_1---\left(4\right)$

$\mathrm{He}=\sqrt{|S^2-{\mathrm{En}}^2|}---\left(5\right)$

其中，

为样本平均值，x_i为待检测类型电网参数的样本数据，S为样本方差，B₁为一阶样本绝对中心矩，En为熵，He为超熵。

10.如权利要求9所述的电能质量数据中的可疑数据检测装置，其特征在于，所述的阈值确定模块根据云模型的3En’规则和所述云模型数字特征值确定可疑数据的上、下阈值包括：

En’范围确定单元，用于根据正态分布的3δ准则确定En’的范围为En±3He；

阈值范围确定单元，用于根据确定的En’的范围确定可疑数据的上、下阈值分别为Ex－3(En＋3He)、Ex＋3(En＋3He)。

Images