CN117034177B - 一种电力负荷异常数据智能监测方法 - Google Patents
一种电力负荷异常数据智能监测方法 Download PDFInfo
- Publication number
- CN117034177B CN117034177B CN202311287415.7A CN202311287415A CN117034177B CN 117034177 B CN117034177 B CN 117034177B CN 202311287415 A CN202311287415 A CN 202311287415A CN 117034177 B CN117034177 B CN 117034177B
- Authority
- CN
- China
- Prior art keywords
- data
- target data
- power load
- window
- target
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (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
本发明涉及数据分析技术领域,具体涉及一种电力负荷异常数据智能监测方法,包括:获取电力系统中的历史数据与目标数据;根据历史数据与目标数据获取目标数据为异常电力负荷数据的可能性;根据目标数据为异常电力负荷数据的可能性,获取目标数据的增量窗口内目标数据的局部可达距离,同时获取目标数据的增量窗口内异常电力负荷数据;计算目标数据的增量窗口内的目标数据集内,异常电力负荷数据的异常程度;根据异常电力负荷数据的异常程度监测异常电力负荷数据。本发明利用电力系统的历史数据进行增量窗口聚类的参数自适应,可以有效及时的进行识别与监测,并且整体的鲁棒性更强,适用场景更加的广泛。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种电力负荷异常数据智能监测方法。
背景技术
在电力系统中,负荷监测是确保电力供应的关键环节之一。然而,电力负荷异常情况的出现可能导致电力系统的不稳定和设备的损坏。因此,准确监测和及时识别电力负荷异常是非常重要的。
现有技术中对于电力负荷数据进行异常数据的监测一般是利用预设阈值法以及静态数据聚类法进行监测,前者的具体过程为设置一个异常阈值,对于不满足该阈值条件下的所有的电力负荷数据则认为其为异常负荷数据;后者进行对静态数据进行处理,而电力负荷数据是一种随着时间变化而满足数据变化的动态数据。这两种现有技术对于电力负荷异常数据进行监测时均具有明显的缺陷,具体表现在电力负荷数据不是一个稳定的静态数据,而是随着时间变化而发生不规律变化的动态数据,利用上述方式进行电力负荷异常数据的监测时,极容易发生误检以及无法及时有效处理异常的情况。
发明内容
本发明提供一种电力负荷异常数据智能监测方法,以解决现有的问题:传统技术对电力负荷异常数据进行的监测时,极容易发生误检以及无法及时有效处理异常的情况。
本发明的一种电力负荷异常数据智能监测方法采用如下技术方案:
包括以下步骤:
获取电力系统中的历史数据与目标数据;
根据历史数据获取电力系统中的簇内数据集、离群数据集以及簇内数据集内的局部可达距离;
根据目标数据、簇内数据集以及离群数据集获取目标数据为异常电力负荷数据的可能性;根据目标数据为异常电力负荷数据的可能性,获取目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集;根据簇内数据集内的局部可达距离、目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集,获取目标数据的增量窗口内目标数据的局部可达距离;
根据目标数据的增量窗口内目标数据的局部可达距离,获取目标数据的增量窗口内异常电力负荷数据;计算目标数据的增量窗口内的目标数据集内异常电力负荷数据的异常程度;
根据异常电力负荷数据的异常程度监测异常电力负荷数据。
优选的,所述获取电力系统中的历史数据与目标数据,包括的具体方法为:
预设一个历史范围;以当前时刻为基准,从电力系统数据库中调取当前时刻的前天到当前时刻之间所有的电力系统的电力负荷数据,记为历史数据,然后通过电力负荷采集装置,从当前时刻开始采集的电力系统的电力负荷数据,记为目标数据。
优选的,所述根据历史数据获取电力系统中的簇内数据集、离群数据集以及簇内数据集内的局部可达距离,包括的具体方法为:
利用LOF算法对历史数据进行聚类,得到簇内数据集、离群数据集以及簇内数据集内的局部可达距离。
优选的,所述获取目标数据为异常电力负荷数据的可能性,包括的具体计算公式为:
式中,表示第/>个时刻目标数据为异常电力负荷数据的可能性;/>表示第/>个时刻目标数据;/>表示簇内数据集内第/>个历史数据;/>表示簇内数据集内历史数据的数量;表示离群数据集内第/>个历史数据;/>表示离群数据集内历史数据的数量;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
优选的,所述获取目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集,包括的具体方法为:
根据目标数据为异常电力负荷数据的可能性,簇内数据集内所有数据的在局部可达距离内历史数据的数量,获取目标数据的增量窗口大小,其具体的计算公式为:
式中,表示第/>个时刻目标数据的增量窗口大小;/>表示簇内数据集内历史数据的数量;/>表示簇内数据集内第/>个历史数据在局部可达距离内历史数据的数量;/>表示第/>个时刻目标数据为异常电力负荷数据的可能性;
然后,通过目标数据的增量窗口大小,获取目标数据的增量窗口内的目标数据;对于第个时刻目标数据的增量窗口内的目标数据集如下所示:
其中,表示第/>个时刻目标数据的增量窗口内的目标数据集;/>表示第/>个时刻目标数据;/>表示第/>个时刻目标数据;/>表示第/>个时刻目标数据的增量窗口大小。
优选的,所述获取目标数据的增量窗口内目标数据的局部可达距离,包括的具体方法为:
获取目标数据的增量窗口内目标数据的局部可达距离调节参数,将簇内数据集内的局部可达距离与目标数据的增量窗口内目标数据的局部可达距离调节参数的积,作为目标数据的增量窗口内目标数据的局部可达距离。
优选的,所述获取目标数据的增量窗口内目标数据的局部可达距离调节参数,包括的具体方法为:
获取簇内数据集的均匀系数与目标数据的增量窗口内的目标数据集的均匀系数,结合目标数据的增量窗口内的目标数据集内,所有目标数据的均值;簇内数据集内,所有历史数据的均值/>,得到目标数据的增量窗口内目标数据的局部可达距离调节参数,其具体的计算公式为:
式中,表示第/>个时刻目标数据的增量窗口内目标数据的局部可达距离调节参数;/>表示簇内数据集的均匀系数;/>表示第/>个时刻目标数据的增量窗口内的目标数据集的均匀系数;/>表示自然常数;/>表示绝对值运算。
优选的,所述获取簇内数据集的均匀系数与目标数据的增量窗口内的目标数据集的均匀系数,包括的具体方法为:
将数据集内的极差值与数据集内最大值与最小值之和的比值乘以数据集的方差,得到数据集的均匀系数。
优选的,所述获取目标数据的增量窗口内异常电力负荷数据,包括的具体方法为:
对于第个时刻目标数据的增量窗口内的目标数据集,以第/>个目标数据的增量窗口内目标数据的局部可达距离/>作为LOF算法的参数,对第/>个时刻目标数据的增量窗口内的目标数据集进行聚类,得到第/>个时刻目标数据的增量窗口内的簇内数据集与离群数据集,将第/>个时刻目标数据的增量窗口内的离群数据集中各目标数据,作为第/>个时刻目标数据的增量窗口内的目标数据集内的异常电力负荷数据。
优选的,所述计算目标数据的增量窗口内的目标数据集内异常电力负荷数据的异常程度,包括的具体计算公式为:
式中,表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据的异常程度;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的异常电力负荷数据数量;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的目标数据数量;表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的第/>个异常电力负荷数据在局部可达距离内的目标数据数量;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
本发明的技术方案的有益效果是:由于电力负荷数据不是一个稳定的静态数据,而是随着时间变化而发生变化的动态数据,导致传统的电力负荷异常数据的监测方法,极容易发生误检以及无法及时有效处理异常的情况;因此本发明引入了增量窗口的形式,在历史静态聚类的基础上,利用电力系统的历史数据宏观趋势进行增量窗口聚类的参数自适应,以此可以实现电力系统的动态聚类异常监测,使得在电力系统中发生异常的电力负荷数据时,可以有效及时的进行识别与监测,并且整体的鲁棒性更强,适用场景更加的广泛。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种电力负荷异常数据智能监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种电力负荷异常数据智能监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种电力负荷异常数据智能监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电力负荷异常数据智能监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取电力系统中的历史数据与目标数据。
需要说明的是,本实施例所针对的具体场景为,根据电力系统的电力负荷数据进行异常监测,因此首先需要采集电力系统的实时电力负荷数据以及电力系统的历史电力负荷数据,在本实施例中以某一个小区的电力系统为例进行叙述,具体可根据实际需求选择电力系统,本实施例不做硬性要求。
具体的,预设一个历史范围,/>的大小可根据实际情况设置,本实施例不做硬性要求,在本实施例中以/>进行叙述;以当前时刻为基准,从电力系统数据库中调取当前时刻的前/>天到当前时刻之间所有的电力系统的电力负荷数据,记为历史数据。
然后通过电力负荷采集装置,从当前时刻开始采集电力系统的电力负荷数据,记为目标数据;在本实施例中的电力负荷采集装置为智能电表,具体的电力负荷采集装置可结合实际情况选择,本实施例不做硬性要求。
需要注意的是,在本实施例中历史范围之后的所有电力负荷数据均为目标数据。
至此,得到历史数据以及目标数据。
步骤S002:根据历史数据获取电力系统中的簇内数据集、离群数据集以及簇内数据集内的局部可达距离。
需要说明的是,在一个电力系统中,不同时间段下的电力负荷数据明显存在着一定的差异,即电力系统中的电力负荷数据随着时间段变化而变化,且电力系统中的电力负荷数据随着时间段变化而变化在宏观上具有一定的规律性。因此本实施例通过利用静态LOF算法对历史数据进行聚类,获得簇内数据以及对应的离群数据,以便于后续的分析。
具体的,利用LOF算法对历史数据进行聚类,而LOF算法作为一种公知的技术,故在本实施例中不再赘述,得到簇内数据集与离群数据集/>,并记录簇内数据集内的局部可达距离/>,便于后续的分析计算:
式中,表示簇内数据集;/>表示簇内数据集内第/>个历史数据;/>表示簇内数据集内历史数据的数量;/>表示离群数据集;/>表示离群数据集内第/>个历史数据;/>表示离群数据集内历史数据的数量。
需要进一步说明的是,在历史数据中即包含了正常电力负荷数据也包含了异常电力负荷数据,但是异常的电力数据与正常电力负荷数据存在一定的差距,同时通常情况下在历史数据中正常电力负荷数据的数量远大于异常电力负荷数据的数量;因此可以利用LOF算法得到簇内数据集与离群数据集/>,而簇内数据集/>中的历史数据则有着极大的可能性为正常电力负荷数据,离群数据集/>中的历史数据则有着极大的可能性为异常电力负荷数据。
至此,得到簇内数据集内的局部可达距离、簇内数据集/>以及离群数据集/>。
步骤S003:根据目标数据、簇内数据集以及离群数据集获取目标数据为异常电力负荷数据的可能性;根据目标数据为异常电力负荷数据的可能性,获取目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集;根据簇内数据集内的局部可达距离、目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集,获取目标数据的增量窗口内目标数据的局部可达距离。
1.获取目标数据为异常电力负荷数据的可能性。
需要说明的是,簇内数据集与离群数据集/>中的数据分布,分别表示了历史数据中正常电力负荷数据与异常电力负荷数据的分布趋势;因此本实施例通过智能电表所采集到的目标数据进行正常电力负荷数据与异常电力负荷数据的分布趋势分析,然后通过分析结果获取目标数据对应的动态增量窗口以及LOF算法中的参数。
需要进一步说明的是,由于获取的动态增量窗口的大小会因为电力负荷数据是否异常而受到影响,所有首现需要利用簇内数据集内的历史数据以及离群数据集/>内的历史数据,计算目标数据为异常电力负荷数据的可能性。
具体的,对于第个时刻目标数据,将第/>个时刻目标数据记为/>,结合簇内数据集内的历史数据以及离群数据集/>内的历史数据,计算第/>个时刻目标数据为异常电力负荷数据的可能性,其具体的计算公式如下:
式中,表示第/>个时刻目标数据为异常电力负荷数据的可能性;/>表示第/>个时刻目标数据;/>表示簇内数据集内第/>个历史数据;/>表示簇内数据集内历史数据的数量;表示离群数据集内第/>个历史数据;/>表示离群数据集内历史数据的数量;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
需要进一步说明的是,通过将第个时刻目标数据与簇内数据集/>内的历史数据以及离群数据集/>内的历史数据,分别进行差异计算,分别得到第/>个时刻目标数据与簇内数据集的接近程度、第/>个时刻目标数据与离群数据集的接近程度,又因为簇内数据集/>中的历史数据则有着极大的可能性为正常电力负荷数据,离群数据集/>中的历史数据则有着极大的可能性为异常电力负荷数据,所以可以通过第/>个时刻目标数据与簇内数据集的接近程度与第/>个时刻目标数据与离群数据集的接近程度的比值,得到第/>个时刻目标数据为异常电力负荷数据的可能性;而/>的值越大,则说明第/>个时刻目标数据越可能为异常电力负荷数据。
至此,得到目标数据为异常电力负荷数据的可能性。
2.获取目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集。
需要说明的是,当目标数据为异常电力负荷数据的可能性越大时,说明目标数据越可能为异常电力负荷数据;而异常电力负荷数据出现的频率低,所以需要扩大异常电力负荷数据的增量窗口,使得后续进行聚类的时增量窗口内的数据更多,以此减少误判的概率;所以目标数据为异常电力负荷数据的可能性越大,对应的增量窗口的大小也就越大。
具体的,根据目标数据为异常电力负荷数据的可能性,簇内数据集内所有数据的在局部可达距离内历史数据的数量,获取目标数据的增量窗口大小,其具体的计算公式为:
式中,表示第/>个时刻目标数据的增量窗口大小;/>表示簇内数据集内历史数据的数量;/>表示簇内数据集内第/>个历史数据在局部可达距离内历史数据的数量;/>表示第/>个时刻目标数据为异常电力负荷数据的可能性。
需要进一步说明的是,本实施例的最终目的是将正常电力负荷数据与异常电力负荷数据区分来,而通过LOF算法对历史数据进行聚类,可以有效的对历史数据中的正常电力负荷数据与异常电力负荷数据进行区分;而历史数据与目标数据作为在同一个电力系统中的电力负荷数据,因此历史数据与目标数据中正常电力负荷数据与异常电力负荷数据在分布上有一定的相似性;故可以以历史数据中簇内数据集内的数据分布为基础,结合目标数据为异常数据为异常电力负荷数据的可能性,获取目标数据的增量窗口大小。
然后,通过目标数据的增量窗口大小,获取目标数据的增量窗口内的目标数据;对于第个时刻目标数据的增量窗口内的目标数据集如下所示:
其中,表示第/>个时刻目标数据的增量窗口内的目标数据集;/>表示第/>个时刻目标数据;/>表示第/>个时刻目标数据;/>表示第/>个时刻目标数据的增量窗口大小。
至此,得到目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集。
3.获取目标数据的增量窗口内目标数据的局部可达距离。
需要说明的是,由于历史数据与目标数据为同一个电力系统中的电力负荷数据,所以历史数据的中的簇内数据集内的局部可达距离,与目标数据的增量窗口内目标数据的局部可达距离具有一定的相似性,所以本实施例根据历史数据中的簇内数据集结合目标数据的增量窗口内的目标数据,获取目标数据的增量窗口内目标数据的局部可达距离。
具体获取目标数据的增量窗口内目标数据的局部可达距离的计算公式如下:
式中,表示第/>个目标数据的增量窗口内目标数据的局部可达距离;/>表示簇内数据集内的局部可达距离;/>表示第/>个时刻目标数据的增量窗口内目标数据的局部可达距离调节参数;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,所有目标数据的均值;/>表示簇内数据集内,所有历史数据的均值;/>表示簇内数据集的均匀系数;/>表示第/>个时刻目标数据的增量窗口内的目标数据集的均匀系数;/>表示簇内数据集内,所有历史数据的方差;/>表示簇内数据集内的最大历史数据;/>表示簇内数据集内的最小历史数据;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,所有目标数据的方差;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内的最大目标数据;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内的最小目标数据;/>表示自然常数;/>表示绝对值运算。
需要进说明的是,由于LOF算法是对正常电力负荷数据进行聚类的,所以本实施例需要根据簇内数据集与目标数据的增量窗口内的目标数据集进行分析。而数据集的均匀性作为一种对局部可达距离产生影响的主要特征,所有本实施例首先通过簇内数据集与目标数据的增量窗口内的目标数据集各自的方差、最大值以及最小值,获取簇内数据集与目标数据的增量窗口内的目标数据集各自的均匀性系数,而簇内数据集的均匀性系数与目标数据的增量窗口内的目标数据集的均匀性系数越相似,则说明根据簇内数据集的局部可达距离对目标数据的增量窗口内的目标数据集进聚类的效果越好。为防止出现簇内数据集的均匀性系数与目标数据的增量窗口内的目标数据集的均匀性系数相似,但两个数据集的整体数据差异大的情况出现,所以引入两个数据集的均值差异作为均匀性检验置信度,当均匀性检验置信度的值越小,说明两个数据集的整体数据差异小;结合两个数据集之间的均匀性相似程度以及均匀性检验置信度,得到局部可达距离调节参数。最后通过局部可达距离调节参数得到目标数据的增量窗口内目标数据的局部可达距离,使目标数据的增量窗口内目标数据的局部可达距离能够对目标数据的增量窗口内的正常电力负荷数据与异常电力负荷数据进行区分。
至此,得到目标数据的增量窗口内目标数据的局部可达距离。
步骤S004:根据目标数据的增量窗口内目标数据的局部可达距离,获取目标数据的增量窗口内异常电力负荷数据;计算目标数据的增量窗口内的目标数据集内异常电力负荷数据的异常程度。
需要说明的是,本实施例作为一种基于LOF算法,监测目标数据中的异常电力负荷数据的方法,在通过步骤S003得到目标数据的增量窗口内目标数据的局部可达距离,即可得到目标数据的增量窗口内目标数据在对应的局部可达距离内目标数据的数量。再通过目标数据的增量窗口内目标数据在对应的局部可达距离内目标数据的数量,获取目标数据的增量窗口内的目标数据集内,异常电力负荷数据的异常程度。
具体的,第个时刻目标数据的增量窗口内的目标数据集,以第/>个目标数据的增量窗口内目标数据的局部可达距离/>作为LOF算法的参数,对第/>个时刻目标数据的增量窗口内的目标数据集进行聚类,得到第/>个时刻目标数据的增量窗口内的簇内数据集与离群数据集,将第/>个时刻目标数据的增量窗口内的离群数据集中各目标数据,作为第/>个时刻目标数据的增量窗口内的目标数据集内的异常电力负荷数据,再计算第/>个时刻目标数据的增量窗口内的目标数据集内,异常电力负荷数据的异常程度,其具体的计算公式为:
式中,表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据的异常程度;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的异常电力负荷数据数量;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的目标数据数量;表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的第/>个异常电力负荷数据在局部可达距离内的目标数据数量;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
需要进一步说明的是,在对目标数据的增量窗口内的目标数据集进行LOF算法聚类之后,得到目标数据的簇内数据即为正常电力负荷数据,而目标数据的离群数据即为异常电力负荷数据;由于不同的异常电力负荷数据的异常程度是不同的,所以本实施例根据每个异常电力负荷数据在局部可达距离内的其他目标数据的数量,计算异常电力负荷数据局部密度,局部密度越高,说明该异常电力负荷数据的异常程度越小;局部密度越低,说明该异常电力负荷数据的异常程度越大。
至此,得的异常电力负荷数据的异常程度。
步骤S005:根据异常电力负荷数据的异常程度监测异常电力负荷数据。
最后根据异常电力负荷数据的异常程度对电力负荷数据进行监测,即异常电力负荷数据的异常程度越高,越需要对异常电力负荷数据进行监测。
需要进一步说明的是,本实施例在历史静态聚类的基础上,利用电力系统的历史数据宏观趋势进行增量窗口聚类的参数自适应,以此可以实现电力系统的动态聚类异常监测,使得在电力系统中发生异常的电力负荷数据时,可以有效及时的进行识别与监测,并且整体的鲁棒性更强,适用场景更加的广泛。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电力负荷异常数据智能监测方法,其特征在于,该方法包括以下步骤:
获取电力系统中的历史数据与目标数据;
根据历史数据获取电力系统中的簇内数据集、离群数据集以及簇内数据集内的局部可达距离;
根据目标数据、簇内数据集以及离群数据集获取目标数据为异常电力负荷数据的可能性;根据目标数据为异常电力负荷数据的可能性,获取目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集;根据簇内数据集内的局部可达距离、目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集,获取目标数据的增量窗口内目标数据的局部可达距离;
根据目标数据的增量窗口内目标数据的局部可达距离,获取目标数据的增量窗口内异常电力负荷数据;计算目标数据的增量窗口内的目标数据集内异常电力负荷数据的异常程度;
根据异常电力负荷数据的异常程度监测异常电力负荷数据;
所述获取目标数据的增量窗口大小以及目标数据的增量窗口内的目标数据集,包括的具体方法为:
根据目标数据为异常电力负荷数据的可能性,簇内数据集内所有数据的在局部可达距离内历史数据的数量,获取目标数据的增量窗口大小,其具体的计算公式为:
;
式中,表示第/>个时刻目标数据的增量窗口大小;/>表示簇内数据集内历史数据的数量;/>表示簇内数据集内第/>个历史数据在局部可达距离内历史数据的数量;/>表示第/>个时刻目标数据为异常电力负荷数据的可能性;
然后,通过目标数据的增量窗口大小,获取目标数据的增量窗口内的目标数据;对于第个时刻目标数据的增量窗口内的目标数据集如下所示:
;
其中,表示第/>个时刻目标数据的增量窗口内的目标数据集;/>表示第/>个时刻目标数据;/>表示第/>个时刻目标数据;/>表示第/>个时刻目标数据的增量窗口大小;
所述获取目标数据的增量窗口内目标数据的局部可达距离,包括的具体方法为:
获取目标数据的增量窗口内目标数据的局部可达距离调节参数,将簇内数据集内的局部可达距离与目标数据的增量窗口内目标数据的局部可达距离调节参数的积,作为目标数据的增量窗口内目标数据的局部可达距离;
所述获取目标数据的增量窗口内目标数据的局部可达距离调节参数,包括的具体方法为:
获取簇内数据集的均匀系数与目标数据的增量窗口内的目标数据集的均匀系数,结合目标数据的增量窗口内的目标数据集内,所有目标数据的均值;簇内数据集内,所有历史数据的均值/>,得到目标数据的增量窗口内目标数据的局部可达距离调节参数,其具体的计算公式为:
;
式中,表示第/>个时刻目标数据的增量窗口内目标数据的局部可达距离调节参数;/>表示簇内数据集的均匀系数;/>表示第/>个时刻目标数据的增量窗口内的目标数据集的均匀系数;/>表示自然常数;/>表示绝对值运算;
所述计算目标数据的增量窗口内的目标数据集内异常电力负荷数据的异常程度,包括的具体计算公式为:
;
式中,表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据的异常程度;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的异常电力负荷数据数量;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的目标数据数量;/>表示第/>个时刻目标数据的增量窗口内的目标数据集内,第/>个异常电力负荷数据局部可达距离内的第/>个异常电力负荷数据在局部可达距离内的目标数据数量;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
2.根据权利要求1所述一种电力负荷异常数据智能监测方法,其特征在于,所述获取电力系统中的历史数据与目标数据,包括的具体方法为:
预设一个历史范围;以当前时刻为基准,从电力系统数据库中调取当前时刻的前/>天到当前时刻之间所有的电力系统的电力负荷数据,记为历史数据,然后通过电力负荷采集装置,从当前时刻开始采集的电力系统的电力负荷数据,记为目标数据。
3.根据权利要求1所述一种电力负荷异常数据智能监测方法,其特征在于,所述根据历史数据获取电力系统中的簇内数据集、离群数据集以及簇内数据集内的局部可达距离,包括的具体方法为:
利用LOF算法对历史数据进行聚类,得到簇内数据集、离群数据集以及簇内数据集内的局部可达距离。
4.根据权利要求1所述一种电力负荷异常数据智能监测方法,其特征在于,所述获取目标数据为异常电力负荷数据的可能性,包括的具体计算公式为:
;
式中,表示第/>个时刻目标数据为异常电力负荷数据的可能性;/>表示第/>个时刻目标数据;/>表示簇内数据集内第/>个历史数据;/>表示簇内数据集内历史数据的数量;/>表示离群数据集内第/>个历史数据;/>表示离群数据集内历史数据的数量;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
5.根据权利要求1所述一种电力负荷异常数据智能监测方法,其特征在于,所述获取簇内数据集的均匀系数与目标数据的增量窗口内的目标数据集的均匀系数,包括的具体方法为:
将数据集内的极差值与数据集内最大值与最小值之和的比值乘以数据集的方差,得到数据集的均匀系数。
6.根据权利要求1所述一种电力负荷异常数据智能监测方法,其特征在于,所述获取目标数据的增量窗口内异常电力负荷数据,包括的具体方法为:
对于第个时刻目标数据的增量窗口内的目标数据集,以第/>个目标数据的增量窗口内目标数据的局部可达距离/>作为LOF算法的参数,对第/>个时刻目标数据的增量窗口内的目标数据集进行聚类,得到第/>个时刻目标数据的增量窗口内的簇内数据集与离群数据集,将第/>个时刻目标数据的增量窗口内的离群数据集中各目标数据,作为第/>个时刻目标数据的增量窗口内的目标数据集内的异常电力负荷数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287415.7A CN117034177B (zh) | 2023-10-08 | 2023-10-08 | 一种电力负荷异常数据智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287415.7A CN117034177B (zh) | 2023-10-08 | 2023-10-08 | 一种电力负荷异常数据智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117034177A CN117034177A (zh) | 2023-11-10 |
CN117034177B true CN117034177B (zh) | 2023-12-19 |
Family
ID=88635780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287415.7A Active CN117034177B (zh) | 2023-10-08 | 2023-10-08 | 一种电力负荷异常数据智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034177B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907175A (zh) * | 2019-11-20 | 2020-03-24 | 江苏理工学院 | 一种静电多传感器滚动轴承监测方法及装置 |
CN111401460A (zh) * | 2020-03-24 | 2020-07-10 | 南京师范大学镇江创新发展研究院 | 一种基于限值学习的异常电量数据辨识方法 |
GB202114174D0 (en) * | 2021-10-04 | 2021-11-17 | Univ Malta | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft |
CN115577275A (zh) * | 2022-11-11 | 2023-01-06 | 山东产业技术研究院智能计算研究院 | 一种基于lof和孤立森林的时序数据异常监测系统及方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116821832A (zh) * | 2023-07-24 | 2023-09-29 | 南京工程学院 | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 |
-
2023
- 2023-10-08 CN CN202311287415.7A patent/CN117034177B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907175A (zh) * | 2019-11-20 | 2020-03-24 | 江苏理工学院 | 一种静电多传感器滚动轴承监测方法及装置 |
CN111401460A (zh) * | 2020-03-24 | 2020-07-10 | 南京师范大学镇江创新发展研究院 | 一种基于限值学习的异常电量数据辨识方法 |
GB202114174D0 (en) * | 2021-10-04 | 2021-11-17 | Univ Malta | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft |
CN115577275A (zh) * | 2022-11-11 | 2023-01-06 | 山东产业技术研究院智能计算研究院 | 一种基于lof和孤立森林的时序数据异常监测系统及方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116821832A (zh) * | 2023-07-24 | 2023-09-29 | 南京工程学院 | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 |
Non-Patent Citations (5)
Title |
---|
I-IncLOF: Improved incremental local outlier detection for data streams;Seyed Hesamodin Karimian 等;《AISP 2012》;全文 * |
一种基于仿射传播的增强型流聚类算法;赵建龙;曲桦;赵季红;蒋丁潮;;西安交通大学学报(03);全文 * |
一种基于密度的数据流检测算法SWKLOF;魏中贺;李少波;唐向红;陈力;;科学技术与工程(34);全文 * |
基于动态融合LOF的城市污水处理过程数据清洗方法;鲁树武 等;《控制与决策》;全文 * |
基于密度的异常数据检测算法GSWCLOF;李少波;孟伟;璩晶磊;;计算机工程与应用(19);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117034177A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
CN112215479B (zh) | 一种基于自适应收缩岭回归的电表反窃电分析方法 | |
CN115935296B (zh) | 一种电能数据计量方法及系统 | |
CN113312413A (zh) | 基于电力大数据的企业碳排放异常监测方法 | |
CN117235557B (zh) | 基于大数据分析的电气设备故障快速诊断方法 | |
CN110991477A (zh) | 一种识别电力系统异常行业用户和异常用电行为的方法和系统 | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN115902647A (zh) | 一种电池状态智能监测方法 | |
CN114090646A (zh) | 异常用电辨识方法及系统 | |
CN108390380A (zh) | 一种变压器状态参量趋势预测方法及系统 | |
CN116008714A (zh) | 一种基于智能量测终端的反窃电分析方法 | |
CN117034177B (zh) | 一种电力负荷异常数据智能监测方法 | |
CN116894151B (zh) | 基于人工智能的智慧电网异常数据清洗方法 | |
CN115099291B (zh) | 一种建筑节能监测方法 | |
CN116743180A (zh) | 一种储能电源数据智能存储方法 | |
Yao et al. | AdaBoost-CNN: a hybrid method for electricity theft detection | |
Li et al. | Research and application of power system data anomaly identification based on time series and deep learning | |
Hu et al. | Adaptive threshold modeling algorithm for monitoring indicators of power network server based on Chebyshev inequality | |
Yang et al. | Sliding-Time-Window and Event-Trigger Based Data Collection Strategy for Non-intrusive Load Monitoring | |
CN110658385A (zh) | 一种基于复化梯形法的用电量分类计量方法 | |
Luo et al. | Detection of abnormal power consumption patterns of power users based on machine learning | |
CN117595464B (zh) | 一种电池充电器充电检测控制方法及系统 | |
CN117349596B (zh) | 基于多传感器的电池异常状态监测预警系统 | |
CN117200241B (zh) | 一种新能源并网智能调压系统 | |
Zhu et al. | Design and experiment of smart fire electric power monitoring system based on the cyber-physical model |
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 |