【技术实现步骤摘要】
本专利技术属于配电网异常数据检测领域，尤其涉及基于轻量化神经网络的配电网异常数据检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着第四次工业革命的到来，传统配电网逐步发展成信息物理一体化的智能配电网。分布式电源等电力电子设备的大规模接入提升了对系统监测能力的需求，导致大量测量数据涌入配电网。基于相量测量单元（phasor measurement units, pmu）的广域测量系统（wide-area measurement system，wams）作为集成到电力系统的高级应用，为系统的安全稳定运行提供了数据采集、处理、分析与决策支撑。
3、由于信息和电力技术的融合，网络和物理领域之间的界限变得模糊，黑客可以通过网络攻击来篡改相量测量单元中的同步相量数据，导致广域测量系统的通信可靠性降低。同时，高比例新能源并网导致加剧了电网的随机性和波动性，大量异常数据威胁配电网的稳定运行。因此，对配电网异常数据的检测方法亟待研究。
4、当前配电网中异常数据检测的研究主要采用基于统计学方法、机器学习和深度学习技术。统计学方法如均值方差检测和基于概率模型的方法在简单问题上表现良好，但对于复杂的非线性数据模式和大规模数据处理能力有限，不足以应对实际电网数据量的增加。机器学习技术通过训练算法从历史数据中学习规律，可以更好地适应复杂的数据关系，但需要大量标记数据和调参。深度学习技术在处理非线性复杂数据方面具有优势，但对于计算能力要求较高，当前研究不足
5、此外，当前的网络攻击威胁日益加剧，导致传统的异常检测方法不足以满足检测精度需求。不同于传统坏数据可以通过离群值检测或设置阈值来检测，网络攻击能够根据电网拓扑结构避免坏数据检测，难以被发现和管理，从而对智能电网状态估计造成安全威胁。机器学习和深度学习算法被广泛用于网络攻击导致的异常数据辨识，包括特征提取和攻击辨识两个环节；在被攻击信号特征提取过程中，传统经验模态分解和快速傅里叶变换无法提供丰富的二维信息；此外，由于相量测量单元数据量大且是连续采集的，传统基于无模型的深度学习攻击辨识的性能受限；因此，现有的配电网异常数据检测方案存在局限性，辨识速度和精度不佳。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了基于轻量化神经网络的配电网异常数据检测方法及系统，基于连续小波变换（continuous wavelet transform, cwt）和改进后的shufflenetv2，构建轻量级网络从时频特征中，更快速、精准地检测相量测量单元的异常数据，弥补传统卷积神经网络在pmu数据异常检测中的局限性。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了基于轻量化神经网络的配电网异常数据检测方法。
4、基于轻量化神经网络的配电网异常数据检测方法，包括：
5、获取广域测量系统中一段时间内的pmu量测数据，并进行预处理；
6、去除pmu量测数据中的趋势分量，获得目标信号；
7、采用连续小波变换，提取目标信号中的时频特征；
8、将时频特征输入到训练好的异常数据检测模型中，判断是否发生异常；
9、其中，所述异常数据检测模型是基于改进后的shufflenetv2构建的轻量化神经网络，所述改进是将全局深度可分离卷积层和参数线性整流函数替换最后的全局池化层。
10、进一步的，所述预处理是采用拉格朗日多项式插值法，补全pmu量测数据中的离散缺失值，得到pmu时序数据。
11、进一步的，所述获得目标信号，是基于采用savitzky-golay滤波器，利用局部最小二乘多项式拟合来跟踪波动，并使用移动窗口来分割信号，获得移动窗口下的同步相量数据的趋势分量，从预处理后的pmu时序数据中减去趋势分量，得到目标信号。
12、进一步的，所述时频特征的提取，具体为：
13、采用高斯小波函数作为连续小波变换的母小波函数，通过连续小波变换计算得到目标信号的时频特征。
14、进一步的，所述异常数据检测模型，包括依次连接一个卷积层、若干个重组块、全局深度可分离卷积层、参数线性整流函数层、softmax函数层，以时频特征为输入，进行是否发生异常的二分类。
15、进一步的，所述全局深度可分离卷积层由深度可分离卷积层和一层核大小为1×1的卷积层构成；
16、所述参数线性整流函数层，用公式表示为：
17、
18、其中， σ为控制输出的参数， og表示全局深度可分离卷积层的输出， xi表示不同通道的数据。
19、进一步的，还包括，所述一段时间内的pmu量测数据，由若干个连续时刻的pmu量测数据组成，在检测到该段时间内的pmu量测数据发生异常后，采用knn方法对异常结束时刻进行检测，进一步缩小异常发生的时间范围。
20、本专利技术第二方面提供了基于轻量化神经网络的配电网异常数据检测系统。
21、基于轻量化神经网络的配电网异常数据检测系统，包括数据获取模块、目标获取模块、特征提取模块和异常检测模块：
22、数据获取模块，被配置为：获取广域测量系统中一段时间内的pmu量测数据，并进行预处理；
23、目标获取模块，被配置为：去除pmu量测数据中的趋势分量，获得目标信号；
24、特征提取模块，被配置为：采用连续小波变换，提取目标信号中的时频特征；
25、异常检测模块，被配置为：将时频特征输入到训练好的异常数据检测模型中，判断是否发生异常；
26、其中，所述异常数据检测模型是基于改进后的shufflenetv2构建的轻量化神经网络，所述改进是将全局深度可分离卷积层和参数线性整流函数替换最后的全局池化层。
27、本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于轻量化神经网络的配电网异常数据检测方法中的步骤。
28、本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于轻量化神经网络的配电网异常数据检测方法中的步骤。
29、以上一个或多个技术方案存在以下有益效果：
30、本专利技术针对pmu测量数据，提出基于轻量化神经网络的异常数据检测方法，首先采用拉格朗日多项式插值算法对量测数据中的缺失值进行填补，通过savitzky-golay滤波器去除趋势分量并获得目标信号，比较各种母函数下的连续小波变换的效果并选取最佳母小波函数，搭建基于改进后的shufflenetv2的异常数据检测模型，将小波变换结果作为检测本文档来自技高网...
【技术保护点】
1.基于轻量化神经网络的配电网异常数据检测方法，其特征在于，包括：
2.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述预处理是采用拉格朗日多项式插值法，补全PMU量测数据中的离散缺失值，得到PMU时序数据。
3.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述获得目标信号，是基于采用Savitzky-Golay滤波器，利用局部最小二乘多项式拟合来跟踪波动，并使用移动窗口来分割信号，获得移动窗口下的同步相量数据的趋势分量，从预处理后的PMU时序数据中减去趋势分量，得到目标信号。
4.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述时频特征的提取，具体为：
5.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述异常数据检测模型，包括依次连接一个卷积层、若干个重组块、全局深度可分离卷积层、参数线性整流函数层、softmax函数层，以时频特征为输入，进行是否发生异常的二分类。
6.如权利要求5所述的基于轻量化神
7.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，还包括，所述一段时间内的PMU量测数据，由若干个连续时刻的PMU量测数据组成，在检测到该段时间内的PMU量测数据发生异常后，采用kNN方法对异常结束时刻进行检测，进一步缩小异常发生的时间范围。
8.基于轻量化神经网络的配电网异常数据检测系统，其特征在于，包括数据获取模块、目标获取模块、特征提取模块和异常检测模块：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.基于轻量化神经网络的配电网异常数据检测方法，其特征在于，包括：
2.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述预处理是采用拉格朗日多项式插值法，补全pmu量测数据中的离散缺失值，得到pmu时序数据。
3.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述获得目标信号，是基于采用savitzky-golay滤波器，利用局部最小二乘多项式拟合来跟踪波动，并使用移动窗口来分割信号，获得移动窗口下的同步相量数据的趋势分量，从预处理后的pmu时序数据中减去趋势分量，得到目标信号。
4.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述时频特征的提取，具体为：
5.如权利要求1所述的基于轻量化神经网络的配电网异常数据检测方法，其特征在于，所述异常数据检测模型，包括依次连接一个卷积层、若干个重组块、全局深度可分离卷积层、参数线...
【专利技术属性】
技术研发人员：孙凯祺，高弋典，邱伟，孙媛媛，李可军，王一鸣，
申请(专利权)人：山东大学，
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。