智能配电网制造技术

本发明专利技术涉及数据处理技术领域，具体涉及智能配电网

【技术实现步骤摘要】
智能配电网PMU不良数据辨识方法、系统、设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及智能配电网
PMU
不良数据辨识方法
、
系统
、
设备及存储介质
。

技术介绍

[0002]混合聚类：指采用多种聚类方法对同一个数据集进行聚类操作
。
[0003]智能配电网：智能配电网是智能电网的关键环节之一
。
通常
10kV
及以下的电力网络属于配电网络
(
部分区域有
20kV)
，配电网是整个电力系统与分散的用户直接相连的部分
。
智能配网系统是利用现代电子技术
、
通讯技术
、
计算机及网络技术，将配电网在线数据和离线数据
、
配电网数据和用户数据
、
电网结构和地理图形进行信息集成，实现配电系统正常运行及事故情况下的监测
、
保护
、
控制
、
用电和配电管理的智能化
。
[0004]PMU
：同步相量测量装置
(PMU
：
phasor measurement unit)
是利用全球定位系统
(GPS)
秒脉冲作为同步时钟构成的相量测量单元
。
可用于电力系统的动态监测
、
系统保护和系统分析和预测等领域
.
是保障电网安全运行的重要设备
。
基于
GPS
时钟的
PMU
能够测量电力系统枢纽点的电压相位
、
电流相位等相量数据，通过通信网把数据传到监测主站
.
监测主站根据不同点的相位幅度
。
[0005]重构数据：指采用对抗生成网络等算法生成的与真实量测数据分布相同的模拟量测数据
。
[0006]不良数据：除了正常数据之外，
PMU
测量获得的异常数据还包括缺失数据
、
异常值和事件数据，其中异常值和缺失数据是由于测量质量差而导致的不良数据
。
不良数据辨识的目的是将异常值和缺失数据归类为不良数据，而事件数据通过精确测量归类为正常数据
。
[0007]对抗生成网络：简称
GAN。GAN
是一种深度生成模型，由判别模块和生成模块构成
。
在训练过程中，生成器
G
输入与目标数据同维度的高斯噪声，判别器
D
输入正常量测信息和生成器输出的伪数据，二者交替迭代训练形成博弈对抗，最终生成器和判别器达到纳什均衡，此时生成器输出重构量测数据
。
[0008]PMU
数据是电力系统监测
、
控制和分析的基础，因此，
PMU
数据质量至关重要，对分析结果乃至电力系统运行安全性的产生显著影响
。
然而，
PMU
设备构造复杂，容易受到内外部因素的影响，从而导致
PMU
测量的时间序列包含不良或异常数据
。
故有必要对电力系统中
PMU
测量数据进行不良数据辨识，并努力提高
PMU
测量数据的质量
。
[0009]PMU
数据的异常值是指与预期测量值有显著偏差的数据点
。
在没有系统事件的情况下，异常值通常形状像突然上升和下降的尖峰
。
事件数据是在系统事件
(
如切换事件和负载突然变化
)
发生时生成的
。
通常情况下，由于
PMU
测量值从事件前阶段变化到事件后阶段，因此会显示阶跃事件数据
。
如果
PMU
测量值在瞬变周期前后偏差很小，则事件数据呈尖峰状，
PMU
测量曲线具有类似的突变和异常值
。
基于检查突然变化发生的不良数据辨识方法可以很容易地识别异常值，如静态操作条件下的数据峰值
。
然而，异常值和尖峰状事件数据的
相似轮廓会导致不良数据辨识的失败和不准确
。

技术实现思路

[0010]为了解决上述现有技术中存在的技术问题，本专利技术提供了一种智能配电网
PMU
不良数据辨识方法
、
系统
、
设备及存储介质
。
[0011]为实现上述目的，本专利技术实施例提供了如下的技术方案：
[0012]第一方面，在本专利技术提供的一个实施例中，提供了智能配电网
PMU
不良数据辨识方法，该方法包括以下步骤：
[0013]获取
PMU
量测序列，并基于所述
PMU
量测序列获得对应的量测重构序列；
[0014]基于所述
PMU
量测序列和对应的量测重构序列，构成
PMU
量测序列组合，且生成对应的二维图像数据；
[0015]利用混合聚类对所述二维图像数据进行处理，获得初步的
PMU
量测序列各点辨识结果；
[0016]对初步的
PMU
量测序列各点辨识结果进行集成学习辨识与结果修正，获得最终的
PMU
量测序列各点辨识结果
。
[0017]作为本专利技术的进一步方案，在所述获取
PMU
量测序列，并基于所述
PMU
量测序列获得对应的量测重构序列，之前还包括步骤：
[0018]获取样本数据集，利用所述样本数据集对
GAN
模型进行训练，获得训练后的
GAN
模型；其中所述样本数据集包括样本
PMU
量测序列组合和对应的样本二维图像数据
。
[0019]作为本专利技术的进一步方案，所述获取
PMU
量测序列，并基于所述
PMU
量测序列获得对应的量测重构序列，包括：
[0020]获取
PMU
量测序列，基于所述
PMU
量测序列利用训练后的
GAN
模型，生成对应的量测重构序列
。
[0021]作为本专利技术的进一步方案，所述
PMU
量测序列为
X
i
，量测重构序列为
X
j
，所述
PMU
量测序列组合为
X
ij
，所述
X
ij
通过如下公式计算：
[0022][0023]作为本专利技术的进一步方案，所述利用混合聚类对所述二维图像数据进行处理，获得初步的
PMU
量测序列各点辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能配电网
PMU
不良数据辨识方法，其特征在于，该方法包括：获取
PMU
量测序列，并基于所述
PMU
量测序列获得对应的量测重构序列；基于所述
PMU
量测序列和对应的量测重构序列，构成
PMU
量测序列组合，且生成对应的二维图像数据；利用混合聚类对所述二维图像数据进行处理，获得初步的
PMU
量测序列各点辨识结果；对初步的
PMU
量测序列各点辨识结果进行集成学习辨识与结果修正，获得最终的
PMU
量测序列各点辨识结果
。2.
如权利要求1所述的智能配电网
PMU
不良数据辨识方法，其特征在于，在所述获取
PMU
量测序列，并基于所述
PMU
量测序列获得对应的量测重构序列，之前还包括步骤：获取样本数据集，利用所述样本数据集对
GAN
模型进行训练，获得训练后的
GAN
模型；其中所述样本数据集包括样本
PMU
量测序列组合和对应的样本二维图像数据
。3.
如权利要求2所述的智能配电网
PMU
不良数据辨识方法，其特征在于，所述获取
PMU
量测序列，并基于所述
PMU
量测序列获得对应的量测重构序列，包括：获取
PMU
量测序列，基于所述
PMU
量测序列利用训练后的
GAN
模型，生成对应的量测重构序列
。4.
如权利要求2所述的智能配电网
PMU
不良数据辨识方法，其特征在于，所述
PMU
量测序列为
X
i
，量测重构序列为
X
j
，
所述
PMU
量测序列组合为
X
ij
，所述
X
ij
通过如下公式计算：
5.
如权利要求1所述的智能配电网
PMU
不良数据辨识方法，其特征在于，所述利用混合聚类对所述二维图像数据进行处理，获得初步的

【专利技术属性】
技术研发人员：严正，谢伟，徐潇源，方陈，朱彦名，刘舒，柳劲松，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：