【技术实现步骤摘要】
一种电力系统异常数据辨识方法
本专利技术涉及异常数据辨识领域，具体地说是一种电力系统异常数据辨识方法。
技术介绍
电力系统异常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。复杂的电力网络包含着海量的实时数据，这些数据的准确与否决定着电力系统运行的安全与可靠性。电力系统中的不良数据可能会影响调度员做出错误的决策，从而影响电力系统的正常运行,甚至可能会威胁整个电力系统的安全。因此为了确保电力系统稳定安全的运行,检测这些不良数据并把它们从原始数据中提取出来加以修正有着重要意义。电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据，检测和辨识这些不良数据是电力系统状态估计的重要组成部分。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少。如何可靠检测和修正不良数据成为状态估计应用的难题。电力系统异常数据辨识方法一般包括数据预处理、聚类和异常数据判断的几个步骤。目前数据...
【技术保护点】
1.一种电力系统异常数据辨识方法，其特征在于，包括以下步骤：/n步骤1：将电力系统正常数据作为训练样本，训练神经网络；/n步骤2：将待检测数据输入训练后的神经网络，获得残差序列；/n步骤3：基于仿射传播聚类算法对残差训练进行聚类；/n步骤4：根据各个类别的特征和类内距离进行异常数据判断。/n
【技术特征摘要】
1.一种电力系统异常数据辨识方法，其特征在于，包括以下步骤：
步骤1：将电力系统正常数据作为训练样本，训练神经网络；
步骤2：将待检测数据输入训练后的神经网络，获得残差序列；
步骤3：基于仿射传播聚类算法对残差训练进行聚类；
步骤4：根据各个类别的特征和类内距离进行异常数据判断。
2.根据权利要求1所述的电力系统异常数据辨识方法，其特征在于：所述将电力系统正常数据作为训练样本，训练神经网络，包括以下步骤：
步骤1.1：获取正常电器运行过程中的状态测量值数据集X：
其中，X中每行是电器运行过程的一种状态测量值，在上述矩阵中，共计M种测量值，每种测量值有N个采样数据；
步骤1.2：将X规范化：
其中，xij为X中第i行第j列的元素，xjmin和xjmax为X中第j列的最小值和最大值，为xij规范化后的值；
步骤1.3：将状态测量值数据集X延行方向随机拆分构成集合XM×L和XM×(N-L)，其中L:N-L≈0.8:0.2，分别作为神经网络的训练集和测试集；
步骤1.4：设将第i种测量值作为神经网络训练的目标值，其余种测量值作为神经网络训练的输入值；
步骤1.5：基于混沌搜索的粒子群算法来对神经网络进行训练。
3.根据权利要求2所述的电力系统异常数据辨识方法，其特征在于：所述神经网络为三层神经网络，三层包括一个输入层、一个隐含层和一个输出层，所述输入层的神经元个数为M-1，隐含层神经元数量设置为M-1，输出层神经元的个数为1；
神经网络输入与输出之间的关系为：
其中，Y是输出值，f和g均为双曲正切激活函数，xi是第i个输入层神经元的输入，αij是在输入层第i个神经元与隐含层第j个神经元之间的权重，βj是隐含层第j个神经元到输出节点之间的权重，Aj是第j个神经元的偏置系数，B输出层神经元的偏置系数，神经网络所有权重和偏置系数在-1和1之间进行随机初始化；神经网络输出与目标值之间误差采用均方误差。
4.根据权利要求2所述的电力系统异常数据辨识方法，其特征在于：所述基于混沌搜索的粒子群算法来对神经网络进行训练包括以下过程：
步骤1.5.1：随机初始化粒子的速度vi和位置li；
步骤1.5.2：计算每个粒子的适应度值fi，即神经网络输出与目标值之间的均方误差；
步骤1.5.3：获取每个粒子的历史最优位置和所有粒子的最优位置；
步骤1.5.4：更新速度和位置；
步骤1.5.5：判断当前是否达到最大迭代次数，如果是，则执行步骤1.5.6，否则返回步骤1.5.2；
步骤1.5.6：进行混沌局部搜索，如果搜索出的解更优，则更新历史最优位置，直至测试集上的神经网络输出与目标值之间的均方误差不再降低，这时获得的粒子位置即为优化结果。
5.根据权利要求4所述的电力系统异常数据辨识方法...
【专利技术属性】
技术研发人员：沈力，陈硕，乔林，宋纯贺，刘树吉，王忠锋，李钊，李力刚，吕旭明，崔世界，卢彬，徐志远，周巧妮，付亚同，吴赫，冉冉，刘碧琦，胡楠，曲睿婷，徐立波，
申请(专利权)人：国网辽宁省电力有限公司信息通信分公司，中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁;21
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。