本發(fā)明專利技術(shù)公開了一種基于時間序列分析的電力系統(tǒng)異常數(shù)據(jù)辨識與修正方法，包括數(shù)據(jù)預(yù)處理，時間序列建模，異常數(shù)據(jù)辨識和異常數(shù)據(jù)修正四個部分。數(shù)據(jù)預(yù)處理包括辨識和修正待檢測數(shù)據(jù)中的缺失數(shù)據(jù)以及突變?yōu)榱阒档臄?shù)據(jù)。時間序列建模包括對預(yù)處理后的待檢測的數(shù)據(jù)進行時間序列分析，根據(jù)時間序列建立模型的步驟，采用差分自回歸移動平均模型對待檢測的數(shù)據(jù)進行建模。異常數(shù)據(jù)辨識通過對建立的差分自回歸移動平均模型的擬合殘差序列的分析，設(shè)定誤差置信區(qū)間，辨識異常數(shù)據(jù)。異常數(shù)據(jù)修正采用神經(jīng)網(wǎng)絡(luò)法建立對異常數(shù)據(jù)修正的預(yù)測模型，通過對異常數(shù)據(jù)所在時刻的數(shù)據(jù)值進行預(yù)測，實現(xiàn)對異常數(shù)據(jù)的修正。本發(fā)明專利技術(shù)方法簡單易行，準(zhǔn)確度高。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及電力系統(tǒng)異常數(shù)據(jù)辨識與修正
，尤其涉及一種基于時間序列 分析的異常數(shù)據(jù)辨識與修正方法。
技術(shù)介紹
隨著社會經(jīng)濟的快速發(fā)展和科學(xué)技術(shù)水平的不斷提高，現(xiàn)代電力系統(tǒng)發(fā)展的越來 越快，社會對電網(wǎng)智能化的要求也越來越提高。由于電網(wǎng)規(guī)模的不斷擴大、電力系統(tǒng)結(jié)構(gòu)和 運行模式的日益復(fù)雜，電力系統(tǒng)中大量的實時數(shù)據(jù)對系統(tǒng)的安全性、穩(wěn)定性和可靠性的影 響越來越大。 所謂異常數(shù)據(jù)，是指在實際的電力系統(tǒng)運行中測量誤差很大的量測量。電力系統(tǒng) 運行過程中由于通道錯誤、遠程終端單元故障以及外在條件變化等原因，都可能造成數(shù)據(jù) 的產(chǎn)生較大的誤差，產(chǎn)生異常數(shù)據(jù)。異常數(shù)據(jù)的存在可能會影響電力系統(tǒng)的正常運行，甚至 威脅整個電力系統(tǒng)的安全，因此電力系統(tǒng)中異常數(shù)據(jù)的辨識對于促進電網(wǎng)安全優(yōu)質(zhì)運行具 有重要價值。 目前對電力系統(tǒng)中異常數(shù)據(jù)的辨識的研宄越來越多，主要分為基于狀態(tài)估計法、 基于新息圖法和基于數(shù)據(jù)挖掘法的異常數(shù)據(jù)辨識方法，其中基于數(shù)據(jù)挖掘的異常數(shù)據(jù)的辨 識方法主要有模糊數(shù)學(xué)法、神經(jīng)網(wǎng)絡(luò)法、聚類分析法和間隙統(tǒng)計法。由于電力系統(tǒng)中的數(shù)據(jù) 可以看成是既包含規(guī)律性又具有隨機性的時間序列，因此可以采用時間序列分析法實現(xiàn)對 電力系統(tǒng)中異常數(shù)據(jù)的辨識；又由于神經(jīng)網(wǎng)絡(luò)法能夠以任意精度逼近任何非線性映射，因 此適合描述具有復(fù)雜非線性特點的電力系統(tǒng)數(shù)據(jù)的預(yù)測模型。所以采用一種基于時間序列 分析和神經(jīng)網(wǎng)絡(luò)的方法，有效地實現(xiàn)了對電力系統(tǒng)異常數(shù)據(jù)的辨識與修正。
技術(shù)實現(xiàn)思路
為了辨識與修正電力系統(tǒng)的異常數(shù)據(jù)，提高網(wǎng)絡(luò)的運行控制能力，保證電力系統(tǒng) 安全、穩(wěn)定和經(jīng)濟運行，本專利技術(shù)提供一種基于時間序列分析的異常數(shù)據(jù)辨識與修正方法，可 以有效辨識與修正異常數(shù)據(jù)。 為實現(xiàn)上述目的，本專利技術(shù)采用的技術(shù)方案為： -種基于時間序列分析的異常數(shù)據(jù)辨識與修正方法，包括數(shù)據(jù)預(yù)處理，時間序列 建模，異常數(shù)據(jù)辨識和異常數(shù)據(jù)修正四個部分。數(shù)據(jù)預(yù)處理包括辨識和修正待檢測數(shù)據(jù)中 的缺失數(shù)據(jù)以及突變?yōu)榱阒档臄?shù)據(jù)。時間序列建模根據(jù)建立時間序列模型的步驟，對待檢 測數(shù)據(jù)建立時間序列模型。異常數(shù)據(jù)辨識通過對建立的時間序列模型的擬合殘差序列進行 分析，辨識異常數(shù)據(jù)。異常數(shù)據(jù)修正采用神經(jīng)網(wǎng)絡(luò)法實現(xiàn)對異常數(shù)據(jù)的修正。 具體的，基于時間序列分析的異常數(shù)據(jù)辨識與修正方法的詳細步驟包括：對待檢 測數(shù)據(jù)中的缺失數(shù)據(jù)和突變?yōu)榱阒档臄?shù)據(jù)進行辨識，采用拉格朗日插值算法對辨識出的數(shù) 據(jù)進行填補和修正；對預(yù)處理后的待檢測數(shù)據(jù)進行時間序列分析，根據(jù)Box-Jenkins建模 的思想，采用數(shù)據(jù)的平穩(wěn)化處理、模型識別、參數(shù)估計和模型檢驗的時間序列建立模型的步 驟，對預(yù)處理后的數(shù)據(jù)建立差分自回歸移動平均模型；對建立的差分自回歸移動平均模型 的數(shù)據(jù)，實現(xiàn)對異常數(shù)據(jù)的辨識；對于辨識出的異常數(shù)據(jù)，采用RBF神經(jīng)網(wǎng)絡(luò)實擬合殘差序 列進行分析，設(shè)定誤差置信區(qū)間，在置信區(qū)間外的數(shù)據(jù)則為異常現(xiàn)對異常數(shù)據(jù)修正，即建立 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，利用非異常數(shù)據(jù)形成的樣本集對所述預(yù)測模型進行訓(xùn)練，根據(jù)訓(xùn)練 好的預(yù)測模型實現(xiàn)對異常數(shù)據(jù)的逐點修正。 相對于現(xiàn)有技術(shù)，本專利技術(shù)具有如下有益效果：本專利技術(shù)提供的基于時間序列分析的 異常數(shù)據(jù)辨識與修正方法，該方法采用時間序列分析法對待檢測數(shù)據(jù)建立相應(yīng)的時間序列 模型，實現(xiàn)對數(shù)據(jù)統(tǒng)計規(guī)律性的描述；對建立好的模型中的殘差序列進行分析，建立誤差置 信區(qū)間，實現(xiàn)待檢測數(shù)據(jù)中異常數(shù)據(jù)的辨識；采用RBF神經(jīng)網(wǎng)絡(luò)法，實現(xiàn)對電力系統(tǒng)中異常 數(shù)據(jù)的逐點修正。本專利技術(shù)根據(jù)電力系統(tǒng)數(shù)據(jù)的時序特性，有效地實現(xiàn)了對電力系統(tǒng)異常數(shù) 據(jù)的辨識，采用神經(jīng)網(wǎng)絡(luò)和縱向均值法分別對不連續(xù)的異常數(shù)據(jù)和連續(xù)的異常數(shù)據(jù)進行修 正，提高了修正的精度，促進電網(wǎng)安全優(yōu)質(zhì)運行。【附圖說明】 圖1為本專利技術(shù)基于時間序列分析的異常數(shù)據(jù)辨識與修正方法的流程圖。【具體實施方式】 下面結(jié)合附圖對本專利技術(shù)作更進一步的說明。 如圖1所示，本專利技術(shù)的方法具體包括以下步驟： 1)對待檢測據(jù)數(shù)據(jù)進行預(yù)處理，辨識待檢測據(jù)數(shù)據(jù)中的缺失數(shù)據(jù)和突變?yōu)榱阒档?數(shù)據(jù)，采用拉格朗日（Lagrange)插值方法對辨識出的缺失以及突變?yōu)榱愕臄?shù)據(jù)進行填補 和修正。 Lagrange插值的方法是對給定的η個插值節(jié)點X1, X2，…Xn，以及對應(yīng)的函數(shù)值 yi，y；E，…yn，利用η次Lagrange插值多項式，則對插值區(qū)間任意的X的函數(shù)值y可以通過 Ln(X)來求解，Ln(X)的表達式為：【主權(quán)項】1. ，其特征在于：包括數(shù) 據(jù)預(yù)處理，時間序列建模，異常數(shù)據(jù)辨識和異常數(shù)據(jù)修正四個部分； 數(shù)據(jù)預(yù)處理，包括辨識和修正待檢測數(shù)據(jù)中的缺失數(shù)據(jù)以及突變?yōu)榱阒档臄?shù)據(jù)； 時間序列建模，根據(jù)建立時間序列模型的步驟，對待檢測數(shù)據(jù)建立時間序列模型； 異常數(shù)據(jù)辨識，通過對建立的時間序列模型的擬合殘差序列進行分析，辨識異常數(shù) 據(jù)； 異常數(shù)據(jù)修正，采用神經(jīng)網(wǎng)絡(luò)法實現(xiàn)對異常數(shù)據(jù)的修正。2. 根據(jù)權(quán)利要求1所述的基于時間序列分析的異常數(shù)據(jù)辨識與修正方法，其特征在 于：對待檢測數(shù)據(jù)中的缺失數(shù)據(jù)和突變?yōu)榱阒档臄?shù)據(jù)進行辨識，采用拉格朗日插值算法對 辨識出的數(shù)據(jù)進行填補和修正。3. 根據(jù)權(quán)利要求1所述的基于時間序列分析的異常數(shù)據(jù)辨識與修正方法，其特征在 于：對預(yù)處理后的待檢測數(shù)據(jù)進行時間序列分析，根據(jù)Box-Jenkins建模的思想，采用數(shù)據(jù) 的平穩(wěn)化處理、模型識別、參數(shù)估計和模型檢驗的時間序列建立模型的步驟，對預(yù)處理后的 數(shù)據(jù)建立差分自回歸移動平均模型。4. 根據(jù)權(quán)利要求1所述的基于時間序列分析的異常數(shù)據(jù)辨識與修正方法，其特征在 于：對建立的差分自回歸移動平均模型的擬合殘差序列進行分析，設(shè)定誤差置信區(qū)間，在置 信區(qū)間外的數(shù)據(jù)則為異常數(shù)據(jù)，實現(xiàn)對異常數(shù)據(jù)的辨識。5. 根據(jù)權(quán)利要求1所述的基于時間序列分析的異常數(shù)據(jù)辨識與修正方法，其特征在 于：對于辨識出的異常數(shù)據(jù)，采用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)對異常數(shù)據(jù)修正，即建立RBF神經(jīng)網(wǎng)絡(luò) 預(yù)測模型，利用非異常數(shù)據(jù)形成的樣本集對所述預(yù)測模型進行訓(xùn)練，根據(jù)訓(xùn)練好的預(yù)測模 型實現(xiàn)對異常數(shù)據(jù)的逐點修正。【專利摘要】本專利技術(shù)公開了，包括數(shù)據(jù)預(yù)處理，時間序列建模，異常數(shù)據(jù)辨識和異常數(shù)據(jù)修正四個部分。數(shù)據(jù)預(yù)處理包括辨識和修正待檢測數(shù)據(jù)中的缺失數(shù)據(jù)以及突變?yōu)榱阒档臄?shù)據(jù)。時間序列建模包括對預(yù)處理后的待檢測的數(shù)據(jù)進行時間序列分析，根據(jù)時間序列建立模型的步驟，采用差分自回歸移動平均模型對待檢測的數(shù)據(jù)進行建模。異常數(shù)據(jù)辨識通過對建立的差分自回歸移動平均模型的擬合殘差序列的分析，設(shè)定誤差置信區(qū)間，辨識異常數(shù)據(jù)。異常數(shù)據(jù)修正采用神經(jīng)網(wǎng)絡(luò)法建立對異常數(shù)據(jù)修正的預(yù)測模型，通過對異常數(shù)據(jù)所在時刻的數(shù)據(jù)值進行預(yù)測，實現(xiàn)對異常數(shù)據(jù)的修正。本專利技術(shù)方法簡單易行，準(zhǔn)確度高。【IPC分類】G06Q10-06, G06Q50-06【公開號】CN104766175【申請?zhí)枴緾N201510182225【專利技術(shù)人】蔣浩, 王珂, 蘇大威, 徐春雷, 余璟, 楊志強, 袁丁 【申請人】東南大學(xué), 國家電網(wǎng)公司, 江蘇省電力公司, 江蘇省電力公司徐州供電公司【公開日】2015年7月8日【申請日】2015年4月16日本文檔來自技高網(wǎng)...
【技術(shù)保護點】
一種基于時間序列分析的電力系統(tǒng)異常數(shù)據(jù)辨識與修正方法，其特征在于：包括數(shù)據(jù)預(yù)處理，時間序列建模，異常數(shù)據(jù)辨識和異常數(shù)據(jù)修正四個部分；數(shù)據(jù)預(yù)處理，包括辨識和修正待檢測數(shù)據(jù)中的缺失數(shù)據(jù)以及突變?yōu)榱阒档臄?shù)據(jù)；時間序列建模，根據(jù)建立時間序列模型的步驟，對待檢測數(shù)據(jù)建立時間序列模型；異常數(shù)據(jù)辨識，通過對建立的時間序列模型的擬合殘差序列進行分析，辨識異常數(shù)據(jù)；異常數(shù)據(jù)修正，采用神經(jīng)網(wǎng)絡(luò)法實現(xiàn)對異常數(shù)據(jù)的修正。
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蔣浩，王珂，蘇大威，徐春雷，余璟，楊志強，袁丁，
申請(專利權(quán))人：東南大學(xué)，國家電網(wǎng)公司，江蘇省電力公司，江蘇省電力公司徐州供電公司，
類型：發(fā)明
國別省市：江蘇;32
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。