【技术实现步骤摘要】
本专利技术属于异常数据预测分析领域，具体来说，特别涉及一种基于数据分析的配网异常数据预测方法及系统。
技术介绍
1、中国专利cn117472898b公开了一种基于融合的配电网异常数据纠错方法及系统，采集配电网数据并判断其中是否存在异常数据；若存在第二功率异常数据，则获取该异常数据的位置，并将功率数据序列划分为正常功率数据子序列和异常功率数据子序列；将正常功率数据子序列输入到预设的lstm神经网络中进行训练，得到第一目标lstm模型；将与某一异常功率数据关联的至少一个正常功率数据输入到第一目标lstm模型中，得到预测功率数据，并将预测功率数据替换该异常功率数据。
2、配网异常数据可能导致电力系统的稳定性和可靠性降低，影响电能质量，增加维护成本，甚至可能引起大面积停电事故；因此，若不能对配网异常数据进行预测，则不能提前采取措施以预防上述情况的发生，从而对企业造成经济损失甚至对人类的日常生活造成影响。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于数据分析的配网异常数据预测方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、本专利技术为一种基于数据分析的配网异常数据预测方法，包括以下步骤：
4、s1、采集多种类型的多个历史时间点的配网数据，得到配网数据矩阵集；
5、s2、对所述配网数据矩阵集进行聚类操作，得到配网数据分类矩阵；再对所述配网数据分类
6、s3、再次采集待预测的多种类型的多个历史时间点的配网数据，得到历史配网数据矩阵；根据所述历史配网数据矩阵对未来时刻的配网数据进行预测以及分类分析，得到第一分析结果；
7、s4、对所述历史配网数据矩阵中的配网异常数据进行分类，得到历史非故障型异常时间段矩阵以及历史故障型异常时间段矩阵；
8、s5、根据非故障型异常时间段集平均矩阵以及故障型异常时间段集平均矩阵对历史非故障型异常时间段矩阵以及历史故障型异常时间段矩阵进行预测分析，得到第二分析结果；
9、s6、对比所述第一分析结果和第二分析结果，得到最终非故障型异常时间段矩阵和最终故障型异常时间段矩阵；
10、不同的配网数据随着时间具有不同的变化趋势，需要分开进行分析，因此采集多种类型的多个历史时间点的配网数据，为后续对配网数据中异常数据的所在的时间点分布进行分析提供了数据支持；通过对配网数据矩阵集进行聚类操作，将数据相似的配网数据进行聚合，便于后续对初始非故障型异常时间段矩阵和初始故障型异常时间段矩阵进行平均值计算；通过对初始非故障型异常时间段矩阵和初始故障型异常时间段矩阵进行平均值计算，降低了数据的偶发性，从而提高了后续分析的准确性；通过采集预测的多种类型的多个历史时间点的配网数据，为后续进行预测操作提供了数据依据；本方案从两个角度对历史配网数据矩阵进行预测，其一是根据多个历史时间点的配网数据随着时间的变化趋势，从而对未来时间的配网数据进行预测，进行对预测得到的未来时间点的配网数据中的异常数据进行分类和分析；由于电力消费和生产受到日常生活模式、工业生产周期、季节变化等因素的影响；例如，家庭和商业用电在工作日和周末、白天和夜晚会有不同的模式，而工业用电可能会有更明显的周期性，如按班次或生产周期变化；此外，季节性变化也会影响电力需求，如夏季空调使用增加导致的电力负荷上升，因此配网数据通常具有周期性；从而，其二是通过找寻配网中异常数据出现的周期性，将采集的多个历史时间点的配网数据与已有的并且已知其周期的配网异常数据进行对比，将其中最为相似的已有配网异常数据作为未来时间点的配网数据，在对该未来时间点的配网数据进行分类和分析；通过这两个角度获取到两种分析结果，最后再对两种分析结果进行综合对比和分析，使得最终的分析结果更加全面和准确。
11、优选地，所述s1包括以下步骤：
12、s11、设定多种配网数据类型以及对应的数据统计周期，得到配网数据类型集a＝{a1,a2,...,ai,...,aa′}以及数据统计周期集b′＝{b1′,b2′,...,bi′,...,ba″}，ai表示设定的第i种配网数据类型，a′表示设定的配网类型的总数量；bi′表示针对第i种配网数据类型设定的数据统计周期；
13、针对每种配网数据类型对应的数据统计周期设定相同数量的历史时间点，得到历史时间点矩阵如下，
14、
15、其中，表示针对第i种配网数据类型对应的数据统计周期设定的第j个历史时间点，表示针对每种配网数据类型对应的数据统计周期设定的历史时间点的总个数；
16、根据所述历史时间点矩阵以及采集配网数据类型集a＝{a1,a2,...,ai,...,aa′}中每种配网数据类型对应的多个带有异常配网数据的数据统计周期的配网数据，得到配网数据矩阵集；
17、s12、针对每种配网数据类型设定对应的异常数据阈值，得到异常数据阈值集表示针对第i种配网数据类型设定的异常数据阈值；
18、配网数据类型集中包括电压、电流、有功功率、无功功率、频率等电气参数，以及断路器和隔离状态信息等；这些不同类型的配网数据的变化周期存在差别，因此，针对每种类型的配网数据均设置其针对性的数据统计周期；从而使得采集的每种类型的配网数据更加完整和反映其周期性；其次，不同类型的配网数据的异常数据阈值也不同，从而针对不同类型的配网数据设定其对应的异常数据阈值，提高了后续分析的准确性。
19、优选地，所述s2包括以下步骤：
20、s21、对所述配网数据矩阵集中每个配网数据矩阵进行聚类操作，得到配网数据分类矩阵c；如下，
21、
22、其中，cij表示第i种配网数据类型对应的第j个分类的配网数据矩阵；cijkk′表示cij中第k个数据统计周期内第k′个历史时间点的配网数据；表示cij中配网数据对应的数据统计周期的总数量；
23、s22、设定连续时间点个数阈值集表示第i种配网数据类型对应的连续时间点个数阈值；配合所述连续时间点个数阈值集以及异常数据阈值集当所述配网数据分类矩阵c中每种配网数据类型对应的每个分类的配网数据矩阵的每个周期中的配网异常数据持续的时间点数据小于对应的连续时间点个数阈值时，则将该配网异常数据对应的时间段作为非故障型异常时间段；否则，则该配网异常数据对应的时间段作为故障型异常时间段；得到初始非故障型异常时间段矩阵d1和初始故障型异常时间段矩阵d2；如下，
24、
25、其中，d1ij和d2ij分别表示第i种配网数据类型对应的第j个分类的非故障型异常时间段矩阵以及故障型异常时间段矩阵；分别如下，
26、...
【技术保护点】
1.一种基于数据分析的配网异常数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S1包括以下步骤：
3.根据权利要求2所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S2包括以下步骤：
4.根据权利要求3所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S21包括以下步骤：
5.根据权利要求4所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S3包括以下步骤：
6.根据权利要求5所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S4包括以下步骤：
7.根据权利要求6所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S5包括以下步骤：
8.根据权利要求7所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述S6包括以下步骤：
9.一种实现如权利要求1-8任一项所述的基于数据分析的配网异常数据预测方法的系统。
【技术特征摘要】
1.一种基于数据分析的配网异常数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求2所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述s2包括以下步骤：
4.根据权利要求3所述的一种基于数据分析的配网异常数据预测方法，其特征在于，所述s21包括以下步骤：
5.根据权利要求4所述的一种基于数据分析的配网异常数据...
【专利技术属性】
技术研发人员：王彬，秦力，梅杨雪，丁志刚，马欣宇，丁艺敏，陈春荣，
申请(专利权)人：国网宁夏电力有限公司吴忠供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。