CN104036362A - 一种台变用电负荷异常数据的快速检测方法 - Google Patents

Abstract

一种台变用电负荷异常数据的快速检测方法，该方法首先对所采集到的数据资料进行预处理，得到初始样本集；对样本集进行一阶向后差分；使用差分序列建立Gaussian分布模型，采用最小二乘估计法求解模型参数，在给定置信水平下求解置信区间；将待检测用电负荷数据的差分序列代入模型，当超出置信区间时判定该时间点为异常值。本发明提供一种准确性高、可操作性高的台变用电负荷的异常数据检测方法，实现台变用电负荷异常数据的快速检测及挖掘。

Description

一种台变用电负荷异常数据的快速检测方法

技术领域

本发明涉及一种台变用电负荷异常数据的快速检测方法，属台变运行检测技术领域。

背景技术

在正常情况下，电网的负荷呈现出一定的有规律的趋势。但是，在某些特殊的情况下，负荷曲线会出现巨大的波动，而这种负荷数据上的巨大波动有可能是采集与传输上误差所致，也可能标示着负荷的剧变。因此对负荷数据的剧变进行分析、挖掘与预测是一个非常重要的内容，它可以给调度管理部门提前给一个估计，以便制定紧急事故下的运行管理方式及拉闸限电序位表，以防止电网崩溃与瓦解。

开展异常数据检测与挖掘是比较棘手的工作，所得的结果少而散，并且由于异常数据的多样性与复杂性导致并不存在着异常数据检测的通用算法，需要针对不同类型的数据提出有效的检测方法。

发明内容

本发明的目的是，为了实现台变用电负荷异常数据的快速检测及挖掘，本发明提出一种台变用电负荷异常数据的快速检测方法。

本发明方法包括下述步骤：

(1)对实测数据进行数据预处理，剔除实测数据中的缺损数据，建立训练样本集；

(2)对所建立的样本数据集进行差分处理，得到台变用电负荷数据的差分序列；

(3)使用步骤(2)得到的台变用电负荷数据的差分序列，构造Gaussian分布模型，确定Gaussian分布模型参数；

(4)计算给定置信度水平下步骤(3)中Gaussian分布的置信区间，作为台变用电负荷异常数据的判定阈值；

(5)利用步骤(4)所建立的分布模型进行台变用电负荷的异常数据检测。

本发明步骤(2)中，差分处理是一阶向后差分，其数学表达式为：

Δx(t)＝x(t)-x(t-1)，t＝2，3，...

其中，x(t)是t时刻台变用电负荷值，Δx(t)是t时刻台变用电负荷的一阶向后差分值。

本发明步骤(4)中，Gaussian分布模型的数学表达式为：

$f\left(y\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(y-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2})$

其中f为Gaussian分布的概率密度函数，μ是位置参数，σ是尺度参数。

本发明步骤(4)中，确定Gaussian分布参数的方法为最小二乘估计法。

本发明步骤(4)的计算给定置信水平下Gaussian分布的置信区间的方法包括：

(4.1)估计样本标准差σ，其数学表达式为：

其中，s为总体标准差，n为样本个数。

(4.2)当抽取的样本数量足够大时，根据中心极限定理，认为样本均值近似地服从Gaussian分布。其Z统计量的计算公式为：

$Z=\frac{\stackrel{\‾}{y}-\mathrm{\μ}}{\mathrm{\σ}}$

其中为样本均值，μ为总体均值。

(4.3)在给定1-α的置信水平下，总体均值μ的置信区间为：

$\stackrel{\‾}{y}-Z_{\mathrm{\α}/2}\×\mathrm{\σ}\≤\mathrm{\μ}\≤\stackrel{\‾}{y}+Z_{\mathrm{\α}/2}\×\mathrm{\σ}$

其中Z_α/2的值通过查表得到。

本发明所述异常数据的判断方法为：对待判断的台变用电负荷数据z(t)，t＝1，2，...，M,计算其一阶向前差分序列Δz(t)，t＝2，3...，M；当t时刻的差分值Δz(t)落入步骤4所求置信区间内时，则该时刻台变用电负荷数据为正常值；反之，当t时刻的差分值Δz(t)超出步骤4所求置信区间时，则该时刻台变用电负荷数据为异常值。

本发明的效果在于：本发明所述的用于台变用电负荷数据的异常数据检测方法，能够提供一种准确性高、可操作性高的台变用电负荷的异常数据检测方法，实现台变用电负荷异常数据的快速检测及挖掘。

本发明适用于台变用电负荷异常数据的快速检测。

附图说明

图1是台变用电负荷异常数据检测流程图；

图2是采用本方法的实施例进行的一个实际应用试验的台变用电负荷异常数据检测的结果图。

具体实施方式

下面结合附图，对优选实施例作详细说明。

图1是本发明台变用电负荷异常数据检测的流程图。图1中，本发明提供的方法包括以下步骤：

步骤1：数据预处理，建立训练样本集和测试样本集。

对于所选用的实施例数据，首先剔除采集资料中的缺损数据，将整个样本集按照时间序列顺序排列，建立初始样本集。将初始样本集划分为训练样本集和测试样本集。其中，训练样本集用于台变用电负荷的异常数据检测模型的建立和模型参数估计，测试样本集为待检测的样本数据段。

本实施例中，数据采集间隔为半小时，则一天的数据量为48点。初始样本集为***中所有采集数据经过剔除缺损数据得到，测试样本集为48×7天＝336点。

步骤2：对训练样本集进行一阶向后差分处理。

假设训练样本集的时间序列为x(t)，t＝1，2，...，N,则其一阶向后差分序列的数学表达式为：

y(t)＝Δx(t)＝x(t)-x(t-1)，t＝2，3，...N

步骤3：对差分序列y(t)，t＝2，3，...，N建立Gaussian分布模型。

步骤3.1：假设差分的总体均值为μ，则差分序列y(t)，t＝2，3，...，N可分解为均值μ与误差e(t)之和：

y(t)＝μ+e(t)，t＝2，3，...，N

步骤3.2：使用最小二乘法估计总体平均数μ，就是使y(t)与μ之间的误差平方和为最小，即使得下式最小：

$Q=\underset{t=2}{\overset{N}{\mathrm{\Σ}}}e\left(t\right)=\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-\widehat{\mathrm{\μ}})}^2$

求Q对μ的偏导数，并令其等于0，得：

$\frac{\∂Q}{\∂\mathrm{\μ}}=-2\underset{t=2}{\overset{N}{\mathrm{\Σ}}}(y\left(t\right)-\widehat{\mathrm{\μ}})=0$

则得到总体平均数的估计量为

$\widehat{\mathrm{\μ}}=\frac{1}{N-2}\underset{t=2}{\overset{N}{\mathrm{\Σ}}}y\left(t\right)$

步骤3.3：估计总体样本方差σ²，数学表达式如下：

$\begin{array}{c}E\left(\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^2\right)=E\left(\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-\mathrm{\μ}-\stackrel{\‾}{y}+\mathrm{\μ})}^2\right)\\ =E(\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-\mathrm{\μ})}^2-2\underset{t=2}{\overset{N}{\mathrm{\Σ}}}(y\left(t\right)-\mathrm{\μ})(\stackrel{\‾}{y}-\mathrm{\μ})+\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(\stackrel{\‾}{y}-\mathrm{\μ})}^2)\\ =E(\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-\mathrm{\μ})}^2-\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(\stackrel{\‾}{y}-\mathrm{\μ})}^2)\\ =(N-1){\mathrm{\σ}}^2-(N-1){\mathrm{\σ}}^2/(N-1)=(N-2){\mathrm{\σ}}^2\end{array}$

因而，σ²的估计为：

${\widehat{\mathrm{\σ}}}^2=\frac{1}{N-2}\underset{t=2}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^2$

步骤3.4：差分序列Δx(t)，t＝2，3，...，N建立Gaussian分布模型为

本实施例中，所求得的Gaussian分布模型为N(0.1278,0.1660²)。

步骤4：给定置信水平1-α，计算步骤3中所求Gaussian分布对应的置信区间。

步骤4.1：由步骤3，假设则有：

$\frac{\stackrel{\‾}{y}-\mathrm{\μ}}{\mathrm{\σ}}~N\left(\mathrm{0,1}\right)$

步骤4.2：根据给定的置信水平1-α，查表得z_α/2的值。

步骤4.3：由Gaussian概率分布的定义，可得如下数学表达式

$P\left(\right|\frac{\stackrel{\‾}{y}-\mathrm{\μ}}{\mathrm{\σ}}|\≥z_{\mathrm{\α}/2})=\mathrm{\α}$

则有

$P(\stackrel{\‾}{y}-z_{\mathrm{\α}/2}\×\mathrm{\σ}\≤\mathrm{\μ}\≤\stackrel{\‾}{y}+z_{\mathrm{\α}/2}\×\mathrm{\σ})=1-\mathrm{\α}$

随机区间即为置信水平为1-α的置信区间。本实施例中，选取1-α＝0.95，求得步骤3中所得Gaussian分布的置信区间为(0.1222,0.1334)。

步骤5：测试样本集的异常数据检测。假设待检测的测试样本集为z(t)，t＝1，2，...，M，首先计算其一阶向后差分序列Δz(t)＝z(t)-z(t-1)，t＝2，3，...,M。当t时刻的差分值Δz(t)落入步骤4所求置信区间内时，则该时刻台变用电负荷数据为正常值；反之，当t时刻的差分值Δz(t)超出步骤4所求置信区间时，则该时刻台变用电负荷数据为异常值。

本实施例中，待检测的测试样本集选取为24×7天＝168点，所得到的异常数据检测结果如图2所示。

Claims (6)

1.一种台变用电负荷异常数据的快速检测方法，其特征在于，所述方法包括下述步骤：

(1)对实测数据进行数据预处理，剔除实测数据中的缺损数据，建立训练样本集；

(2)对所建立的样本数据集进行差分处理，得到台变用电负荷数据的差分序列；

(3)使用步骤(2)得到的台变用电负荷数据的差分序列，构造Gaussian分布模型，确定Gaussian分布模型参数；

(4)计算给定置信度水平下步骤(3)中Gaussian分布的置信区间，作为台变用电负荷异常数据的判定阈值；

(5)利用步骤(4)所建立的分布模型进行台变用电负荷的异常数据检测。

2.根据权利要求1所述的一种台变用电负荷异常数据的快速检测方法，其特征在于，所述差分处理是一阶向后差分，其数学表达式为：

Δx(t)＝x(t)-x(t-1)，t＝2，3，...

其中，x(t)是t时刻台变用电负荷值，Δx(t)是t时刻台变用电负荷的一阶向后差分值。

3.根据权利要求1所述的一种台变用电负荷异常数据的快速检测方法，其特征在于，所述Gaussian分布模型的数学表达式为：

$f\left(y\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(y-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2})$

其中f为Gaussian分布的概率密度函数，μ是位置参数，σ是尺度参数。

4.根据权利要求1所述的一种台变用电负荷异常数据的快速检测方法，其特征在于，所述确定Gaussian分布参数的方法为最小二乘估计法。

5.根据权利要求1所述的一种台变用电负荷异常数据的快速检测方法，其特征在于，所述计算给定置信水平下Gaussian分布的置信区间的方法包括：

(4.1)估计样本标准差σ，其数学表达式为：

其中，s为总体标准差，n为样本个数；

(4.2)当抽取的样本数量足够大时，根据中心极限定理，认为样本均值近似地服从Gaussian分布；其Z统计量的计算公式为：

$Z=\frac{\stackrel{\‾}{y}-\mathrm{\μ}}{\mathrm{\σ}}$

其中为样本均值，μ为总体均值；

(4.3)在给定1-α的置信水平下，总体均值μ的置信区间为：

$\stackrel{\‾}{y}-Z_{\mathrm{\α}/2}\×\mathrm{\σ}\≤\mathrm{\μ}\≤\stackrel{\‾}{y}+Z_{\mathrm{\α}/2}\×\mathrm{\σ}$

其中Z_α/2的值通过查表得到。

6.根据权利要求1所述的一种台变用电负荷异常数据的快速检测方法，其特征在于，所述异常数据的判断方法为：对待判断的台变用电负荷数据z(t)，t＝1，2，...，M，计算其一阶向前差分序列Δz(t),t＝2,3...，M当t时刻的差分值Δz(t)落入步骤4所求置信区间内时，则该时刻台变用电负荷数据为正常值；反之，当t时刻的差分值Δz(t)超出步骤4所求置信区间时，则该时刻台变用电负荷数据为异常值。