CN112819067A - 一种配电网不良数据的处理方法、装置、设备和存储介质 - Google Patents
一种配电网不良数据的处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112819067A CN112819067A CN202110120172.2A CN202110120172A CN112819067A CN 112819067 A CN112819067 A CN 112819067A CN 202110120172 A CN202110120172 A CN 202110120172A CN 112819067 A CN112819067 A CN 112819067A
- Authority
- CN
- China
- Prior art keywords
- data
- bad
- preset
- time
- distribution network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 55
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000007787 long-term memory Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配电网不良数据的处理方法、装置、设备和存储介质,获取配电网中预置时间段内的量测数据;将量测数据输入预置辨识模型进行数据分类,输出量测数据为正常数据或不良数据;基于辨识结果确定量测数据中的不良数据出现的时刻t,将不良数据出现的时刻t之前的预置数量个正常数据输入至预置数据修正模型,得到时刻t的预测数据;将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据。解决了现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种配电网不良数据的处理方法、装置、设备和存储介质。
背景技术
近年来,配电网***实现了飞跃式的发展,同时居民对电网供电质量及可靠性等要求日益严格。然而,因为实时量测***不够完善,从数据采集与监控***(SCADA)中获取的节点电压、线路电路、支路功率等量测数据会出现错误、重复、缺失等问题,即获取的数据中会出现不良数据。不良数据的存在会对配电网***的运行状态产生不利影响,进而影响配电网***性能。
传统的不良数据辨识方法主要是基于状态估计方法,包括残差搜索法、非二次准则法、零残差法、估计辨识法等。这些方法往往将加权残差或标准残差当做特征值,并假设它们服从某一概率分布,然后依据一定的置信度水平设置一个门槛值,进行假设检验。当确定可疑数据出现的位置后,再将这些可疑数据从量测数据集中剔除或削弱权重,最后产生新的状态估计。然而这类方法的共同不足之处在于容易出现残差污染和残差淹没现象,导致出现漏检或误检的情况,使得辨识效果大大降低。
为了解决状态估计方法所存在的问题,现有技术采用卷积神经网络进行不良数据的辨识。当一个神经网络模型被训练好之后,可以迅速产生一个辨识大多数种类的量测误差的结果,有利于在控制中心形成一个安全可靠的数据仓库。但现有技术对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性。
发明内容
本申请提供了一种配电网不良数据的处理方法、装置、设备和存储介质,用于解决现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题。
有鉴于此,本申请第一方面提供了一种配电网不良数据的处理方法,包括:
获取配电网中预置时间段内的量测数据,所述量测数据包括节点电压、线路电流和支路功率;
将所述量测数据输入预置辨识模型进行数据分类,输出所述量测数据的辨识结果,其中,所述量测数据的辨识结果包括正常数据和不良数据;
基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t,将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据;
将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
可选的,所述将所述量测数据输入预置辨识模型进行数据分类,输出所述量测数据的辨识结果,之前还包括:
通过预置公式对所述量测数据进行预处理,所述预置公式为:
可选的,所述预置辨识模型的配置过程为:
获取量测数据训练集,所述量测数据训练集中的各训练样本的标签为所述正常数据或所述不良数据;
将所述量测数据训练集输入到预置卷积神经网络进行训练,输出各所述训练样本对应的预测结果;
基于各所述训练样本对应的预测结果和所述标签,通过损失函数计算损失值;
基于所述损失值,通过梯度下降法更新所述预置卷积神经网络的参数,直至所述损失值低于预置阈值,得到所述预置辨识模型。
可选的,所述预置数据修正模型为Q学习-长短期记忆神经网络模型;
相应的,所述将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据,包括:
将所述不良数据出现的时刻t之前的n个所述正常数据输入至所述Q学习-长短期记忆神经网络模型,使得所述Q学习-长短期记忆神经网络模型基于前n个时刻t-1、t-2、...、t-n的隐藏层状态和单元状态对n个所述正常数据进行处理,并基于Q学习机制,得到时刻t之前的最佳隐藏层状态和最佳单元状态,最后通过全连接层对时刻t之前的所述最佳隐藏层状态和所述最佳单元状态进行处理,输出时刻t的预测数据。
可选的,所述基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t,将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据,之后还包括:
将时刻t的所述预测数据输入至所述预置辨识模型进行数据分类,输出时刻t的所述预测数据的辨识结果;
相应的,所述将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据,包括:
当时刻t的所述预测数据的辨识结果为所述正常数据时,将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
本申请第二方面提供了一种配电网不良数据的处理装置,包括:
获取单元,用于获取配电网中预置时间段内的量测数据,所述量测数据包括节点电压、线路电流和支路功率;
第一分类单元,用于将所述量测数据输入预置辨识模型进行数据分类,输出所述量测数据的辨识结果,其中,所述量测数据的辨识结果包括正常数据和不良数据;
输入单元,用于基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t,将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据;
替代单元,用于将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
可选的,还包括:
预处理单元,用于通过预置公式对所述量测数据进行预处理,所述预置公式为:
可选的,还包括:
第二分类单元,用于将时刻t的所述预测数据输入至所述预置辨识模型进行数据分类,输出时刻t的所述预测数据的辨识结果;
相应的,所述替代单元具体用于:
当时刻t的所述预测数据的辨识结果为所述正常数据时,将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
本申请第三方面提供了一种配电网不良数据的处理设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的配电网不良数据的处理方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面任一种所述的配电网不良数据的处理方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种配电网不良数据的处理方法,包括:获取配电网中预置时间段内的量测数据,量测数据包括节点电压、线路电流和支路功率;将量测数据输入预置辨识模型进行数据分类,输出量测数据的辨识结果,其中,量测数据的辨识结果包括正常数据和不良数据;基于辨识结果确定量测数据中的不良数据出现的时刻t,将不良数据出现的时刻t之前的预置数量个正常数据输入至预置数据修正模型,得到时刻t的预测数据;将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据。
本申请中,采用预置辨识模型辨识到量测数据中的不良数据后,将不良数据出现的时刻t之前的预置数量个正常数据输入到预置数据修正模型来预测时刻t的正常量测数据,得到时刻t的预测数据,然后将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据,即剔除了不良数据,又保证了数据的完整性,从而解决了现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种配电网不良数据的处理方法的一个流程示意图;
图2为本申请实施例提供的一种配电网不良数据的处理方法的另一个流程示意图;
图3为本申请实施例提供的一种配电网不良数据的处理装置的一个结构示意图;
图4为本申请实施例提供的一种预置辨识模型的一个结构示意图;
图5为本申请实施例提供的一种Q学习-长短期记忆神经网络模型的一个结构示意图。
具体实施方式
本申请提供了一种配电网不良数据的处理方法、装置、设备和存储介质,用于解决现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种配电网不良数据的处理方法的一个实施例,包括:
步骤101、获取配电网中预置时间段内的量测数据,量测数据包括节点电压、线路电流和支路功率。
从数据采集与监控***中获取配电网中节点电压一年的历史和实时数据,构建节点电压数据矩阵:
式中,V(i,t)为配电网中第i个节点在时间t的量测电压值,i=1,2,...,D,D为配网中节点总数;t=1,2,...,T,T为每天采样时间总数;数据样本的数量N=365,因为一年有365天。
获取配电网中线路电流一年的历史和实时数据,构建线路电流数据矩阵:
式中,I(l,t)为配电网中第l条线路在时间t的量测电流值,l=1,2,...,L,L为配电网中线路总数;t=1,2,...,T,T为每天采样时间总数;数据样本的数量N=365。
获取配电网中支路功率一年的历史和实时数据,构建支路功率数据矩阵:
式中,P(k,t)为配电网中第k条支路在时间t的量测功率值,k=1,2,...,K,K为配电网中支路总数;t=1,2,...,T,T为每天采样时间总数;数据样本的数量N=365。
步骤102、将量测数据输入预置辨识模型进行数据分类,输出量测数据的辨识结果,其中,量测数据的辨识结果包括正常数据和不良数据。
预置辨识模型用于辨识输入的量测数据为正常数据还是不良数据,预置辨识模块包括多个卷积层、多个池化层、一个全连接层和一个Softmax分类器,请参考图4。预置辨识模块对输入的量测数据的处理过程为:
1)卷积层:卷积层通过若干卷积核作用逐层对输入的各维数据进行卷积操作,并通过非线性激活函数获取每层卷积层的不同特征数据,通过组合上一层卷积核输出,进而可将隐藏在数据内部的联系逐层提取出来,卷积层的具体计算过程为:
式中,为第i类量测数据中的第j维数据的第m层卷积层的输出;i=1,2,3,分别代表节点电压、线路电流、支路功率;j=1,2,…,Ni,p=1,2,…,Ni,Ni为第i类量测数据中的数据总维数;为第i类量测数据中的第j维数据的第m层卷积层的输入;为第i类量测数据中的第p维数据和第j维数据的第m层卷积核;为第i类数据中的第j维数据的第m层卷积层的偏置。
2)池化层:池化层是一种降维操作,即可使预置辨识模型更关注特征本身而非特征具***置,使得学习过程包含更多自由度,可以容忍某些特征微小位移;又可以对特征进行降维,使得模型可以抽取更为广泛的特征,并减少预置辨识模型学习过程中的参数量,池化层的计算过程如下:
式中,为第i类量测数据中的第j维数据的第m层池化层的输出;i=1,2,3,分别代表节点电压、线路电流、支路功率;j=1,2,…,Ni,Ni为第i类量测数据集中的数据总维数;为第i类量测数据中的第j维数据的第m层池化层的权重;down(*)为下采样函数;为第i类量测数据中的第j维数据的第m层池化层的输入;为第i类量测数据的第j维数据的第m层池化层的偏置。
3)全连接层:全连接层将最后一层卷积层输出的特征进行全连接,具体处理过程为:
4)Softmax分类器:对全连接的输出进行处理,来辨识各类量测数据的类别。
进一步,考虑到输入量测数据之间存在一定的相关性和差异性,且由于量测数据不是从同一设备采集得到,因而具有不同的物理含义和量纲,若不做适当处理,将影响预置辨识模型的辨识效果。因此,为了消除量纲,弱化数据物理意义,以及削弱数据个体差异,平衡数据维数,使得数据处于相似的尺度,本申请实施例对量测数据进行预处理,在将量测数据输入预置辨识模型进行数据分类,输出量测数据的辨识结果之前,可以对通过预置公式对量测数据进行预处理,预置公式为:
进一步,预置辨识模型的配置过程为:
A1、获取量测数据训练集,量测数据训练集中的各训练样本的标签为正常数据或不良数据。
训练样本的数据形式与待测试的量测数据的形式一样,不一样在于训练样本已经标注好标签,即已知该训练样本时正常数据还是不良数据。假设获得的量测数据训练集为包含N类训练样本,其中,dj∈RL×1,训练样本的标签为Yj∈[1,N]。
A2、将量测数据训练集输入到预置卷积神经网络进行训练,输出各训练样本对应的预测结果。
将量测数据训练集输入到预置卷积神经网络进行训练之前,可以对量测数据训练集进行预处理,预处理的具体过程可以参考前述步骤的预处理过程,在此不再进行赘述。
训练样本通过预置卷积神经网络中的卷积层、池化层和全连接层进行特征提取和处理,Softmax分类器预测训练样本为某一类别的概率P(Yj=N|dj),具体计算过程为:
式中,λ=[λ1,λ2,…,λN]T表征Softmax分类器参数向量,U为最终预测结果,所有预测结果之和为1。
A3、基于各训练样本对应的预测结果和标签,通过损失函数计算损失值。
损失函数为:
式中,j=1,2,…,Ni,Ni为第i类量测数据训练集中的数据总维数;1{·}为指示性函数,即当类别属性正确时为1,否则为0;δ为衰减系数,将分类器某些参数设置为0,以此来提高泛化能力;m=1,2,…,M,M为预置卷积神经网络输出层总层数。
A4、基于损失值,通过梯度下降法更新预置卷积神经网络的参数,直至损失值低于预置阈值,得到预置辨识模型。
基于损失值,通过梯度下降法更新预置卷积神经网络的参数,直至损失值J(λ)低于预置阈值,将最新的更新参数后的预置卷积神经网络作为预置辨识模型。
步骤103、基于辨识结果确定量测数据中的不良数据出现的时刻t,将不良数据出现的时刻t之前的预置数量个正常数据输入至预置数据修正模型,得到时刻t的预测数据。
预置数据修正模型为Q学习-长短期记忆神经网络模型,请参考图5。将不良数据出现的时刻t之前的n个正常数据输入至Q学习-长短期记忆神经网络模型,使得Q学习-长短期记忆神经网络模型基于前n个时刻t-1、t-2、...、t-n的隐藏层状态和单元状态对n个正常数据进行处理,并基于Q学习机制,得到时刻t之前的最佳隐藏层状态和最佳单元状态,最后通过全连接层对时刻t之前的最佳隐藏层状态和最佳单元状态进行处理,输出时刻t的预测数据。Q学习-长短期记忆神经网络模型对输入数据的具体处理过程如下:
2)[ht-1,Ct-1],[ht-2,Ct-2],…,[ht-n,Ct-n]分别为长短期记忆神经网络中当前时刻输入向量的上一时刻隐藏层状态ht-1,ht-2,…,ht-n和上一时刻单元状态Ct-1,Ct-2,…,Ct-n。隐藏层状态和单元状态对应为长短期记忆神经网络的另外两个输入单元,其内部由三个门组成,分别为遗忘门Ft,输入门It以及输出门Ot来控制信息的舍弃与继承,这三个门的计算公式分别如下:
式中,σ为Sigmoid激活函数;WF,WI,WO分别是遗忘门、输入门、输出门的权重矩阵;表示将隐藏层状态ht-1和输入向量进行连接得到新的向量;BF、BI、BO分别是遗忘门、输入门、输出门的偏置向量。
3)在Q学习机制中,Qk[(ht-1,Ct-1)k,ak],Qk[(ht-2,Ct-2)k,ak],…,Qk[(ht-n,Ct-n)k,ak]分别为经过状态[ht-1,Ct-1]k,[ht-2,Ct-2]k,…,[ht-n,Ct-n]k,并选择动作ak后,获得累计奖励期望值。其中,ak指第k次迭代时隐藏层状态和单元状态进行状态更新时对应的步长(控制动作)。累计奖励期望值的具体表达式分别如下:
...
式中,α为学习因子;R((ht-i,Ct-i)k,(ht-i,Ct-i)k+1,ak),i=1,2,…,n+1为立即奖励函数值;A为动作集合;γ为折扣因子。
4)Q*[(ht-1,Ct-1)r,ar],Q*[(ht-2,Ct-2)r,ar],…,Q*[(ht-n,Ct-n)r,ar]均为采取最优策略π*所对应的最大累计奖励期望值,具体表达式如下:
Q*[(ht-1,Ct-1)r,ar]=maxQπ[(ht-1,Ct-1)k,ak];
Q*[(ht-2,Ct-2)r,ar]=maxQπ[(ht-2,Ct-2)k,ak];
...
Q*[(ht-n,Ct-n)r,ar=maxQπ[(ht-n,Ct-n)k,ak];
式中,π为所有策略集合,r∈kmax,kmax为最大迭代次数,表示最优策略所对应的迭代次数。策略指执行动作ar之后再采取的一系列使累计奖励期望值最大的动作集合,如果这些动作获得的累计奖励期望值最大,就叫最优策略。
5)[ht-1,Ct-1]best,[ht-2,Ct-2]best,…,[ht-n,Ct-n]best分别为长短期记忆神经网络中时刻t之前的最佳隐藏层状态和最佳单元状态,将它们通过全连接层进行处理,便能计算出时刻t的节点电压/线路电流/支路功率的最佳预测结果,得到时刻t的预测数据。
步骤104、将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据。
将预测得到的时刻t的预测数据替代时刻t的不良数据,得到完整的修正后的量测数据。
本申请实施例中,采用预置辨识模型辨识到量测数据中的不良数据后,将不良数据出现的时刻t之前的预置数量个正常数据输入到预置数据修正模型来预测时刻t的正常量测数据,得到时刻t的预测数据,然后将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据,即剔除了不良数据,又保证了数据的完整性,从而解决了现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题。
以上为本申请提供的一种配电网不良数据的处理方法的一个实施例,以下为本申请提供的一种配电网不良数据的处理方法的另一个实施例。
请参考图2,本申请实施例提供的一种配电网不良数据的处理方法,包括:
步骤201、获取配电网中预置时间段内的量测数据,量测数据包括节点电压、线路电流和支路功率。
步骤202、将量测数据输入预置辨识模型进行数据分类,输出量测数据的辨识结果,其中,量测数据的辨识结果包括正常数据和不良数据。
步骤203、基于辨识结果确定量测数据中的不良数据出现的时刻t,将不良数据出现的时刻t之前的预置数量个正常数据输入至预置数据修正模型,得到时刻t的预测数据。
步骤201至203的具体内容与前述步骤101至103的具体内容一致,在此不再对步骤201至203进行赘述。
步骤204、将时刻t的预测数据输入至预置辨识模型进行数据分类,输出时刻t的预测数据的辨识结果。
步骤205、当时刻t的预测数据的辨识结果为正常数据时,将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据。
将时刻t的预测数据再输入至预置辨识模型进行辨识,以确定预置数据修正模型预测的预测数据是否正常,达到对预测数据进行校核的目的,若预测数据为正常数据,则将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据,若预测数据为不良数据,说明预测数据依然存在问题,则应摒弃,相应的增加输入数据个数(即由n个输入数据变为n+1个),然后重新进行预测,直至数据正常才可作为修正数据。
本申请实施例中,采用预置辨识模型辨识到量测数据中的不良数据后,将不良数据出现的时刻t之前的预置数量个正常数据输入到预置数据修正模型来预测时刻t的正常量测数据,得到时刻t的预测数据,然后将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据,即剔除了不良数据,又保证了数据的完整性,从而解决了现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题;
进一步,在获取时刻t的预测数据后,将其输入到预置辨识模型以对该预测数据进行校核,确定该预测数据是否正常,若正常,再将其替换时刻t的不良数据,进一步保证了修正后的量测数据的可靠性。
以上为本申请提供的一种配电网不良数据的处理方法的另一个实施例,以下为本申请提供的一种配电网不良数据的处理装置的一个实施例。
请参考图3,本申请实施例提供的一种配电网不良数据的处理装置,包括:
获取单元301,用于获取配电网中预置时间段内的量测数据,量测数据包括节点电压、线路电流和支路功率;
第一分类单元302,用于将量测数据输入预置辨识模型进行数据分类,输出量测数据的辨识结果,其中,量测数据的辨识结果包括正常数据和不良数据;
输入单元303,用于基于辨识结果确定量测数据中的不良数据出现的时刻t,将不良数据出现的时刻t之前的预置数量个正常数据输入至预置数据修正模型,得到时刻t的预测数据;
替代单元304,用于将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据。
作为进一步地改进,还包括:
预处理单元305,用于通过预置公式对量测数据进行预处理,预置公式为:
作为进一步地改进,还包括:
第二分类单元306,用于将时刻t的预测数据输入至预置辨识模型进行数据分类,输出时刻t的预测数据的辨识结果;
相应的,替代单元304具体用于:
当时刻t的预测数据的辨识结果为正常数据时,将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据。
本申请实施例中,采用预置辨识模型辨识到量测数据中的不良数据后,将不良数据出现的时刻t之前的预置数量个正常数据输入到预置数据修正模型来预测时刻t的正常量测数据,得到时刻t的预测数据,然后将时刻t的预测数据替代时刻t的不良数据,得到修正后的量测数据,即剔除了不良数据,又保证了数据的完整性,从而解决了现有技术采用卷积神经网络模型对不良数据进行辨识后,没有对剔除之后的不良数据进行补充或修正,使得数据不完整,从而影响配电网***的可观性,降低配电网状态估计结果的可靠性的技术问题。
本申请实施例还提供了一种配电网不良数据的处理设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述配电网不良数据的处理方法实施例中的配电网不良数据的处理方法。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行前述配电网不良数据的处理方法实施例中的配电网不良数据的处理方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网不良数据的处理方法,其特征在于,包括:
获取配电网中预置时间段内的量测数据,所述量测数据包括节点电压、线路电流和支路功率;
将所述量测数据输入预置辨识模型进行数据分类,输出所述量测数据的辨识结果,其中,所述量测数据的辨识结果包括正常数据和不良数据;
基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t,将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据;
将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
3.根据权利要求1所述的配电网不良数据的处理方法,其特征在于,所述预置辨识模型的配置过程为:
获取量测数据训练集,所述量测数据训练集中的各训练样本的标签为所述正常数据或所述不良数据;
将所述量测数据训练集输入到预置卷积神经网络进行训练,输出各所述训练样本对应的预测结果;
基于各所述训练样本对应的预测结果和所述标签,通过损失函数计算损失值;
基于所述损失值,通过梯度下降法更新所述预置卷积神经网络的参数,直至所述损失值低于预置阈值,得到所述预置辨识模型。
4.根据权利要求1所述的配电网不良数据的处理方法,其特征在于,所述预置数据修正模型为Q学习-长短期记忆神经网络模型;
相应的,所述将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据,包括:
将所述不良数据出现的时刻t之前的n个所述正常数据输入至所述Q学习-长短期记忆神经网络模型,使得所述Q学习-长短期记忆神经网络模型基于前n个时刻t-1、t-2、...、t-n的隐藏层状态和单元状态对n个所述正常数据进行处理,并基于Q学习机制,得到时刻t之前的最佳隐藏层状态和最佳单元状态,最后通过全连接层对时刻t之前的所述最佳隐藏层状态和所述最佳单元状态进行处理,输出时刻t的预测数据。
5.根据权利要求1所述的配电网不良数据的处理方法,其特征在于,所述基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t,将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据,之后还包括:
将时刻t的所述预测数据输入至所述预置辨识模型进行数据分类,输出时刻t的所述预测数据的辨识结果;
相应的,所述将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据,包括:
当时刻t的所述预测数据的辨识结果为所述正常数据时,将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
6.一种配电网不良数据的处理装置,其特征在于,包括:
获取单元,用于获取配电网中预置时间段内的量测数据,所述量测数据包括节点电压、线路电流和支路功率;
第一分类单元,用于将所述量测数据输入预置辨识模型进行数据分类,输出所述量测数据的辨识结果,其中,所述量测数据的辨识结果包括正常数据和不良数据;
输入单元,用于基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t,将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型,得到时刻t的预测数据;
替代单元,用于将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
8.根据权利要求6所述的配电网不良数据的处理装置,其特征在于,还包括:
第二分类单元,用于将时刻t的所述预测数据输入至所述预置辨识模型进行数据分类,输出时刻t的所述预测数据的辨识结果;
相应的,所述替代单元具体用于:
当时刻t的所述预测数据的辨识结果为所述正常数据时,将时刻t的所述预测数据替代时刻t的所述不良数据,得到修正后的所述量测数据。
9.一种配电网不良数据的处理设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的配电网不良数据的处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-5任一项所述的配电网不良数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110120172.2A CN112819067A (zh) | 2021-01-28 | 2021-01-28 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110120172.2A CN112819067A (zh) | 2021-01-28 | 2021-01-28 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819067A true CN112819067A (zh) | 2021-05-18 |
Family
ID=75859870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110120172.2A Pending CN112819067A (zh) | 2021-01-28 | 2021-01-28 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819067A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106684865A (zh) * | 2017-01-04 | 2017-05-17 | 北京清能互联科技有限公司 | 一种无功日曲线不良数据识别与修正方法 |
CN107591811A (zh) * | 2017-10-17 | 2018-01-16 | 中国农业大学 | 配电网无功优化方法及装置 |
US20180157838A1 (en) * | 2016-12-07 | 2018-06-07 | General Electric Company | Feature and boundary tuning for threat detection in industrial asset control system |
CN108199891A (zh) * | 2018-01-12 | 2018-06-22 | 东北大学 | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
CN109993361A (zh) * | 2019-03-29 | 2019-07-09 | 国网上海市电力公司 | 一种基于pmu的配电网运行趋势预测方法 |
CN111080484A (zh) * | 2019-12-21 | 2020-04-28 | 国网山东省电力公司泰安供电公司 | 一种配电网异常数据监测方法及装置 |
CN111709790A (zh) * | 2020-06-19 | 2020-09-25 | 广东电网有限责任公司 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
CN111881124A (zh) * | 2020-07-24 | 2020-11-03 | 贵州电网有限责任公司 | 一种基于改进算法的状态估计的数据处理方法及*** |
-
2021
- 2021-01-28 CN CN202110120172.2A patent/CN112819067A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157838A1 (en) * | 2016-12-07 | 2018-06-07 | General Electric Company | Feature and boundary tuning for threat detection in industrial asset control system |
CN106684865A (zh) * | 2017-01-04 | 2017-05-17 | 北京清能互联科技有限公司 | 一种无功日曲线不良数据识别与修正方法 |
CN107591811A (zh) * | 2017-10-17 | 2018-01-16 | 中国农业大学 | 配电网无功优化方法及装置 |
CN108199891A (zh) * | 2018-01-12 | 2018-06-22 | 东北大学 | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
CN109993361A (zh) * | 2019-03-29 | 2019-07-09 | 国网上海市电力公司 | 一种基于pmu的配电网运行趋势预测方法 |
CN111080484A (zh) * | 2019-12-21 | 2020-04-28 | 国网山东省电力公司泰安供电公司 | 一种配电网异常数据监测方法及装置 |
CN111709790A (zh) * | 2020-06-19 | 2020-09-25 | 广东电网有限责任公司 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
CN111881124A (zh) * | 2020-07-24 | 2020-11-03 | 贵州电网有限责任公司 | 一种基于改进算法的状态估计的数据处理方法及*** |
Non-Patent Citations (3)
Title |
---|
叶学勇: "基于神经网路的电力***不良数据修正", 《电网技术》 * |
吴京秋 等: "间隙统计在电力***不良数据辨识中的应用", 《南京工程学院学报(自然科学版)》 * |
周福举等: "基于BP神经网络的线损不良数据辨识及其预测", 《节能》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220358363A1 (en) | Engine surge fault prediction system and method based on fusion neural network model | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN112488235A (zh) | 一种基于深度学习的电梯时序数据的异常诊断方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN112379269A (zh) | 电池异常检测模型训练及其检测方法、装置 | |
CN111833583B (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
CN115841278B (zh) | 电能计量装置运行误差状态评价方法、***、设备及介质 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN116879761A (zh) | 基于多模态的电池内短路检测方法、***、装置及介质 | |
CN112819067A (zh) | 一种配电网不良数据的处理方法、装置、设备和存储介质 | |
CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及*** | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN117368789A (zh) | 一种基于多源异构数据的电源故障协同定位方法及*** | |
CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及*** | |
CN116304955A (zh) | 道岔设备故障检测方法、装置、终端设备及存储介质 | |
CN115794805A (zh) | 一种中低压配网量测数据补齐方法 | |
CN112766503B (zh) | 基于关键层回滚机制的卷积神经网络模型容错方法 | |
CN116359773A (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
CN115567367A (zh) | 一种基于多重提升集成学习的网络故障检测方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |