CN114900191A - 一种对于旋转门算法压缩差动保护数据的改进算法 - Google Patents
一种对于旋转门算法压缩差动保护数据的改进算法 Download PDFInfo
- Publication number
- CN114900191A CN114900191A CN202210533464.3A CN202210533464A CN114900191A CN 114900191 A CN114900191 A CN 114900191A CN 202210533464 A CN202210533464 A CN 202210533464A CN 114900191 A CN114900191 A CN 114900191A
- Authority
- CN
- China
- Prior art keywords
- data
- compression
- algorithm
- differential protection
- revolving door
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 134
- 230000006835 compression Effects 0.000 title claims abstract description 133
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000013500 data storage Methods 0.000 claims abstract description 17
- 238000013144 data compression Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 59
- 230000008859 change Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006837 decompression Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/128—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment involving the use of Internet protocol
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种对于旋转门算法压缩差动保护数据的改进算法，包括以下步骤，对旋转门算法的参数进行初始化改进，执行异常点记录策略，当判断为异常点，则直接存储所述异常点，如果不是异常点，判断数据是否满足压缩条件，若满足，对所述差动保护数据进行压缩处理并执行动态调整门限值策略，所有非异常点的数据执行自适应变频数据存储策略，最后采集下一个所述数据，判断是否完成所有数据压缩；本发明对差动保护海量实时数据压缩算法进行改进，建立自适应变频数据存储策略、动态调整门限值策略和异常点记录策略，实现对差动保护数据的高压缩比和低误差率。
Description
技术领域
本发明涉及差动保护数据压缩的技术领域，尤其涉及一种对于旋转门算法压缩差动保护数据的改进算法。
背景技术
近年来，随着智能电网、智慧能源和泛在电力物联网的不断建设和发展，大规模广域数据实时采集和历史存储的需求快速增长。特别是5G通信技术的快速发展和商业化，其高速率、高带宽、低时延特性有望引领新一轮电力技术革命。其主要应用场景包括：万物互联、精准控制、海量量测、宽带通信和高效计算。与此同时，5G技术为变电站接入更多用电设备、量测装置、辅助控制设备、巡检机器人等提供了通信层面的技术支撑，未来智能电网将接入更多量测点，如何对数据进行压缩和存储成为必须考虑的问题之一。
差动保护数据，也就是电站接入数据，主要为数据采集与监视控制SCADA系统的数据，包括遥测、遥信、遥控、遥脉等，通过采集现场设备、装置的数据实现过程监视、远方控制、故障诊断等功能。变电站采集数据通常存储在服务器或磁盘阵列中，受限于硬件容量，海量历史数据对历史数据存储、分析和处理带来严重的负担，服务器硬盘空间满会产生服务器卡顿、崩溃等风险，磁盘阵列满则需要扩充磁盘阵列，产生更大的经济成本。高效的数据压缩技术可以有效提升存储效率，降低海量数据对硬件的压力，提高存储空间利用率。因此采用高效、节能的数据压缩算法对于5G背景下的变电站SCADA系统是十分必要的。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有对于旋转门算法压缩差动保护数据的改进算法存在的问题，提出了本发明。
因此，本发明目的是提供一种对于旋转门算法压缩差动保护数据的改进算法，其通过引入自适应变频数据存储策略、动态调整门限值策略和异常点记录策略提高算法精度，实现对差动保护数据的高压缩比和低误差率。
为解决上述技术问题，本发明提供如下技术方案：一种对于旋转门算法压缩差动保护数据的改进算法，包括下述步骤，
S1：对旋转门算法的参数进行初始化改进；
S2：执行异常点记录策略，对差动保护数据进行判断，如果是异常数据，执行S6，如果不是异常数据，执行S3；
S3：判断数据是否满足压缩条件，如果满足，执行S4，如果不满足，执行S7；
S4：对所述差动保护数据进行压缩处理，并开启新的压缩段；
S5：执行动态调整门限值策略；
S6：存储所述异常点；
S7：执行自适应变频数据存储策略：对数据进行自适应变频数据存储，采集下一个所述数据，判断是否完成所有数据压缩，如果是，算法结束，如果否，执行S2。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述异常点记录策略中，所述差动保护数据是包括多个数据的数列Dn。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述异常点记录策略中，当所述数据的变化幅度ΔD大于预设的异常阈值ω，则判断所述数据为异常数据，直接记录所述异常点的值并跳过该所述异常点，不开始新的压缩段。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述变化幅度ΔD与所述数据和所述数据的上一个数据的值有关，公式如下：
ΔD＝|Dn-Dn-1|
其中，所述差动保护数据的第n次数据的值为Dn，所述上一个数据的值为Dn-1。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述动态调整门限值策略，根据不同类型的所述差动保护数据在不同时段自适应的根据压缩误差动态调整所述旋转门算法的门限值。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述自适应的根据压缩误差动态调包括根据每轮压缩效果动态调整门限值，可以动态调整压缩误差和压缩比，公式如下：
en＝|ηn-ε|
其中，误差参考值为ε，第n轮压缩结束后重建的误差偏差为en，门限值上限为Emax，门限值下限为Emin，第n轮压缩的门限值为En，第n+1轮压缩的门限值为En+1，结束后重建数据与原始数据相比的平均压缩误差为ηn。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述自适应变频数据存储策略，根据存储数据的数值变化幅度动态地调整存储间隔时间，在一定时间内数据变化越平滑，存储时间的间隔越大，数据变化越剧烈，存储时间的间隔越小。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：当所述存储数据不满足压缩条件，所述存储时间的间隔计算公式如下：
Δt＝2×Δtn
其中，存储时间的间隔为Δt，第n次存储数据的存储时间间隔为Δtn。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述存储数据不满足压缩条件，所述存储时间的间隔计算公式如下：
其中，最小存储时间的间隔为Δtmin。
作为本发明所述对于旋转门算法压缩差动保护数据的改进算法的一种优选方案，其中：所述差动保护数据的种类包括电力系统中的电压、电流、有功功率、无功功率和频率。
本发明的有益效果：本发明提出的一种对于旋转门算法压缩差动保护数据的改进算法，对差动保护的海量实时数据压缩算法进行改进，建立自适应变频数据存储策略、动态调整门限值策略和异常点记录策略，实现对差动保护数据的高压缩比和低误差率，该高效的数据压缩技术可以有效提升存储效率，降低海量数据对硬件的压力，提高存储空间利用率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明对于旋转门算法压缩差动保护数据的改进算法的整体结构示意图。
图2为本发明对于旋转门算法原理示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书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，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1，为本发明第一个实施例，提供了一种对于旋转门算法压缩差动保护数据的改进算法，此算法将2021年6月某5G变电站SCADA系统采集存储的四遥数据作为算例数据，遥测采集时间间隔为1min，遥脉采集时间间隔为15min。遥测量主要包括：主变高压侧和低压侧、负荷线路、电容器的三相电压、三相电流、有功功率、无功功率，以及母线的三相电压等，变电站SCADA系统主要存储数据可以分为遥信、遥测、遥控、遥脉等信号，也被称为“四遥”，它们可以分为2类处理：
1)遥信、遥控。此类信号均为状态量，只有有限的数值选项(常规状态量只有0和1两种数值，双位置遥信有0、1、2、3四种数值)，可以采用变位存储的策略，仅存储变位数据点的值和时间。这意味着存储的第n-1个点和第n个点之间的值均和第n-1个点的值相同。
2)遥测、遥脉。此类信号采用本发明的改进算法进行压缩后存储。
算法流程图如图1所示，其步骤如下：
1)针对变电站遥信、遥控信号，采取变位存储策略；
2)针对变电站遥测、遥脉信号，采取改进旋转门算法压缩，对算法参数进行初始化；
3)根据式(5)判断第n次数据值是否为异常值，如果是则直接存储，不开始新的压缩段，继续向后遍历，如果不是则根据旋转门算法判断是否在平行四边形内；
4)如果第n次数据值落在旋转门算法平行四边形内，继续遍历第n+1次数据值，直到某次数据值落在平行四边形之外或数据全部遍历完毕，则结束压缩段进行压缩，开启新的压缩段，根据式(1)(2)(3)调整存储时间间隔和门限值；
5)判断是否还有待压缩数据，如果有，转到步骤3)；
6)结束本次数据压缩。
其中，为验证本专利提出的改进旋转门压缩算法的准确性，发明人选取原始旋转门算法、原始旋转门+自适应变频数据存储策略(简称策略1)、原始旋转门+动态调整门限值策略(简称策略2)、原始旋转门+异常点记录策略(简称策略3)四种算法作为对照组，对比不同算法的压缩效果。
衡量压缩算法优劣的指标主要包括压缩比、压缩误差、压缩和解压缩时间3类。设原始数据本发明件占存储空间大小为m，压缩后本发明件占存储空间大小为n，则压缩比Ratio为：
压缩比Ratio越大，代表压缩节省的空间越多，压缩性能越好。
设压缩前的数据为x1，x2，x3，…xn，，压缩后解压还原的数据为x′1，x′2，x′3…x′1则相对压缩误差R为：
相对压缩误差R越小，代表压缩精度越高，压缩性能越好。
此外，压缩和解压缩时间代表了压缩、解压缩的速度，速度越快，算法时间性能越好。由于现代计算机硬件性能发展迅速，因此压缩算法对内存的占用在一般情况下可不考虑。
表1为各算法在所有数据算例下的综合性能比较。由表1可以看出：
1)原始旋转门+策略1、原始旋转门+策略2、原始旋转门+策略3算法的压缩比Ratio明显优于原始旋转门算法，验证了3种策略均可以有效提升压缩比，节省存储空间；
2)本发明的改进算法的压缩比Ratio明显优于其他算法，验证了3种策略的组合效果在压缩比提升上优于单一策略；
3)原始旋转门+策略2、原始旋转门+策略3算法的相对压缩误差R明显优于原始旋转门算法，说明策略2、策略3可以有效减少压缩误差，原始旋转门+策略1的相对压缩误差R比原始旋转门算法大，可能是因为存储时间间隔减少，丢失了一部分原始数据，这部分数据通过线性插值的方法还原，通过牺牲了一定压缩精度极大地提升了压缩比；
4)本发明的改进算法的相对压缩误差R优于原始旋转门算法，说明本发明算法可以有效提高原始旋转门算法的压缩精度，尽管它在压缩精度上弱于策略2和策略3的单一策略效果，但极大地提升了更重要的性能指标——压缩比；
5)3种单一改进策略均减少了1天数据平均压缩和解压缩时间，说明每种策略都可以提高算法的时间性能；
6)本发明的改进算法的时间性能优于单一改进策略的算法时间性能；
7)综上所述，本发明的改进算法通过引入3种策略，相比原始旋转门算法，同时有效地提高了压缩比、压缩精度和算法的时间性能，验证了本发明算法的有效性。
表1各算法性能比较
表2到表5为各算法在常见的有功功率P、无功功率Q、电压U、电流I各类别数据的性能比较。由表2到表5可知，各类别数据的算法性能结果相似，没有明显的差异，本发明的改进算法在各类别数据的压缩性能均优于原始旋转门算法，验证了本发明模型的有效性和准确性。
表2各算法对有功功率数据压缩性能比较
表3各算法对无功功率数据压缩性能比较
表4各算法对电压数据压缩性能比较
表5各算法对电流数据压缩性能比较
实施例2
参照图2，为旋转门算法的原理图，旋转门算法是一种线性拟合有损压缩算法；图中a点是第一个数据点，在距离a点上下各为E的坐标处有2个支点，从这2个支点穿过a点和b点构造平行四边形，显然该平行四边形包含a点和b点；接着考察2个支点穿过a点和c点构造的平行四边形是否包含a、b、c点，显然也是包含的；进一步考察2个支点穿过a点和d点构造的平行四边形是否包含a、b、c、d点，显然c点不在该平行四边形内，则a点和c点是待保存数据点，b点不保存，a-c是第一个压缩段，考察数据点由a点变更为d点，以此类推。总之，旋转门压缩算法通过按数据点的采集时间顺序，不断构造平行四边形，落在平行四边形内的点丢弃，只保存平行四边形之外的数据点。
2个支点和点a的距离E又称为门限值，参数E是旋转门算法的唯一参数，其值得选取直接决定了压缩效果。当E值增大时，平行四边形面积增大，囊括的数据点更多，这意味着丢弃的数据点增多，压缩比增大，但是压缩误差也同步增大；当E值减小时，平行四边形面积减小，囊括的数据点更少，这意味着丢弃的数据点变少，压缩比减小，但压缩误差也同步减小。实际应用时需要在压缩比和压缩误差间综合权衡，找到合适的平衡点。
原始旋转门算法计算简单方便，但也存在一些缺点，留下了改进空间：1)压缩周期内的所有数据点都要做平行四边形判断，即使一段时间内的数据值不变或变化很小，浪费了一定的压缩时间；2)决定压缩性能的门限值E一旦确定，在整个压缩过程中不能改变，可控性差；3)没有处理异常值，异常值会严重影响前后2个压缩段的性能。有鉴于此，本发明针对上述3个缺点引入了3个策略，分别是自适应变频数据存储策略、动态调整门限值策略和异常点记录策略，以提高旋转门算法的精度。
实施例3
参照图1，为本发明的第三个实施例，该实施例不同于第二个实施例的是：本发明自适应变频数据存储策略改进了当前电力二次装置中数据的存储方式。
当前电力二次装置(如保护装置、测控装置等)采集到的遥信、遥测等数据上送SCADA系统通常有2种方式：周期上送和变化上送。周期上送是指每间隔一定时间SCADA系统通过总召唤报文向装置下发数据请求指令，变化上送是指装置检测到部分采集数据点的信号变化后主动向SCADA系统发送数据帧。在SCADA系统历史库存储环节通常也有2种方式：周期存储和变化存储，对一些重要的数据点，为了方便查看历史数据，用户通常会设置周期存储方式，分辨率到分钟级甚至秒级。这部分数据因为分辨率过高，会造成很大的数据冗余，严重制约了存储空间利用率。
本发明的自适应变频数据存储策略，根据存储数据点的数值变化幅度动态地调整存储间隔时间，在一定时间内数据变化越平滑存储间隔时间越大，数据变化越剧烈存储间隔时间越小。
设存储时间间隔为，最小存储时间间隔为，第n次存储的存储时间间隔为，若当前待存储数据在旋转门算法平行四边形范围之内时，快速增大存储时间间隔，也就是当所述存储数据不满足压缩条件，所述存储时间的间隔计算公式如下：
Δt＝2×Δtn
其中，存储时间的间隔为Δt，第n次存储数据的存储时间间隔为Δtn即：
若当前待存储数据在旋转门算法平行四边形范围之外时，快速减小存储时间间隔，也就是当所述存储数据不满足压缩条件，所述存储时间的间隔计算公式如下：
其中，最小存储时间的间隔为Δtmin。
相较于实施例2，进一步的，动态调整门限值策略，根据不同类型的所述差动保护数据在不同时段自适应的根据压缩误差动态调整所述旋转门算法的门限值。
原始的旋转门算法只有唯一参数门限值E，E值选取直接影响到旋转门算法精度和压缩比。SCADA系统存储数据种类很多，如电压、电流、有功功率、无功功率、频率等，不同种类、不同时间的数据波动幅度偏差很大，很难找到一个固定的E值能够满足在所有品种、时段的数据压缩中均能表现优异。因此，本发明引入动态调整门限值策略，针对不同数据在不同时段自适应地根据压缩误差适度调整门限值。
所述自适应的根据压缩误差动态调包括根据每轮压缩效果动态调整门限值，可以动态调整压缩误差和压缩比，公式如下：
en＝|ηn-ε|
其中，误差参考值为ε，第n轮压缩结束后重建的误差偏差为en，门限值上限为Emax，门限值下限为Emin，第n轮压缩的门限值为En，第n+1轮压缩的门限值为En+1，结束后重建数据与原始数据相比的平均压缩误差为ηn。
相较于实施例2，更进一步的，本发明的异常点记录策略，具体的是，对差动保护数据进行判断，如果是异常数据，接记录所述异常点的值并跳过该所述异常点，不开始新的压缩段。如果不是异常数据，判断数据是否满足压缩条件，如果满足，对所述差动保护数据进行压缩处理，并开启新的压缩段，如果不满足，执行自适应变频数据存储策略，对数据进行自适应变频数据存储，采集下一个所述数据，判断是否完成所有数据压缩，如果是，算法结束，如果否，继续采集判断输入数据。
在SCADA系统数据采集和存储过程中，有些数据点会因为装置异常、通讯异常等原因发生数据剧烈抖动、跳变，有些数据点和其他数据相差甚远，这些异常点可能代表系统出现了故障，因此异常点不能丢弃。但由于异常点的存在，旋转门算法在异常点前后会结束上一轮压缩，产生数据冗余，降低压缩精度。因此本发明提出一种异常点记录策略：异常点不作为压缩段的端点，当算法判断出现异常点时，直接记录异常点的值并跳过异常点，不开始新的压缩段。
设异常阈值为ω，差动保护数据是包括多个数据的数列Dn，第n次数据值为Dn，上一次数据值为Dn-1，两次数据值的变化幅度ΔD为：
ΔD＝|Dn-Dn-1|
则当ΔD>ω时，视Dn为异常值，算法压缩存储并在不开始新压缩段的前提下继续存储数据。
其余结构与实施例2的结构相同。
应说明的是，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精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种对于旋转门算法压缩差动保护数据的改进算法，其特征在于：包括，
S1：对旋转门算法的参数进行初始化改进；
S2：执行异常点记录策略，对差动保护数据进行判断是否是异常点，如果是，执行S6，如果不是，执行S3；
S3：判断数据是否满足压缩条件，如果满足，执行S4，如果不满足，执行S7；
S4：对所述差动保护数据进行压缩处理，并开启新的压缩段；
S5：执行动态调整门限值策略；
S6：存储所述异常点；
S7：执行自适应变频数据存储策略：对数据进行自适应变频数据存储，采集下一个所述数据，判断是否完成所有数据压缩，如果是，算法结束，如果否，执行S2。
2.如权利要求1所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述异常点记录策略中，所述差动保护数据是包括多个数据的数列Dn。
3.如权利要求2所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述异常点记录策略中，当所述数据的变化幅度ΔD大于预设的异常阈值ω，则判断所述数据为异常点，直接记录所述异常点的值并跳过该所述异常点，不开始新的压缩段。
4.如权利要求3所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述变化幅度ΔD与所述数据和所述数据的上一个数据的值有关，公式如下：
ΔD＝|Dn-Dn-1|
其中，所述差动保护数据的第n次数据的值为Dn，所述上一个数据的值为Dn-1。
5.如权利要求1或4所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述动态调整门限值策略，根据不同类型的所述差动保护数据在不同时段自适应的根据压缩误差动态调整所述旋转门算法的门限值。
6.如权利要求5所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述自适应的根据压缩误差动态调包括根据每轮压缩效果动态调整门限值，可以动态调整压缩误差和压缩比，公式如下：
en＝|ηn-ε|
其中，误差参考值为ε，第n轮压缩结束后重建的误差偏差为en，门限值上限为Emax，门限值下限为Emin，第n轮压缩的门限值为En，第n+1轮压缩的门限值为En+1，结束后重建数据与原始数据相比的平均压缩误差为ηn。
7.如权利要求6所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述自适应变频数据存储策略，根据存储数据的数值变化幅度动态地调整存储间隔时间，在一定时间内数据变化越平滑，存储时间的间隔越大，数据变化越剧烈，存储时间的间隔越小。
8.如权利要求7所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：当所述存储数据不满足压缩条件，所述存储时间的间隔计算公式如下：
Δt＝2×Δtn
其中，存储时间的间隔为Δt，第n次存储数据的存储时间间隔为Δtn。
9.如权利要求7或8所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：当所述存储数据不满足压缩条件，所述存储时间的间隔计算公式如下：
其中，最小存储时间的间隔为Δtmin。
10.如权利要求1所述的对于旋转门算法压缩差动保护数据的改进算法，其特征在于：所述差动保护数据的种类包括电力系统中的电压、电流、有功功率、无功功率和频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210533464.3A CN114900191A (zh) | 2022-05-13 | 2022-05-13 | 一种对于旋转门算法压缩差动保护数据的改进算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210533464.3A CN114900191A (zh) | 2022-05-13 | 2022-05-13 | 一种对于旋转门算法压缩差动保护数据的改进算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114900191A true CN114900191A (zh) | 2022-08-12 |
Family
ID=82723094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210533464.3A Pending CN114900191A (zh) | 2022-05-13 | 2022-05-13 | 一种对于旋转门算法压缩差动保护数据的改进算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114900191A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115793979A (zh) * | 2022-12-08 | 2023-03-14 | 北京力控元通科技有限公司 | 一种数据压缩方法、系统、电子设备及存储介质 |
| CN116225347A (zh) * | 2023-05-10 | 2023-06-06 | 上海伯镭智能科技有限公司 | 一种具有数据安全保护功能的无人驾驶系统数据管理方法 |
| CN116614140A (zh) * | 2023-07-20 | 2023-08-18 | 山东弘锐医疗设备有限公司 | 一种基于人工智能的医用吊塔调控方法以及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120331357A1 (en) * | 2011-06-22 | 2012-12-27 | Inotera Memories, Inc. | Method and system of compressing raw fabrication data for fault determination |
| CN110995275A (zh) * | 2019-11-20 | 2020-04-10 | 安徽省安泰科技股份有限公司 | 一种对于旋转门压缩算法的改进算法 |
-
2022
- 2022-05-13 CN CN202210533464.3A patent/CN114900191A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120331357A1 (en) * | 2011-06-22 | 2012-12-27 | Inotera Memories, Inc. | Method and system of compressing raw fabrication data for fault determination |
| CN110995275A (zh) * | 2019-11-20 | 2020-04-10 | 安徽省安泰科技股份有限公司 | 一种对于旋转门压缩算法的改进算法 |
Non-Patent Citations (5)
| Title |
|---|
| 于洋等: "基于改进旋转门算法的变电站数据压缩存储方法", 中国电力, vol. 56, no. 6, 28 June 2023 (2023-06-28), pages 202 - 208 * |
| 刘劲松;于东;胡毅;毕筱雪;朴美燕;叶迎萍;: "改进的旋转门算法及其在数控机床监控领域的应用", 组合机床与自动化加工技术, no. 02, 20 February 2018 (2018-02-20), pages 81 - 83 * |
| 刘劲松等: "改进的旋转门算法及其在 数控机床监控领域的应用", 组合机床与自动化加工技术, no. 02, 20 February 2018 (2018-02-20), pages 81 - 83 * |
| 王爽;陆月明;: "基于旋转门算法的安全网关控制信息采集策略", 网络与信息安全学报, no. 10, 15 October 2018 (2018-10-15), pages 59 - 67 * |
| 邵庆祝等: "基于深度学习的电流互感器隐性故障诊断方法", 自动化技术与应用, vol. 43, no. 3, 25 March 2023 (2023-03-25), pages 82 - 86 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115793979A (zh) * | 2022-12-08 | 2023-03-14 | 北京力控元通科技有限公司 | 一种数据压缩方法、系统、电子设备及存储介质 |
| CN116225347A (zh) * | 2023-05-10 | 2023-06-06 | 上海伯镭智能科技有限公司 | 一种具有数据安全保护功能的无人驾驶系统数据管理方法 |
| CN116225347B (zh) * | 2023-05-10 | 2023-06-30 | 上海伯镭智能科技有限公司 | 一种具有数据安全保护功能的无人驾驶系统数据管理方法 |
| CN116614140A (zh) * | 2023-07-20 | 2023-08-18 | 山东弘锐医疗设备有限公司 | 一种基于人工智能的医用吊塔调控方法以及系统 |
| CN116614140B (zh) * | 2023-07-20 | 2023-10-10 | 山东弘锐医疗设备有限公司 | 一种基于人工智能的医用吊塔调控方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114900191A (zh) | 一种对于旋转门算法压缩差动保护数据的改进算法 | |
| CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
| CN106649026B (zh) | 适用于运维自动化系统的监测数据压缩方法 | |
| CN115935296B (zh) | 一种电能数据计量方法及系统 | |
| CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
| CN116225347B (zh) | 一种具有数据安全保护功能的无人驾驶系统数据管理方法 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
| CN116707534B (zh) | 基于物联网技术的电力计量箱数据处理系统 | |
| CN113240261A (zh) | 一种区域电能质量监测分析系统 | |
| CN115566696A (zh) | 一种云边协同的电网频率在线监测分析方法与系统 | |
| Gama et al. | Stream-based electricity load forecast | |
| CN114826277A (zh) | 面向配电网边缘计算装置的pmu数据压缩及重构方法 | |
| CN117478148A (zh) | 基于模式分析的风电机组运行状态划分方法 | |
| CN116244875B (zh) | 一种虚拟电厂集群划分方法和装置 | |
| CN112036436A (zh) | 一种调相机油温预测系统的数据噪声处理方法及处理系统 | |
| CN114900190A (zh) | 一种多目标融合的差动保护数据压缩方法 | |
| CN111242210A (zh) | 基于改进Shapley值模型的短期负荷预测方法 | |
| CN114938003A (zh) | 一种配网无功补偿控制方法、装置、设备及存储介质 | |
| CN114925313A (zh) | 一种基于分布式链路追踪动态采样率的自适应方法及系统 | |
| CN112465284A (zh) | 一种考虑梯级电站接入的电网适应性评估分析方法 | |
| CN117176178B (zh) | 一种光电通信系统的数据处理方法 | |
| CN116545591B (zh) | 一种基于bms电池管理系统的数据传输方法 | |
| CN115051714A (zh) | 一种基于fft变换的波形数据压缩方法 | |
| CN114548845B (zh) | 一种配网管理方法、装置及系统 |
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 |