CN110334125A - 一种配电网量测异常数据辨识方法及装置 - Google Patents
一种配电网量测异常数据辨识方法及装置 Download PDFInfo
- Publication number
- CN110334125A CN110334125A CN201910416740.6A CN201910416740A CN110334125A CN 110334125 A CN110334125 A CN 110334125A CN 201910416740 A CN201910416740 A CN 201910416740A CN 110334125 A CN110334125 A CN 110334125A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- metric data
- network metric
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 300
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002547 anomalous effect Effects 0.000 title claims abstract description 14
- 238000005259 measurement Methods 0.000 title description 11
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种配电网量测异常数据辨识方法及装置,包括划分待测日配电网量测数据所属类别;比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;若判断值均介于上下限值之间,则该待测日配电网量测数据为正常数据;本发明在划分待测日配电网量测数据所属类别之前基于历史配电网量测数据确定聚类中心,进而确定其聚类类别,解决了现有技术中进行数据辨识过程中无法自适应确定聚类数目的问题;再通过聚类类别的上下限值辨识待测日配电网异常量测数据,解决了现有技术中在处理大数据量的聚类问题时效率不高的问题。
Description
技术领域
本发明涉及力系统配电网量测数据处理技术领域,具体涉及一种配电网量测异常数据辨识方法及装置。
背景技术
随着电力系统和通讯技术的发展,各种智能测量设备逐渐被应用在配网数据的监测中,配电网负荷用电、电流、电压等数据将变得易于测量和感知。在工程实际中通信传输的电流、电压等数据作为一种时序数据,是电力系统最重要的基础数据。信息在采集或传输的过程中,可能会因为随机干扰、设备故障等原因导致不良数据的产生。配电网量测数据中存在的不良数据会影响电力系统的状态估计、负荷预测等结果,导致调度系统做出错误的决策,严重时甚至会影响电力系统运行的稳定性,造成重大隐患。因此,如何辨识出这些不良数据并将其从原始数据中提取出来加以修正,对提高系统运行的安全性与可靠性有十分重要的意义。
传统的数据辨识方法包括估计似然辨识法、静态状态估计辨识法、递归误差辨识法和基于假设检验的辨识法,这些基于数学统计的方法存在着一定的局限性,计算的速度较慢,难以满足于当前海量通信传输数据下的实时辨识要求,还可能会出现残差污染和残差淹没的现象,从而造成漏检或误检。随着计算机技术的发展,数据挖掘算法也开始运用于数据辨识,包括聚类算法、神经网络算法、间隙统计算法、粒子群算法等,极大的提高了数据辨识的精度和速度。其中,聚类算法(如K-means算法)可以挖掘出通信传输的量测数据中的隐藏特性,将正常数据和异常数据进行划分,进而实现对不良数据的辨识。但K-means算法不能自主得出聚类的数目K,同时随机选择的聚类中心有可能使计算陷入局部最优。采用随机模糊聚类的不良数据检测,能够很好的克服残差污染和残差淹没现象,但是对聚类参数的参数选取要求较高,也可能存在一些局部极值。采用DBSCAN聚类算法能够发现数据中任意形状的类,从而提取出特征值并检测异常量,但是对于当数据样本的密度不均匀时,聚类的效果较差。
因此,经典聚类算法进行数据辨识过程中无法自适应确定聚类数目、以及在处理大数据量的聚类问题时效率不高是本领域亟需解决的问题。
发明内容
针对现有技术的不足,本发明的目的是提供一种配电网量测异常数据辨识方法及装置,基于历史配电网量测数据确定聚类中心,进而确定其聚类类别,再通过聚类类别的上下限值辨识待测日配电网异常量测数据,解决了现有技术中进行数据辨识过程中无法自适应确定聚类数目、以及在处理大数据量的聚类问题时效率不高。
本发明的目的是采用下述技术方案实现的:
本发明提供一种配电网量测异常数据辨识方法,如图1所示,所述方法包括:
划分待测日配电网量测数据所属类别;
比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;
若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据。
在本发明的实施例中,上述方法中划分待测日配电网量测数据所属类别之前,包括:利用历史日配电网量测数据对配电网量测数据进行分类。
具体地,利用历史日配电网量测数据对配电网量测数据进行分类,包括:
获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi,若ρi≥μ且δi≥2.5σ,则将第i个历史日配电网量测数据作为聚类中心;
获取K个聚类中心,计算剩余历史日配电网量测数据与各聚类中心的欧氏距离,若剩余历史日配电网量测数据中第g个历史日配电网量测数据与K个聚类中心中第k个聚类中心的欧氏距离最小,则将剩余历史日配电网量测数据中第g个历史日配电网量测数据划分至所述第k个聚类中心对应的类别;
其中,μ为历史日配电网量测数据的局部密度均值,σ为历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离的方差,i∈N,N为历史日总数,k∈[1,K],K为聚类中心总数,g∈[1,N-K],N-K为剩余历史日配电网量测数据总数。
具体地,上述获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi包括:
按下式获取第i个历史日配电网量测数据的局部密度ρi:
式中,dc为截断距离,dij为第i个历史日配电网量测数据与第j个历史日配电网量测数据的欧式距离,j∈N;
按下式获取第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi:
具体地,按下式确定所述第i个历史日配电网量测数据与第j个历史日配电网量测数据的欧式距离dij:
式中,d(xi,b-xj,b)为第i个历史日第b时刻配电网量测数据与第j个历史日第b时刻配电网量测数据的欧氏距离,b∈M,M为时刻总数,D为尺度参数。
在本发明的实施例中,上述方法中划分待测日配电网量测数据所属类别包括:
计算待测日配电网量测数据与各类别的聚类中心的欧氏距离,若待测日配电网量测数据与第a类的聚类中心的欧氏距离最小,则将第a类作为待测日配电网量测数据所属类别。
在本发明的实施例中,上述方法中比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值之前包括:
按下式确定待测日第b时刻配电网量测数据相对其所属类别a的判断值lnew,b:
式中,xnew,b为待测日第b时刻配电网量测数据,va,b为待测日配电网量测数据所属类别a的聚类中心对应的第b时刻配电网量测数据,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最大值,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最小值,b∈M,M为待测日或历史日中时刻总数,a∈K,K为类别总数。
具体地,所述比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值之前还包括:
按下式确定类别a的第b时刻配电网量测数据的上限值和下限值
具体地,所述若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据包括:
若b取1,2,3......M时,lnew,b满足则待测日配电网量测数据为正常数据,否则待测日配电网量测数据为异常数据。
本发明还提供一种配电网量测异常数据辨识装置,其改进在于,所述装置包括:
类别确定单元,用于划分待测日配电网量测数据所属类别;
数据比较单元,用于比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;
数据辨识单元,用于若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供一种配电网量测异常数据辨识方法及装置,包括划分待测日配电网量测数据所属类别;比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据;本发明在划分待测日配电网量测数据所属类别之前基于历史配电网量测数据确定聚类中心,进而确定其聚类类别,解决了现有技术中进行数据辨识过程中无法自适应确定聚类数目的问题;再通过聚类类别的上下限值辨识待测日配电网异常量测数据,解决了现有技术中在处理大数据量的聚类问题时效率不高的问题。
附图说明
图1是本发明配电网量测异常数据辨识方法流程图;
图2是本发明配电网量测异常数据辨识装置示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
本发明提供一种配电网量测异常数据辨识方法,如图1所示,所述方法包括:
划分待测日配电网量测数据所属类别;
比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;
若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据。
优选地,所述划分待测日配电网量测数据所属类别之前,包括:利用历史日配电网量测数据对配电网量测数据进行分类。
进一步地,所述利用历史日配电网量测数据对配电网量测数据进行分类,包括:
获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi,若ρi≥μ且δi≥2.5σ,则将第i个历史日配电网量测数据作为聚类中心;
获取K个聚类中心,计算剩余历史日配电网量测数据与各聚类中心的欧氏距离,若剩余历史日配电网量测数据中第g个历史日配电网量测数据与K个聚类中心中第k个聚类中心的欧氏距离最小,则将剩余历史日配电网量测数据中第g个历史日配电网量测数据划分至所述第k个聚类中心对应的类别;
其中,μ为历史日配电网量测数据的局部密度均值,σ为历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离的方差,i∈N,N为历史日总数,k∈[1,K],K为聚类中心总数,g∈[1,N-K],N-K为剩余历史日配电网量测数据总数。
进一步地,所述获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi包括:
按下式获取第i个历史日配电网量测数据的局部密度ρi:
式中,dc为截断距离,dij为第i个历史日配电网量测数据与第j个历史日配电网量测数据的距离,j∈N;
按下式获取第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi:
进一步地,按下式确定所述第i个历史日配电网量测数据与第j个历史日配电网量测数据的距离dij:
式中,d(xi,b-xj,b)为第i个历史日第b时刻配电网量测数据与第j个历史日第b时刻配电网量测数据的欧氏距离,b∈M,M为时刻总数,D为尺度参数。
优选地,所述划分待测日配电网量测数据所属类别包括:
计算待测日配电网量测数据与各类别的聚类中心的欧氏距离,若待测日配电网量测数据与第a类的聚类中心的欧氏距离最小,则将第a类作为待测日配电网量测数据所属类别。
优选地,所述比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值之前包括:
按下式确定待测日第b时刻配电网量测数据相对其所属类别a的判断值lnew,b:
式中,xnew,b为待测日第b时刻配电网量测数据,va,b为待测日配电网量测数据所属类别a的聚类中心对应的第b时刻配电网量测数据,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最大值,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最小值,b∈M,M为待测日或历史日中时刻总数,a∈K,K为类别总数。
进一步地,所述比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值之前还包括:
按下式确定类别a的第b时刻配电网量测数据的上限值和下限值
进一步地,所述若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据包括:
若b取1,2,3......M时,lnew,b满足则待测日配电网量测数据为正常数据,否则待测日配电网量测数据为异常数据。
本发明还提供一种配电网量测异常数据辨识装置,如图2所示,所述装置包括:
类别确定单元,用于划分待测日配电网量测数据所属类别;
数据比较单元,用于比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;
数据辨识单元,用于若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据。
上述类别确定单元包括:
划分单元,用于利用历史日配电网量测数据对配电网量测数据进行分类。
划分单元包括:
第一划分单元,用于获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi,若ρi≥μ且δi≥2.5σ,则将第i个历史日配电网量测数据作为聚类中心;
第二划分单元,用于获取K个聚类中心,计算剩余历史日配电网量测数据与各聚类中心的欧氏距离,若剩余历史日配电网量测数据中第g个历史日配电网量测数据与K个聚类中心中第k个聚类中心的欧氏距离最小,则将剩余历史日配电网量测数据中第g个历史日配电网量测数据划分至所述第k个聚类中心对应的类别;
其中,μ为历史日配电网量测数据的局部密度均值,σ为历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离的方差,i∈N,N为历史日总数,k∈[1,K],K为聚类中心总数,g∈[1,N-K],N-K为剩余历史日配电网量测数据总数。
上述获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi包括:
按下式获取第i个历史日配电网量测数据的局部密度ρi:
式中,dc为截断距离,dij为第i个历史日配电网量测数据与第j个历史日配电网量测数据的距离,j∈N;
按下式获取第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi:
按下式确定所述第i个历史日配电网量测数据与第j个历史日配电网量测数据的距离dij:
式中,d(xi,b-xj,b)为第i个历史日第b时刻配电网量测数据与第j个历史日第b时刻配电网量测数据的欧氏距离,b∈M,M为时刻总数,D为尺度参数。
类别确定单元还包括:
确定单元,用于计算待测日配电网量测数据与各类别的聚类中心的欧氏距离,若待测日配电网量测数据与第a类的聚类中心的欧氏距离最小,则将第a类作为待测日配电网量测数据所属类别。
数据比较单元包括:
比较值确定单元,用于按下式确定待测日第b时刻配电网量测数据相对其所属类别a的判断值lnew,b:
式中,xnew,b为待测日第b时刻配电网量测数据,va,b为待测日配电网量测数据所属类别a的聚类中心对应的第b时刻配电网量测数据,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最大值,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最小值,b∈M,M为待测日或历史日中时刻总数,a∈K,K为类别总数。
及按下式确定类别a的第b时刻配电网量测数据的上限值和下限值
数据辨识单元具体用于若b取1,2,3......M时,lnew,b满足则待测日配电网量测数据为正常数据,否则待测日配电网量测数据为异常数据。
综上所述,本发明提供一种配电网量测异常数据辨识方法及装置,包括划分待测日配电网量测数据所属类别;比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据;本发明在划分待测日配电网量测数据所属类别之前基于历史配电网量测数据确定聚类中心,进而确定其聚类类别,解决了现有技术中进行数据辨识过程中无法自适应确定聚类数目的问题;再通过聚类类别的上下限值辨识待测日配电网异常量测数据,解决了现有技术中在处理大数据量的聚类问题时效率不高的问题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限值,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种配电网量测异常数据辨识方法,其特征在于,所述方法包括:
划分待测日配电网量测数据所属类别;
比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;
若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据。
2.如权利要求1所述的方法,其特征在于,所述划分待测日配电网量测数据所属类别之前,包括:利用历史日配电网量测数据对配电网量测数据进行分类。
3.如权利要求2所述的方法,其特征在于,所述利用历史日配电网量测数据对配电网量测数据进行分类,包括:
获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi,若ρi≥μ且δi≥2.5σ,则将第i个历史日配电网量测数据作为聚类中心;
获取K个聚类中心,计算剩余历史日配电网量测数据与各聚类中心的欧氏距离,若剩余历史日配电网量测数据中第g个历史日配电网量测数据与K个聚类中心中第k个聚类中心的欧氏距离最小,则将剩余历史日配电网量测数据中第g个历史日配电网量测数据划分至所述第k个聚类中心对应的类别;
其中,μ为历史日配电网量测数据的局部密度均值,σ为历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离的方差,i∈N,N为历史日总数,k∈[1,K],K为聚类中心总数,g∈[1,N-K],N-K为剩余历史日配电网量测数据总数。
4.如权利要求3所述的方法,其特征在于,所述获取第i个历史日配电网量测数据的局部密度ρi和第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi包括:
按下式获取第i个历史日配电网量测数据的局部密度ρi:
式中,dc为截断距离,dij为第i个历史日配电网量测数据与第j个历史日配电网量测数据的欧式距离,j∈N;
按下式获取第i个历史日配电网量测数据与高局部密度的历史日配电网量测数据的距离δi:
5.如权利要求4所述的方法,其特征在于,按下式确定所述第i个历史日配电网量测数据与第j个历史日配电网量测数据的欧式距离dij:
式中,d(xi,b-xj,b)为第i个历史日第b时刻配电网量测数据与第j个历史日第b时刻配电网量测数据的欧氏距离,b∈M,M为时刻总数,D为尺度参数。
6.如权利要求1所述的方法,其特征在于,所述划分待测日配电网量测数据所属类别包括:
计算待测日配电网量测数据与各类别的聚类中心的欧氏距离,若待测日配电网量测数据与第a类的聚类中心的欧氏距离最小,则将第a类作为待测日配电网量测数据所属类别。
7.如权利要求1所述的方法,其特征在于,所述比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值之前包括:
按下式确定待测日第b时刻配电网量测数据相对其所属类别a的判断值lnew,b:
式中,xnew,b为待测日第b时刻配电网量测数据,va,b为待测日配电网量测数据所属类别a的聚类中心对应的第b时刻配电网量测数据,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最大值,为待测日配电网量测数据所属类别a的第b时刻配电网量测数据的最小值,b∈M,M为待测日或历史日中时刻总数,a∈K,K为类别总数。
8.如权利要求7所述的方法,其特征在于,所述比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值之前还包括:
按下式确定类别a的第b时刻配电网量测数据的上限值和下限值
9.如权利要求8所述的方法,其特征在于,所述若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据包括:
若b取1,2,3......M时,lnew,b满足则待测日配电网量测数据为正常数据,否则待测日配电网量测数据为异常数据。
10.一种配电网量测异常数据辨识装置,其特征在于,所述装置包括:
类别确定单元,用于划分待测日配电网量测数据所属类别;
数据比较单元,用于比较待测日中各时刻配电网量测数据相对其所属类别的判断值与待测日配电网量测数据所属类别的各时刻配电网量测数据上下限值;
数据辨识单元,用于若待测日中各时刻配电网量测数据相对其所属类别的判断值均介于待测日配电网量测数据所属类别的各时刻上下限值之间,则该待测日配电网量测数据为正常数据,否则该待测日配电网量测数据为异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416740.6A CN110334125A (zh) | 2019-05-20 | 2019-05-20 | 一种配电网量测异常数据辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416740.6A CN110334125A (zh) | 2019-05-20 | 2019-05-20 | 一种配电网量测异常数据辨识方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334125A true CN110334125A (zh) | 2019-10-15 |
Family
ID=68139339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416740.6A Pending CN110334125A (zh) | 2019-05-20 | 2019-05-20 | 一种配电网量测异常数据辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334125A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008662A (zh) * | 2019-12-04 | 2020-04-14 | 贵州电网有限责任公司 | 一种输电线路在线监测数据异常分析方法 |
CN111464022A (zh) * | 2020-03-25 | 2020-07-28 | 哈尔滨工业大学 | 一种基于多特征的dc-dc变换器关键器件参数辨识方法 |
-
2019
- 2019-05-20 CN CN201910416740.6A patent/CN110334125A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008662A (zh) * | 2019-12-04 | 2020-04-14 | 贵州电网有限责任公司 | 一种输电线路在线监测数据异常分析方法 |
CN111008662B (zh) * | 2019-12-04 | 2023-01-10 | 贵州电网有限责任公司 | 一种输电线路在线监测数据异常分析方法 |
CN111464022A (zh) * | 2020-03-25 | 2020-07-28 | 哈尔滨工业大学 | 一种基于多特征的dc-dc变换器关键器件参数辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
CN111625991A (zh) | 一种低压配电网拓扑校验方法 | |
CN111144435A (zh) | 基于lof和验证过滤框架的电能量异常数据监测方法 | |
CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和系统 | |
CN109472369A (zh) | 电力设备的监测方法及装置 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN109086291B (zh) | 一种基于MapReduce的并行异常检测方法及系统 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
Han et al. | FNFD: A fast scheme to detect and verify non-technical loss fraud in smart grid | |
CN110348508A (zh) | 检验异常值的数据核验方法及其系统、电子设备 | |
CN110163304A (zh) | 一种采用线性关系聚类的谐波源耦合参数辨识方法 | |
CN112730938A (zh) | 一种基于用电采集大数据的窃电用户判断方法 | |
CN110334125A (zh) | 一种配电网量测异常数据辨识方法及装置 | |
CN113922412B (zh) | 一种新能源多场站短路比全景化评估方法、系统、存储介质及计算设备 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN112087316B (zh) | 基于异常数据分析的网络异常根源定位方法 | |
CN111046913A (zh) | 一种负荷异常值识别方法 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
CN115561546A (zh) | 电力系统异常检测报警系统 | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN108197254A (zh) | 一种基于近邻的数据修复方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN117421188A (zh) | 告警定级方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |