CN110263834B - 一种新能源电能质量异常值的检测方法 - Google Patents

Abstract

本发明公开了一种新能源电能质量异常值的检测方法，其特征在于，首先采用改进后的鲸鱼优化算法对采样获得电信号数据进行处理，计算收敛因子；取随机数；记录当前最优个体位置及对应的最优适应度值，更新迭代次数直至满足要求或达到最大迭代次数，输出最优个体位置及最优适应度值；经过最优个体的处理；根据样本中的数据对象与聚类中心的欧氏距离最近的准则将它们分到距离它们最近的聚类中心；更新聚类中心；判断聚类中心和目标函数的值是否发生改变。本发明能减少噪声对数据的影响，在数据样本不是很大的情况也能很好的找到数据聚类中心点进行异常值的检测，且收敛速度快，数据精度高，稳定性好等优点。

Description

一种新能源电能质量异常值的检测方法

技术领域

本发明涉及一种基于K-means-IWOA算法的新能源电能质量异常值的检测方法，属于电网的电能质量检测分析技术领域。

背景技术

近年来，社会经济的飞速发展和社会生产力的不断提高，社会能源消耗速度越来越快，这些都在加速着人们对能源的需求。但是伴随着环境的污染问题，以及传统化石燃料储备的有限性和开采的局限性。加快了人们对清洁可再生能源开发的脚步。风能作为运用最早的可再生能源，随着多年的研究与探索，其相关技术得到了有效的优化与改进。使得风力发电技术在供电网中得到了广泛的应用，除此之外还有光伏发电技术的兴起也在改善着社会能源消耗压力的现状，运行成本低，维护简单。这些新能源的兴起正在改善着当今社会的能源紧缺的困境。

但社会不断发展的同时也使得电网中各种冲击性负荷和非线性负荷的快速增加，以及各种高精端的精密设备在电力系统中的广泛应用。风力发电，光伏发电等作为稳定性不高，随机性较大的新能源的并网，电力系统中电能质量的情况也越来越复杂，电能质量问题已经引起社会各界的越来越多的关注。为此，相关部门对电能质量的异常值检测问题越来越重视。但现实中的电力系统离散数据往往同时受到多个误差原因的影响，如数据中包含有衰减直流分量、间谐波、噪声等。所以准确的检测新能源的异常值对以后的准确地提取电力故障暂态信号中周期信号的幅值和频率等参数对电力系统状态分析，故障诊断，控制和保护至关重要。是电能质量扰动信号识别和正确分类的基础。

如今针对电网电能质量监测所得到的数据，具有噪声大，波动性大，且这些这些数据大多都有一定的周期性变化的特点。常用的电能数据异常值检测分类方法如人工神经网络算法，通过判别函数去计算已知类的样本，而对于未知类样本不做任何监督，特别是当数据不充分时，神经网络就无法工作。决策树算法比较依赖于训练样本，训练样本的好坏直接影响分类结果，并且决策树算法缺乏伸缩性，难以处理庞大的数据。支持向量机在处理小样本、非线性以及高维模式中显示出诸多优点。在实际情况下，信号类别有很多种，想要对多个类别进行归类时SVM无法实现，所以多分类SVM被提出并应用。但由于寻求一个最优支持向量机核函数和参数显得比较困难，所以核函数和参数的选取是问题的关键所在，并直接影响分类结果。人工免疫系统该算法需要通过大量的训练样本来找到更好的训练方法，使该算法速度在实际应用中受到一定的限制。现有的异常数据检测方法在针对此类数据做异常值检测时具有适应性差等问题。

发明内容

本发明所要解决的技术问题是：提供新能源电能质量异常值检测分析的方法。

为了解决上述问题，本发明的技术方案是提供了一种基于K-means-IWOA算法的新能源电能质量异常值的检测方法，其特征在于，包括以下步骤：

步骤1)：首先采用改进后的鲸鱼优化算法对采样获得电信号数据进行处理，根据式(11)、式(12)、式(13)计算收敛因子

根据式(14)和式(5)更新系数向量

其中，β表示非线性迭代系数，

表示[0，1]之间的随机数，t为迭代次数，T_max为最大迭代次数；

步骤2)：取随机数p，判断p是否小于0.5，若小于0.5则根据式(2)、式(3)计算

的值：

若大于0.5则根据式(7)来计算

的值：

其中，

表示猎物的位置，维数为M；

表示当前鲸鱼的位置；

表示更新后的个体位置；t为当前迭代次数；

表示第m只鲸鱼个体与目标猎物的距离；b是限定对数螺旋形式的常量；l是介于[-1，1]之间的随机数；

步骤3)：记录当前最优个体位置及对应的最优适应度值，更新迭代次数t＝t+1，直至满足要求或达到最大迭代次数，输出最优个体位置及最优适应度值；经过最优个体的处理，取k个{u₁,u₂,...,u_k}作为初始的数据聚类中心，每个对象代表一个聚类中心进行后续的K-means聚类操作；

步骤4)：对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心，即最相似所对应的类；

步骤5)：更新聚类中心，将每个类别中所有对象所对应的均值作为该类别的聚类中心，用{x₁,x₂,...,x_n}表示n个初始的聚类数据，{u₁,u₂,...,u_k}表示k个初始的数据聚类中心，根据式(1)计算目标函数J的值：

式中，x_i表示第i个数据，u_j表示第j个聚类中心的距离；

判断聚类中心和目标函数的值是否发生改变，若改变，则返回步骤4)，若不变，则输出结果，即检测到的数据中的异常值。

本发明首先采用改进后的鲸鱼优化算法对采样的电信号数据进行处理。得到k个初始聚类中心，接着在采用k-means聚类方法进行数据的聚类分析，得到不同的数据，进行异常值的检测分析。本发明将这种基于改进后的鲸鱼优化算法的k-means聚类的方法暂且称之为K-means-IWOA(K-means clustering based on improved whale optimizationalgorithm)：

1、k-means聚类算法

k-means聚类算法是一种无监督学习算法，它是一个把数据对象划分成不同集合的过程。通过所要描述对象的属性值来评估相似性和相异性，基本思想是在随机选取K个对象作为初始聚类中心，数据中的每个对象根据其与各个聚类中心的距离，将它分配到其相似度最高的聚类中。然后通过不断的迭代来更新每个聚类中的聚类中心，直到聚类中心不再发生变化。聚类目标是使得各类的聚类平方和最小。

具体过程为，设样本数据集，用{x₁,x₂,...,x_n}表示n个初始的聚类数据，{u₁,u₂,...,u_k}表示k个初始的数据聚类中心，目标函数为两个数据对象之间的欧式距离，表示为：

式中，x_i表示第i个数据，u_j表示第j个聚类中心的距离；

K-means算法具体步骤为：

Step1：取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；

Step2：对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心所对应的类；

Step3：更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；

Step4：判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回step2。

由于初始中心是随机选择的，所以导致聚类结果的随机性，并且一般不会得到全局最优解.因此怎样找到一组初始中心点，从而获得一个较好的聚类效果并消除聚类结果的波动性对K-means算法具有重要意义.为此，本发明采用改进后的鲸鱼优化算法来预先处理聚类中的初始中心点。

2、鲸鱼优化算法：

鲸鱼优化算法模拟了座头鲸独特的群体捕食行为，鲸鱼自下而上沿螺旋状通过制造气泡逐步收缩对猎物的包围范围，更新自身的位置。该行为被称为气泡网觅食方法。该算法总共分为：包围猎物，泡泡网攻击以及搜寻猎物三个阶段。

Step1：包围猎物

座头鲸在识别猎物的时候，对猎物位置是先验未知的，因此假设目标猎物位置是当前种群中最优或接近最优的鲸鱼个体的位置，其它的鲸鱼个体均向目标猎物靠近，位置更新公式则描述为：

式中：其中，

表示猎物的位置，维数为M；

表示当前鲸鱼的位置；

表示更新后的个体位置；t为当前迭代次数；

为系数向量，定义如下：

其中，

随着迭代次数从2线性递减到0；

表示为[0，1]之间的随机数。

则

可以描述为：

其中，t为迭代次数，T_max为最大迭代次数。

Step2：泡泡网攻击

泡泡网攻击是由两个机制：收缩包围机制，螺旋更新机制，收缩包围机制就是减少式(6)中的

螺旋更新位置：计算鲸鱼个体与目标猎物的距离，然后更新自己的位置去捕食猎物，数学表达式描述为：

其中，

表示第i只鲸鱼个体与目标猎物的距离；b是限定对数螺旋形式的常量；l是介于[-1，1]之间的随机数；但是鲸鱼在进行泡泡网攻击的时候，也在缩小包围圈，故为了实现这种同步，选择相同的概率进行收缩包围机制和螺旋更新位置，则数学模式描述为：

其中，p是介于[0，1]之间的随机数。

Step3：搜寻猎物

事实上，鲸鱼搜寻猎物的时候，会根据其他个体之间的位置随机搜索，采用和包围猎物公式中相似的系数向量

去模拟该行为，在此|A|≥1，使得鲸鱼远离参考鲸鱼即目标猎物，来找到一个更优的猎物，数学模型表示为：

其中，

表示随机选取鲸鱼的位置向量。

3、改进的鲸鱼优化算法

鲸鱼优化算法和其余的群算法一样，容易陷入局部最优，出现早熟收敛现象，为提鲸鱼优化算法的快速性以及准确性。使之更好地解决目标优化问题，提出以下改进策略：

非线性变化收敛因子的进行改进：为避免算法陷入局部最优解，提高算法后期跳出局部最优解，从而增强算法的全局搜索能力，提高收敛速度。故收敛因子进行非线性的调整，具体公式如下：

则

其中，β表示非线性迭代系数。

本发明提出的k-means聚类算法是一种无监督学习算法，它是一个把数据对象划分成不同集合的过程。通过所要描述对象的属性值来评估相似性和相异性，首先采用改进后的鲸鱼优化算法对采样的电信号数据进行处理。得到k个初始聚类中心，计算数据中的每个对象根据其与各个聚类中心的距离，将它分配到其相似度最高的聚类中。然后通过不断的迭代来更新每个聚类中的聚类中心，直到聚类中心不再发生变化。聚类目标是使得各类的聚类平方和最小。此方法能减少噪声对数据的影响，在数据样本不是很大的情况也能很好的找到数据聚类中心点进行异常值的检测，且收敛速度快，数据精度高，稳定性好等优点。

附图说明

图1为本发明提供的检测方法的流程图。

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

实施例

本发明提供的一种基于K-means-IWOA算法的新能源电能质量异常值的检测方法，具体过程如图1所示，包括以下步骤：

步骤1)：首先采用改进后的鲸鱼优化算法对采样获得电信号数据进行处理，根据式(11)、式(12)、式(13)计算收敛因子

根据式(14)和式(5)更新系数向量

其中，β表示非线性迭代系数，

表示[0，1]之间的随机数，t为迭代次数，T_max为最大迭代次数；

步骤2)：取随机数p，判断p是否小于0.5，若小于0.5则根据式(2)、式(3)计算

的值：

若大于0.5则根据式(7)来计算

的值：

其中，

表示猎物的位置，维数为M；

表示当前鲸鱼的位置；

表示更新后的个体位置；t为当前迭代次数；

表示第m只鲸鱼个体与目标猎物的距离；b是限定对数螺旋形式的常量；l是介于[-1，1]之间的随机数；

步骤3)：记录当前最优个体位置及对应的最优适应度值，更新迭代次数t＝t+1，直至满足要求或达到最大迭代次数，输出最优个体位置及最优适应度值；经过最优个体的处理，取k个{u₁,u₂,...,u_k}作为初始的数据聚类中心，每个对象代表一个聚类中心进行后续的K-means聚类操作；

步骤4)：对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心，即最相似所对应的类；

步骤5)：更新聚类中心，将每个类别中所有对象所对应的均值作为该类别的聚类中心，用{x₁,x₂,...,x_n}表示n个初始的聚类数据，{u₁,u₂,...,u_k}表示k个初始的数据聚类中心，根据式(1)计算目标函数J的值：

式中，x_i表示第i个数据，u_j表示第j个聚类中心的距离；

判断聚类中心和目标函数的值是否发生改变，若改变，则返回步骤4)，若不变，则输出结果，即检测到的数据中的异常值。

经验证，本发明提出的一种基于K-means-IWOA算法的新能源电能质量异常值检测研究的方法，可以更好地对电网的电能质量进行检测分析，且实现过程相对简单，具有很好的实用价值。

Claims (1)

1.一种新能源电能质量异常值的检测方法，其特征在于，包括以下步骤：

步骤1)：首先采用改进后的鲸鱼优化算法对采样获得电信号数据进行处理，根据式(11)、式(12)、式(13)计算收敛因子

根据式(14)和式(5)更新系数向量

其中，β表示非线性迭代系数，

表示[0，1]之间的随机数，t为迭代次数，T_max为最大迭代次数；

步骤2)：取随机数p，判断p是否小于0.5，若小于0.5则根据式(2)、式(3)计算

的值：

若大于0.5则根据式(7)来计算

的值：

其中，

表示猎物的位置，维数为M；

表示当前鲸鱼的位置；

表示更新后的个体位置；t为当前迭代次数；

表示第m只鲸鱼个体与目标猎物的距离；b是限定对数螺旋形式的常量；l是介于[-1，1]之间的随机数；

步骤3)：记录当前最优个体位置及对应的最优适应度值，更新迭代次数t＝t+1，直至满足要求或达到最大迭代次数，输出最优个体位置及最优适应度值；经过最优个体的处理，取k个{u₁,u₂,...,u_k}作为初始的数据聚类中心，每个对象代表一个聚类中心进行后续的K-means聚类操作；

步骤4)：对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心，即最相似所对应的类；

步骤5)：更新聚类中心，将每个类别中所有对象所对应的均值作为该类别的聚类中心，用{x₁,x₂,...,x_n}表示n个初始的聚类数据，{u₁,u₂,...,u_k}表示k个初始的数据聚类中心，根据式(1)计算目标函数J的值：

式中，x_i表示第i个数据，u_j表示第j个聚类中心的距离；

判断聚类中心和目标函数的值是否发生改变，若改变，则返回步骤4)，若不变，则输出结果，即检测到的数据中的异常值。

Images