【技术实现步骤摘要】
本专利技术涉及电路系统智能诊断和优化领域，具体涉及含分布式光伏台区用户数据异常检测方法及系统。
技术介绍
1、用户量测数据作为电力系统最重要的基础数据之一，影响状态估计、负荷预测、优化调度等结果的可信度，对电力系统的决策有直接的影响。由于实际传输过程中以及量测装置本身的客观原因以及人为的主观原因，会导致量测数据中存在异常数据，同时持续的异常数据是导致配电网非技术损耗的重要原因。此外，在“碳达峰”和“碳中和”的背景下，分布式光伏接入配电网的发展势头将愈发强劲，光伏补贴导致人为异常的光伏数据增加，使用户数据异常形式更加复杂多样，且更难识别。因此，需要研究含分布式光伏台区的用户异常数据检测。
2、目前国内外专家学者在异常数据辨识上提出了许多方法，现有用户数据异常检测多是基于传统的统计学方法和基于人工智能技术的方法两大类。基于统计学的方法检测用户异常测量数据,是通过分析测量数据的具体统计指标来区分正常数据与异常数据。该方法多是假定测量数据的概率分布模型,通过不一致性检验,将严重偏离概率分布曲线的测量数据视为异常数据，但这类方法存在测量数据很多时实施效率较低、在某些情况下对异常测量数据的诊断效果不佳等局限性。基于人工智能技术检测异常数据的方法，是通过学习或训练,能提取出测量数据(未知系统)中的关键特征,进而对测量数据的有效性做出正确判断。其中机器学习的异常用电模式检测模型，适用于电力用户数据集缺乏训练样本的情况，例如公布号为cn114662584a的现有专利技术专利申请文献《一种基于时间卷积网络的大范围检测用户偷电漏电的方法》
3、综上，现有技术的含分布式光伏低压配电台区中，不同类型用户异常数据检测存在数据测量效率低、预测精度不高以及识别准确率低的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中含分布式光伏低压配电台区中，不同类型用户异常数据检测存在数据测量效率低、预测精度不高以及识别准确率低的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：含分布式光伏台区用户数据异常检测方法包括：
3、s1、针对含分布式光伏台区的普通用户、光伏用户，利用预置监控与数据采集系统，采集历史测量数据；
4、s2、对历史测量数据中的用户历史负荷，进行k-means聚类，根据预置dbi指标，选取聚类数目，据以形成各类别用电行为的聚类中心曲线以及可行域矩阵；
5、s3、根据待测日数据、聚类中心曲线，求取斯皮尔曼相关系数，以将待测日数据，划分到强相关性类别，根据可行域矩阵，将待测日数据对应的采集点，与可行域对比，以判断用户对应的待测日数据是否存在异常。
6、本专利技术选用斯皮尔曼相关系数，排除异常数据的干扰，对待测日的数据进行相关性分析，将待测日数据划分到实际所属可行域中，最终完成对含分布式光伏台区的用户的异常检测，同时由于每个时刻每个量测点的计算相互独立，可以完成对多个量测点的异常辨识。
7、本专利技术对普通用户以及光伏用户具有较高的异常数据检测能力，有助于进一步对异常的量测数据进行修复，检测台区的线损异常。能够有效解决含分布式光伏低压配电台区不同类型用户异常数据检测问题。
8、在更具体的技术方案中，步骤s1中，选取不少于2个用户量测点及采样点数，记录预置连续时间区间的历史量测数据。
9、在更具体的技术方案中，利用下述逻辑表达历史量测数据：
10、
11、式中，行向量{xi1,xi2,…,…xim}(1≤i≤n)表示一天的量测数据，纵向量{x1j,x2j,…,…xnj}(1≤j≤m)表示为同一时刻的n天的采样数据。
12、在更具体的技术方案中，步骤s2包括：
13、s21、输入聚类簇数k，从历史测量数据中，取k个数据样本点，作为初始聚类中心，利用下述逻辑，计算其余数据样本点到聚类中心距离dij，比较测量数据到各聚类中心的距离，dij越小表明该测量数据距离该聚类中心越近，将相应的样本点分配至邻近聚类中心；
14、
15、式中，xi表示第i个其余测量数据(1≤i≤n)，xj表示第j个聚类中心(1≤j≤k)。
16、s22、重新计算每个簇中，所有数据样本点到聚类中心的距离的平均值，以作为新聚类中心，并将数据样本点重新划分到新聚类中心中的新邻近聚类中心；
17、s23、判断邻近距离中心与新邻近距离中心相比，是否发生变化；
18、s24、若是，则储存并输出聚类结果，并执行后续步骤s26，否则，以新的平均值，代替初始的聚类中心，跳转至步骤s22；
19、s25、(14)计算dbi指数，以衡量簇内距离与簇间距离之间的比率，选取比率最小的数据样本点数目，以作为适用聚类数目，以得到用户历史数据聚类；
20、s26、取各用户历史数据聚类中，特定时刻采样数据进行分析，以得到特定时刻的正常采样数据阈值区间：
21、s27、对所有采样时刻，执行步骤s26，以得到可行域矩阵，据以辨别异常量测数据，并根据用户历史数据聚类，绘制聚类中心曲线。
22、在更具体的技术方案中，步骤s25中，利用下述逻辑，求取dbi指数：
23、
24、式中，ci是第i个聚类簇的中心，σi是第i个聚类簇中所有的点到中心的平均距离，d(ci,cj)是聚类中心ci和cj之间的距离。
25、本专利技术基于数据采集与监视控制系统的量测数据，对于光伏用户以及普通用户，选取不同因素进行k-means聚类，依据dbi指标选择最佳聚类数分群，以更准确地划分同一用户不同的用电行为，提高可行域的准确性。
26、在更具体的技术方案中，步骤s26中，利用下述逻辑，求出第j时刻的正常采样数据阈值区间：
本文档来自技高网...
【技术保护点】
1.含分布式光伏台区用户数据异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤S1中，选取不少于2个用户量测点及采样点数，记录预置连续时间区间的所述历史量测数据。
3.根据权利要求2所述的含分布式光伏台区用户数据异常检测方法，其特征在于，利用下述逻辑表达所述历史量测数据：
4.根据权利要求1所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤S2包括：
5.根据权利要求4所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤S25中，利用下述逻辑，求取所述DBI指数：
6.根据权利要求4所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤S26中，利用下述逻辑，求出第j时刻的所述正常采样数据阈值区间：
7.根据权利要求4所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤S27中，利用下述逻辑，处理得到所述可行域矩阵；
8.根据权利要求1所述的含分布式光伏台区用户数据异常检测方法
9.根据权利要求8所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤S32中，利用下述逻辑，计算所述第一变量X、所述第二变量Y的等级之间的所述皮尔逊相关系数：
10.含分布式光伏台区用户数据异常检测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.含分布式光伏台区用户数据异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤s1中，选取不少于2个用户量测点及采样点数，记录预置连续时间区间的所述历史量测数据。
3.根据权利要求2所述的含分布式光伏台区用户数据异常检测方法，其特征在于，利用下述逻辑表达所述历史量测数据：
4.根据权利要求1所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤s2包括：
5.根据权利要求4所述的含分布式光伏台区用户数据异常检测方法，其特征在于，所述步骤s25中，利用下述逻辑，求取所述dbi指数：
6.根据权利要求4...
【专利技术属性】
技术研发人员：仇茹嘉，吴红斌，徐斌，王小明，董王朝，倪静怡，田腾，程石，黄道友，张征凯，韩平平，何叶，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。