CN113791275A - 一种单相谐波数据丢失的修复方法及系统 - Google Patents
一种单相谐波数据丢失的修复方法及系统 Download PDFInfo
- Publication number
- CN113791275A CN113791275A CN202111006426.4A CN202111006426A CN113791275A CN 113791275 A CN113791275 A CN 113791275A CN 202111006426 A CN202111006426 A CN 202111006426A CN 113791275 A CN113791275 A CN 113791275A
- Authority
- CN
- China
- Prior art keywords
- unknown
- harmonic data
- data
- graph
- signal
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R25/00—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种单相谐波数据丢失的修复方法,包括以下步骤:S1:构建基于谱图理论的谐波数据修复模型;S2:建立图拉普拉斯矩阵,并基于图拉普拉斯矩阵简化谐波数据修复模型;S3:利用合并K均值聚类算法对发生数据丢失的关注节点的先验信息进行聚类,建立图信号阈值向量,并进一步建立关注节点先验信息模型;S4:初始Bregman迭代算法化参数,求解谐波数据修复模型,得到未知图信号S unknown ;S5:通过领域平均法将合并K均值算法的阈值向量和未知图信号S unknown 联系起来,完成谐波数据的修复。本发明减少了不同相位测量单元之间的数据依赖性,并且不需要相位测量单元的优化策略,能够快速有效的回复丢失数数据,提高数据回复效率。
Description
技术领域
本发明涉及电能质量数据修复领域,,具体涉及一种单相谐波数据丢失的修复方法及系统。
背景技术
随着5G网络、人工智能、边缘计算等高科技技术的快速发展和成熟,泛在动力物联网的建设已被提上日程。在这个架构中,充分感知大数据的感知层,是整个系统情况和状态识别的基础。
现在,电力系统有各种各样的数据采集和监测控制系统,这些系统都是基于变电站、输电线路和电力使用等相关数据。其中,电网的谐波测量数据是掌握谐波规律、实现谐波治理、提高电能质量的关键。然而,由于各种原因,包括通信拥堵和测量单元故障,数据丢失和数据质量下降的情况很普遍。这些缺失的数据会大大影响事件后分析或干扰识别等应用的准确性。
近些年来,国内外的数据修复方法,主要分为两大类别,基于低秩矩阵修复的数据修复方法和基于深度学习的数据修复方法。现有的矩阵修复算法主要有核正则化矩阵逼近,奇异值投影和最大边际矩阵分解。该类方法依赖实际线路参数,恢复的准确性有可能受到拓扑信息的影响。基于深度学习的数据修复方法需要考虑不同相量测量单元之间的数据相关性,需要对相位测量单元进行优化以达到所需的精度水平,这意味着大量的经济费用。并且,该类方法只能在一个固定的时间窗口内同时填补数据或纠正错误,限制了应用场景。
发明内容
有鉴于此,本发明的目的在于提供一种单相谐波数据丢失的修复方法及系统,以解决上述问题。
为实现上述目的,本发明采用如下技术方案:
一种单相谐波数据丢失的修复方法,包括以下步骤:
S1:构建基于谱图理论的谐波数据修复模型;
S2:建立图拉普拉斯矩阵,并基于图拉普拉斯矩阵简化谐波数据修复模型;
S3:利用合并K均值聚类算法对发生数据丢失的关注节点的先验信息进行聚类,建立图信号阈值向量,并进一步建立关注节点先验信息模型;
S4:初始Bregman迭代算法化参数,求解谐波数据修复模型,得到未知图信号Sunknown;
S5:通过领域平均法将合并K均值算法的阈值向量和未知图信号Sunknown联系起来,完成谐波数据的修复。
进一步的,所述基于谱图理论的谐波数据修复模型,具体为:
Sknown=χSunknown+us+∈
其中,Sknown表示可观察到的图信号;Sunknown为通过特征向量χ控制图信号Sknown的未知图信号;us为Sknown的平均值向量;∈为服从多元高斯分布的噪声变量。
进一步的,所述S2具体为:
根据未发生谐波数据丢失的量测装置建立图拉普拉斯矩阵L,L为对角对称矩阵,并进行相似对角化为L=χΛχT;
其中,Λ为对角特征值矩阵,且特征值按升序排列,χ为特征向量;
结合噪声变量、未知的图信号和未知图信号的Sunknown的最大后验概率,谐波数据修复模型简化为
其中,pE为噪声的概率密度函数;ps为未知图信号的概率密度函数;α是常数参数。
进一步的,S3具体为:利用合并K均值聚类算法对发生数据丢失的关注节点的先验信息进行聚类,建立图信号阈值向量M=[m1,m2,...,mk];
其中,mi和mi+1分别大于等于算法i类聚类的最小值和最大值,k为算法输出的聚类类别数。
进一步的,所述关注节点的先验信息模型为
Bregman迭代算法的迭代公式为
通过以上过程求解出未知图信号Sunknown。
进一步的,所述S5具体为:通过任一非零图信号值和其邻近范围内的另一非零图信号值之间的采样点数来确认谐波数据的某种状态的持续时间;
领域平均法li=(mk-1+mk)/2,si=k将合并K均值算法的阈值向量和未知图信号Sunknown联系起来,完成谐波数据的修复。
一种单相谐波数据丢失的修复系统,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如权利要求1-7任一项所述的数据修复方法中的步骤。
本发明与现有技术相比具有以下有益效果:
本发明减少了不同相位测量单元之间的数据依赖性,并且不需要相位测量单元的优化策略,能够快速有效的回复丢失数数据,提高数据回复效率,且具有良好的抗噪声性能。
附图说明
图1为本发明的流程示意图。
图2为本发明一实施例中IEEE30节点系统拓扑图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种单相谐波数据丢失的修复方法,包括以下步骤:
S1:建立基于谱图理论的谐波数据修复模型Sknown=χSunknown+us+∈。
在本实施例中,参考图2,为IEEE30节点拓扑图,设母线14为关注节点,发生谐波数据丢失事故。
S2:母线10未发生谐波数据丢失,以此建立谐波的图拉普拉斯矩阵L,并进行相似对角化为L=χΛχT。其中,Λ为对角特征值矩阵,且特征值按升序排列。结合噪声变量、未知的图信号和未知图信号的Sunknown的最大后验概率,谐波数据修复模型化为
S3:利用合并K均值聚类算法对发生数据丢失的关注节点的先验信息进行聚类,建立图信号阈值向量M=[m1,m2,...,mk]。
Sunknown可以通过迭代得到;子问题则可以通过得到最优解。和迭代求解b。权重参数设置为ak=(1-2tk)/(tk+1);k为当前迭代次数,tk的初始值t0为1。通过以上过程求解出未知图信号Sunknown。
S5:通过某个非零图信号值和其邻近范围内的另一非零图信号值之间的采样点数来确认谐波数据的某种状态的持续时间。领域平均法li=(mk-1+mk)/2,si=k将合并K均值算法的阈值向量和重构图信号Sunknown联系起来,完成了谐波数据的修复。
本发明提出的方法、三次样条插值法和拉格朗日插值法,在IEEE30节点上对丢失谐波数据的修复效果如表1所示:
表1 IEEE30节点的谐波数据的修复效果
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。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种单相谐波数据丢失的修复方法,其特征在于,包括以下步骤:
S1:构建基于谱图理论的谐波数据修复模型;
S2:建立图拉普拉斯矩阵,并基于图拉普拉斯矩阵简化谐波数据修复模型;
S3:利用合并K均值聚类算法对发生数据丢失的关注节点的先验信息进行聚类,建立图信号阈值向量,并进一步建立关注节点先验信息模型;
S4:初始Bregman迭代算法化参数,求解谐波数据修复模型,得到未知图信号Sunknown;
S5:通过领域平均法将合并K均值算法的阈值向量和未知图信号Sunknown联系起来,完成谐波数据的修复。
2.根据权利要求1所述的一种单相谐波数据丢失的修复方法,其特征在于,所述基于谱图理论的谐波数据修复模型,具体为:
Sknown=χSunknown+us+∈
其中,Sknown表示可观察到的图信号;Sunknown为通过特征向量χ控制图信号Sknown的未知图信号;us为Sknown的平均值向量;∈为服从多元高斯分布的噪声变量。
4.根据权利要求1所述的一种单相谐波数据丢失的修复方法,其特征在于,所述
S3具体为:利用合并K均值聚类算法对发生数据丢失的关注节点的先验信息进行聚类,建立图信号阈值向量M=[m1,m2,...,mk];
其中,mi和mi+1分别大于等于算法i类聚类的最小值和最大值,k为算法输出的聚类类别数。
7.根据权利要求1所述的一种单相谐波数据丢失的修复方法,其特征在于,所述S5具体为:通过任一非零图信号值和其邻近范围内的另一非零图信号值之间的采样点数来确认谐波数据的某种状态的持续时间;
领域平均法li=(mk-1+mk)/2,si=k将合并K均值算法的阈值向量和未知图信号Sunknown联系起来,完成谐波数据的修复。
8.一种单相谐波数据丢失的修复系统,其特征在于,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如权利要求1-7任一项所述的数据修复方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006426.4A CN113791275B (zh) | 2021-08-30 | 2021-08-30 | 一种单相谐波数据丢失的修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006426.4A CN113791275B (zh) | 2021-08-30 | 2021-08-30 | 一种单相谐波数据丢失的修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791275A true CN113791275A (zh) | 2021-12-14 |
CN113791275B CN113791275B (zh) | 2022-12-06 |
Family
ID=79182415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006426.4A Active CN113791275B (zh) | 2021-08-30 | 2021-08-30 | 一种单相谐波数据丢失的修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791275B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力系统负荷数据辨识及修复方法 |
CN109543702A (zh) * | 2018-11-12 | 2019-03-29 | 北京工业大学 | 一种基于深度矩阵字典的字典学习方法 |
CN110610121A (zh) * | 2019-06-20 | 2019-12-24 | 国网重庆市电力公司 | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 |
US20190391740A1 (en) * | 2018-06-22 | 2019-12-26 | International Business Machines Corporation | Zero-data loss recovery for active-active sites configurations |
CN110750518A (zh) * | 2019-10-12 | 2020-02-04 | 华北电力大学 | 一种基于奇异值分解的同期线损异常数据修复方法 |
CN111625399A (zh) * | 2020-05-19 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 一种计量数据恢复方法及系统 |
CN112235043A (zh) * | 2020-09-14 | 2021-01-15 | 上海大学 | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 |
-
2021
- 2021-08-30 CN CN202111006426.4A patent/CN113791275B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力系统负荷数据辨识及修复方法 |
US20190391740A1 (en) * | 2018-06-22 | 2019-12-26 | International Business Machines Corporation | Zero-data loss recovery for active-active sites configurations |
CN109543702A (zh) * | 2018-11-12 | 2019-03-29 | 北京工业大学 | 一种基于深度矩阵字典的字典学习方法 |
CN110610121A (zh) * | 2019-06-20 | 2019-12-24 | 国网重庆市电力公司 | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 |
CN110750518A (zh) * | 2019-10-12 | 2020-02-04 | 华北电力大学 | 一种基于奇异值分解的同期线损异常数据修复方法 |
CN111625399A (zh) * | 2020-05-19 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 一种计量数据恢复方法及系统 |
CN112235043A (zh) * | 2020-09-14 | 2021-01-15 | 上海大学 | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 |
Also Published As
Publication number | Publication date |
---|---|
CN113791275B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | More intelligent and robust estimation of battery state-of-charge with an improved regularized extreme learning machine | |
Tang et al. | Detection of false data injection attacks in smart grid under colored Gaussian noise | |
CN110889111A (zh) | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 | |
CN107292882A (zh) | 一种基于Meanshift自适应电气设备故障检测方法 | |
CN111427265A (zh) | 基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质 | |
CN107274028A (zh) | 一种基于混合Copula函数的多风场出力预测方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
Rao et al. | Discovering nonlinear PDEs from scarce data with physics-encoded learning | |
CN113191253A (zh) | 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法 | |
Wang et al. | Incremental causal graph learning for online root cause analysis | |
CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
Liu et al. | State of charge estimation for Li-ion batteries based on iterative Kalman filter with adaptive maximum correntropy criterion | |
KR102569697B1 (ko) | 대규모 전력계통의 운영 상태 모니터링을 위한 위상보조 상태추정의 분산화 방법 및 이를 이용하는 혼합 분산 상태 추정에서의 불량 데이터 처리 방법 | |
CN116401949A (zh) | 分布式光伏资源出力曲线推演方法、系统、设备及介质 | |
CN108181617A (zh) | 一种基于张量积模型变换的非线性调频系统的滤波方法 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN113791275B (zh) | 一种单相谐波数据丢失的修复方法及系统 | |
Krishna et al. | Complexity and performance evaluation of segmented and recursive reinforcement learning | |
Acurio et al. | Design and implementation of a machine learning state estimation model for unobservable microgrids | |
Chakour et al. | Neuronal principal component analysis for nonlinear time-varying processes monitoring | |
CN111179110B (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
Zheng et al. | Networked synthetic dynamic PMU data generation: A generative adversarial network approach | |
CN112165312A (zh) | 一种多速率一致融合粒子滤波方法 | |
Wang et al. | Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |