CN115048434A - 一种电能质量数据处理方法 - Google Patents

一种电能质量数据处理方法 Download PDF

Info

Publication number
CN115048434A
CN115048434A CN202210974309.5A CN202210974309A CN115048434A CN 115048434 A CN115048434 A CN 115048434A CN 202210974309 A CN202210974309 A CN 202210974309A CN 115048434 A CN115048434 A CN 115048434A
Authority
CN
China
Prior art keywords
data
power quality
value
values
quality data
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
Application number
CN202210974309.5A
Other languages
English (en)
Other versions
CN115048434B (zh
Inventor
俞友谊
金耘岭
叶细宝
王巍
任小宝
姚宏宇
刘田翠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Shining Electric Automation Co ltd
Original Assignee
Nanjing Shining Electric Automation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Shining Electric Automation Co ltd filed Critical Nanjing Shining Electric Automation Co ltd
Priority to CN202210974309.5A priority Critical patent/CN115048434B/zh
Publication of CN115048434A publication Critical patent/CN115048434A/zh
Application granted granted Critical
Publication of CN115048434B publication Critical patent/CN115048434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电能质量数据处理方法，包括，采集电能质量监测系统中的历史电能质量数据并对其进行类别划分，形成不同类别的数据集；利用格拉布斯策略对所述数据集进行异常值检测，若存在异常值，则剔除所述异常值；将经过异常值检测的所述数据集进行数据无量纲化操作，获得同一规格的数据值，得到唯一无量纲的纯数据值的集合；基于二阶优化技术构建优化模型，代入所述集合进行数据值优化，直接找到梯度为0的点，快速收敛，输出高效优化的电能质量数据。本发明解决了海量数据不能一次性读取、存储的问题，提高了优化模型运算的稳定性、运算效率和速度，使不同规格的数据转换到同一规格，消除了变量间变异程度的差异。

Description

一种电能质量数据处理方法
技术领域
本发明涉及电能质量参数优化计算的技术领域，尤其涉及一种电能质量数据处理方法。
背景技术
电能质量包括四个方面的相关术语和概念：电压质量即用实际电压与额定电压间的偏差(偏差含电压幅值，波形和相位的偏差)，反映供电企业向用户供给的电力是否合格；电流质量即对用户取用电流提出恒定频率、正弦波形要求，并使电流波形与供电电压同相位，以保证系统以高功率因数运行，这个定义有助于电网电能质量的改善，并降低网损；供电质量包含技术含义和非技术含义两个方面：技术含义有电压质量和供电可靠性；非技术含义是指服务质量包括供电企业对用户投诉的反应速度和电力价格等；用电质量包括电流质量和非技术含义，如用户是否按时、如数缴纳电费等，它反映供用双方相互作用与影响用电方的责任和义务。
近年来，电力系统中各种类型的非线性、冲击性和不对称性负荷的不断增加，使得电网中的谐波污染、三相电压不平衡、电压波动和闪变等电能质量问题日趋严重；电能质量差不利于电力系统安全运行，会加速设备的绝缘老化、缩短电气设备的使用寿命、增加电网损耗、降低电气设备的效率和利用率、影响继电保护和自动装置以及通信系统的正常运行，并给对电能质量要求较高的行业带来严重的经济损失。
发明内容
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。
鉴于上述现有存在的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：包括，采集电能质量监测系统中的历史电能质量数据并对其进行类别划分，形成不同类别的数据集；利用格拉布斯策略对所述数据集进行异常值检测，若存在异常值，则剔除所述异常值；将经过异常值检测的所述数据集进行数据无量纲化操作，获得同一规格的数据值，得到唯一无量纲的纯数据值的集合；基于二阶优化技术构建优化模型，代入所述集合进行数据值优化，直接找到梯度为0的点，快速收敛，输出高效优化的电能质量数据。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：进行所述类别划分之前还包括，
利用电能质量监测系统采集海量的所述历史电能质量数据；
结合哈希算法计算所述历史电能质量数据中每一条数据的哈希值；
根据所述哈希值将其分布存储至多个桶中；
对所述多个桶进行归并处理。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：所述类别划分包括，
基于所述归并处理进行数据相关性筛选，根据筛选区间进行类别划分；
所述筛选区间包括：
|r|<0.3 表示低度相关；
0.3≤|r|<0.5 表示中低度相关；
0.5≤|r|<0.8 表示中度相关；
0.8≤|r|<1.0 表示高度相关；
其中，|r|为数据相关性的绝对值。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：形成不同类别的数据集包括，
根据所述筛选区间自适应生成低度相关数据集、中低度相关数据集、中度相关数据集和高度相关数据集。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：所述异常值检测包括，
将所述数据集中的变量按照其值从小到大的顺序进行排序；
计算平均值、标准差和偏离值；
确定一个可疑值，即偏离所述平均值最大的值；
计算所述可疑值的统计量，将所述统计量与格拉布斯表给出的临界值进行比较，若所述统计量大于所述临界值，则所述可疑值即为异常值，直接剔除。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：所述数据无量纲化操作包括，
利用标准化方法将所述数据集中的变量的每个值与其平均值之差除以所述变量的标准差；
无量钢化后，所述变量的平均值为0，标准差为1。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：还包括，
对无量纲化后的所述变量进行卡方校验，以提升所述优化模型的稳定性；
所述卡方校验包括，根据变量值大小进行排列，将每个值作为一个组，计算每一对相邻组的卡方值，合并其中最小的一对组合，循环迭代，直到满足设定的将连续变量分为5组的条件时结束；
输出最终校验结果，获得同一规格的数据值，得到所述唯一无量纲的纯数据值的集合。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：构建所述优化模型包括，
Figure DEST_PATH_IMAGE001
其中，H为Hessian矩阵，
Figure 624792DEST_PATH_IMAGE002
为梯度向量，X为需要优化的参数，即代入的所述集合，
Figure 891825DEST_PATH_IMAGE003
为全局学习率，n=1、2……n。
作为本发明所述的电能质量数据处理方法的一种优选方案，其中：还包括，
Figure 90725DEST_PATH_IMAGE004
其中，d为牛顿方向，即该方程的解，当梯度值
Figure 854544DEST_PATH_IMAGE002
充分接近于0时，或达到最大指定迭代次数时，则迭代终止。
本发明的有益效果：本发明通过特殊的类别划分方法，解决了海量数据不能一次性读取、存储的问题；一方面，特殊的相关性筛选和异常值检测的处理，提高了优化模型运算的稳定性、运算效率和速度；另一方面，无量纲化使不同规格的数据转换到同一规格，消除了变量间变异程度的差异，且结合二阶优化算法加快了收敛速度，高效运算的同时，还提高了数据的精准度。
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为本发明一种实施例所述的电能质量数据处理方法的流程示意图；
图2为本发明一种实施例所述的电能质量数据处理方法的归并处理流程示意图；
图3为本发明一种实施例所述的电能质量数据处理方法的迭代优化后的数据离散化分布示意图。
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，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
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。
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。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
目前，各个电能质量监测装置生产商的数据规范未形成统一标准，造成获取的电能质量数据互不兼容，形成电能质量数据的信息‘孤岛’，极大地增加了电能质量数据的利用和处理成本，提升了电能质量的计算复杂性，造成各项指标不平衡，为此，本实施例提出一种高效优化不同数据格式的电能质量数据处理方法。
参照图1~图3，为本发明的一种实施例，提供了一种电能质量数据处理方法，具体包括：
S1：采集电能质量监测系统中的历史电能质量数据并对其进行类别划分，形成不同类别的数据集。其中需要说明的是，进行类别划分之前还包括：
利用电能质量监测系统采集海量的历史电能质量数据；
结合哈希算法计算历史电能质量数据中每一条数据的哈希值；
根据哈希值将其分布存储至多个桶中；
对多个桶进行归并处理。
参照图2，利用哈希函数将历史电能质量数据映射至桶中进行分布式存储，算法如下：
Figure DEST_PATH_IMAGE005
其中，
Figure 644646DEST_PATH_IMAGE006
为第i条数据，i为常数，
Figure DEST_PATH_IMAGE007
为桶标号，n为要设置的桶数量；
桶数量设置的基本原则包括，每个桶的大小比读取内存限制要小，例如：处理1G的大文件，内存限制为1M，那就可以把大文件分成2000个小文件（甚至更多），这样每个小文件的大小约500K（甚至更小），就可以轻松读入内存处理了。
具体的，处理步骤包括：
（1）依次遍历这些桶，通过hash映射，将每个桶的每条数据映射到新构造的多个小桶中（假定生成了n个小桶）；
（2）依次统计每个小桶中出现次数最多的k条数据，构成hash表，hash表中每个键值对的形式为 dataItem: count；
（3）利用堆排序，依次遍历这些hash表，在n∗k条数据中，找出count值最大的k；
（4）堆排序的时间复杂度为nklog(k)。
需要说明的是，本实施例使用了堆排序，降低了时间复杂度上的处理，因此提高了处理步骤中的排序效率。
进一步的，类别划分包括：
基于归并处理进行数据相关性筛选，根据筛选区间进行类别划分；
筛选区间包括：
|r|<0.3 表示低度相关；
0.3≤|r|<0.5 表示中低度相关；
0.5≤|r|<0.8 表示中度相关；
0.8≤|r|<1.0 表示高度相关；
其中，|r|为数据相关性的绝对值。
再进一步的，形成不同类别的数据集包括：
根据筛选区间自适应生成低度相关数据集、中低度相关数据集、中度相关数据集和高度相关数据集。
优选的，本实施例还需要说明的是，通过数据相关性的筛选计算，自适应形成所属筛选区间的不同相关度数据集，极大地提高了优化模型运算的稳定性、运算效率和速度。
S2：利用格拉布斯策略对数据集进行异常值检测，若存在异常值，则剔除异常值。本步骤需要说明的是，异常值检测包括：
将数据集中的变量按照其值从小到大的顺序进行排序；
计算平均值、标准差和偏离值；
确定一个可疑值，即偏离平均值最大的值；
计算可疑值的统计量，将统计量与格拉布斯表给出的临界值进行比较，若统计量大于临界值，则可疑值即为异常值，直接剔除。
具体的，计算表达式如下：
Figure 867817DEST_PATH_IMAGE008
Figure 604829DEST_PATH_IMAGE009
其中，S为标准差，
Figure 987268DEST_PATH_IMAGE010
为平均值，
Figure DEST_PATH_IMAGE011
为统计量，偏离值为平均值与最大值之差和平均值与最小值之差，i为可疑值的序列号，n为测量次数。
S3：将经过异常值检测的数据集进行数据无量纲化操作，获得同一规格的数据值，得到唯一无量纲的纯数据值的集合。其中还需要说明的是，数据无量纲化操作包括：
利用标准化方法将数据集中的变量的每个值与其平均值之差除以变量的标准差；
无量钢化后，变量的平均值为0，标准差为1；
对无量纲化后的变量进行卡方校验，以提升优化模型的稳定性；
卡方校验包括，根据变量值大小进行排列，将每个值作为一个组，计算每一对相邻组的卡方值，合并其中最小的一对组合，循环迭代，直到满足设定的将连续变量分为5组的条件时结束；
输出最终校验结果，获得同一规格的数据值，得到唯一无量纲的纯数据值的集合。
优选的，无量纲化使不同规格的数据转换到同一规格，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权，本实施例使用该方法无量纲化后不同变量间的均值和标准差都相同，即同时消除了变量间变异程度上的差异。
S4：基于二阶优化技术构建优化模型，代入集合进行数据值优化，直接找到梯度为0的点，快速收敛，输出高效优化的电能质量数据。本步骤还需要说明的是，构建优化模型包括：
Figure 213850DEST_PATH_IMAGE012
其中，H为Hessian矩阵，
Figure 455476DEST_PATH_IMAGE002
为梯度向量，X为需要优化的参数，即代入的集合，
Figure 199441DEST_PATH_IMAGE003
为全局学习率，n=1、2……n；
Figure 842912DEST_PATH_IMAGE004
其中，d为牛顿方向，即该方程的解，当梯度值
Figure 538598DEST_PATH_IMAGE002
充分接近于0时，或达到最大指定迭代次数时，则迭代终止。
优选的是，将本实施例进行优化处理的电能质量数据导入仿真模拟平台中进行模拟运行，输出得到如图3所示的离散化分布示意图，图3中的“+”表示优化迭代的d值，从图中能够直观的看出，处于[60,80]区间的d值最为密集，而处于[140,160]区间的d值最为稀疏；即本实施例通过无量纲化使不同规格的数据转换到同一规格，消除了变量间变异程度的差异，且结合二阶优化算法加快了收敛速度，高效运算的同时，还提高了数据的精准度。
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 (9)

1.一种电能质量数据处理方法，其特征在于：包括，
采集电能质量监测系统中的历史电能质量数据并对其进行类别划分，形成不同类别的数据集；
利用格拉布斯策略对所述数据集进行异常值检测，若存在异常值，则剔除所述异常值；
将经过异常值检测的所述数据集进行数据无量纲化操作，获得同一规格的数据值，得到唯一无量纲的纯数据值的集合；
基于二阶优化技术构建优化模型，代入所述集合进行数据值优化，直接找到梯度为0的点，快速收敛，输出高效优化的电能质量数据。
2.根据权利要求1所述的电能质量数据处理方法，其特征在于：进行所述类别划分之前还包括，
利用电能质量监测系统采集海量的所述历史电能质量数据；
结合哈希算法计算所述历史电能质量数据中每一条数据的哈希值；
根据所述哈希值将其分布存储至多个桶中；
对所述多个桶进行归并处理。
3.根据权利要求2所述的电能质量数据处理方法，其特征在于：所述类别划分包括，
基于所述归并处理进行数据相关性筛选，根据筛选区间进行类别划分；
所述筛选区间包括：
|r|<0.3 表示低度相关；
0.3≤|r|<0.5 表示中低度相关；
0.5≤|r|<0.8 表示中度相关；
0.8≤|r|<1.0 表示高度相关；
其中，|r|为数据相关性的绝对值。
4.根据权利要求3所述的电能质量数据处理方法，其特征在于：形成不同类别的数据集包括，
根据所述筛选区间自适应生成低度相关数据集、中低度相关数据集、中度相关数据集和高度相关数据集。
5.根据权利要求1~4任一所述的电能质量数据处理方法，其特征在于：所述异常值检测包括，
将所述数据集中的变量按照其值从小到大的顺序进行排序；
计算平均值、标准差和偏离值；
确定一个可疑值，即偏离所述平均值最大的值；
计算所述可疑值的统计量，将所述统计量与格拉布斯表给出的临界值进行比较，若所述统计量大于所述临界值，则所述可疑值即为异常值，直接剔除。
6.根据权利要求5所述的电能质量数据处理方法，其特征在于：所述数据无量纲化操作包括，
利用标准化方法将所述数据集中的变量的每个值与其平均值之差除以所述变量的标准差；
无量钢化后，所述变量的平均值为0，标准差为1。
7.根据权利要求6所述的电能质量数据处理方法，其特征在于：还包括，
对无量纲化后的所述变量进行卡方校验，以提升所述优化模型的稳定性；
所述卡方校验包括，根据变量值大小进行排列，将每个值作为一个组，计算每一对相邻组的卡方值，合并其中最小的一对组合，循环迭代，直到满足设定的将连续变量分为5组的条件时结束；
输出最终校验结果，获得同一规格的数据值，得到所述唯一无量纲的纯数据值的集合。
8.根据权利要求7所述的电能质量数据处理方法，其特征在于：构建所述优化模型包括，
Figure 416308DEST_PATH_IMAGE001
其中，H为Hessian矩阵，
Figure 495122DEST_PATH_IMAGE002
为梯度向量，X为需要优化的参数，即代入的所述集合，
Figure 727520DEST_PATH_IMAGE003
为全局学习率，n=1、2……n。
9.根据权利要求8所述的电能质量数据处理方法，其特征在于：还包括，
Figure 295905DEST_PATH_IMAGE004
其中，d为牛顿方向，即该方程的解，当梯度值
Figure 246543DEST_PATH_IMAGE005
充分接近于0时，或达到最大指定迭代次数时，则迭代终止。
CN202210974309.5A 2022-08-15 2022-08-15 一种电能质量数据处理方法 Active CN115048434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210974309.5A CN115048434B (zh) 2022-08-15 2022-08-15 一种电能质量数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210974309.5A CN115048434B (zh) 2022-08-15 2022-08-15 一种电能质量数据处理方法

Publications (2)

Publication Number Publication Date
CN115048434A true CN115048434A (zh) 2022-09-13
CN115048434B CN115048434B (zh) 2022-11-29

Family

ID=83167205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210974309.5A Active CN115048434B (zh) 2022-08-15 2022-08-15 一种电能质量数据处理方法

Country Status (1)

Country Link
CN (1) CN115048434B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949721A (zh) * 2021-03-04 2021-06-11 吴统明 一种电力设备静态数据质量评估方法及系统
CN112990958A (zh) * 2021-01-19 2021-06-18 腾讯科技（深圳）有限公司 数据处理方法、装置、存储介质及计算机设备
US11237951B1 (en) * 2020-09-21 2022-02-01 International Business Machines Corporation Generating test data for application performance
CN114742283A (zh) * 2022-03-25 2022-07-12 贵州大学 一种基于深度学习网络的中压线路合环电流估算与风险评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11237951B1 (en) * 2020-09-21 2022-02-01 International Business Machines Corporation Generating test data for application performance
CN112990958A (zh) * 2021-01-19 2021-06-18 腾讯科技（深圳）有限公司 数据处理方法、装置、存储介质及计算机设备
CN112949721A (zh) * 2021-03-04 2021-06-11 吴统明 一种电力设备静态数据质量评估方法及系统
CN114742283A (zh) * 2022-03-25 2022-07-12 贵州大学 一种基于深度学习网络的中压线路合环电流估算与风险评估方法

Also Published As

Publication number Publication date
CN115048434B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Xu et al. A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries
CN114298863B (zh) 一种智能抄表终端的数据采集方法及系统
CN112199367B (zh) 一种长时间尺度功率平衡校验和大数据分析方法及系统
CN110535159A (zh) 一种规模化储能电站运行单元故障预警的方法及系统
CN111881124A (zh) 一种基于改进算法的状态估计的数据处理方法及系统
CN112288015A (zh) 基于边缘计算改进knn的配网电气拓扑识别方法及系统
CN113112114A (zh) 一种储能电站在线评估方法和装置
Xiao et al. Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network
CN115618249A (zh) 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法
Çunkaş et al. Efficiency determination of induction motors using multi-objective evolutionary algorithms
CN115048434B (zh) 一种电能质量数据处理方法
CN111177128A (zh) 基于改进的离群点检测算法的计量大数据批量处理方法及系统
CN113595246B (zh) 微电网状态在线监测方法、装置、计算机设备和存储介质
CN113466520B (zh) 一种在线识别失准电能表的方法
CN109409026A (zh) 电机效率优化方法、装置及电机设计参数确定方法
CN116865318A (zh) 基于两阶段随机优化的输电网和储能联合规划方法及系统
CN116307844A (zh) 一种低压台区线损评估分析方法
Liu et al. Neyman-Pearson Umbrella Algorithm-Based Static Voltage Stability Assessment With Misclassification Restriction: An Integrated Data-Driven Scheme
CN113872197A (zh) 一种电能质量干扰源接纳能力的预测方法及装置
Behzadi et al. Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier
CN118100173B (zh) 基于电氢储能的配电网协调优化调度方法及系统
Xie et al. Energy System Time Series Data Quality Maintenance System Based on Data Mining Technology
CN117951629B (zh) 一种电池组充放电温度异常行为的检测方法及系统
Zhong et al. Solution method of three-phase voltage errors in the transformer based on the genetic algorithm
Wang et al. Transient stability assessment of power system based on enhanced projection twin SVM

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