【技术实现步骤摘要】
本专利技术涉及通信，具体为基于高比例可再生能源特征的异常诊断方法及系统。
技术介绍
1、在“双碳”目标及新型电力系统建设背景下，分布式可再生能源接入规模呈爆发式增长，2016年我国风电新增装机容量22.8gw，累计装机容量149gw，光伏发电新增装机容量34.54gw，累计装机容量77.42gw，均为世界领先。积极构建以风能、太阳能等新能源为核心的能源供需体系已成为世界各国的普遍共识，高比例分布式可再生能源接入将成为配电系统的典型特征，已成为未来数字化、智能化新型配电系统发展的必然趋势。
2、然而高比例可再生能源建设导致配电系统数据感知量爆发式增长、数据单元空间分布更为广泛，传统电力通信系统存在无线信号覆盖薄弱、数据传输速率低等情况，难以有效支撑海量电力计量信息接入，已无法满足高比例新能源场景下的配电网数字化、信息化发展建设需求。
3、随着5g技术的发展，公专混合组网逐渐成为电力通信网的新形态，但运营商网络大多基于tcp/ip协议，数据传输速率不可避免的存在波动，可能无法适应部分电力业务较高的通信需求，将公网传输业务流波动性进行合理分析对以提升通信性能为目标的相关资源调配具备重要的指导意义。然而，现有主流业务流量特征分析方法大多针对周期性较弱但具有较强突发性的业务流量，不适用于上述场景。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：传统数据传输速率不可避免的存在波动，可能无法适应部分电力业务较高
3、为解决上述技术问题，本专利技术提供如下技术方案：基于高比例可再生能源特征的异常诊断方法，其包括如下步骤，
4、采集业务流信息；计算业务流变异度；根据计算得到的业务流变异度和业务流总轮数确定业务流子集长度；确定各子集包含业务流区间；计算各子集的累计偏离率；计算各子集的样本离散率；根据各子集的累计偏离率和样本离散率计算业务流特征值；根据业务流特征值确定异常子集。
5、作为本专利技术所述的基于高比例可再生能源特征的异常诊断方法的一种优选方案，其中：所述采集业务流信息包括接收端的高比例可再生能源数据包数量，每轮高比例可再生能源数据包的产生数，高比例可再生能源数据子集的累计偏离率，高比例可再生能源数据包数量的累计偏差值。
6、作为本专利技术所述的基于高比例可再生能源特征的异常诊断方法的一种优选方案，其中：所述计算业务流变异度包括，统计发送端产生的高比例可再生能源数据包数量和接收端到达的高比例可再生能源数据包数量，根据到达接收端的高比例可再生能源数据包数量与发送端高比例可再生能源数据包产生数量计算业务流变异度，所述业务流变异度表示为，
7、
8、其中，α为业务流的变异度，x(i)表示第i轮到达接收端的高比例可再生能源数据包数量，n为发送端每轮高比例可再生能源数据包的产生数，l为业务流总轮数。
9、所述业务流子集长度表示为，
10、
11、其中，λ为业务流子集长度，m为最大分段数，τ为任意极小值。
12、作为本专利技术所述的基于高比例可再生能源特征的异常诊断方法的一种优选方案，其中：所述确定各子集包含业务流区间包括，将高比例可再生能源业务流数据按照子集长度进行分割，使子集长度一致，所述各子集包含业务流区间表示为，
13、xm＝{x(1+λ(m-1)),x(2+λ(m-1)),...,x(min{m·λ,l})}
14、
15、其中，m为子集数，xm为对总业务流分割后的第m个子集。
16、作为本专利技术所述的基于高比例可再生能源特征的异常诊断方法的一种优选方案，其中：所述各子集的累计偏离率表示为，
17、im＝rm/n
18、其中，im为第m个子集的累计偏离率，n为发送端每轮数据包产生数量，rm为第m个子集的累计偏离值极差。
19、所述第m个子集的累计偏离值极差表示为，
20、
21、
22、其中，|xm|为第m个子集的累计偏离率，δm，j为第m个子集中前j轮数据包数量的累计偏差值，xm(r)和xm(j)分别代表子集xm中第r轮和第j轮到达接收端的高比例可再生能源数据包数量。
23、作为本专利技术所述的基于高比例可再生能源特征的异常诊断方法的一种优选方案，其中：所述各子集的样本离散率表示为，
24、
25、其中，γm为第m个子集样本离散率。
26、所述业务流特征值表示为，
27、
28、作为本专利技术所述的基于高比例可再生能源特征的异常诊断方法的一种优选方案，其中：所述根据业务流特征值确定异常子集包括，收集包含特征值的数据，确定异常子集的阈值，通过异常子集的阈值判断特定特征值是否属于异常子集，当判定为异常子集后，进行数据清洗操作，并填充缺失值。
29、本专利技术的另外一个目的是提供一种基于高比例可再生能源特征的异常诊断系统，其能通过业务流特征值计算方法，解决了传统电力通信系统存在无线信号覆盖薄弱、数据传输速率低等情况，难以有效支撑海量电力计量信息接入，已无法满足高比例新能源场景下的配电网数字化、信息化发展建设需求的问题。
30、为解决上述技术问题，本专利技术提供如下技术方案：基于高比例可再生能源特征的异常诊断系统，包括：数据采集模块、特征计算模块以及特征提取模块。
31、所述数据采集模块用于收集和获取可再生能源数据；所述特征计算模块用于执行实际的特征计算过程；所述特征提取模块用于从原始数据中提取有效的特征。
32、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述基于高比例可再生能源特征的异常诊断方法的步骤。
33、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述基于高比例可再生能源特征的异常诊断方法的步骤。
34、本专利技术的有益效果：本专利技术提供的一种业务流特征值提取方法能够对不同网络环境下到达接收端的业务流进行合理的特征分析，对后续以提升通信性能为目标的相关资源调配具备重要的指导意义。
本文档来自技高网...【技术保护点】
1.基于高比例可再生能源特征的异常诊断方法，其特征在于，包括：
2.如权利要求1所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述采集业务流信息包括接收端的高比例可再生能源数据包数量，每轮高比例可再生能源数据包的产生数，高比例可再生能源数据子集的累计偏离率，高比例可再生能源数据包数量的累计偏差值。
3.如权利要求2所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述计算业务流变异度包括，统计发送端产生的高比例可再生能源数据包数量和接收端到达的高比例可再生能源数据包数量，根据到达接收端的高比例可再生能源数据包数量与发送端高比例可再生能源数据包产生数量计算业务流变异度，所述业务流变异度表示为，
4.如权利要求3所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述确定各子集包含业务流区间包括，将高比例可再生能源业务流数据按照子集长度进行分割，使子集长度一致，所述各子集包含业务流区间表示为，
5.如权利要求4所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述各子集的累计偏离率表示为，
7.如权利要求6所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述根据业务流特征值确定异常子集包括，收集包含特征值的高比例可再生能源数据，确定异常子集的阈值，通过异常子集的阈值判断特定特征值是否属于异常子集，当判定为异常子集后，进行数据清洗操作，并填充缺失值。
8.一种采用如权利要求1～7任一所述的基于高比例可再生能源特征的异常诊断方法的系统，其特征在于：包括数据采集模块、特征计算模块以及特征提取模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于高比例可再生能源特征的异常诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于高比例可再生能源特征的异常诊断方法的步骤。
...【技术特征摘要】
1.基于高比例可再生能源特征的异常诊断方法，其特征在于，包括：
2.如权利要求1所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述采集业务流信息包括接收端的高比例可再生能源数据包数量，每轮高比例可再生能源数据包的产生数，高比例可再生能源数据子集的累计偏离率，高比例可再生能源数据包数量的累计偏差值。
3.如权利要求2所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述计算业务流变异度包括，统计发送端产生的高比例可再生能源数据包数量和接收端到达的高比例可再生能源数据包数量，根据到达接收端的高比例可再生能源数据包数量与发送端高比例可再生能源数据包产生数量计算业务流变异度，所述业务流变异度表示为，
4.如权利要求3所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述确定各子集包含业务流区间包括，将高比例可再生能源业务流数据按照子集长度进行分割，使子集长度一致，所述各子集包含业务流区间表示为，
5.如权利要求4所述的基于高比例可再生能源特征的异常诊断方法，其特征在于：所述各子集的累...
【专利技术属性】
技术研发人员：付宇，李跃，孙毅，肖小兵，蔡永翔，郭昊博，刘安茳，李新皓，陈恺，苗宇，郝树青，马伊嘉，李前敏，郑友卓，张恒荣，王扬，王卓月，宋子宏，周波，余立文，罗来辉，何肖蒙，班诗雪，华龙，邓金鑫，吴宇俊，张峻豪，
申请(专利权)人：贵州电网有限责任公司，
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。