【技术实现步骤摘要】
本申请属于电力系统分析领域，具体涉及一种电力系统异常检测分类方法。
技术介绍
1、电力系统是现代社会正常运转的重要基础设施。电力系统常见的故障类型包括：线路短路、变压器故障、发电机故障、负载大变化等。随着能源革命和电力市场的改革，电力系统也面临新能源并网、分布式供电等新技术带来的挑战。
2、电力系统状态估计技术可对电网运行状态进行监测评估以保证电力系统稳定运行。现有技术中，如cn115441443a所公开的一种机理模型的电力系统异常数据检测方法，其通过最小二乘法和扩展卡尔曼滤波技术对电力数据进行处理，通过二者之差以判定故障类型。再如cn114239796a公开的一种基于扩展卡尔曼滤波的电力系统状态估计方法，其采用长短期记忆神经网络建 立系统状态预测模型，采用加权最小二乘法实现对系统的状态进行估计。
3、上述现有技术所应用的加权最小二乘法依赖于单个时刻的信息，无法考虑状态估计的实时性以及预测的动态性特点，而且，卡尔曼滤波模型的动态预测对模型误差较为敏感且算法相对复杂，同时，电力故障识别需依赖大量标注样本。总体而言，现有技术中的技术方案使电力系统针对复杂异常情况的检测与识别能力受限。
技术实现思路
1、本专利技术提供了一种电力系统异常检测方法，解决了现有技术中电力系统状态估计忽略实时性以及动态性的问题。
2、本专利技术的技术方案如下：
3、一种电力系统异常检测分类方法，包括以下步骤：
4、s1）收集电力系统中测量点的实时状态数
5、s2）将实时状态数据输入无迹卡尔曼滤波预测模型，获得包含各个测量点的电压幅值及相角预测值的预测矩阵；
6、s3）将之前时刻的实时状态数据作为输入数据输入最小二乘模型，获得包含各个测量点的电压幅值及相角估计值的估计矩阵；
7、s4）基于所述预测矩阵和所述估计矩阵的差值，以及无迹卡尔曼滤波预测模型的估计状态误差协方差矩阵的对角元素定义异常检测指标，异常检测指标定义如下：
8、；
9、式中， adi表示异常检测指标，为估计矩阵，为预测矩阵，为无迹卡尔曼滤波预测模型的估计状态误差协方差矩阵的对角元素；
10、s5）以 adi的平均值与三倍标准差之和为异常检测指标的阈值；
11、；
12、 式中，d（ x）为阈值计算函数，mean表示取平均值， adi i表示第i个时刻的 adi值，表示预测值的标准差；
13、通过所计算的阈值可以判定异常检测指标与阈值之间的大小关系，当异常检测指标超过阈值时，表示电力系统存在异常；
14、s6）计算异常的电力系统中电路的输入信号/输出信号的波形特征、统计特征以及变化特征，基于所述波形特征、统计特征以及变化特征使用最大关联最小冗余算法获取最优特征子集，基于随机森林算法模型和最优特征子集对电力系统的异常进行分类。随机森林以输入信号/输出信号的波形特征、统计特征以及变化特征进行输入，以异常的类型进行输出。
15、进一步地，所述步骤s1）中实时状态数据的矩阵形式为 m×n矩阵，其中 m表示测量点的数量， n表示实时状态数据的种类；实时状态数据处理时需定义设备运行参数的物理极限安全范围，超出物理极限安全范围的数据需标记为无效数据，并采用线性插值法替换无效数据；在将实施状态数据输入模型前，使用z-score标准化方法处理所有数据。
16、进一步地，所述步骤s3）中最小二乘模型的输入数据的形式为 m×n矩阵，输出的估计矩阵的形式为 m×2矩阵；
17、最小二乘模型为多层线性网络，首先设定一个线型模型预测电压的幅值及相角，后将目标函数设计为最小化观测残差的加权平方和，线型模型具体如下：
18、；
19、式中，为待估计的电压幅值或相角， x为之前时刻的实时状态数据，为参数向量，为误差项；
20、目标函数具体如下：
21、；
22、式中， j（x）为目标函数， z为实时状态数据， w权重矩阵，权重矩阵为无迹卡尔曼滤波预测模型的估计状态误差协方差矩阵的逆。
23、进一步地，无迹卡尔曼滤波预测模型为循环神经网络模型，采用无迹卡尔曼滤波算法对该模型进行训练，训练时，采用sigma点法对循环神经网络的动力学模型作线性化处理，线性化处理的具体公式如下：
24、；
25、式中， x i（ k∣k−1）为第 i个 sigma 点在k−1时刻的状态值，其中 i是 sigma 点的索引， k−1是时间步长； w i c为第 i个 sigma 点的权重， c为计算时的协方差，用于在计算预测状态和协方差时对 sigma 点进行加权平均， f为状态转移函数。
26、进一步地，所述波形特征包括峰值、均值、方差、频率、相位；
27、所述统计特征包括相关系数、互信息、熵；
28、所述变化特征包括傅里叶变换、小波变换、经验模态分解。
29、由于采用了上述技术方案，本专利技术的有益效果是：
30、1.本申请建立的加权最小二乘模型进行静态估计，通过无迹卡尔曼滤波算法进行动态预测，基于静态估计和动态预测的差值作为判断指标，通过静态-动态相结合的方式判定系统的运行情况，最终通过智能分类方法实现故障的高效检测和识别，最终提高本方案的故障检测率和识别率。
31、2.本申请能为电力系统提供新的检测与评估路线，促进电力系统状态分析领域的发展。
本文档来自技高网...【技术保护点】
1.一种电力系统异常检测分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电力系统异常检测分类方法，其特征在于，
3.根据权利要求2所述的一种电力系统异常检测分类方法，其特征在于，
4.根据权利要求1所述的一种电力系统异常检测分类方法，其特征在于，
5.根据权利要求1所述的一种电力系统异常检测分类方法，其特征在于，
【技术特征摘要】
1.一种电力系统异常检测分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电力系统异常检测分类方法，其特征在于，
3.根据权利要求2所述的一种电力系统...
【专利技术属性】
技术研发人员：孙梦谦，王睿，刘新，刘冬兰，姚洪磊，常英贤，张昊，马雷，于灏，张方哲，孙莉莉，王勇，秦佳峰，徐光侠，苏冰，赵夫慧，金玉辉，许善杰，
申请(专利权)人：国网山东省电力公司电力科学研究院，
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。