[发明专利]一种电力系统时间序列异常数据检测与修正方法及系统

说明书

本发明公开一种电力系统时间序列异常数据检测与修正方法及系统，其首先利用多尺度卷积模块对电力序列数据做初步的特征提取，然后利用多个残差模块对提取的特征向量进一步表示为新的特征向量，再使用一个全连接层将特征向量映射到误差序列中，最后通过一个标准阈值对误差进行处理，得到数据异常点并修正；其提高异常数据的辨别能力，利用深度残差结构有效地减少网络的梯度消失及模型退化问题，通过序列误差估计实现异常数据的检测与修正，无需复杂的特征工程，并且相同硬件条件下样本测试时间也比大多数方法快很多，其能够更高效地进行时间序列数据的异常检测及修正，从而提高电网时序数据的质量，为电网的准确数据分析和评价提供了有效支撑。

技术领域

本发明属于时序电力数据异常检测与修正技术领域，涉及一种电力系统时间序列异常数据检测与修正方法及系统，尤其涉及一种基于多尺度深度残差网络的电力系统时间序列异常数据检测与修正方法及系统。

背景技术

目前，随着现代化技术的先进发展，在电力系统中，电网的内部结构及系统运行方式也变得更加复杂，这使得加深系统智能化、自动化成为必然。同时，由于人们对电能质量的要求提高，使得必须拥有更真实、更精确的数据库。然而，多种外部环境的干扰会导致少数测量数据存在测量误差，影响数据分级，进而影响决策。因此电力系统不良数据的检测与辨识是电力系统状态估计的重要功能之一，其目的在与排除测量采样中偶然出现的少量不良数据，提高状态估计的可靠性。不良数据的存在会影响电力系统的运行状态，从而影响系统的性能，但是电力环境的复杂性对不良数据检测算法的鲁棒性提出挑战。因此，面向复杂的电力环境，建立一套不良检测与辨识模型及算法对有效估计电力系统状态，保证电力系统稳定运行具有十分的重要意义。现有技术的电力系统异常数据检测方法主要有基于状态估计法、数据挖掘法。状态估计法一般以加权最小二乘状态估计方法为基础，该方法假设测量误差服从误差正态分布，然后基于假设检验的方法依据残差来辨识异常数据，但该类方法可能会污染或者淹没残差，从而造成不良数据的漏检或误检。数据挖掘指主要从大量的各种纯净或非纯净数据中，提取出其中隐含的有用信息或知识过程，此类方法主要包含基于神经网络和基于模糊理论的两种方法。但是，传统的单层感知器只能求解线性问题，对求解复杂的非线性问题时需要用到多层感知机即深度神经网络，然而基于深度神经网络的算法仍然需要进一步完善。

发明内容

本发明提供一种电力系统时间序列异常数据检测与修正方法及系统，以解决现有技术中所存在的上述问题，其作为基于多尺度深度残差网络的电力系统时间序列异常数据检测与修正方法，能够辨识和修正电力系统不良数据。

本发明的电力系统时间序列异常数据检测与修正方法，包括如下步骤：

第一步，多尺度深度残差网络模型的训练：设定网络模型为多尺度输入、基于残差单元的特征提取器和误差修正三个部分；整个网络的开始部分为多尺度输入模块，在所述多尺度输入模块提取完特征向量后，使用多个所述残差单元对所述多尺度输入模块提取的特征向量进一步映射，得到误差序列，最后输入数据序列减去所述误差序列得到修正后的数据序列；

第二步，多尺度深度残差网络的电力系统时间序列异常数据检测与修正：通过大小为N的滑动窗口在对输入的电力数据进行采样作为所述多尺度深度残差网络的输入，然后经由所述多尺度深度残差网络得到误差序列；得到所述误差序列后，通过一个标准化阈值对所述误差序列进行处理，得到数据的异常点。

在以上方案中优选的是，第一步中，所述多尺度深度残差网络模型包括：所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正的数据输入部分，所述多尺度深度残差网络的电力系统时间序列异常数据检测与修正模型用对输入采用多尺度卷积来提取特征并联后作为输入。

还可以优选的是，第一步中，所述多尺度输入模块采用三个尺度卷积提取特征。

还可以优选的是，第一步中，所述三个尺度卷积的卷积核大小分别为1×1，3×1，5×1。