CN114510469A - 电力系统不良数据辨识方法、装置、设备及介质 - Google Patents
电力系统不良数据辨识方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114510469A CN114510469A CN202210119326.0A CN202210119326A CN114510469A CN 114510469 A CN114510469 A CN 114510469A CN 202210119326 A CN202210119326 A CN 202210119326A CN 114510469 A CN114510469 A CN 114510469A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- power grid
- convolution kernel
- order features
- 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 42
- 238000012545 processing Methods 0.000 claims abstract description 37
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000001902 propagating effect Effects 0.000 claims description 5
- 125000004432 carbon atom Chemical group C* 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000011664 signaling Effects 0.000 description 11
- 230000035772 mutation Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Databases & Information Systems (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)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力数据辨识技术领域,特别公开一种电力系统不良数据辨识方法、装置、设备及介质,所述方法包括:获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;利用残差块提取拼接特征图的高阶特征;利用门控循环单元处理所述高阶特征获得预测特征图;利用全连接操作,将预测特征图转化为输出序列;采用标准临界值对输出序列进行处理,得到数据的异常点。本发明无需复杂的特征工程,并且相同硬件条件下样本测试时间也比大多数方法快很多。
Description
技术领域
本发明属于电力数据辨识技术领域,特别涉及一种电力系统不良数据辨识方法、装置、设备及介质。
背景技术
调度自动化系统电网数据从设备到调度系统一般经历数据采集、数据传输和数据处理三大环节,因而测量装置、传输通道、数据处理三个方面都有可能产生电力系统不良数据。在数据采集误差与错误方面,存在部分测量仪表质量不稳定、运行环境变化影响测量精度、维护校验工作跟不上而导致的数据失准现象,也存在着采集装置故障、遥测死区设置不合理、遥测数据溢出等问题和现象,这些都将带来实时数据的偏差甚至不可用;在数据转换与传输方面,遥测数据本身是物理量,但数据传输需要采用数字量,因而在传输前后需要进行A/D、D/A转换,数值转换必然带来偏差,同时,子站与主站间的数据传输受通道质量、传输协议、外部环境等各种因素影响,导致电网数据产生偏差;在数据处理偏差方面,实时数据处理存在参数维护、数据转换、数据存储与发布、多源数据选择等环节。参数维护存在着上下限、系数等数据维护不正确的可能性,特别是当系统出现极端情况时(如CPU资源被占用、网络堵塞及异常、商用库出现故障等),数据处理存在着出错的可能性。电力系统不良数据影响状态估计结果,严重情况下会导致潮流分析、静态安全分析等计算结果不可信,预警决策软件发生误告警或漏告警,辅助决策软件的决策措施不可行,甚至导致自动控制软件的控制措施错误,进而引发严重的安全问题。
基于上述背景,实有必要提出一种有效的实现电力系统不良数据的辨识方法,以解决上述技术问题;经初步检索,发现相关两篇专利申请:
1)、现有专利申请1:
申请号为CN201610567194.2的中国专利申请,公开了一种基于历史量测的不良数据辨识方法及系统,包括:将相邻两个断面内所有出现开关变位的遥信点记为突变遥信点;将预测遥测值与实际遥测值的变化值大于预定阈值的遥测点记为突变遥测点;判断与突变遥信点/突变遥测点对应的关联设备的遥测量是否突变;若无突变,则判定突变遥信点为坏遥信点/突变遥测点为坏遥测点;若有突变,则计算关联设备与历史遥测值之间的相关系数;若相关系数不接近于±1的个数大于预定数量,则判定突变遥信点为坏遥信点/突变遥测点为坏遥测点;修正坏遥信点对应的遥信坏数据,修正坏遥测点对应的遥测坏数据;从而实现对EMS系统中存在的遥信坏数据和遥测坏数据进行检测,提高量测数据的准确性。
2)、现有专利申请2:
申请号为CN201810059612.6的中国专利申请;公开一种基于BP神经网络的状态估计不良数据辨识方法,针对BP神经网络不良数据辨识方法对训练样本要求较高的要求,建立了基于状态估计结果进行不良数据辨识的BP神经网络模型,以在线状态估计计算结果断面为样本进行训练,将量测值作为输入数据,状态估计值为期望输出,通过输入与输出之间误差的反向传播,基于样本的多次迭代对连接权值和阈值进行修正,训练一个基于量测的神经网络,对于新的量测断面通过已训练的神经网络进行检测,当获取量测与预测值偏差较大则可以判断为不良数据。
由于电网测量数据在时间上存在一定的周期性或者很强的递进关系,上述技术方案对电力系统不良数据的辨识过程中,没有充分考虑到数据在时间上的关联性,影响电网不良数据辨识的准确性。
发明内容
本发明的目的在于提供一种电力系统不良数据辨识方法、装置、设备及介质,以提高电网不良数据辨识的准确性。本发明通过深度学习算法中的门控循环单元神经网络对电力系统数据进行建模,有效表征了电网数据的周期性和时间递进关系,同时考虑了环境影响和电气量约束,实现电力系统不良数据的有效辨识。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种电力系统不良数据辨识方法,包括:
获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;
利用残差块提取拼接特征图的高阶特征;
利用门控循环单元处理所述高阶特征获得预测特征图;
利用全连接操作,将预测特征图转化为输出序列;
采用标准临界值对输出序列进行处理,得到数据的异常点。
本发明进一步的改进在于:所述获取电网数据和环境变量数据的步骤中,所述环境变量包括温度、湿度中的一种或两种。
本发明进一步的改进在于:所述将所述原始电网数据序列通过多尺度卷积核提取低阶特征的步骤中,所述多尺度卷积核包括1×1卷积核、3×1卷积核和5×1卷积核。
本发明进一步的改进在于:所述利用门控循环单元处理所述高阶特征获得预测特征图的步骤中,所述门控循环单元的训练步骤包括:
将电网数据和环境变量相结合,依据时间序列拼接为向量数据;利用滑动窗口进行训练数据和标签数据采样,训练数据滑动采样窗口长度为500个数值点,标签数据滑动采样窗口长度为50个数值点;
首先,输入数据经过网络提取特征后获得输出序列;然后,利用输出序列和标签序列构建损失函数,损失函数使用均方差损失,如下所示:
利用梯度下降对损失函数进行求导,并反向传播更新整个门控循环单元神经网络模型参数;训练至达到最大训练次数或者loss函数收敛,获得训练好的门控循环单元神经网络模型。
本发明进一步的改进在于:所述采用标准临界值对输出序列进行处理,得到数据的异常点的步骤中,所述标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数;当|ωk|>λ时认为是一个不良数据点;λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
第二方面,本发明提供一种电力系统不良数据辨识装置,包括:
获取模块,用于获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
多尺度卷积核提取模块,用于将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;
残差块提取模块,用于利用残差块提取拼接特征图的高阶特征;
门控循环单元处理模块,用于利用门控循环单元处理所述高阶特征获得预测特征图;
全连接模块,用于利用全连接操作,将预测特征图转化为输出序列;
异常点识别模块,用于采用标准临界值对输出序列进行处理,得到数据的异常点。
本发明进一步的改进在于:所述多尺度卷积核包括1×1卷积核、3×1卷积核和5×1卷积核。
本发明进一步的改进在于:所述标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数;当|ωk|>λ时认为是一个不良数据点;λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
第三方面,本发明提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述的电力系统不良数据辨识方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述的电力系统不良数据辨识方法。
相对于现有技术,本发明具有以下有益效果:
本发明提供一种电力系统不良数据辨识方法、装置、设备及介质,采用多卷积尺度提取浅层低阶特征,按照通道进行特征图拼接;然后,提取多个残差单元高阶特征,将序列信息表示为主序列的特征向量,引入门控循环单元,输出预测特征图,再通过一个全连接层将特征图映射到输出序列中;最后通过一个标准临界值对输出序列进行处理,得到数据异常点。与现有技术相比,本发明无需复杂的特征工程,并且相同硬件条件下样本测试时间也比大多数方法快很多。
本发明综合考虑了环境因素和电气量约束,构建了多尺度残差门控循环单元神经网络模型,通过深度学习实现了电力系统不良数据的有效辨识。本发明将上一时刻的电网数据结果与当前时刻电网数据结合,通过引入记忆矩阵和控制记忆矩阵的“门”,增强长时依赖关系的提取能力,提高了电网不良数据辨识的准确性。
本发明提出了电力系统时序数据基于门控循环单元神经网络获得输出序列的方法:门控循环单元是建立时间上依赖关系的关键。考虑到电力系统数据在时间上的关联性,门控循环单元神经网络将上一时刻电网数据结果与当前时刻电网数据结合,作为当前时刻总输入,通过引入记忆矩阵和控制记忆矩阵的“门”,增强了长时依赖关系的提取能力。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为基于门控循环单元神经网络的电力系统不良数据辨识方法的一个实施例的基本流程图;
图2为门控循环单元结构示意图;
图3为门控循环单元神经网络模型示意图;
图4为本发明一种电力系统不良数据辨识方法另一实施例的流程图;
图5为本发明一种电力系统不良数据辨识装置的结构框图;
图6为本发明一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
相关术语解释
1)不良数据:《智能电网调度控制系统技术规范第2部分:术语》中规定,量测数据在采集、模/数转换、传输过程中会产生量测误差,误差的标准差为σ。误差大于±3σ的量测数据为不良数据。
2)门控循环单元:门控循环单元是循环神经网络的一种,使用了重置门和更新门,重置门决定了如何将新的输入信息与前面的记忆相结合,更新门定义了前面记忆保存到当前时间步的量。从而修改了循环神经网络中隐藏状态的计算方式。
本发明的目的是克服背景技术的不足,提供一种电力系统不良数据辨识方法、装置、设备及介质。
请参阅图1所示,本发明一种电力系统不良数据辨识方法,包括以下步骤:
多尺度残差门控循环单元神经网络模型构建:门控循环单元结构如附图2所示。首先将当前输入xt和上一时刻的结果ht-1拼接为t时刻总输入;然后利用不同控制“门”前的权重矩阵W提取特征并由激活函数δ和tanh激活;最后由控制“门”更新到t时刻输出ht。门控循环单元神经网络模型如附图3所示。首先,将电网数据和环境变量(温度、湿度)相结合,依据时间序列拼接为向量数据,获得原始电网数据序列;输入的电网数据序列采用1×1、3×1、5×1卷积尺度提取低阶特征,再将提取到的低阶特征按照通道拼接到一起获得拼接特征图;然后,利用残差块构建的深度网络提取高阶特征,此时提取到的特征表达能力局限于卷积核的大小,不能体现时间上的依赖关系,再引入门控循环单元,构建时间上的关联关系,并输出预测特征图;最后,利用全连接操作,将预测特征图映射到输出序列中。本发明中残差单元:一个残差单元是由几层朴素网络结构通过跳跃连接组成的。本发明的残差单元的卷积核大小分别为1×1、3×1和1×1,卷积操作前采用了批处理规范化和ReLU激活函数。残差模块由三个或多个残差单元构成。深度残差网络中的第一残差块由三个残差单元组成,用于底层特征提取。第二个残差块由4个残差单元组成,第三个残差块由6个残差单元组成。每个残差单元的结构与第一个残差块的结构相同。第一个残差块卷积核数为30,第二个残差块卷积核数为40,第三个残差块卷积核数为50。残差单元解决网络深度加深带来的网络性能退化问题。三个残差块处理后的特征图实际上包含了丰富的多尺度时间序列特性。在第一个多尺度卷积中尺度较小,为了进一步增大卷积核的感受野来提取高层次的多尺度信息,在最终的残差块前建立了较大尺度的多尺度卷积。最后的表示是通过应用一个带有50个过滤器的剩余块来完成的。在对多个残差块进行特征提取后,将序列信息展平为表示主序列的一维特征向量,利用节点数小于特征向量维数的隐藏层来减少特征向量,然后通过一个全连接层将矢量映射到误差序列中。
样本数据生成和门控循环单元神经网络模型训练:利用滑动窗口进行训练数据和标签数据采样,依据不同的任务需求并结合实际情况,设置不同尺寸的输入和输出。输入数据进过网络提取特征后获得输出序列,然后利用该输出序列和标签序列构建损失函数,利用梯度下降对损失函数进行求导,并反向传播更新整个网络的参数。
基于门控循环单元神经网络的电力系统不良数据辨识:使用训练好的门控循环单元神经网络预测,保证输入的尺寸和训练时一致,输入加载好权重的多尺度残差门控循环单元网络,获得预测输出序列,通过一个标准临界值对输出序列进行处理,得到电力系统不良数据。
实施例1
请参阅图1所示,本发明提供一种电力系统不良数据辨识方法,包括:
(1)、构建基于多尺度残差门控循环单元神经网络模型:
门控循环单元结构如图2所示,利用门控循环单元,结合残差块,构建多尺度残差门控循环单元神经网络模型。
本发明所构建的基于多尺度残差门控循环单元神经网络模型,包括依次连接的多尺度卷积核、残差单元、残差块、门控循环单元和全连接层;
1.1)、输入电网数据序列经过多尺度卷积核提取低阶特征;
1.2)、将提取到的低阶特征,按照通道进行拼接获得拼接特征图;
1.3)、拼接特征图输入残差块构建的深度网络,利用残差块构建的深度网络,提取高阶特征,高阶特征的特征值为卷积核大小;
1.4)、高阶特征输入门控循环单元;引入门控循环单元,构建电网数据时间上的关联关系,并输出预测特征图;
1.5)、利用全连接操作,将预测特征图转化为输出序列。
(2)、样本数据生成和门控循环单元神经网络模型训练
2.1)、将电网数据和环境变量(例如温度、湿度等环境变量)相结合,依据时间序列拼接为向量数据;利用滑动窗口进行训练数据和标签数据采样,考虑到时间依赖和网络门控循环单元的性能,训练数据滑动采样窗口长度为500个数值点,标签数据滑动采样窗口长度为50个数值点。
2.2)、设置不同尺寸的输入和输出。首先,输入数据经过网络提取特征后获得输出序列;然后,利用输出序列和标签序列构建损失函数,损失函数使用均方差损失,如下所示:
2.3)、利用梯度下降对损失函数进行求导,并反向传播更新整个门控循环单元神经网络模型参数;训练至达到最大训练次数或者loss函数收敛,获得训练好的门控循环单元神经网络模型。
(3)、基于门控循环单元神经网络的电力系统不良数据辨识
以滑动窗口采样的电网数据作为训练好的门控循环单元神经网络模型的输入,通过训练好的门控循环单元神经网络模型预测得到输出序列,采用标准临界值对输出序列进行处理,得到数据的异常点,实现电力系统不良数据辨识。
标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数。当|ωk|>λ(λ为幅度临界值)时即认为是一个不良数据点。γ根据电压等级、数据点类型取值:当为500kV、数据点类型为功率时,γ=1/1082,当为220kV、数据点类型为功率时,γ=1/305,当为110kV、数据点类型为功率时,γ=1/114;当为500kV、数据点类型为电压时,γ=1/600,当为220kV、数据点类型为电压时,γ=1/264,当为110kV、数据点类型为电压时,γ=1/132,需要注意的是,对于功率型数据点单位为MW(兆瓦),电压类型数据点单位为kV(千伏)。λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
实施例2
请参阅图4所示,本发明提供一种电力系统不良数据辨识方法,包括:
S1、获取电网数据和环境变量数据(温度、湿度等),并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
S2、将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;所述多尺度卷积核包括1×1卷积核、3×1卷积核和5×1卷积核;
S3、利用残差块提取拼接特征图的高阶特征;
S4、利用预先训练好的门控循环单元处理所述高阶特征获得预测特征图;
所述预先训练好的的训练步骤包括:
将电网数据和环境变量相结合,依据时间序列拼接为向量数据;利用滑动窗口进行训练数据和标签数据采样,训练数据滑动采样窗口长度为500个数值点,标签数据滑动采样窗口长度为50个数值点;
首先,输入数据经过网络提取特征后获得输出序列;然后,利用输出序列和标签序列构建损失函数,损失函数使用均方差损失,如下所示:
利用梯度下降对损失函数进行求导,并反向传播更新整个门控循环单元神经网络模型参数;训练至达到最大训练次数或者loss函数收敛,获得训练好的门控循环单元神经网络模型。
S5、利用全连接操作,将预测特征图转化为输出序列;
S6、采用标准临界值对输出序列进行处理,得到数据的异常点;所述标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数。当|ωk|>λ时即认为是一个不良数据点。λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
实施例3
请参阅图5所示,本发明提供一种电力系统不良数据辨识装置,包括:
获取模块,用于获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
多尺度卷积核提取模块,用于将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;所述多尺度卷积核包括1×1卷积核、3×1卷积核和5×1卷积核;
残差块提取模块,用于利用残差块提取拼接特征图的高阶特征;
门控循环单元处理模块,用于利用门控循环单元处理所述高阶特征获得预测特征图;
全连接模块,用于利用全连接操作,将预测特征图转化为输出序列;
异常点识别模块,用于采用标准临界值对输出序列进行处理,得到数据的异常点;所述标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数。当|ωk|>λ时即认为是一个不良数据点。λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
实施例4
请参阅图6所示,本发明还提供一种电力系统不良数据辨识方法的电子设备100;所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储所述计算机程序103,所述处理器102通过运行或执行存储在所述存储器101内的计算机程序,以及调用存储在存储器101内的数据,实现实施例1至2中任一个所述的电力系统不良数据辨识方法的方法步骤。所述存储器101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外,存储器101可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述至少一个处理器102可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等,所述处理器102是所述电子设备100的控制中心,利用各种接口和线路连接整个电子设备100的各个部分。
所述电子设备100中的所述存储器101存储多个指令以实现一种电力系统不良数据辨识方法,所述处理器102可执行所述多个指令从而实现:
获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;
利用残差块提取拼接特征图的高阶特征;
利用门控循环单元处理所述高阶特征获得预测特征图;
利用全连接操作,将预测特征图转化为输出序列;
采用标准临界值对输出序列进行处理,得到数据的异常点。
具体地,所述处理器102对上述指令的具体实现方法可参考实施例1或2中相关步骤的描述,在此不赘述。
实施例5
所述电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM,Read-Only Memory)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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制,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.电力系统不良数据辨识方法,其特征在于,包括:
获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;
利用残差块提取拼接特征图的高阶特征;
利用门控循环单元处理所述高阶特征获得预测特征图;
利用全连接操作,将预测特征图转化为输出序列;
采用标准临界值对输出序列进行处理,得到数据的异常点。
2.根据权利要求1所述的电力系统不良数据辨识方法,其特征在于,所述获取电网数据和环境变量数据的步骤中,所述环境变量包括温度、湿度中的一种或两种。
3.根据权利要求1所述的电力系统不良数据辨识方法,其特征在于,所述将所述原始电网数据序列通过多尺度卷积核提取低阶特征的步骤中,所述多尺度卷积核包括1×1卷积核、3×1卷积核和5×1卷积核。
4.根据权利要求1所述的电力系统不良数据辨识方法,其特征在于,所述利用门控循环单元处理所述高阶特征获得预测特征图的步骤中,所述门控循环单元的训练步骤包括:
将电网数据和环境变量相结合,依据时间序列拼接为向量数据;利用滑动窗口进行训练数据和标签数据采样,训练数据滑动采样窗口长度为500个数值点,标签数据滑动采样窗口长度为50个数值点;
首先,输入数据经过网络提取特征后获得输出序列;然后,利用输出序列和标签序列构建损失函数,损失函数使用均方差损失,如下所示:
利用梯度下降对损失函数进行求导,并反向传播更新整个门控循环单元神经网络模型参数;训练至达到最大训练次数或者loss函数收敛,获得训练好的门控循环单元神经网络模型。
5.根据权利要求1所述的电力系统不良数据辨识方法,其特征在于,所述采用标准临界值对输出序列进行处理,得到数据的异常点的步骤中,所述标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数;当|ωk|>λ时认为是一个不良数据点;λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
6.电力系统不良数据辨识装置,其特征在于,包括:
获取模块,用于获取电网数据和环境变量数据,并将获取的电网数据和环境变量数据依据时间序列拼接为向量数据,获得原始电网数据序列;
多尺度卷积核提取模块,用于将所述原始电网数据序列通过多尺度卷积核提取低阶特征,并将提取的低阶特征按照通道拼接到一起获得拼接特征图;
残差块提取模块,用于利用残差块提取拼接特征图的高阶特征;
门控循环单元处理模块,用于利用门控循环单元处理所述高阶特征获得预测特征图;
全连接模块,用于利用全连接操作,将预测特征图转化为输出序列;
异常点识别模块,用于采用标准临界值对输出序列进行处理,得到数据的异常点。
7.根据权利要求6所述的电力系统不良数据辨识装置,其特征在于,所述多尺度卷积核包括1×1卷积核、3×1卷积核和5×1卷积核。
8.根据权利要求6所述的电力系统不良数据辨识装置,其特征在于,所述标准临界值ωk如下所示:
ωk=γ(mk-nk)
上式中,mk为原始电网数据序列中的第k个数据点,nk为输出序列的第k个数据点,γ为临界值系数;当|ωk|>λ时认为是一个不良数据点;λ的取值按照数据点类型取值:当为有功功率类型时,λ=2%;当为无功功率类型时,λ=3%;当为电压类型时,λ=0.5%。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至5中任意一项所述的电力系统不良数据辨识方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至5中任意一项所述的电力系统不良数据辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119326.0A CN114510469A (zh) | 2022-02-08 | 2022-02-08 | 电力系统不良数据辨识方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119326.0A CN114510469A (zh) | 2022-02-08 | 2022-02-08 | 电力系统不良数据辨识方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114510469A true CN114510469A (zh) | 2022-05-17 |
Family
ID=81552238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210119326.0A Pending CN114510469A (zh) | 2022-02-08 | 2022-02-08 | 电力系统不良数据辨识方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114510469A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056714A (zh) * | 2023-02-15 | 2023-11-14 | 上海交通大学 | 智能配电网pmu不良数据辨识方法、系统、设备及存储介质 |
-
2022
- 2022-02-08 CN CN202210119326.0A patent/CN114510469A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056714A (zh) * | 2023-02-15 | 2023-11-14 | 上海交通大学 | 智能配电网pmu不良数据辨识方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN112712209B (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN114510469A (zh) | 电力系统不良数据辨识方法、装置、设备及介质 | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
CN114648217A (zh) | 一种基于增量式极限学习机的煤矿安全风险预警方法 | |
CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和系统 | |
CN113780356B (zh) | 基于集成学习模型的水质预测方法及系统 | |
CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 |
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 |