CN117411189B - 一种微电网协调控制器的监测数据增强方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种微电网协调控制器的监测数据增强方法；根据时间数据序列中数据点与预设运行区间的差异特征获得差异程度和偏离程度；根据差异程度与预设滑窗长度获得邻域关联数据段；根据邻域关联数据段中相邻数据点的变化特征获得邻域波动程度；根据偏离程度和邻域波动程度获得重要程度和修正系数；根据数据点的重要程度和修正系数获得修正重要程度。本发明根据时间数据序列和数据点的修正重要程度通过孤立森林算法获得异常数据点；根据异常数据点对微电网运行状态的时间数据序列进行数据增强，提高了异常数据点的检测准确性和数据增强可靠性。

Description

一种微电网协调控制器的监测数据增强方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种微电网协调控制器的监测数据增强方法。

背景技术

微电网是一种小型电力系统，通常由可再生能源、储能设备和传统电力系统组成；微电网可以独立运行或与主电网相连，可在紧急情况下提供电力供应。微电网的成功运行需要高效的监测和控制系统，以确保电力系统的稳定性和效率。监测数据是微电网运行的关键，包括电力生成、储能状态、负荷需求和网络状态等信息，这些数据用于微电网协调控制器进行决策，进而优化电力生成和分配。

对微电网控制器运行数据的监测准确性容易受到噪声和不确定性因素的影响，导致协调控制器决策失误，故需要对运行数据进行增强；传统的数据增强方法是通过孤立森林算法对数据进行异常检测，然后对异常数据进行分析，达到数据增强的效果以及判断微电网运行过程中的异常情况。但孤立森林算法只能获取与正常数据存在差异的数据，该类数据通常包括异常数据和噪声数据，而该算法不能将异常数据和噪声数据进行区分，导致数据增强效果变差，降低了微电网协调控制器的决策准确性。

发明内容

为了解决上述现有孤立森林算法不能够将异常数据和噪声数据区分，导致数据增强效果变差，降低微电网协调控制器的决策准确性的技术问题，本发明的目的在于提供一种微电网协调控制器的监测数据增强方法，所采用的技术方案具体如下：

在协调控制器中获取监测微电网运行状态的时间数据序列；根据所述时间数据序列中数据点与预设运行区间的差异特征获得数据点的差异程度；

根据数据点的差异程度与预设滑窗长度获得数据点的邻域关联数据段；根据数据点的邻域关联数据段中相邻数据点的变化特征获得数据点的邻域波动程度；根据数据点与预设运行区间的偏离特征获得数据点的偏离程度；

根据所述偏离程度和所述邻域波动程度获得数据点的重要程度；根据数据点的邻域关联数据段中的所述重要程度的离散特征获得数据点的修正系数；根据所述数据点的所述重要程度和所述修正系数获得修正重要程度；

根据所述时间数据序列和数据点的所述修正重要程度通过孤立森林算法获得异常数据点；根据异常数据点对微电网运行状态的时间数据序列进行数据增强。

进一步地，所述根据所述时间数据序列中数据点与预设运行区间的差异特征获得数据点的差异程度的步骤包括：

计算所述预设运行区间的上限值与下限值的平均值，获得微电网运行状态的正常表征值；计算所述时间数据序列中所述数据点的数值与所述正常表征值的差值绝对值，获得数据点的运行差异表征值；计算所述预设运行区间的上限值与下限值的差值，获得运行范围值；计算所述运行差异表征值与所述运行范围值的比值，获得所述数据点的差异程度。

进一步地，所述根据数据点的差异程度与预设滑窗长度获得数据点的邻域关联数据段的步骤包括：

计算所述数据点的所述差异程度与所述预设滑窗长度的乘积并向下取整，获得所述数据点的邻域关联数据段的窗口长度；根据所述窗口长度构建所述数据点的局部窗口，在所述时间数据序列中以所述数据点为窗口中点，将所述局部窗口所包含的所有数据点组成所述数据点的邻域关联数据段。

进一步地，所述根据数据点的邻域关联数据段中相邻数据点的变化特征获得数据点的邻域波动程度的步骤包括：

构建关于所述时间数据序列的二维直角坐标系，在所述二维直角坐标系中计算任意数据点和相邻数据点的连线的斜率，获得任意数据点的波动表征值；计算所述数据点的邻域关联数据段的所述波动表征值的方差与预设第一系数的乘积并负相关映射，获得所述数据点的邻域变化表征值；计算预设第一常数与所述邻域变化表征值的差值，获得所述数据点的邻域波动程度。

进一步地，所述根据数据点与预设运行区间的偏离特征获得数据点的偏离程度的步骤包括：

计算数据点的所述运行差异表征值与预设第二系数的乘积并负相关映射，获得数据点的差异偏离表征值；计算预设第二常数与所述差异偏离表征值的差值，获得所述数据点的所述偏离程度。

进一步地，所述根据所述偏离程度和所述邻域波动程度获得数据点的重要程度的步骤包括：

计算所述数据点的所述偏离程度和所述邻域波动程度的乘积，获得所述数据点的所述重要程度。

进一步地，所述根据数据点的邻域关联数据段中的所述重要程度的离散特征获得数据点的修正系数的步骤包括：

计算所述数据点的邻域关联数据段中的所述重要程度的方差并负相关映射，获得所述数据点的修正系数。

进一步地，所述根据所述数据点的所述重要程度和所述修正系数获得修正重要程度的步骤包括：

计算所述数据点的所述修正系数与所述重要程度的乘积，获得所述数据点的修正重要程度。

进一步地，所述根据所述时间数据序列和数据点的所述修正重要程度通过孤立森林算法获得异常数据点的步骤包括：

将所述数据点的所述修正重要程度作为孤立森林算法中路径长度的权重，将所述时间数据序列通过孤立森林算法获得所述异常数据点。

本发明具有如下有益效果：

在本发明实施例中，获取数据点的差异程度能够初步反映数据点为异常数据点或噪声数据点的可能性；获取数据点的邻域关联数据段能够根据数据点的邻域中其他数据点的变化特征提高确定数据点是否为异常数据点的准确性。获取邻域波动程度能够表征数据点为异常数据点的可能性；获取数据点的偏离程度能够表征数据点的异常程度；获取重要程度能够更准确地表征数据点为异常数据点的可能性；获取修正系数能够根据数据点的邻域内其他数据点的异常特征对数据点的重要程度进行修正，提高确定异常数据点的判断准确性。最终根据修正重要程度通过孤立森林算法提高了获取异常数据点获取的准确性，提高了微电网运行数据的数据增强可靠性。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种微电网协调控制器的监测数据增强方法流程图。

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微电网协调控制器的监测数据增强方法，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微电网协调控制器的监测数据增强方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种微电网协调控制器的监测数据增强方法流程图，该方法包括以下步骤：

步骤S1，在协调控制器中获取监测微电网运行状态的时间数据序列；根据时间数据序列中数据点与预设运行区间的差异特征获得数据点的差异程度。

在本发明实施例中，实施场景为对监测微电网协调控制器运行的数据增强；首先获取监测微电网运行状态的时间数据序列，例如对于光伏发电的微电网数据采集，采集发电功率、电压、电流和温度，通过安装在太阳能电池板上的传感器获取监测数据并构建时间数据序列；对于风力发电的微电网数据采集，采集发电功率、风速、风向和转速等，通过风力发电机中的传感器获取监测数据并构建时间数据序列；对于储能设备的微电网数据采集，采集充电状态、放电状态、电压和电流等，通过储能设备中的传感器获取监测数据并构建时间数据序列；对于能源管理系统的微电网数据采集，采集负荷预测、能源调度和系统运行状态等，通过能源管理系统中的数据监测模块获取监测数据并构建时间数据序列。采集完成后将时间数据序列传输至协调控制器中进行数据增强，在本发明实施例中对光伏发电的发电功率的时间数据序列的增强方法进行举例说明，需要说明的是，其他监测对象的时间数据序列的分析步骤相同，实施者可根据实施场景自行确定监测对象。

对时间数据序列进行数据增强的目的是通过获取异常数据并分析异常数据的分布特征，从而高效准确地发现微电网运行过程中的异常状态，提高协调控制器的决策准确性。孤立森林算法属于传统的异常数据检测算法，该算法通过构建孤立树从而确定不同样本的异常分数，根据异常分数确定异常数据；但该算法不能够识别异常数据和噪声数据，会将噪声数据判断为异常数据，从而降低协调控制器的决策准确性，故需要对现有的孤立森林算法进行改进，提高异常数据识别的准确性。

首先，需要初步确定可能存在异常的数据点，因微电网在正常的运行过程中，监测的数值处于一定的范围区间中，而异常数据点的数值与该范围区间存在一定的差异，故可根据时间数据序列中数据点与预设运行区间的差异特征获得数据点的差异程度。

优选地，在本发明一个实施例中，获取差异程度包括：计算预设运行区间的上限值与下限值的平均值，获得微电网运行状态的正常表征值；预设运行区间指监测对象正常运行的数值范围，实施者可根据实施场景自行确定上限值和下限值；该正常表征值反映了监测对象正常状态下的数值大小。计算时间数据序列中数据点的数值与正常表征值的差值绝对值，获得数据点的运行差异表征值；该数据点为时间数据序列中任一数据点，当运行差异表征值越大，意味着该数据点与正常运行状态的数值差异越大，越有可能为异常数据点或噪声数据点。计算预设运行区间的上限值与下限值的差值，获得运行范围值；运行范围值表征了正常数值最大的范围区间。计算运行差异表征值与运行范围值的比值，获得数据点的差异程度，当运行差异表征值越大于运行范围值，差异程度越大，则该数据点越有可能为异常数据点或噪声数据点；获取差异程度的公式包括：

式中，表示数据点的差异程度，/>表示数据点的数值，/>表示预设运行区间的上限值，/>表示预设运行区间的下限值，/>表示运行范围值，/>表示正常表征值，/>表示数据点的运行差异表征值。

步骤S2，根据数据点的差异程度与预设滑窗长度获得数据点的邻域关联数据段；根据数据点的邻域关联数据段中相邻数据点的变化特征获得数据点的邻域波动程度；根据数据点与预设运行区间的偏离特征获得数据点的偏离程度。

步骤S1中计算了数据点的差异程度，但差异程度越大，只能说明该数据点越可能为异常数据点或噪声数据点，而噪声数据点通常是某一时刻数据突变或采集误差造成，其邻域范围的其他数据点之间的波动差异较小，而异常数据点通常是经过一段时间的数据变化而出现。因此可根据数据点与邻域数据的变化特征进一步分析是否为异常数据点，首先根据数据点的差异程度与预设滑窗长度获得数据点的邻域关联数据段。

优选地，在本发明一个实施例中，获取邻域关联数据段包括：计算数据点的差异程度与预设滑窗长度的乘积并向下取整，获得数据点的邻域关联数据段的窗口长度；当数据点的差异程度越大，则窗口长度需要越大，越需要考虑邻域范围中其他数据点的数值变化特征，提高分析准确性。根据窗口长度构建该数据点的局部窗口，在时间数据序列中以数据点为窗口中点，将局部窗口所包含的所有数据点组成数据点的邻域关联数据段，需要说明的是，在本发明实施例中预设滑窗长度为15，实施者可根据实施场景自行确定；若数据点在时间数据序列边缘不满足数据点以数据点为窗口中点构建邻域关联数据段，则以该数据点最接近窗口中点的窗口区域构建邻域关联数据段。

进一步地，获取邻域关联数据段后，则可根据数据点的邻域关联数据段中相邻数据点的变化特征获得数据点的邻域波动程度；优选地，在本发明一个实施例中，获取邻域波动程度包括：构建关于时间数据序列的二维直角坐标系，在二维直角坐标系中计算任意数据点和相邻数据点的连线的斜率，获得任意数据点的波动表征值；在本发明实施例中以任意数据点和相邻上一个数据点进行斜率的计算；波动表征值反映了数据点的变化波动特征。计算数据点的邻域关联数据段的波动表征值的方差与预设第一系数的乘积并负相关映射，获得数据点的邻域变化表征值；当该方差越大，意味着该数据点的邻域关联数据段中不同数据点的波动表征值的分布越不均匀，数据波动越明显，越可能出现异常数据，进而通过负相关映射后邻域变化表征值越小，在本发明实施例中预设第一系数为0.5，目的是缩小数据区间，提高结果准确性，实施者可根据实施场景自行确定。计算预设第一常数与邻域变化表征值的差值，获得数据点的邻域波动程度，在本发明实施例中预设第一常数为1，实施者可根据实施场景自行确定，当邻域波动程度越大，意味着该数据点的邻域关联数据段整体的数据波动变化越明显，则该数据点为异常数据点的可能性越大，为噪声数据点的可能性越小。

获得数据点的邻域波动程度后，可结合该数据点与预设运行区间的偏离特征准确地分析数据点是否为异常数据点，故可根据数据点与预设运行区间的偏离特征获得数据点的偏离程度；具体包括：计算数据点的运行差异表征值与预设第二系数的乘积并负相关映射，获得数据点的差异偏离表征值；当数据点的运行差异表征值越大，则差异偏离表征值越小，该数据点越偏离正常运行状态的预设运行区间，在本发明实施例中预设第二系数为0.01，目的是缩小数值区间，实施者可根据实施场景自行确定。计算预设第二常数与差异偏离表征值的差值，获得数据点的偏离程度，在本发明实施例中预设第二常数为1，实施者可根据实施场景自行确定，当数据点的数值越偏离正常的预设运行区间，则该数据点的偏离程度越大，该数据点为异常数据或噪声数据的可能性越大；后续可根据数据点的偏离程度和邻域波动程度判断数据点为异常数据的可能性。

步骤S3，根据偏离程度和邻域波动程度获得数据点的重要程度；根据数据点的邻域关联数据段中的重要程度的离散特征获得数据点的修正系数；根据数据点的重要程度和修正系数获得修正重要程度。

首先根据偏离程度和邻域波动程度获得数据点的重要程度，具体包括：计算数据点的偏离程度和邻域波动程度的乘积，获得数据点的重要程度，当该数据点的偏离程度和邻域波动程度越大，意味着该数据点的邻域范围其他数据点的波动越明显，且该数据点越偏离正常数值，该数据点为异常数据点的可能性越大，为噪声数据点的可能性越小，该数据点的重要程度越大，越需要通过孤立森林算法进行识别与分析；获取数据点的重要程度的公式包括：

式中，表示数据点的重要程度，/>表示预设第一常数，/>表示预设第二常数，/>表示预设第一系数，/>表示预设第二系数，/>表示该数据点的邻域关联数据段中数据点的数量，/>表示该数据点的邻域关联数据段中第/>个数据点的波动表征值，/>表示该数据点的邻域关联数据段中波动表征值的平均值，/>表示该数据点的邻域关联数据段的波动表征值的方差，/>表示以自然常数为底的指数函数，/>表示数据点的邻域变化表征值；/>表示数据点的邻域波动程度；/>表示数据点的运行差异表征值；/>表示数据点的差异偏离表征值，表示数据点的偏离程度。

进一步地，获得数据点的重要程度后，为了提高异常数据的分析准确性，需要对数据点的重要程度进行修正，因噪声数据点通常是孤立的点，该噪声数据点和相邻的数据点的重要程度差异较大；而异常数据点往往是一段相连的数据点，其重要程度接近，故可根据数据点的邻域关联数据段中其他数据点的重要程度的离散特征获得数据点的修正系数。

优选地，在本发明一个实施例中，获取修正系数包括：计算数据点的邻域关联数据段的重要程度的方差并负相关映射，获得数据点的修正系数；当该数据点的邻域关联数据段中数据点的重要程度的方差越大，意味着该数据点为噪声数据点而其他相邻数据点为正常数据点的可能性越大，此时修正系数越小；若方差越小，重要程度越接近，意味着该数据点和其他相邻数据点皆为正常数据点或异常数据点的可能性越大，此时修正系数越大。

获得数据点的修正系数后，可根据数据点的重要程度和修正系数获得修正重要程度，具体包括：计算数据点的修正系数与重要程度的乘积，获得数据点的修正重要程度，当修正系数越小，意味着该数据点为噪声数据点的可能性越大，故该数据点的修正重要程度越小，当该数据点的修正系数越大且重要程度越大，意味着该数据点为异常数据点的可能性越大，故修正重要程度越大；获取修正重要程度的公式包括：

式中，表示数据点的修正重要程度，/>表示数据点的重要程度，/>表示数据点的邻域关联数据段的重要程度的方差，/>表示以自然常数为底的指数函数，/>表示数据点的修正系数。

步骤S4，根据时间数据序列和数据点的修正重要程度通过孤立森林算法获得异常数据点；根据异常数据点对微电网运行状态的时间数据序列进行数据增强。

获得时间数据序列中每个数据点的修正重要程度后，则可根据时间数据序列和数据点的修正重要程度通过孤立森林算法获得异常数据点，具体包括：将数据点的修正重要程度作为孤立森林算法中路径长度的权重，将时间数据序列通过孤立森林算法获得异常数据点。因该孤立森林算法通过路径程度对样本进行异常分数的计算，对于噪声数据点和异常数据点其异常分数相近，而通过数据点的修正重要程度进行加权，会增加异常数据点的路径长度，使得异常数据点的异常分数更高，通过设置异常分数的阈值将异常数据点进行孤立，将高于阈值的数据点作为异常数据点，最终获得时间数据序列中所有的异常数据点；提高了异常数据获取的准确性；需要说明的是，孤立森林算法属于现有技术，具体计算步骤不再赘述。

进一步地，可根据异常数据点对微电网运行状态的时间数据序列进行数据增强，具体包括：建立异常数据片段窗口，截取异常数据片段，异常数据窗口的长度可根据实施场景由实施者自行确定，在本发明实施例中为20，即以异常数据点为异常数据窗口的中心点，截取获得对应的异常数据片段，将获取的异常数据片段标记后输入到对应的网络模型中，同理也可根据异常数据的类型进行异常数据片段的扩充，扩充方法为复制和修改，生成更多的异常样本，例如对于某一异常数据片段，可以复制该片段并添加一些随机噪声，生成相似但不完全相同的异常样本，异常数据片段越多，具有代表性的异常数据片段越多，可以大大提高网络模型的范化能力，实现数据增强的目的；使得微电网协调控制的鲁棒性更强，在监测到异常数据时，可以快速准确的做出反应，达到精准且快速的监测目的。值得说明的是，根据异常数据点对微电网运行状态的时间数据序列进行数据增强在本发明实施例中不做限制，实施者可根据实施场景自行设定。

综上所述，本发明实施例提供了一种微电网协调控制器的监测数据增强方法；根据时间数据序列中数据点与预设运行区间的差异特征获得差异程度和偏离程度；根据差异程度与预设滑窗长度获得邻域关联数据段；根据邻域关联数据段中相邻数据点的变化特征获得邻域波动程度；根据偏离程度和邻域波动程度获得重要程度和修正系数；根据数据点的重要程度和修正系数获得修正重要程度。本发明根据时间数据序列和数据点的修正重要程度通过孤立森林算法获得异常数据点；根据异常数据点对微电网运行状态的时间数据序列进行数据增强，提高了异常数据点的检测准确性和数据增强可靠性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种微电网协调控制器的监测数据增强方法，其特征在于，所述方法包括以下步骤：

在协调控制器中获取监测微电网运行状态的时间数据序列；根据所述时间数据序列中数据点与预设运行区间的差异特征获得数据点的差异程度；

根据数据点的差异程度与预设滑窗长度获得数据点的邻域关联数据段；根据数据点的邻域关联数据段中相邻数据点的变化特征获得数据点的邻域波动程度；根据数据点与预设运行区间的偏离特征获得数据点的偏离程度；

根据所述偏离程度和所述邻域波动程度获得数据点的重要程度；根据数据点的邻域关联数据段中的所述重要程度的离散特征获得数据点的修正系数；根据所述数据点的所述重要程度和所述修正系数获得修正重要程度；

根据所述时间数据序列和数据点的所述修正重要程度通过孤立森林算法获得异常数据点；根据异常数据点对微电网运行状态的时间数据序列进行数据增强；

所述根据数据点的邻域关联数据段中相邻数据点的变化特征获得数据点的邻域波动程度的步骤包括：

构建关于所述时间数据序列的二维直角坐标系，在所述二维直角坐标系中计算任意数据点和相邻数据点的连线的斜率，获得任意数据点的波动表征值；计算所述数据点的邻域关联数据段的所述波动表征值的方差与预设第一系数的乘积并负相关映射，获得所述数据点的邻域变化表征值；计算预设第一常数与所述邻域变化表征值的差值，获得所述数据点的邻域波动程度；

所述根据所述偏离程度和所述邻域波动程度获得数据点的重要程度的步骤包括：

计算所述数据点的所述偏离程度和所述邻域波动程度的乘积，获得所述数据点的所述重要程度。

2.根据权利要求1所述的一种微电网协调控制器的监测数据增强方法，其特征在于，所述根据所述时间数据序列中数据点与预设运行区间的差异特征获得数据点的差异程度的步骤包括：

计算所述预设运行区间的上限值与下限值的平均值，获得微电网运行状态的正常表征值；计算所述时间数据序列中所述数据点的数值与所述正常表征值的差值绝对值，获得数据点的运行差异表征值；计算所述预设运行区间的上限值与下限值的差值，获得运行范围值；计算所述运行差异表征值与所述运行范围值的比值，获得所述数据点的差异程度。

3.根据权利要求1所述的一种微电网协调控制器的监测数据增强方法，其特征在于，所述根据数据点的差异程度与预设滑窗长度获得数据点的邻域关联数据段的步骤包括：

计算所述数据点的所述差异程度与所述预设滑窗长度的乘积并向下取整，获得所述数据点的邻域关联数据段的窗口长度；根据所述窗口长度构建所述数据点的局部窗口，在所述时间数据序列中以所述数据点为窗口中点，将所述局部窗口所包含的所有数据点组成所述数据点的邻域关联数据段。

4.根据权利要求2所述的一种微电网协调控制器的监测数据增强方法，其特征在于，所述根据数据点与预设运行区间的偏离特征获得数据点的偏离程度的步骤包括：

计算数据点的所述运行差异表征值与预设第二系数的乘积并负相关映射，获得数据点的差异偏离表征值；计算预设第二常数与所述差异偏离表征值的差值，获得所述数据点的所述偏离程度。

5.根据权利要求1所述的一种微电网协调控制器的监测数据增强方法，其特征在于，所述根据数据点的邻域关联数据段中的所述重要程度的离散特征获得数据点的修正系数的步骤包括：

计算所述数据点的邻域关联数据段中的所述重要程度的方差并负相关映射，获得所述数据点的修正系数。

6.根据权利要求1所述的一种微电网协调控制器的监测数据增强方法，其特征在于，所述根据所述数据点的所述重要程度和所述修正系数获得修正重要程度的步骤包括：

计算所述数据点的所述修正系数与所述重要程度的乘积，获得所述数据点的修正重要程度。

7.根据权利要求1所述的一种微电网协调控制器的监测数据增强方法，其特征在于，所述根据所述时间数据序列和数据点的所述修正重要程度通过孤立森林算法获得异常数据点的步骤包括：

将所述数据点的所述修正重要程度作为孤立森林算法中路径长度的权重，将所述时间数据序列通过孤立森林算法获得所述异常数据点。