The invention discloses a method for identifying mining data anomalies based on multi criteria fusion, which includes: statistical analysis of mining data breakpoints, outliers and actual operation data on site; identification of outliers by prototype clustering method, density clustering method, probability density method, depth learning method, etc., and verification of \2 out of 4\ for four models The results show that two of the four models think that the undetermined point is an outlier, and the undetermined point is an outlier. The invention solves the problems of high difficulty, low efficiency and low real-time when the traditional machine learning method processes the massive data.
【技术实现步骤摘要】
一种基于多判据融合的配变用采数据异常甄别方法
本专利技术属于电力系统配变数据处理
,具体涉及一种基于多判据融合的配变用采数据异常甄别方法。
技术介绍
随着计算机、通讯、传感技术的广泛应用、配网运营监测业务的不断推进及大量监测计量装置的部署,配变台区监测获得了海量运行数据、用户用电数据及设备状态数据,对这些数据进行分析、挖掘、抽取与加工,实现配变台区安全经济运行、提升服务质量、拓展电量电费业务成为配网面临的挑战。需特别指出的是,配变台区监测获得的海量电网数据中存在约10%的异常数据,有必要对用采数据质量进行分析,甄别异常数据,从而为开展监测运营业务提供可靠、精确、有效的数据支撑。用采时间序列异常数据出现的主要原因有:(1)计量装置故障:计量装置包括终端、互感器、接线盒、表计,故障可能存在于任何一个环节中。例如:互感器的电晕呈现局部放电或者完全放电,导致数据收集不准确;接线盒由于接触不良导致的计量数据异常等。(2)通信信号差:部分地区使用3G信号,导致信号时有时无,部分时段数据传输失败。同时,大型楼宇也会对通信信号产生屏蔽,影响通信。(3)采集器故障:采集器实现控制范围内所有设备的数据汇总和分配,实现对智能电表控制命令传输的作用。在低压用户中,采集器与计量装置分开,每一个采集器控制多个智能电表。当采集器发生通信或者本体故障时,整个采集范围内所有智能电表用电数据采集失败。(4)人为因素:主要是不合理用电,使得电表长时间处于超负荷状态以及偷电窃电行为,这都造成用采时间序列异常数据的出现。 ...
【技术保护点】
1.一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,包括:/n获取配变用采原始数据;/n对所述配变用采原始数据进行预处理;/n将噪声点随机加在预处理后的配变用采原始数据上,形成含异常点的用采数据序列;/n分别采用原型聚类法、密度聚类法、概率密度法和深度学习法四种模型对含异常点的用采数据序列进行异常点甄别;/n确定配变用采异常数据;所述配变用采异常数据为任意两种模型的异常点甄别结果的交集,然后取所有两两组合确定的交集的并集。/n
【技术特征摘要】
1.一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,包括:
获取配变用采原始数据;
对所述配变用采原始数据进行预处理;
将噪声点随机加在预处理后的配变用采原始数据上,形成含异常点的用采数据序列;
分别采用原型聚类法、密度聚类法、概率密度法和深度学习法四种模型对含异常点的用采数据序列进行异常点甄别;
确定配变用采异常数据;所述配变用采异常数据为任意两种模型的异常点甄别结果的交集,然后取所有两两组合确定的交集的并集。
2.根据权利要求1所述的一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,所述获取配变用采原始数据,包括:
基于正常运行计量装置采集三相电流、三相电压和有功功率原始数据,采集时间间隔为15min。
3.根据权利要求2所述的一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,所述对所述配变用采原始数据进行预处理,包括:
对配变用采原始数据进行缺失值处理以及剔除明显异常值;
所述对配变用采原始数据进行缺失值处理,包括:对连续时间数据集中缺失个别数据,采用线性插值法补齐缺失的数据;对连续时间数据集中缺失大量数据,直接剔除该段数据;
所述剔除明显异常值是指,将三相电流、三相电压和有功功率原始数据中显示为-9999的数据剔除。
4.根据权利要求1所述的一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,当所述配变用采原始数据出现大规模数据缺失时,选用数据缺失之前的曲线进行计算。
5.根据权利要求1所述的一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,所述噪声点服从正态分布。
6.根据权利要求1所述的一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,所述采用原型聚类法对含异常点的用采数据序列进行异常点甄别,包括:
确定聚类属性;包括:选取待检测点电压实际值、待检测点与前一点电压变化值和待检测点与前两点电压变化值作为电压时间序列的聚类属性,选取待检测点电流实际值、待检测点与前一点电流变化值和待检测点与前两点电流变化值作为电流时间序列的聚类属性,选取待检测点有功功率实际值、待检测点与前一点有功功率变化值和待检测点与前两点有功功率变化值作为有功功率时间序列的聚类属性;
根据所述聚类属性,采用k-means算法,将待检测时间序列集聚为4类,并确定各类质心;
根据各类质心,计算各待检测点到最近聚类中心的距离,以及各待检测点到最近聚类中心的相对距离;
将各待检测点到最近聚类中心的相对距离与给定阈值作比较;如果某待检测点到最近聚类中心的相对距离大于给定阈值,则该待检测点是离群点,即异常点。
7.根据权利要求1所述的一种基于多判据融合的配变用采数据异常甄别方法,其特征在于,所述采用密度聚类法对含异常点的用采数据序列进行异常点甄别,包括:
分别绘制电压-电流的平面分布图,电流-有功功率的平面分布图,以及电压-有功功率的平面...
【专利技术属性】
技术研发人员:李新家,祝永晋,尹飞,马吉科,季聪,许杰雄,龙玲莉,杨勤胜,豆龙龙,陈远,臧海祥,卫志农,孙国强,
申请(专利权)人:江苏方天电力技术有限公司,河海大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。