一种电力系统异常数据的识别方法、装置和智能芯片制造方法及图纸

本发明专利技术涉及一种电力系统异常数据的识别方法、装置和智能芯片，该方法包括：获取电力系统的待测数据和与所述待测数据对应的实际状态估计值；获取状态估计值预测模型；其中，所述状态估计值预测模型是采用电力系统的至少一组样本数据组对循环神经网络进行训练得到的，每一组所述样本数据组均包括样本数据和预先标注的状态估计值；根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值；基于所述实际状态估计值和所述预测状态估计值，识别电力系统的异常数据。本发明专利技术的方案能够提高电力系统异常数据的识别的准确性。

【技术实现步骤摘要】
一种电力系统异常数据的识别方法、装置和智能芯片
本专利技术涉及计算机
，尤其涉及电力系统异常数据的识别方法、装置和智能芯片。
技术介绍
电力系统中存在的异常数据会对潮流分析计算、状态估计和在线分析软件的功能产生影响，调度员决策受到异常数据的干扰也会影响电力系统的正常运行。现有技术中，异常数据的识别方法利用状态估计计算得到的量测残差进行分析，面对多个具有强相关关系的异常数据的情况，往往会出现残差污染和残差淹没的现象，影响异常数据识别的准确性。因此，针对以上不足，需要提供一种电力系统异常数据的识别方法、装置和智能芯片。
技术实现思路
本专利技术要解决的技术问题在于电力系统异常数据识别的准确性不高，针对现有技术中的缺陷，提供一种电力系统异常数据的识别方法、装置和智能芯片。为了解决上述技术问题，本专利技术提供了一种电力系统异常数据的识别方法，包括：获取电力系统的待测数据和与所述待测数据对应的实际状态估计值；获取状态估计值预测模型；其中，所述状态估计值预测模型是采用电力系统的至少一组样本数本文档来自技高网...

【技术保护点】
1.一种电力系统异常数据的识别方法，其特征在于，包括：/n获取电力系统的待测数据和与所述待测数据对应的实际状态估计值；/n获取状态估计值预测模型；其中，所述状态估计值预测模型是采用电力系统的至少一组样本数据组对循环神经网络进行训练得到的，每一组所述样本数据组均包括样本数据和预先标注的状态估计值；/n根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值；/n基于所述实际状态估计值和所述预测状态估计值，识别电力系统的异常数据。/n

【技术特征摘要】
1.一种电力系统异常数据的识别方法，其特征在于，包括：
获取电力系统的待测数据和与所述待测数据对应的实际状态估计值；
获取状态估计值预测模型；其中，所述状态估计值预测模型是采用电力系统的至少一组样本数据组对循环神经网络进行训练得到的，每一组所述样本数据组均包括样本数据和预先标注的状态估计值；
根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值；
基于所述实际状态估计值和所述预测状态估计值，识别电力系统的异常数据。


2.根据权利要求1所述的方法，其特征在于，所述根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值，包括：
从所述待测数据中提取数据特征；其中，所述数据特征包括电流波动特征和/或电压波动特征；
将所述数据特征输入到所述状态估计值预测模型中，输出得到所述预测状态估计值。


3.根据权利要求1所述的方法，其特征在于，在所述状态估计值预测模型之前，还包括：
获取训练样本集，所述训练样本集包括至少一组所述样本数据组；
对于每一组所述样本数据组，从所述样本数据中提取样本数据特征；
将所述样本数据特征输入到所述循环神经网络，输出得到样本预测状态估计值；其中，所述循环神经网络为长短期记忆模型；
将所述样本预测状态估计值与预先标注的状态估计值进行比较，得到计算损失；其中，所述计算损失用于指示所述样本预测状态估计值与预先标注的状态估计值之间的误差；
根据每一组所述样本数据组各自对应的计算损失，采用误差反向传播算法训练得到所述状态估计值预测模型。


4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值，包括：
对所述待测数据进行降维处理，得到低维待测数据；
将所述低维待测数据输入到所述状态估计值预测模型，输出得到预测状态估计值。


5.根据权利要求4所述的方法，其特征在于，所述对所述待测数据进行降维处理，得到低维待测数据，包括：
将所述待测数据映射到高维，并进行中心化操作，形成数据矩阵；
对所述数...

【专利技术属性】
技术研发人员：王嘉诚，张少仲，
申请(专利权)人：神威超算北京科技有限公司，
类型：发明
国别省市：北京;11