一种智能电力数据异常检测方法及系统技术方案

一种智能电力数据异常检测方法及系统，采集待测自动化主站系统中每个电力设备各测量点的电力运行数据后对数据进行清洗得到有效离线数据样本；然后对有效离线数据样本进行降维，计算得到时序样本序列，并将其输入改进循环神经网络进行训练，训练得到电力数据异常检测模型；之后使用训练好的电力数据异常检测模型对异常数据进行检测并采用改进聚类算法对异常电力数据进行聚类；最后采用自适应设定方法设定异常告警区间，当异常数据超过异常告警区间时进行报警。本发明专利技术精确地检测出设备运行中产生的各种异常及分类，使用的自适应告警区间可以得到合理的动态报警区间，并且能够自适应地调整区间以适配不同电力设备，从而更好地反应当前设备的状态。反应当前设备的状态。反应当前设备的状态。

【技术实现步骤摘要】
一种智能电力数据异常检测方法及系统


[0001]本专利技术涉及一种智能电力数据异常检测方法及系统，属于电力数据处理


技术介绍

[0002][0003]随着大规模分布式发电并网以及大范围随机性多元负荷接入，地区级智能电网调控系统监控设备的范围越来越广，直采直控厂站数量和种类剧增，电网安全运行控制面临重大挑战。电网调度控制系统作为电网运行控制和调度生产管理的核心支撑系统，是电网各类设备实时数据汇聚处理和调度控制的中心，如何保证系统基础数据质量、设备远方操作控制安全性、系统本身运行状态可靠性至关重要，是电网的安全稳定运行迫切需要解决的问题。
[0004]现有电网调控控制系统在安全可靠运行方面还存在薄弱环节，在地区级电网调控系统基础数据质量缺乏管控体系，对进一步提升电网安全运行存在制约。随着地区电网快速发展，地区级智能电网控制系统内业务数据的数量和种类的逐步增多，数据质量参差不齐，缺乏有效的基础数据质量评估手段，影响监控及调度的决策。
[0005]具体为，1)缺乏有效的异常辨识规则，主要依靠经验设置阈值，导致误报、漏报情况时有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能电力数据异常检测方法，其特征在于，所述智能电力数据异常检测方法包括以下步骤：步骤1，采集待测自动化主站系统中每个电力设备各测量点的电力运行数据，电力运行数据包括通过量测直接得到的数据，又称直采数据，分为离线数据和实时数据；步骤2，对离线数据中因采集导致的异常数据进行清洗得到有效离线数据样本；步骤3，对有效离线数据样本进行降维，并计算得到时序样本序列；步骤4，将步骤3得到的时序样本序列输入改进循环神经网络进行训练，训练得到电力数据异常检测模型；步骤5，使用训练好的电力数据异常检测模型对异常数据进行检测；步骤6，采用改进聚类算法对异常电力数据进行聚类；步骤7，采用自适应设定方法设定动态告警区间，当异常数据超过动态告警区间上限时进行报警。2.根据权利要求1所述的智能电力数据异常检测方法，其特征在于：在所述步骤1中，离线数据即为历史电力运行数据，包括历史异常电力数据以及历史正常电力数据，并分别给予这两类数据1与0的标签。3.根据权利要求1或2所述的智能电力数据异常检测方法，其特征在于：在所述步骤2中，因采集导致的异常数据包括重复数据、缺失数据以及错误数据；所述重复数据为在同一测量点重复测量的数据；所述缺失数据为在某个测量点没有测量到的数据；所述错误数据的判定方式为，在离线数据中随机选择一个数据点，计算其他所有数据与其的欧拉距离，设定欧拉距离阈值，如果一个数据点的欧拉距离小于所设定阈值时，则认为该数据为错误数据。4.根据权利要求3所述的智能电力数据异常检测方法，其特征在于：在所述步骤2中，对离线数据样本中重复、缺失以及错误数据进行清洗，得到有效离线数据样本：处理过程包括：对于重复数据，采取删除策略进行处理；对于缺失数据，首先，建立数据字段的上限值和下限值；其次，从上下限区间采用随机选择的办法进行填补；上限值为所选离线数据样本的最大值，下限值为所选离线数据样本的最小值；对于错误数据，先将其删除后，再使用与处理缺失数据相同的方法进行填补。5.根据权利要求1或3所述的智能电力数据异常检测方法，其特征在于：所述步骤3包括以下内容：步骤301，使用PCA主成分分析法对有效离线数据样本进行降维处理，去除三维以上的各个维度特征的关联性，得到降维后的离线数据样本；步骤302，对降维后的离线数据样本进行序列化处理得到时序样本序列；通过滑动窗口的方式分割时序样本序列，将窗口的宽度设置为滑动步长的1～5倍，再采用以下公式对时序样本序列进行标准化处理，将不同维度的数据变换到同一尺度，将数据值转换到[0,1]区间：
其中，E
’
为时序化后的离线数据样本，E为时序化前的离线数据样本，E
min
为时序化前离线数据样本的最小值，E
MAX
为时序化前离线数据样本的最大值。6.根据权利要求1所述的智能电力数据异常检测方法，其特征在于：在所述步骤4中，所述改进循环神经网络由nn个神经单元(A)构成，其中，nn至少为3个；每个所述神经单元(A)包含一个接受环节、过滤环节、储存环节以及状态环节。7.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：所述接受环节接受当前时刻t时的样本输入信息x
t
与上一时刻的状态信息O
t
‑1，对两者进行连接操作后，将连接后的结果分别输入至三个基于sigmoid激活函数的第一前向神经网络以及一个基于tanh激活函数的前向神经网络；连接操作指得是在状态信息O
t
‑1的数字后接上输入信息x
t
的数字。8.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：所述过滤环节将基于sigmoid激活函数的第一前向神经网络2的预测结果与上一时刻的储存信息S
t
‑1进行按位乘操作得到过滤环节的输出。9.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：所述储存环节将基于sigmoid激活函数的第二前向神经网络3的预测结果与基于tanh激活函数的前向神经网络5的预测结果进行按位乘操作1，之后将按位乘操作结果与过滤环节的输出进行按位加操作后得到当前时刻的储存信息S
t
。10.根据权利要求6所述的智能电力数据异常检测方法，其特征在于：所述状态环节将基于sigmoid激活函数的第三前向神经网络4的预测结果与当前时刻的储存信息S
t
进行按位乘操作1后得到当前的状态信息O
t
。11.根据权利要求7
‑
10任一一项所述的智能电力数据异常检测方法，其特征在于：所述前向神经网络都至少包含2层隐藏层。12.根据权利要求11所述的智能电力数据异常检测方法，其特征在于：所述步骤6包括以下内容：步骤601，选取多个异常电力数据作为异常电力数据样本集为D，则第i个异常样本点第m维数据为x
im
，对每一维数据进行中心化处理:，对每一维数据进行中心化处理:表示异常样本点i第m维数据中心化后的结果，组成的中心化样本集为x
jm
指第j个异常样本点第m维的数据，n表示选取异常样本点i周围的异常样本点总数。步骤602，根据以...

【专利技术属性】
技术研发人员：赵奇，孙世明，吕洋，田江，徐春雷，龚育成，张琦兵，马明明，丁宏恩，吴永华，俞瑜，
申请(专利权)人：国电南瑞科技股份有限公司南京南瑞继保工程技术有限公司国网江苏省电力有限公司，
类型：发明
国别省市：