一种改进的电力系统不良数据辨识方法技术方案

本发明专利技术公开了一种改进的电力系统不良数据辨识方法，实施步骤包括：预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集，所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化，通过训练数据集训练循环神经网络；在应用时，将被测电力设备的量测数据构建测试数据集，将测试数据集进行相同的规整化后输入训练好的循环神经网络，得到被测电力设备对应的不良数据辨识结果。本发明专利技术弱化采集的电力数据的物理意义，最大程度上的保留了特征信息，提高了数据辨识能力，具有辨识准确度高、可扩展性强、性能好、效率高的优点。

An improved method for identification of bad data in power system

The invention discloses an improved method for identification of bad data in power system, the implementation steps include: pre multiple power equipment measuring data regularization as the input, the measurement data of bad data as the output of the training data set was constructed, the regularization specifically refers to the combination of cepstrum mean subtraction, data each method of regularization, the training data set by recurrent neural network training; in the application, the measured power equipment measurement data to construct test data sets, the test data will be set to the same regularization input trained recurrent neural network, bad data identification results can be obtained corresponding to the electric power equipment. The invention weakens the physical meaning of the collected power data, preserves the characteristic information to the greatest extent, improves the data identification ability, and has the advantages of high identification accuracy, strong expansibility, good performance and high efficiency.

【技术实现步骤摘要】
一种改进的电力系统不良数据辨识方法
本专利技术涉及电力系统不良数据的检测与辨识技术，具体涉及一种改进的电力系统不良数据辨识方法。
技术介绍
电力系统不良数据的检测与辨识是电力系统状态估计的重要功能之一，其目的在于排除量测采样数据中偶然出现的少量不良数据，提高状态估计的可靠性。电力系统中不良数据的存在会降低状态估计的收敛性能，甚至可能造成状态估计失败，如何可靠检测和不良数据成为状态估计应用的难题。因此，建立一套算法评估模型，进行不良数据检测与辨识算法的最优选择，对电力系统状态估计的效果及电力系统的稳定运行具有十分重要的意义。在提高保护装置自身的可靠性方面，电力工作者采用了抗干扰设计、软硬件冗余配置以及装置自检等多种容错方法，取得了很好的效果，但对错误采样和电磁干扰等都可能导致的采样值数据失真问题却一直未能找到很好的解决办法。目前，国内外进行电力系统不良数据检测辨识的研究方法大致可以归纳为基于状态估计和基于数据挖掘的两大类方法。1)状态估计法一般以加权最小二乘状态估计方法为基础，假设测量误差服从正态分布，然后基于假设检验的方法依据残差来辨识不良量测数据。但是，这些方法可能会出现残差污染和残差淹没现象，从而造成漏检或误检，影响辨识的效果。由于算法采用非线性残差方程，辨识过程中需进行多次状态估计，因此计算量极大；2)数据挖掘指的是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取出隐含其中、事先不为人知但又是潜在有用的信息和知识的过程。基于数据挖掘的不良数据的检测辨识方法又可以分为基于神经网络和基于模糊理论的两种方法。但是，传统的单层感知器只能求解线性问题，对求解复杂的非线性问题时，则需要用到多层感知器，即深度神经网络。目前，基于深度神经网络的算法仍处于研究阶段，很多细节还需要进一步研究。
技术实现思路
本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种弱化采集的电力数据的物理意义，最大程度上的保留了特征信息，提高了数据辨识能力，辨识准确度高、可扩展性强、性能好、效率高的改进的电力系统不良数据辨识方法。为了解决上述技术问题，本专利技术采用的技术方案为：一种改进的电力系统不良数据辨识方法，实施步骤包括：1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集，所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化，通过训练数据集训练循环神经网络；2)将被测电力设备的量测数据构建测试数据集，将测试数据集进行相同的规整化后输入训练好的循环神经网络，得到被测电力设备对应的不良数据辨识结果。优选地，步骤1)中将倒谱均值减法、数据归整方法结合进行规整化的函数表达式如式(1)所示；式(1)中，为第i个采集数据xi的规整化结果，xavg为N个采集数据的均值，σ为均方差，N为采集数据的数量，均值xavg的函数表达式如式(2)所示，均方差σ的函数表达式如式(3)所示；式(2)和式(3)中，xavg为采集数据xi的均值，σ为均方差，xi为第i个参数数据，N为采集数据的数量。优选地，所述循环神经网络为三层循环神经网络，所述三层循环神经网络包括输入层、隐藏层和输出层。优选地，所述三层循环神经网络的隐藏层在任意t时刻的激活值如式(4)所示；s(t)＝f(Uw(t)+Ws(t-1))(4)式(4)中，s(t)为隐藏层在任意t时刻的激活值，f为激活函数，U为输入层和隐藏层的连接矩阵，W为隐藏层之间的连接矩阵，w(t)为t时刻的输入层输入值，s(t-1)为t-1时刻的隐藏层激活值。优选地，输入层和隐藏层的连接矩阵、隐藏层之间的连接矩阵的更新方式如式(5)所示；式(5)中，W(t+1)为t+1时刻的隐藏层之间的连接矩阵W，W(t)为t时刻的隐藏层之间的连接矩阵W，α为学习速率，s(t)为t时刻的隐藏层激活值，eh(t)为t时刻输出层误差回传到隐藏层的误差，误差eh(t)的函数表达式如式(6)所示；eh(t)＝eo(t)TVs(t)(1-s(t))(6)式(6)中，eh(t)为t时刻输出层误差回传到隐藏层的误差，eo(t)为t时刻输出层误差，V为隐藏层和输出层之间的连接矩阵，s(t)为隐藏层在任意t时刻的激活值；t时刻输出层误差eo(t)的函数表达式如式(7)所示；eo(t)＝d(t)-y(t)(7)式(7)中，eo(t)为t时刻输出层误差，d(t)为t时刻输出层的实际输出，y(t)为t时刻输出层的激活值。优选地，隐藏层和输出层之间的连接矩阵的更新方式采用如式(8)所示的随机梯度上升方法；V(t+1)＝V(t)+αs(t)eo(t)T(8)式(8)中，V(t+1)为t+1时刻的隐藏层和输出层之间的连接矩阵V，V(t)为t时刻的隐藏层和输出层之间的连接矩阵V，α为学习速率，s(t)为t时刻的隐藏层激活值，eo(t)为t时刻输出层误差。优选地，所述三层循环神经网络的输出层采用softmax分类器，所述输出层的激活值的函数表达式如式(9)所示；y(t)＝softmax(Vs(t))(9)式(9)中，y(t)为t时刻输出层的激活值，softmax为softmax分类器，V为隐藏层和输出层之间的连接矩阵，s(t)为t时刻的隐藏层激活值。优选地，所述softmax分类器的优化目标选用如式(10)所示交叉熵，且采用式(11)所示的交叉熵损失函数进行网络训练；式(10)中，H(r,S)为交叉熵，ri为样本期望的数据分布，Si为样本实际得到的分布，d为样本的数量；式(11)中，C为交叉熵损失函数，n为样本个数，y为神经元的期望输出，x为输入样本集，a为神经元的实际输出。优选地，所述隐藏层的激活函数为sigmoid函数。本专利技术改进的电力系统不良数据辨识方法具有下述优点：本专利技术改进的电力系统不良数据辨识方法通过将倒谱均值减法、数据归整方法结合进行规整化，从而能够弱化采集的电力数据的物理意义，另一方面本专利技术通过构建多层循环神经网络来进行辨识不良数据，最大程度上的保留了特征信息，提高了数据辨识能力，具有辨识准确度高、可扩展性强、性能好、效率高的优点，能够解决现有技术中不良数据辨识方法效率低下和可靠性低的技术问题。附图说明图1为本专利技术实施例方法的基本流程示意图。图2为本专利技术实施例中循环神经网络的结构示意图。图3为本专利技术实施例的辨识性能对比曲线示意图。具体实施方式如图1所示，本实施例改进的电力系统不良数据辨识方法的实施步骤包括：1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集，规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化，通过训练数据集训练循环神经网络；2)将被测电力设备的量测数据构建测试数据集，将测试数据集进行相同的规整化后输入训练好的循环神经网络，得到被测电力设备对应的不良数据辨识结果。参见图1可知，本实施例中不良数据辨识系统分为训练和识别两个部分。但是，对于这两个过程来说，规整化部分是相同的。训练的目的在于根据标定的历史数据使建立的模型能进行学习，从而在数据与标定类型间建立数学关系，即在数据和标定类型间建立一定智能联系；而识别阶段则是将待处理的数据进行处理、变换后送入训练后的模型中，通过与训练所得的模型参数按照设定的相似性准则进行比对后，将比对距离最小本文档来自技高网...

【技术保护点】
一种改进的电力系统不良数据辨识方法，其特征在于实施步骤包括：1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集，所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化，通过训练数据集训练循环神经网络；2)将被测电力设备的量测数据构建测试数据集，将测试数据集进行相同的规整化后输入训练好的循环神经网络，得到被测电力设备对应的不良数据辨识结果。

【技术特征摘要】
1.一种改进的电力系统不良数据辨识方法，其特征在于实施步骤包括：1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集，所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化，通过训练数据集训练循环神经网络；2)将被测电力设备的量测数据构建测试数据集，将测试数据集进行相同的规整化后输入训练好的循环神经网络，得到被测电力设备对应的不良数据辨识结果。2.根据权利要求1所述的改进的电力系统不良数据辨识方法，其特征在于，步骤1)中将倒谱均值减法、数据归整方法结合进行规整化的函数表达式如式(1)所示；式(1)中，为第i个采集数据xi的规整化结果，xavg为N个采集数据的均值，σ为均方差，N为采集数据的数量，均值xavg的函数表达式如式(2)所示，均方差σ的函数表达式如式(3)所示；式(2)和式(3)中，xavg为采集数据xi的均值，σ为均方差，xi为第i个参数数据，N为采集数据的数量。3.根据权利要求1所述的改进的电力系统不良数据辨识方法，其特征在于，所述循环神经网络为三层循环神经网络，所述三层循环神经网络包括输入层、隐藏层和输出层。4.根据权利要求3所述的改进的电力系统不良数据辨识方法，其特征在于，所述三层循环神经网络的隐藏层在任意t时刻的激活值如式(4)所示；s(t)＝f(Uw(t)+Ws(t-1))(4)式(4)中，s(t)为隐藏层在任意t时刻的激活值，f为激活函数，U为输入层和隐藏层的连接矩阵，W为隐藏层之间的连接矩阵，w(t)为t时刻的输入层输入值，s(t-1)为t-1时刻的隐藏层激活值。5.根据权利要求4所述的改进的电力系统不良数据辨识方法，其特征在于，输入层和隐藏层的连接矩阵、隐藏层之间的连接矩阵的更新方式如式(5)所示；式(5)中，W(t+1)为t+1时刻的隐藏层之间的连接矩阵W，W(t)为t时刻的隐藏层之间的连接矩阵...

【专利技术属性】
技术研发人员：梁运华，潘志敏，罗志平，宋兴荣，程莹，
申请(专利权)人：国家电网公司，国网湖南省电力公司，国网湖南省电力公司检修公司，
类型：发明
国别省市：北京,11