本發(fā)明涉及電力系統(tǒng)大數(shù)據(jù)挖掘領(lǐng)域，特別是一種基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法。

背景技術(shù)：

隨著電力系統(tǒng)信息化程度的不斷提高和電力大數(shù)據(jù)量的迅速增長，研究適用于電力大數(shù)據(jù)挖掘的算法并建立有效的知識發(fā)現(xiàn)模型，對智能電網(wǎng)業(yè)務(wù)模式創(chuàng)新和發(fā)展具有重要意義。

電力系統(tǒng)中，各類數(shù)據(jù)采集與監(jiān)控系統(tǒng)采集的輸變電主設(shè)備負荷數(shù)據(jù)是電力系統(tǒng)調(diào)度運行、安全穩(wěn)定分析、設(shè)備狀態(tài)與風(fēng)險評估基礎(chǔ)。然而，在電力系統(tǒng)的實際運行中，一方面由于數(shù)據(jù)采集通道錯誤、遠程終端單元故障等原因會導(dǎo)致觀測數(shù)據(jù)出現(xiàn)反常態(tài)勢，以致與大多數(shù)觀測值不一致；另一方面，由于特殊事件(如線路檢修、切負荷停電、大事件沖擊等)引起負荷的異常變化，也會導(dǎo)致觀測數(shù)據(jù)違背常規(guī)。此外，數(shù)據(jù)計量裝置或存儲設(shè)備故障也可能導(dǎo)致部分負荷數(shù)據(jù)缺失。因此，在進行負荷數(shù)據(jù)分析與建模之前，必須對原始負荷數(shù)據(jù)中的異常數(shù)據(jù)進行有效的檢測和辨識。

這里所說的負荷缺壞數(shù)據(jù)的識別與處理基于以下兩個前提條件：(1)負荷數(shù)據(jù)具有規(guī)律性和隨機性兩個特點。規(guī)律性是負荷壞數(shù)據(jù)辨識與修正的基礎(chǔ)，而隨機性確定了負荷修正值在統(tǒng)計學(xué)意義下的置信度與置信區(qū)間。(2)負荷曲線具有縱向平滑性及橫向相似性。平滑性是指電力系統(tǒng)相近時刻負荷變化較小，相似性是指相鄰且類型相同的負荷曲線形狀非常相似。

目前國內(nèi)外對電力負荷數(shù)據(jù)異常辨識的研究存在一些普遍性的問題。首先，文獻中的方法都是針對小規(guī)模數(shù)據(jù)集，對于大規(guī)模數(shù)據(jù)集的計算效率較低；其次，大多數(shù)方法沒有將負荷曲線的平滑性與相似性綜合考慮，從而導(dǎo)致辨識與修正的準(zhǔn)確率較低；最后，這些方法對單個離散壞數(shù)據(jù)的處理效果較好，而對于大片連續(xù)壞數(shù)據(jù)的處理效果一般。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決上述問題，設(shè)計了一種基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法。具體設(shè)計方案為：

一種基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法，其特征在于，步驟為：

令迭代次數(shù)為r，用戶總數(shù)為M，且用戶的數(shù)量為至少一個，

步驟一、令r＝1，

步驟二、計算聚類有效性指標(biāo)，確定最佳聚類數(shù)k，

步驟三、用集成聚類算法對負荷曲線聚類，得到每一類的特征曲線C_p。

步驟四、計算每一類中各負荷曲線在各時刻時，實際負荷曲線與特征曲線的差異程度zscore。

步驟五、用移動中值平滑算法對每一條負荷曲線進行平滑處理，

步驟六、將原始負荷曲線和平滑負荷曲線作差得到誤差序列e_n，

步驟七、計算各時刻的平滑性指標(biāo)mscore，

步驟八、檢測壞數(shù)據(jù)，

步驟九、令迭代次數(shù)r＝r+1，若r>M，重復(fù)步驟二至步驟九，若r<M，則完成檢測。

步驟二中，得到K個類簇{X_p,p＝1,2,…,K}，步驟三中，得到特征曲線，其中p為迭代聚類數(shù)，h為時刻值。

步驟四中，計算第p類各條曲線在t時刻的相似性指標(biāo)，

$zscore(p,i,t)=\frac{x_i^{\left(t\right)}-x_p^{\left(t\right)}}{x_p^{\left(t\right)}}$

重復(fù)步驟四，直至每條負荷曲線都被處理過，該指標(biāo)表示負荷曲線上某點與特征曲線上對應(yīng)點的偏離程度，zscore的值越大表明該點的異常度越大。

步驟五中，對每一條負荷曲線進行平滑處理的流程為：

輸入：時間序列x＝{x₁,x₂,…,x_n}；參數(shù)k

輸出：平滑處理后的時間序列y_n，

令迭代次數(shù)r＝1

取窗口寬度為2k+1，則x_i的平滑值y_i為x_i-k,x_i-k+1,…,x_i+k-1,x_i+k的中值：

y_i＝median{x_i-k,x_i-k+1,…,x_i+k-1,x_i+k}

令窗口寬度取3，即k＝1。

則邊界點的平滑值為：

y₁＝median{y₂,y₃,…,3y₂-2y₃}

y_n＝median{y_n,y_n-1,…,3y_n-1-2y_n}

重復(fù)以上步驟，直至序列值不再變化，

移動中值平滑法由于采用的是中位數(shù)，

對每條負荷曲線用3點移動中值平滑法計算其平滑曲線，得到

步驟六中，誤差序列e_n的獲得方法為：

$e_n=y_n-x_n=\{y_n^{\left(h\right)}-x_n^{\left(h\right)},h=1,2,...,H\}$

步驟七中，計算x_n各時刻的平滑性指標(biāo)mscore，其計算公式為：

$mscore=e_n^{\left(h\right)}/y_n^{\left(h\right)},h=1,2,...,H$

該指標(biāo)表示負荷曲線上某點與平滑曲線上對應(yīng)點的偏離程度，zscore的值越大表明該點的異常度越大。

步驟八中，壞數(shù)據(jù)檢測公式為：

|zscore|>thr1，|mscore|>thr2

所述thr1為zscore的閥值，所述thr2為所述mscore的閥值。

通過本發(fā)明的上述技術(shù)方案得到的基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法，其有益效果是：

移動中值平滑法由于采用的是中位數(shù)而不是平均值，因此可以有效消除離群點對其鄰近點平滑值的影響，具有較好的穩(wěn)定性。

對于大規(guī)模數(shù)據(jù)集的計算效率較高，辨識與修正的準(zhǔn)確率較高能夠有效處理連續(xù)壞數(shù)據(jù)。

附圖說明

圖1是本發(fā)明所述基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法的步驟流程圖；

圖2是本發(fā)明所述zscore的各時刻箱線圖；

圖3是本發(fā)明所述mscore的各時刻箱線圖；

圖4是本發(fā)明所述輸變電主設(shè)備負荷數(shù)據(jù)的zscore散點圖；

圖5是本發(fā)明所述輸變電主設(shè)備負荷數(shù)據(jù)的mscore散點圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明進行具體描述。

圖1是本發(fā)明所述基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法的

步驟流程圖，如圖1所示，一種基于特性指標(biāo)的電力輸變電設(shè)備負荷壞數(shù)據(jù)檢測算法，其特征在于，步驟為：

令迭代次數(shù)為r，設(shè)備負荷曲線總數(shù)為M，且設(shè)備負荷曲線的數(shù)量為至少一個，

步驟一、令r＝1，

步驟二、計算聚類有效性指標(biāo)，確定最佳聚類數(shù)k，

步驟三、用集成聚類算法對負荷曲線聚類，得到每一類的特征曲線C_p。

步驟四、計算每一類中各負荷曲線在各時刻時，實際負荷曲線與特征曲線的差異程度zscore。

步驟五、用移動中值平滑算法對每一條負荷曲線進行平滑處理，

步驟六、將原始負荷曲線和平滑負荷曲線作差得到誤差序列e_n，

步驟七、計算各時刻的平滑性指標(biāo)mscore，

步驟八、檢測壞數(shù)據(jù)，

步驟九、令迭代次數(shù)r＝r+1，若r>M，重復(fù)步驟二至步驟九，若r<M，則完成檢測。

步驟二中，得到K個類簇{X_p,p＝1,2,…,K}，步驟三中，得到特征曲線，其中p為迭代聚類數(shù)，h為時刻值。

步驟四中，計算第p類各條曲線在t時刻的相似性指標(biāo)，

$zscore(p,i,t)=\frac{x_i^{\left(t\right)}-x_p^{\left(t\right)}}{x_p^{\left(t\right)}}$

重復(fù)步驟四，直至每條負荷曲線都被處理過，該指標(biāo)表示負荷曲線上某點與特征曲線上對應(yīng)點的偏離程度，zscore的值越大表明該點的異常度越大。

步驟五中，對每一條負荷曲線進行平滑處理的流程為：

輸入：時間序列x＝{x₁,x₂,…,x_n}；參數(shù)k

輸出：平滑處理后的時間序列y_n，

令迭代次數(shù)r＝1

取窗口寬度為2k+1，則x_i的平滑值y_i為x_i-k,x_i-k+1,…,x_i+k-1,x_i+k的中值：

y_i＝median{x_i-k,x_i-k+1,…,x_i+k-1,x_i+k}

令窗口寬度取3，即k＝1。

則邊界點的平滑值為：

y₁＝median{y₂,y₃,…,3y₂-2y₃}

y_n＝median{y_n,y_n-1,…,3y_n-1-2y_n}

重復(fù)以上步驟，直至序列值不再變化，

移動中值平滑法由于采用的是中位數(shù)，

對每條負荷曲線用3點移動中值平滑法計算其平滑曲線，得到

步驟六中，誤差序列e_n的獲得方法為：

$e_n=y_n-x_n=\{y_n^{\left(h\right)}-x_n^{\left(h\right)},h=1,2,...,H\}$

步驟七中，計算x_n各時刻的平滑性指標(biāo)mscore，其計算公式為：

$mscore=e_n^{\left(h\right)}/y_n^{\left(h\right)},h=1,2,...,H$

該指標(biāo)表示負荷曲線上某點與平滑曲線上對應(yīng)點的偏離程度，zscore的值越大表明該點的異常度越大。

步驟八中，壞數(shù)據(jù)檢測公式為：

|zscore|>thr1，|mscore|>thr2

所述thr1為zscore的閥值，所述thr2為所述mscore的閥值。

取某省級電網(wǎng)185個電力用戶一年365天的負荷數(shù)據(jù)，共67525條負荷曲線。每條負荷曲線記錄全天的48點，共3241200個數(shù)據(jù)點。人為制造離散壞數(shù)據(jù)點675個，連續(xù)壞數(shù)據(jù)點125個，壞數(shù)據(jù)占比為0.025％。

實施例一

通過集成聚類法對67525條負荷曲線進行聚類，本實施例中得到K個類簇{X_p,p＝1,2,…,K}及每一類的特征曲線本例中，H＝48，且其中每個族類的曲線個數(shù)為n1,n2,…,nk，易知n1+n1+…+nk＝67525。

實施例二

計算第一個類簇X1中n1條曲線與特征曲線C1在每個時刻的相似性指標(biāo)zscore

$zscore(i,t)=\frac{x_i^{\left(t\right)}-C_1^{\left(t\right)}}{C_1^{\left(t\right)}}$

式中，i＝1,2,…,n1,t＝1,2,…,48.

重復(fù)本實施例的上述計算過程，分別計算剩余k-1個類簇中剩余的負荷曲線的相似性指標(biāo)zscore。

實施例三

取第一條負荷曲線x1，根據(jù)參數(shù)k設(shè)置窗口寬度，

本實時例中取k＝3，

窗口寬度為2k+1，

x1(t)的平滑值y1(i)為x₁(t-k),x₁(t-k+1),…,x₁(t+k-1),x₁(t+k)的中值：

y₁(t)＝median{x₁(t-k),x₁(t-k+1),…,x₁(t+k-1),x₁(t+k)}

重復(fù)本實施例的上述計算過程，直至序列值不再變化。

根據(jù)本實施例的上述計算過程，對67525條負荷曲線x_i都得出對應(yīng)的y_i。

實施例四

計算每條負荷曲線的誤差序列e_i：

e_i＝y(tǒng)_i-x_i＝{y_i(t)-x_i(t),t＝1,2,…,48}

計算各條曲線各個時刻的平滑性指標(biāo)mscore：

mscore_i(t)＝e_i(t)/y_i(t),h＝1,2,…,48

實施例五

圖2是本發(fā)明所述zscore的各時刻箱線圖；圖3是本發(fā)明所述mscore的各時刻箱線圖，圖2與圖3的指標(biāo)統(tǒng)計結(jié)果為根據(jù)實施例一至四獲得，如圖2、圖3所示，由箱線圖可見各時刻zscore和mscore的值都以0為中心；若用Q3表示上四分位數(shù)，Q1表示下四分位數(shù)，四分位間距IQR＝Q3-Q1，則大多數(shù)點都位于偏離中位線±3IQR的范圍內(nèi)(即圖中的上下邊緣內(nèi))；偏離箱線圖中位線越遠的點是壞數(shù)據(jù)的可能性越大。

實施例六

為了確定閾值thr1和thr2的取值，根據(jù)實施例一至五的計算指標(biāo)統(tǒng)計結(jié)果，作出zscore和mscore的散點圖。圖4是本發(fā)明所述負荷數(shù)據(jù)的zscore散點圖；圖5是本發(fā)明所述負荷數(shù)據(jù)的mscore散點圖，如圖4圖5所示，圖4和圖5中的離群點表示負荷曲線的壞數(shù)據(jù)?？梢妟score比mscore的波動性更大。

根據(jù)zscore和mscore的散點圖，本算例中thr1取0.65，thr2取0.3。獲得檢測結(jié)果：

其中漏檢數(shù)表示把壞數(shù)據(jù)檢測為正常數(shù)據(jù)，錯檢表示把正常數(shù)據(jù)檢測為壞數(shù)據(jù)，檢測錯誤率為漏檢數(shù)與誤檢數(shù)之和與壞數(shù)據(jù)總量的比值。

由上表可見，本文提出的負荷曲線壞數(shù)據(jù)檢測算法具有較高的準(zhǔn)確率。隨著壞數(shù)據(jù)數(shù)量的增大，漏檢數(shù)逐漸增大，誤檢數(shù)變化較小，算法的檢測錯誤率逐漸減小。

實施例八

在實施例七的檢測結(jié)果中，取壞數(shù)據(jù)數(shù)量為800，研究閾值thr1＝0.65與thr2＝0.3對檢測結(jié)果的影響。

由計算結(jié)果可見，閾值thr1和thr2的取值對于檢測結(jié)果具有重要的影響，檢測錯誤率與thr1和thr2的關(guān)系曲線基本都呈U形，即存在最優(yōu)的閾值thr1和thr2組合，使得檢測錯誤率最小。選取合理的thr1和thr2對于負荷曲線壞數(shù)據(jù)檢測非常重要，閾值的選取可以借助于zscore和mscore的散點圖。

上述技術(shù)方案僅體現(xiàn)了本發(fā)明技術(shù)方案的優(yōu)選技術(shù)方案，本技術(shù)領(lǐng)域的技術(shù)人員對其中某些部分所可能做出的一些變動均體現(xiàn)了本發(fā)明的原理，屬于本發(fā)明的保護范圍之內(nèi)。