CN111382862A - 一种电力系统异常数据辨识方法 - Google Patents

Abstract

本发明涉及一种电力系统异常数据辨识方法，包括将电力系统正常数据作为训练样本，训练神经网络；将待检测数据输入训练后的神经网络，获得残差序列；基于仿射传播聚类算法对残差训练进行聚类；根据各个类别的特征和类内距离进行异常数据判断。本发明利用混沌粒子群算法来进行神经网络训练，同时采用仿射传播聚类算法来实现数据聚类，能够显著降低计算量，同时不依赖采样分布，有效地提高了电力系统异常数据辨识的准确性。

Description

一种电力系统异常数据辨识方法

技术领域

本发明涉及异常数据辨识领域，具体地说是一种电力系统异常数据辨识方法。

背景技术

电力系统异常数据的检测与辨识是电力系统状态估计的重要功能之一，其目的在于排除量测采样数据中偶然出现的少量不良数据，提高状态估计的可靠性。复杂的电力网络包含着海量的实时数据，这些数据的准确与否决定着电力系统运行的安全与可靠性。电力系统中的不良数据可能会影响调度员做出错误的决策，从而影响电力系统的正常运行,甚至可能会威胁整个电力系统的安全。

因此为了确保电力系统稳定安全的运行,检测这些不良数据并把它们从原始数据中提取出来加以修正有着重要意义。电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据，检测和辨识这些不良数据是电力系统状态估计的重要组成部分。电力系统中不良数据的存在会降低状态估计的收敛性能,甚至可能造成状态估计失败少。如何可靠检测和修正不良数据成为状态估计应用的难题。

电力系统异常数据辨识方法一般包括数据预处理、聚类和异常数据判断的几个步骤。目前数据预处理方法中常采用的BP神经网络容易陷入局部极值从而降低数据预处理精度。聚类算法常采用K均值方法和中间隙统计法。但K均值方法需要预先设定聚类的数量，如果设置不当将严重影响算法的精度。中间隙统计法虽然能够自动计算聚类的数量，但算法依赖数据的采样分布，需要大量采样才能够获得稳定的结果，造成该算法计算复杂、计算量大的缺点，不适合海量数据的处理。

发明内容

针对现有技术的不足，本发明提供一种电力系统异常数据辨识方法，解决现有对于异常数据辨识算法计算复杂、计算量大的问题。

本发明为实现上述目的所采用的技术方案是：

一种电力系统异常数据辨识方法，包括如下步骤：

步骤1：基于电力系统正常数据训练神经网络；

步骤1-1：获取正常电器运行过程状态测量值数据集X：

X中每行是一种电器运行过程状态测量值，例如电压值、电流值、有功功率和无功功率等。在上述矩阵中，共计M种测量值，每种测量值有N个采样数据。

步骤1-2：将X规范化：

其中x_jmin和x_jmax为第j种测量值的最大值和最小值。

步骤1-3：将数据集X延行方向随机拆分构成集合X_M×L和X_M×(N-L)，其中L:N-L≈0.8:0.2，分别作为神经网络的训练集和测试集。

步骤1-4：设将第i中测量值作为目标值，其余种类测量值作为输入值，对神经网络进行训练。神经网络选择为3层神经网络，包括一个输入层、一个隐含层和一个输出层，输入层的神经元个数为M-1，隐含层神经元数量设置为M-1，输出层神经元的个数为1。神经网络输入与输出之间的关系为：

其中f和g是激活函数，x_i是第i个输入层神经元的输入，α_ij是在输入层第i个神经元与隐含层第j个神经元之间的权重，β_j是隐含层第j个神经元到输出节点之间的权重，A_j和B是偏置系数，采用Nguyen-Widrow算法初始化。神经网络输出与目标值之间误差采用均方误差。

步骤1-5：基于混沌搜索的粒子群算法来对神经网络进行训练。

步骤1-5-1：随机初始化粒子的速度v_i和位置l_i；

步骤1-5-2：计算每个粒子的适应度值f_i，即神经网络输出与目标值之间的均方误差。

步骤1-5-3：获取每个粒子的历史最优位置和所有粒子的最优位置

步骤1-5-4：根据公式更新速度和位置；

v_id←w*v_id+c₁r₁(L_id-x_id)+c₂r₂(L_gd-x_id)

l_id←l_id+v_id

其中：i是粒子索引；d是数据维度索引，c₁和c₂为常数，r₁和r₂为闭区间[0,1]上的随机数，L_i和L_g为第i个粒子的历史最优位置和所有粒子的最优位置，w为惯性权重。

步骤1-5-5：如果未达到迭代最大次数，则返回步骤2；如果达到最大迭代次数，继续以下步骤。

步骤1-5-6：根据公式进行混沌局部搜索；若搜索出的解更优，则更新历史最优位置；

ω_i←μω_i(1-ω_i)

l_i←a_i+d_i×ω_i

其中a_i，d_i为常数，μ为吸引子。

利用混沌粒子群算法在训练集上对神经网络的权重和偏置系数进行训练，并在训练集上进行测试，直至测试集上的神经网络输出与目标值之间的均方误差不在降低。

步骤2：将待检测数据输入训练后的神经网络，获得残差序列；

步骤2-1：获取待测试的数据集Y：

Y与正常数据集X中每行的数据种类是相同的，但每种测量值有Q个采样数据。

步骤2-2：将X规范化：

其中x_jmin和x_jmax为训练集中第j种测量值的最大值和最小值。

步骤2-3：利用训练后的神经网络获得均方误差序列E＝[e₁,e₂,...,e_Q]。

步骤3：基于仿射传播聚类算法对残差训练进行聚类；

步骤3-1：在0和1之间随机初始化吸引度矩阵R，归属度矩阵A，阻尼因子λ。

更新吸引度矩阵R和归属度矩阵A

D＝R+A

其中s(i,k)＝-||x_i-x_k||²为相似度，D为决策矩阵。

步骤3-2：找出决策矩阵D中对角线大于0的点作为聚类中心。根据样本点与聚类代表点的距离，将样本点归类。

步骤3-3：如果迭代次数大于初始化的最大迭代次数，停止聚类。否则返回步骤2。

步骤4：根据各个类别的特征和类内距离进行异常数据判断。

步骤4-1：对于元素个数小于等于3的类别，认为该类别中所有元素都为异常数据。

步骤4-2：对于元素个数大于3的类别，对于某个输入对应的均方误差e_i，设其对应的聚类中心为

如果

则e_i对应的测量数据向量中某些维度存在异常值。

本发明具有以下有益效果及优点：

利用混沌粒子群算法来进行神经网络训练，同时采用仿射传播聚类算法来实现数据聚类，能够显著降低计算量，同时不依赖采样分布，有效地提高了电力系统异常数据辨识的准确性。

附图说明

图1是本发明的方法流程图；

图2是本发明的神经网络结构示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

需要说明的是，当元件被称为“设置于”另一个元件，它可能直接在另一个元件上，或也可以存在居中的元件。当一个元件被称为是“连接”另一个元件，它可以直接连接到另一个元件或者可能同时存在居中元件。本文所使用的属于“前”、“后”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图1所示是本发明的方法流程图。

方法包括以下步骤：

获取正常电器运行过程状态测量值数据集X：

X中每行是一种电器运行过程状态测量值，例如电压值、电流值、有功功率和无功功率等。在上述矩阵中，共计M种测量值，每种测量值有N个采样数据。

将X规范化：

其中x_jmin和x_jmax为第j种测量值的最大值和最小值。

将数据集X延行方向随机拆分构成集合X_M×L和X_M×(N-L)，其中L:N-L≈0.8:0.2，分别作为神经网络的训练集和测试集。

设将第i中测量值作为目标值，其余种类测量值作为输入值，对神经网络进行训练。

神经网络选择为3层神经网络，包括一个输入层、一个隐含层和一个输出层，输入层的神经元个数为M-1，隐含层神经元数量设置为M-1，输出层神经元的个数为1。

神经网络输入与输出之间的关系为：

其中f和g是激活函数，x_i是第i个输入层神经元的输入，α_ij是在输入层第i个神经元与隐含层第j个神经元之间的权重，β_j是隐含层第j个神经元到输出节点之间的权重，A_j和B是偏置系数，采用Nguyen-Widrow算法初始化。神经网络输出与目标值之间误差采用均方误差。

该网络一般利用梯度反向传播算法或者粒子群等智能算法进行训练。但会出现收敛至局部最小值情况。为了解决这一问题，采用基于混沌搜索的粒子群算法来对神经网络进行训练。

粒子群算法的核心思想是将待优化参数向量视为粒子位置，而待优化目标函数视为粒子的适应度f，通过在群体历史最优位置和个体历史最优位置之间动态调整位置来优化适应度。基本粒子群算法本身存在收敛至局部最优解的问题，因此利用混沌搜索来增强粒子群算法的搜索能力。

完整的混沌粒子群算法步骤如下：

步骤1：随机初始化粒子的速度v_i和位置l_i；

步骤2：计算每个粒子的适应度值f_i，即神经网络输出与目标值之间的均方误差。

步骤3：获取每个粒子的历史最优位置和所有粒子的最优位置

步骤4：根据公式更新速度和位置；

v_id←w*v_id+c₁r₁(L_id-x_id)+c₂r₂(L_gd-x_id)

l_id←l_id+v_id

其中：i是粒子索引；d是数据维度索引，c₁和c₂为常数，r₁和r₂为闭区间[0,1]上的随机数，L_i和L_g为第i个粒子的历史最优位置和所有粒子的最优位置，w为惯性权重。

步骤5：如果未达到迭代最大次数，则返回步骤2；如果达到最大迭代次数，继续以下步骤。

步骤6：根据公式进行混沌局部搜索；若搜索出的解更优，则更新历史最优位置；

ω_i←μω_i(1-ω_i)

l_i←a_i+d_i×ω_i

其中a_i，d_i为常数，μ为吸引子。

利用混沌粒子群算法在训练集上对神经网络的权重和偏置系数进行训练，并在训练集上进行测试，直至测试集上的神经网络输出与目标值之间的均方误差不在降低。

获取待测试的数据集Y：

Y与正常数据集X中每行的数据种类是相同的，但每种测量值有Q个采样数据。

将X规范化：

其中x_jmin和x_jmax为训练集中第j种测量值的最大值和最小值。

利用训练后的神经网络获得均方误差序列E＝[e₁,e₂,...,e_Q]。

基于仿射传播聚类算法对E中元素进行聚类：

在0和1之间随机初始化吸引度矩阵R，归属度矩阵A，阻尼因子λ。

更新吸引度矩阵R和归属度矩阵A

D＝R+A

其中s(i,k)＝-||x_i-x_k||²为相似度，D为决策矩阵。

步骤3：找出决策矩阵D中对角线大于0的点作为聚类中心。根据样本点与聚类代表点的距离，将样本点归类。

步骤4：如果迭代次数大于初始化的最大迭代次数，停止聚类。否则返回步骤2。

对于元素个数小于等于3的类别，认为该类别中所有元素都为异常数据。

对于元素个数大于3的类别，对于某个输入对应的均方误差e_i，设其对应的聚类中心为

如果

则e_i对应的测量数据向量中某些维度存在异常值。

表1给出不同维度的异常数据判定准确率，数据采样个数为1000点。

表1不同维度的异常数据判定准确率

数据维度	3	5	7	9	10
						基于BP神经网络和中间隙统计法	90.2％	91.4％	93.1％	93.6	94.2％
提出算法	94.8％	95.2％	96.6％	97.2％	98.5％

由表1可以看出，提出算法在准确率方面对比其他算法有着明显的优势。

Claims (9)

1.一种电力系统异常数据辨识方法，其特征在于，包括以下步骤：

步骤1：将电力系统正常数据作为训练样本，训练神经网络；

步骤2：将待检测数据输入训练后的神经网络，获得残差序列；

步骤3：基于仿射传播聚类算法对残差训练进行聚类；

步骤4：根据各个类别的特征和类内距离进行异常数据判断。

2.根据权利要求1所述的电力系统异常数据辨识方法，其特征在于：所述将电力系统正常数据作为训练样本，训练神经网络，包括以下步骤：

步骤1.1：获取正常电器运行过程中的状态测量值数据集X：

其中，X中每行是电器运行过程的一种状态测量值，在上述矩阵中，共计M种测量值，每种测量值有N个采样数据；

步骤1.2：将X规范化：

其中，x_ij为X中第i行第j列的元素，x_jmin和x_jmax为X中第j列的最小值和最大值，

为x_ij规范化后的值；

步骤1.3：将状态测量值数据集X延行方向随机拆分构成集合X_M×L和X_M×(N-L)，其中L:N-L≈0.8:0.2，分别作为神经网络的训练集和测试集；

步骤1.4：设将第i种测量值作为神经网络训练的目标值，其余种测量值作为神经网络训练的输入值；

步骤1.5：基于混沌搜索的粒子群算法来对神经网络进行训练。

3.根据权利要求2所述的电力系统异常数据辨识方法，其特征在于：所述神经网络为三层神经网络，三层包括一个输入层、一个隐含层和一个输出层，所述输入层的神经元个数为M-1，隐含层神经元数量设置为M-1，输出层神经元的个数为1；

神经网络输入与输出之间的关系为：

其中，Y是输出值，f和g均为双曲正切激活函数，x_i是第i个输入层神经元的输入，α_ij是在输入层第i个神经元与隐含层第j个神经元之间的权重，β_j是隐含层第j个神经元到输出节点之间的权重，A_j是第j个神经元的偏置系数，B输出层神经元的偏置系数，神经网络所有权重和偏置系数在-1和1之间进行随机初始化；神经网络输出与目标值之间误差采用均方误差。

4.根据权利要求2所述的电力系统异常数据辨识方法，其特征在于：所述基于混沌搜索的粒子群算法来对神经网络进行训练包括以下过程：

步骤1.5.1：随机初始化粒子的速度v_i和位置l_i；

步骤1.5.2：计算每个粒子的适应度值f_i，即神经网络输出与目标值之间的均方误差；

步骤1.5.3：获取每个粒子的历史最优位置和所有粒子的最优位置；

步骤1.5.4：更新速度和位置；

步骤1.5.5：判断当前是否达到最大迭代次数，如果是，则执行步骤1.5.6，否则返回步骤1.5.2；

步骤1.5.6：进行混沌局部搜索，如果搜索出的解更优，则更新历史最优位置，直至测试集上的神经网络输出与目标值之间的均方误差不再降低，这时获得的粒子位置即为优化结果。

5.根据权利要求4所述的电力系统异常数据辨识方法，其特征在于：所述更新速度和位置为：

v_id←w*v_id+c₁r₁(L_id-l_id)+c₂r₂(L_gd-l_id)

l_id←l_id+v_id

其中：i是粒子索引；d是数据维度索引，c₁和c₂为常数，r₁和r₂为闭区间[0,1]上的随机数，L_id为第i个粒子在第d维度上的历史最优位置，L_gd为所有粒子在第d维度上的最优位置，w为惯性权重，l_id和v_id为第i个粒子在第d维度上的位置和速度。

6.根据权利要求4所述的电力系统异常数据辨识方法，其特征在于：所述混沌局部搜索为：

ω_i←μω_i(1-ω_i)

l_i←a_i+d_i×ω_i

其中i为粒子索引，a_i，d_i为常数，μ为吸引子，ω_i为混沌系数。

7.根据权利要求1所述的电力系统异常数据辨识方法，其特征在于：所述将待检测数据输入训练后的神经网络，获得残差序列包括以下过程：

步骤2.1：获取待测试的数据集Y：

所述待测试的数据集Y与正常数据集X中每行的数据种类是相同的，但每种测量值有Q个采样数据；

步骤2.2：将X规范化：

其中，x_ij为X中第i行第j列的元素，x_jmin和x_jmax为X中第j列的最小值和最大值，

为x_ij规范化后的值；

步骤2.3：利用训练后的神经网络获得均方误差序列E＝[e₁,e₂,...,e_Q]。

8.根据权利要求1所述的电力系统异常数据辨识方法，其特征在于：所述基于仿射传播聚类算法对残差训练进行聚类，包括以下过程：

步骤3.1：在0和1之间随机初始化吸引度矩阵R，归属度矩阵A，阻尼因子λ；更新吸引度矩阵R和归属度矩阵A：

D＝R+A

其中，i、k、i'、k'为索引，s(i,k)＝-||x_i-x_k||²为相似度，D为决策矩阵，R为吸引度矩阵，A为归属度矩阵，λ为阻尼因子，

表示在第i行中除了第k列以外A(i,k')+s(i,k')的最大值，

表示i'仅能在i和k中取值，即max{0,R(i,k)}+max{0,R(k,k)}，其中max{0,R(i,k)}表示0和R(i,k)中较大的那个值；相对应的，

表示i'能取在1到Q中除了i和k以外的其余值；

步骤3.2：找出决策矩阵D中对角线大于0的点作为聚类中心，根据样本点与聚类代表点的距离，将样本点归类；

步骤3.3：如果迭代次数大于初始化的最大迭代次数，则停止聚类；否则返回步骤3.2。

9.根据权利要求1所述的电力系统异常数据辨识方法，其特征在于：所述根据各个类别的特征和类内距离进行异常数据判断，包括：

如果某个类别中，元素个数不大于3，则认为该类别中所有元素都为异常数据；

如果某个类别中，元素个数大于3，对于某个输入对应的均方误差e_i，设其对应的聚类中心为

如果

则e_i对应的测量数据向量中存在异常值。

Images