【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及基于大数据分析的电网电能数据异常检测方法。
技术介绍
1、随着电力系统的规模和复杂性不断增加，以及智能电网、分布式发电等新技术的应用，电网中产生的电能数据呈现出大量化、复杂化的趋势。因此，如何有效地进行电网数据的异常检测，及时发现电力系统的故障或异常具有重要意义。
2、在现有技术中，由于获得的电能监测数据为时序数据，对时序数据分析的方法较多，其中k-最近邻（knn）算法是一种简单直观的机器学习方法，广泛应用于分类和回归问题，该算法通过对样本的距离与相似度进行度量，然后根据计算的距离，选取最近的k个训练样本，对数据进行分类。由于电能监测数据中不同监测数据之间的相互影响和监测数据本身的波动，导致该算法最近邻的数目即k值难以确定，k值的选择关系到了异常数据检测的准确性。
技术实现思路
1、为解决上述问题，本专利技术提供基于大数据分析的电网电能数据异常检测方法。
2、本专利技术的基于大数据分析的电网电能数据异常检测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于大数据分析的电网电能数据异常检测方法，该方法包括以下步骤：
4、获取电网的电能监测数据，所述电能监测数据包含若干监测数据，所述监测数据包含若干数据点，所述数据点表示每个时刻的监测值；
5、对于任意一种监测数据中任意一个数据点，根据监测数据中数据点与数据点的预设邻域范围内每一个数据点的监测值差异，得到任意一种监测数据中任意一个数据点的
6、对于任意一种监测数据的任意一个分量信号，获取分量信号中任意一个初始异常数据点的待定邻域范围，根据所述待定邻域范围得到任意一种监测数据中任意一个初始异常数据点的邻域区间；
7、根据任意一种监测数据中任意两个初始异常数据点的邻域区间内数据点的监测值差异，得到任意一种监测数据中任意两个初始异常数据点的邻域区间的相似性；
8、根据任意一种监测数据中相邻初始异常数据点的邻域区间的相似性，得到任意一种监测数据的k值，所述k值为knn算法的k值，根据任意一种监测数据的k值得到电能监测数据中所有的异常监测值。
9、进一步地，所述根据监测数据中数据点与数据点的预设邻域范围内每一个数据点的监测值差异，得到任意一种监测数据中任意一个数据点的异常程度，包括的具体步骤如下：
10、
11、式中，为第种监测数据中第个数据点的监测值，为第种监测数据中所有数据点的平均监测值，为第i个数据点的预设邻域范围内第t个数据点的监测值，为预设邻域范围内数据点的总个数，为取绝对值，表示线性归一化函数，为第种监测数据中第个数据点的异常程度。
12、进一步地，所述第i个数据点的预设邻域范围的具体获取方法如下：
13、以第种监测数据中第个数据点为中心邻域半径为r的范围作为第i个数据点的预设邻域范围，r为预设第一数值。
14、进一步地，所述获取分量信号中任意一个初始异常数据点的待定邻域范围的具体获取方法如下：
15、以分量信号中任意一个初始异常数据点为中心邻域半径为y的范围作为该分量信号中该初始异常数据点的待定邻域范围，y为待定数值。
16、进一步地，根据所述待定邻域范围得到任意一种监测数据中任意一个初始异常数据点的邻域区间，包括的具体步骤如下：
17、
18、式中，为目标监测数据的第个分量信号中第个初始异常数据点的监测值，为目标监测数据的第个分量信号中第个初始异常数据点的待定邻域范围内第b个数据点的监测值，为取绝对值，为目标监测数据的分量信号的总个数，为第个初始异常数据点的待定邻域范围内数据点的总个数，为目标监测数据的第个分量信号中第个初始异常数据点的待定邻域范围内第b个数据点的异常程度，为目标监测数据的第个分量信号中第个初始异常数据点的待定邻域范围内所有数据点的平均斜率，为以自然常数为底的指数函数，为目标监测数据的第个分量信号中第个初始异常数据点的待定邻域范围作为第个初始异常数据点的邻域区间的可能性；
19、预设第二阈值，记为th2，将待定数值y的取值从1开始，每次迭代加一，直至第一次小于，此时将目标监测数据的第个分量信号中第个初始异常数据点的待定邻域范围作为目标监测数据中该初始异常数据点的邻域区间。
20、进一步地，所述根据任意一种监测数据中任意两个初始异常数据点的邻域区间内数据点的监测值差异，得到任意一种监测数据中任意两个初始异常数据点的邻域区间的相似性，包括的具体步骤如下：
21、
22、对于任意一种监测数据，式中，为该监测数据中第个初始异常数据点的邻域区间内所有数据点的平均监测值，为该监测数据中第个初始异常数据点的邻域区间内所有数据点的平均监测值，其中，为取绝对值，为该监测数据中第个初始异常数据点的邻域区间内所有数据点监测值的方差，为该监测数据中第个初始异常数据点的邻域区间内所有数据点监测值的方差，为该监测数据中第个初始异常数据点的邻域区间和第个初始异常数据点的邻域区间的dtw匹配值，为线性归一化函数，为该监测数据中第个初始异常数据点的邻域区间与第个初始异常数据点的邻域区间的相似性。
23、进一步地，所述根据任意一种监测数据中相邻初始异常数据点的邻域区间的相似性，得到任意一种监测数据的k值，包括的具体步骤如下：
24、对于任意一种监测数据中任意一个初始异常数据点，将该初始异常数据点的邻域区间记为第一区间，将该初始异常数据点左侧最相邻的初始异常数据点记为第二初始异常数据点，将该初始异常数据点右侧最相邻的初始异常数据点记为第三初始异常数据点，将第二初始异常数据点的邻域区间记为第二区间，将第三初始异常数据点的邻域区间记为第三区间，将第一区间和第二区间的相似性记为第一相似性，将第一区间和第三区间的相似性记为第二相似性，预设第三阈值，若第一相似性大于预设第三阈值，第二相似性大于预设第三阈值，将第二区间、第一区间及第三区间按从左到右的顺序进行合并，若相似性小于或等于预设第三阈值，则不合并，直至将该监测数据中所有初始异常数据点的邻域区间都进行合并判断，将该监测数据中所有邻域区间进行合并的合并总次数作为该监测数据的k值。
25、进一步地，根据所述异常程度得到任意一种监测数据中所有初始异常数据点，包括的具体步骤如下：
26、预设第一阈值，记为th1，若，为第种监测数据中第个数据点的异常程度，则将第种监测数据中第个数据点作为初始异常数据点，获取第种监测数据中所有初始异常数据点。
27、进一步地，所述根据电能监测数据得到电能监测数据的多个分量信号，包括的具体步骤如下：
28、将电能监测数据中每一种监测数据利用ica分解算法进行分解得到电能监测数据的多个分量信号。
29、本文档来自技高网...
【技术保护点】
1.基于大数据分析的电网电能数据异常检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述根据监测数据中数据点与数据点的预设邻域范围内每一个数据点的监测值差异，得到任意一种监测数据中任意一个数据点的异常程度，包括的具体步骤如下：
3.根据权利要求2所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述第i个数据点的预设邻域范围的具体获取方法如下：
4.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述获取分量信号中任意一个初始异常数据点的待定邻域范围的具体获取方法如下：
5.根据权利要求4所述基于大数据分析的电网电能数据异常检测方法，其特征在于，根据所述待定邻域范围得到任意一种监测数据中任意一个初始异常数据点的邻域区间，包括的具体步骤如下：
6.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述根据任意一种监测数据中任意两个初始异常数据点的邻域区间内数据点的监测值差异，得到任意一种监测数据中任
7.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述根据任意一种监测数据中相邻初始异常数据点的邻域区间的相似性，得到任意一种监测数据的K值，包括的具体步骤如下：
8.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，根据所述异常程度得到任意一种监测数据中所有初始异常数据点，包括的具体步骤如下：
9.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述根据电能监测数据得到电能监测数据的多个分量信号，包括的具体步骤如下：
10.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述根据任意一种监测数据的K值，得到电能监测数据中所有的异常监测值，包括的具体步骤如下：
...【技术特征摘要】
1.基于大数据分析的电网电能数据异常检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述根据监测数据中数据点与数据点的预设邻域范围内每一个数据点的监测值差异，得到任意一种监测数据中任意一个数据点的异常程度，包括的具体步骤如下：
3.根据权利要求2所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述第i个数据点的预设邻域范围的具体获取方法如下：
4.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征在于，所述获取分量信号中任意一个初始异常数据点的待定邻域范围的具体获取方法如下：
5.根据权利要求4所述基于大数据分析的电网电能数据异常检测方法，其特征在于，根据所述待定邻域范围得到任意一种监测数据中任意一个初始异常数据点的邻域区间，包括的具体步骤如下：
6.根据权利要求1所述基于大数据分析的电网电能数据异常检测方法，其特征...
【专利技术属性】
技术研发人员：张长元，李金平，林凡堂，李洪莹，周鑫，田润，李煜琦，
申请(专利权)人：新风光电子科技股份有限公司，
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。