CN104766175A - 一种基于时间序列分析的电力***异常数据辨识与修正方法 - Google Patents

Abstract

本发明公开了一种基于时间序列分析的电力***异常数据辨识与修正方法，包括数据预处理，时间序列建模，异常数据辨识和异常数据修正四个部分。数据预处理包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据。时间序列建模包括对预处理后的待检测的数据进行时间序列分析，根据时间序列建立模型的步骤，采用差分自回归移动平均模型对待检测的数据进行建模。异常数据辨识通过对建立的差分自回归移动平均模型的拟合残差序列的分析，设定误差置信区间，辨识异常数据。异常数据修正采用神经网络法建立对异常数据修正的预测模型，通过对异常数据所在时刻的数据值进行预测，实现对异常数据的修正。本发明方法简单易行，准确度高。

Description

一种基于时间序列分析的电力***异常数据辨识与修正方法

技术领域

本发明涉及电力***异常数据辨识与修正技术领域，尤其涉及一种基于时间序列分析的异常数据辨识与修正方法。

背景技术

随着社会经济的快速发展和科学技术水平的不断提高，现代电力***发展的越来越快，社会对电网智能化的要求也越来越提高。由于电网规模的不断扩大、电力***结构和运行模式的日益复杂，电力***中大量的实时数据对***的安全性、稳定性和可靠性的影响越来越大。

所谓异常数据，是指在实际的电力***运行中测量误差很大的量测量。电力***运行过程中由于通道错误、远程终端单元故障以及外在条件变化等原因，都可能造成数据的产生较大的误差，产生异常数据。异常数据的存在可能会影响电力***的正常运行，甚至威胁整个电力***的安全，因此电力***中异常数据的辨识对于促进电网安全优质运行具有重要价值。

目前对电力***中异常数据的辨识的研究越来越多，主要分为基于状态估计法、基于新息图法和基于数据挖掘法的异常数据辨识方法，其中基于数据挖掘的异常数据的辨识方法主要有模糊数学法、神经网络法、聚类分析法和间隙统计法。由于电力***中的数据可以看成是既包含规律性又具有随机性的时间序列，因此可以采用时间序列分析法实现对电力***中异常数据的辨识；又由于神经网络法能够以任意精度逼近任何非线性映射，因此适合描述具有复杂非线性特点的电力***数据的预测模型。所以采用一种基于时间序列分析和神经网络的方法，有效地实现了对电力***异常数据的辨识与修正。

发明内容

为了辨识与修正电力***的异常数据，提高网络的运行控制能力，保证电力***安全、稳定和经济运行，本发明提供一种基于时间序列分析的异常数据辨识与修正方法，可以有效辨识与修正异常数据。

为实现上述目的，本发明采用的技术方案为：

一种基于时间序列分析的异常数据辨识与修正方法，包括数据预处理，时间序列建模，异常数据辨识和异常数据修正四个部分。数据预处理包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据。时间序列建模根据建立时间序列模型的步骤，对待检测数据建立时间序列模型。异常数据辨识通过对建立的时间序列模型的拟合残差序列进行分析，辨识异常数据。异常数据修正采用神经网络法实现对异常数据的修正。

具体的，基于时间序列分析的异常数据辨识与修正方法的详细步骤包括：对待检测数据中的缺失数据和突变为零值的数据进行辨识，采用拉格朗日插值算法对辨识出的数据进行填补和修正；对预处理后的待检测数据进行时间序列分析，根据Box-Jenkins建模的思想，采用数据的平稳化处理、模型识别、参数估计和模型检验的时间序列建立模型的步骤，对预处理后的数据建立差分自回归移动平均模型；对建立的差分自回归移动平均模型的数据，实现对异常数据的辨识；对于辨识出的异常数据，采用RBF神经网络实拟合残差序列进行分析，设定误差置信区间，在置信区间外的数据则为异常现对异常数据修正，即建立RBF神经网络预测模型，利用非异常数据形成的样本集对所述预测模型进行训练，根据训练好的预测模型实现对异常数据的逐点修正。

相对于现有技术，本发明具有如下有益效果：本发明提供的基于时间序列分析的异常数据辨识与修正方法，该方法采用时间序列分析法对待检测数据建立相应的时间序列模型，实现对数据统计规律性的描述；对建立好的模型中的残差序列进行分析，建立误差置信区间，实现待检测数据中异常数据的辨识；采用RBF神经网络法，实现对电力***中异常数据的逐点修正。本发明根据电力***数据的时序特性，有效地实现了对电力***异常数据的辨识，采用神经网络和纵向均值法分别对不连续的异常数据和连续的异常数据进行修正，提高了修正的精度，促进电网安全优质运行。

附图说明

图1为本发明基于时间序列分析的异常数据辨识与修正方法的流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，本发明的方法具体包括以下步骤：

1)对待检测据数据进行预处理，辨识待检测据数据中的缺失数据和突变为零值的数据，采用拉格朗日(Lagrange)插值方法对辨识出的缺失以及突变为零的数据进行填补和修正。

Lagrange插值的方法是对给定的n个插值节点x₁,x₂,…x_n，以及对应的函数值y₁,y₂,…y_n，利用n次Lagrange插值多项式，则对插值区间任意的x的函数值y可以通过Ln(x)来求解，Ln(x)的表达式为：

$\mathrm{Ln}\left(x\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{l}_i\left(x\right)y_i---\left(1\right)$

其中l_i(x)(i＝0,1,2,…,n)是插值基函数，其表达式为：

$l_i\left(x\right)=\underset{\underset{j\≠i}{j=0}}{\overset{n}{\mathrm{\Π}}}\frac{x-x_j}{x_i-x_j}---\left(2\right)$

2)对预处理后的待检测数据进行时间序列分析，根据时间序列建立模型的步骤，对数据建立采用差分自回归移动平均ARIMA模型。ARIMA模型是由Box和Jenkins于70年代初提出的著名时间序列方法，指将非平稳时间序列转化为平稳时间序列，然后将因变量对它的滞后值及随机误差项的现值和滞后值进行回归所建立的模型。

ARIMA模型表达式为：

${\mathrm{\Δ}}^d{y}_t={\mathrm{\θ}}_0+\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\Φ}}_i{\mathrm{\Δ}}^d{y}_{t-i}+{\mathrm{\ϵ}}_t+\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\θ}}_j{\mathrm{\ϵ}}_{t-j}---\left(3\right)$

其中Δ^dy_t表示y_t经过d次差分转换后形成的时间序列，且Δ^dy_t＝Δ^d-1y_t-Δ^d-1y_t-1；Φ_i(i＝1,2,…,p)和θ_j(j＝1,2,…,q)为模型的待估计参数，p和q为模型的阶；ε_t是t时刻的时间序列的随机误差，它们是相互独立的白噪声序列。

根据Box-Jenkins建模的思想，建立时间序列ARIMA(p,d,q)模型的步骤为：

(1)数据的平稳化处理。对数据进行平稳化检验，一般采用单位根检验法。如果数据序列是非平稳的，如存在一定的增长或下降趋势等，可以差分变换对数据进行平稳化处理，然后再判断经过处理后序列的平稳性。。

(2)模型识别。根据平稳时间序列的样本自相关函数(ACF)和偏自相关函数(PACF)初步确定p和q的值，然后通过赤池信息量(AIC)准则对多组p、q值进行对比与筛选，选出最优的时间序列模型，其中AIC准则的定义为：

$\mathrm{AIC}(p,q)=\mathrm{lig\δ}+\frac{2(p+q)}{N}---\left(4\right)$

其中δ是拟合残差的方差，p、q为模型的阶数，N是参与估计的样本个数。

(3)参数估计和模型检验。采用最小二乘法(OLS)对模型参数进行估计，然后对估计的参数进行显著性检验和对残差序列进行白噪声检验，判断所建模型是否可取，如果模型中的某些参数不能通过显著性检验，则需要对模型进行重新识别。其中最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。

(4)利用具有合适参数的模型进行预测。

3)根据建立的差分自回归移动平均模型，获得模型的拟合残差序列并对其进行分析，由于异常数据一般是指与其他数据产生的条件有明显不同的数据，所以异常数据的残差一般会较大，因此采用设定置信区间方法辨识异常数据。假设预处理后的待检测数据为y_t，建立的差分自回归移动平均ARIMA模型的拟合值为则残差序列为误差百分比为如果α_t在[-c，+c]置信区间内，则认为是正常数据，如果α_t在[-c，+c]置信区间外，则认为异常数据，其中c是预先确定的阈值。

4)采用RBF神经网络法实现对异常数据的逐点修正。

步骤4-1：对于辨识出的异常数据，采用RBF神经网络建立异常数据所在时刻的预测模型，其中RBF是径向基神经网络算法。基于RBF神经网络修正异常数据的步骤如下：

(1)建立一个RBF神经网络，输入层、隐含层和输出层节点的个数以及输入向量和输出向量的具体形式可以根据所描述的问题而具体设定；

(2)利用归一化后的非异常数据训练RBF神经网络；

(3)将输入向量输入到已经完成训练的RBF网络中，得到一组相应的输出值，用这组输出值来替代检测出的异常数据。

步骤4-2：采用相对误差对异常数据修正结果的准确度进行评价，评估RBF神经网络法和纵向均值法对异常据修正的能力。

$E_i=\frac{|p_{\mathrm{fi}}-p_i|}{p_i}\×100\%---\left(5\right)$

上式中，i为时间，P_i为i时刻时间的值，P_fi为i时刻修正后的值。

5)实例分析

利用本发明方法对本文对某地区SCADA***中采集的96点日负荷数据作为样本进行实例分析。

(1)采用Lagrange插值方法对样本数据集中有缺失点和突变为零的点进行填补和修正。

(2)为了验证辨识和修正异常数据方法的可行性和有效性，在待检测日负荷数据样本中人为制异常数据，异常数据的编号分别是47、71。对预处理后的日负荷数据进行时间序列分析，根据时间序列建立模型的步骤，对日负荷数据建立的差分自回归移动平均模型为ARIMA(1,1,2)。

(3)根据建立的差分自回归移动平均ARIMA(1,1,2)模型，获得模型的拟合残差序列e_t，求出误差百分比α_t，设定阈值c＝10.5％，由于编号为47和71的数据的误差百分比均在置信区间之外，如表1所示，所以编号为47和71的日负荷值为异常数据，与人为设定的异常数据的编号一致。

表1

编号	残差值	误差百分比αt	是否为异常数据
				47	-12.476	-14.93％	是
71	10.592	11.81％	是

(4)采用RBF神经网络法修正异常数据。由于负荷时间序列自身是高度自相关的，所以建立一个输入量为预测时刻的前若干个时刻的数据值，输出量为预测时刻的数据值的RBF神经网络。

(5)采用相对误差对异常数据修正结果的准确度进行评价，修正负荷值与实际负荷值的相对误差如表2所示。

表2

编号	实际负荷值	修正后的负荷值	相对误差
				47	81.696	82.293	0.73％
71	88.749	89.769	1.15％

从实例分析中可以看出本发明方法可以有效地辨识和修正异常数据，且修正的精度较高，满足电网运行使用的要求。

综上所述，本发明提供的基于时间序列分析的异常数据辨识与修正方法，根据电力***数据的时序特性，采用建立自回归移动平均模型的方法对数据进行拟合，对拟合残差序列设定误差置信区间，实现对异常数据的有效辨识，采用神经网络和纵向均值法分别对不连续的异常数据和连续的异常数据进行修正，提高了修正的精度，促进电网安全优质运行。

以上所述仅是用来说明本发明的技术方案，不用于限制本发明，本发明的保护范围由权利要求限定。应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于时间序列分析的电力***异常数据辨识与修正方法，其特征在于：包括数据预处理，时间序列建模，异常数据辨识和异常数据修正四个部分；

数据预处理，包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据；

时间序列建模，根据建立时间序列模型的步骤，对待检测数据建立时间序列模型；

异常数据辨识，通过对建立的时间序列模型的拟合残差序列进行分析，辨识异常数据；

异常数据修正，采用神经网络法实现对异常数据的修正。

2.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法，其特征在于：对待检测数据中的缺失数据和突变为零值的数据进行辨识，采用拉格朗日插值算法对辨识出的数据进行填补和修正。

3.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法，其特征在于：对预处理后的待检测数据进行时间序列分析，根据Box-Jenkins建模的思想，采用数据的平稳化处理、模型识别、参数估计和模型检验的时间序列建立模型的步骤，对预处理后的数据建立差分自回归移动平均模型。

4.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法，其特征在于：对建立的差分自回归移动平均模型的拟合残差序列进行分析，设定误差置信区间，在置信区间外的数据则为异常数据，实现对异常数据的辨识。

5.根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法，其特征在于：对于辨识出的异常数据，采用RBF神经网络实现对异常数据修正，即建立RBF神经网络预测模型，利用非异常数据形成的样本集对所述预测模型进行训练，根据训练好的预测模型实现对异常数据的逐点修正。