CN112308168A - 检测电网中电压数据异常的方法 - Google Patents
检测电网中电压数据异常的方法 Download PDFInfo
- Publication number
- CN112308168A CN112308168A CN202011241992.9A CN202011241992A CN112308168A CN 112308168 A CN112308168 A CN 112308168A CN 202011241992 A CN202011241992 A CN 202011241992A CN 112308168 A CN112308168 A CN 112308168A
- Authority
- CN
- China
- Prior art keywords
- voltage data
- data
- abnormal
- ith
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种检测电网中电压数据异常的方法,包括步骤:S1.采集电压数据;S2.使用自适应变异蝙蝠算法对所述电压数据进行处理,得到电压数据的局部异常数据;S3.对所述电压数据的局部异常数据进行聚类处理,得到聚类后的数据;S4.对所述聚类后的数据进行分类检测,得到异常的电压数据。本发明的一种检测电网中电压数据异常的方法,具有更好的聚类效果以及异常检测性能,提高了电压异常的检测效率。
Description
技术领域
本发明涉及电网领域,具体涉及一种检测电网中电压数据异常的方法。
背景技术
随着现代电力技术的不断进步,电网正向着智能化、信息化、数字化方向高速发展。随着电网系统中各类设备要处理的数据量逐渐增加,使得电网数据量飞速增长,这就增加了对电网进行统计分析的难度,特别地,很难对电网的异常数据进行分析,而电网数据异常等问题会严重地影响电网的安全。
其中,电网数据异常往往体现在电压数据异常,而目前对于电压数据异常的检测,并没有有效的手段或技术。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供检测电网中电压数据异常的方法,具有更好的聚类效果以及异常检测性能,提高了电压异常的检测效率。
本发明的检测电网中电压数据异常的方法,包括如下步骤:
S1.采集电压数据;
S2.使用自适应变异蝙蝠算法对所述电压数据进行处理,得到电压数据的局部异常数据;
S3.对所述电压数据的局部异常数据进行聚类处理,得到聚类后的数据;
S4.对所述聚类后的数据进行分类检测,得到异常的电压数据。
进一步,所述步骤S2,具体包括:
其中,W(t)为t时刻异常数据的分布权值;R为将当前电压数据划分为相等区域的个数;rk为异常数据出现在第k个区域的概率;
进一步,根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据变换的频率fi:
其中,Favg为所有电压数据的平均适应值,Fbest为当前电压数据中的异常数据,fmin为最小频率,α∈[-1,1]为随机向量;
其中,δ∈[-1,1]为随机向量,A(t)为t时刻的响度,s为自适应参数。
进一步,所述步骤S3,具体包括:
S31.构建聚类损失模型:
其中,F(U,S)为聚类损失函数,R为将当前电压数据划分为相等区域的个数,ti为第i个电压数据执行时间,U为隶属度矩阵,所述U={ρj(xi)},xi为电压数据集,所述xi={x1,x2,…,xn},k为分类数量,S为拉普拉斯系数,为第i个电压数据属于聚类中心cj的加权系数,cj为第j个区域聚类中心,ρj(xi)为第i个电压数据对应的第j类隶属度,b为迭代次数,‖xi-cj‖2为第i个电压数据距离第j个区域聚类中心cj的距离,为电压数据的分布熵和平均位距映射权值;
S32.求解所述聚类损失模型的极小值,得到聚类中心cj以及隶属度函数ρj(xi);
S33.迭代计算聚类中心cj及隶属度函数ρj(xi),直到所述聚类损失模型收敛,并所述聚类损失模型收敛后对应的异常电压数据作为聚类后的数据。
本发明的有益效果是:本发明公开的一种检测电网中电压数据异常的方法,通过利用自适应变异蝙蝠算法优化的聚类方法,对从电网中采集电压数据进行聚类分析,得到电压数据的异常分类,进而实现了对电压数据异常的检测;本发明具有更好的聚类效果以及异常检测性能,提高了电压异常的检测效率。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图1所示:
本发明的检测电网中电压数据异常的方法,包括如下步骤:
S1.从设置于电网系统的各种数据传感器中获取电网中的电压数据;
S2.使用自适应变异蝙蝠算法对所述电压数据进行处理,得到电压数据的局部异常数据;
S3.对所述电压数据的局部异常数据进行聚类处理,得到聚类后的数据;
S4.对所述聚类后的数据进行分类检测,得到异常的电压数据。
本实施例中,所述步骤S2,具体包括:
其中,W(t)为t时刻异常数据的分布权值,W(t)的值越小,则异常数据分布越不均匀,W(t)为0时,则异常数据聚集在同一处;R为将当前电压数据划分为相等区域的个数,每个区域所包含的异常电压数据为N1,N2,...,Nk;rk为异常数据出现在第k个区域的概率;所述S为拉普拉斯系数;
本实施例中,根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据变换的频率fi:
其中,Favg为所有电压数据的平均适应值,Fbest为当前电压数据中的异常数据,fmin为最小频率,α∈[-1,1]为随机向量;
其中,δ∈[-1,1]为随机向量,A(t)为t时刻的响度,s为自适应参数,所述参数s可根据所述自适应变异蝙蝠算法的具体使用,进行调整。
若得到自适应变异蝙蝠算法中的一个最佳解,则每个电压数据的位置进一步更新为:
xnew=xold+τA(t);
其中,xnew表示新位置,xold表示旧位置,τ∈[-1,1]。
本实施例中,所述步骤S3,具体包括:
S31.构建聚类损失模型:
其中,F(U,S)为聚类损失函数,R为将当前电压数据划分为相等区域的个数,ti为第i个电压数据执行时间,U为隶属度矩阵,所述U={ρj(xi)},xi为电压数据集,所述xi={x1,x2,…,xn},k为分类数量,S为拉普拉斯系数,为第i个电压数据属于聚类中心cj的加权系数,cj为第j个区域聚类中心,ρj(xi)为第i个电压数据对应的第j类隶属度,b为迭代次数,‖xi-cj‖2为第i个电压数据距离第j个区域聚类中心cj的距离,所述距离为0时,则所述第i个电压数据为异常数据,为电压数据的分布熵和平均位距映射权值;
S32.令所述聚类损失模型中的聚类损失函数F(U,S)对cj和ρj(xi)的偏导为0,解得所述聚类损失模型的极小值,得到聚类中心cj以及隶属度函数ρj(xi);
S33.迭代计算聚类中心cj及隶属度函数ρj(xi),直到所述聚类损失模型收敛,并所述聚类损失模型收敛后对应的异常电压数据作为聚类后的数据。其中,所述迭代的次数,根据实际情况进行设定;若所述聚类损失模型达到最大迭代次数后无法收敛,则结束。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种检测电网中电压数据异常的方法,其特征在于:包括如下步骤:
S1.采集电压数据;
S2.使用自适应变异蝙蝠算法对所述电压数据进行处理,得到电压数据的局部异常数据;
S3.对所述电压数据的局部异常数据进行聚类处理,得到聚类后的数据;
S4.对所述聚类后的数据进行分类检测,得到异常的电压数据。
4.根据权利要求1所述的检测电网中电压数据异常的方法,其特征在于:所述步骤S3,具体包括:
S31.构建聚类损失模型:
其中,F(U,S)为聚类损失函数,R为将当前电压数据划分为相等区域的个数,ti为第i个电压数据执行时间,U为隶属度矩阵,所述U={ρj(xi)},xi为电压数据集,所述xi={x1,x2,…,xn},k为分类数量,S为拉普拉斯系数,为第i个电压数据属于聚类中心cj的加权系数,cj为第j个区域聚类中心,ρj(xi)为第i个电压数据对应的第j类隶属度,b为迭代次数,‖xi-cj‖2为第i个电压数据距离第j个区域聚类中心cj的距离,为电压数据的分布熵和平均位距映射权值;
S32.求解所述聚类损失模型的极小值,得到聚类中心cj以及隶属度函数ρj(xi);
S33.迭代计算聚类中心cj及隶属度函数ρj(xi),直到所述聚类损失模型收敛,并所述聚类损失模型收敛后对应的异常电压数据作为聚类后的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241992.9A CN112308168A (zh) | 2020-11-09 | 2020-11-09 | 检测电网中电压数据异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241992.9A CN112308168A (zh) | 2020-11-09 | 2020-11-09 | 检测电网中电压数据异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308168A true CN112308168A (zh) | 2021-02-02 |
Family
ID=74325362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011241992.9A Pending CN112308168A (zh) | 2020-11-09 | 2020-11-09 | 检测电网中电压数据异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308168A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238107A (zh) * | 2021-04-26 | 2021-08-10 | 南京国电南自电网自动化有限公司 | 一种用于emc试验的交流采样异常分析方法 |
CN115935284A (zh) * | 2022-11-04 | 2023-04-07 | 贵州电网有限责任公司信息中心 | 电网异常电压检测方法、装置、设备及存储介质 |
CN116243097A (zh) * | 2023-05-11 | 2023-06-09 | 新风光电子科技股份有限公司 | 基于大数据的电能质量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409496A (zh) * | 2018-11-14 | 2019-03-01 | 重庆邮电大学 | 一种基于蚁群算法改进的ldtw序列相似度量方法 |
CN109711373A (zh) * | 2018-12-29 | 2019-05-03 | 浙江大学 | 一种基于改进蝙蝠算法的大数据特征选择方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110263834A (zh) * | 2019-06-13 | 2019-09-20 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN111492373A (zh) * | 2017-10-30 | 2020-08-04 | 纽约州州立大学研究基金会 | 与基于声学的回声签名的用户认证相关联的系统和方法 |
CN111612227A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 |
-
2020
- 2020-11-09 CN CN202011241992.9A patent/CN112308168A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN111492373A (zh) * | 2017-10-30 | 2020-08-04 | 纽约州州立大学研究基金会 | 与基于声学的回声签名的用户认证相关联的系统和方法 |
CN109409496A (zh) * | 2018-11-14 | 2019-03-01 | 重庆邮电大学 | 一种基于蚁群算法改进的ldtw序列相似度量方法 |
CN109711373A (zh) * | 2018-12-29 | 2019-05-03 | 浙江大学 | 一种基于改进蝙蝠算法的大数据特征选择方法 |
CN110263834A (zh) * | 2019-06-13 | 2019-09-20 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN111612227A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238107A (zh) * | 2021-04-26 | 2021-08-10 | 南京国电南自电网自动化有限公司 | 一种用于emc试验的交流采样异常分析方法 |
CN115935284A (zh) * | 2022-11-04 | 2023-04-07 | 贵州电网有限责任公司信息中心 | 电网异常电压检测方法、装置、设备及存储介质 |
CN116243097A (zh) * | 2023-05-11 | 2023-06-09 | 新风光电子科技股份有限公司 | 基于大数据的电能质量检测方法 |
CN116243097B (zh) * | 2023-05-11 | 2023-08-15 | 新风光电子科技股份有限公司 | 基于大数据的电能质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308168A (zh) | 检测电网中电压数据异常的方法 | |
CN107948930B (zh) | 基于位置指纹算法的室内定位优化方法 | |
Xu et al. | An improved data anomaly detection method based on isolation forest | |
CN107919918B (zh) | 一种移动节点辅助水下物联网数据可靠采集方法 | |
CN112800682B (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
CN116383743A (zh) | 基于机器学习的光伏运行异常检测方法及系统 | |
CN114707686A (zh) | 一种面向多工序混合生产的联合优化方法 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN117290700A (zh) | 基于双模图特征融合的无线通信网络异常检测方法 | |
CN112422546A (zh) | 一种基于变邻域算法和模糊聚类的网络异常检测方法 | |
Tian et al. | A self-adaptive similarity-based fitness approximation for evolutionary optimization | |
CN111413622B (zh) | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 | |
CN114298164A (zh) | 基于klms算法和趋势滤波的自适应故障预测方法 | |
CN114202110A (zh) | 一种基于rf-xgboost的业务故障预测方法及装置 | |
CN114124437A (zh) | 基于原型卷积网络的加密流量识别方法 | |
Georgieva et al. | A cooperative multi-population approach to clustering temporal data | |
Kruzick et al. | Optimal filter design for consensus on random directed graphs | |
WANG et al. | Oversampling method for intrusion detection based on clustering and instance hardness | |
Yang et al. | Dragonfly algorithm for solving flexible jobshop scheduling problem | |
Wang et al. | A peer to peer traffic identification method based on wavelet and particle swarm optimization algorithm | |
Chun-Liang et al. | Improved SVM classifier incorporating adaptive condensed instances based on hybrid continuous-discrete particle swarm optimization | |
CN117714304B (zh) | 一种无人机集群网络健康评估方法、系统及介质 | |
CN117574213B (zh) | 一种基于apso-cnn的网络流量分类方法 | |
Mishra et al. | Cuckoo search implementation in LabVIEW |
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 |