[发明专利]一种电力系统异常数据的识别方法、装置和智能芯片

权利要求书

1.一种电力系统异常数据的识别方法，其特征在于，包括：

获取电力系统的待测数据和与所述待测数据对应的实际状态估计值；

获取状态估计值预测模型；其中，所述状态估计值预测模型是采用电力系统的至少一组样本数据组对循环神经网络进行训练得到的，每一组所述样本数据组均包括样本数据和预先标注的状态估计值；

根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值；

基于所述实际状态估计值和所述预测状态估计值，识别电力系统的异常数据；

在所述获取状态估计值预测模型之前，还包括：

获取训练样本集，所述训练样本集包括至少一组所述样本数据组；

对于每一组所述样本数据组，从所述样本数据中提取样本数据特征；

将所述样本数据特征输入到所述循环神经网络，输出得到样本预测状态估计值；其中，所述循环神经网络为长短期记忆模型；

将所述样本预测状态估计值与预先标注的状态估计值进行比较，得到计算损失；其中，所述计算损失用于指示所述样本预测状态估计值与预先标注的状态估计值之间的误差；

根据每一组所述样本数据组各自对应的计算损失，采用误差反向传播算法训练得到所述状态估计值预测模型；

所述根据所述待测数据，调用所述状态估计值预测模型输出得到预测状态估计值，包括：

对所述待测数据进行降维处理，得到低维待测数据；

从所述低维待测数据中提取数据特征；其中，所述数据特征包括电流波动特征和/或电压波动特征；

将从所述低维待测数据中提取的数据特征输入到所述状态估计值预测模型中，输出得到预测状态估计值；

在处理过程中视每一个待测数据为一行字段，同时选取多个待测数据作为一个处理矩阵单元；

所述对所述待测数据进行降维处理，得到低维待测数据，包括：

将所述待测数据映射到高维，并进行中心化操作，m个待测数据中心化后，以每个待测数据为一行，m个待测数据组成m行n列的数据矩阵X；

对所述数据矩阵X进行线性转换，得到该数据矩阵X的协方差矩阵C；

计算所述协方差矩阵C的特征值和特征向量；

依据特征值大小取k∈（0，n）个对应的特征行向量，组成投影矩阵P；

得到Y＝PX；其中，Y为降维到k维的低维待测数据。

2.根据权利要求1所述的方法，其特征在于，所述基于所述实际状态估计值和所述预测状态估计值，识别电力系统的异常数据，包括：

基于所述实际状态估计值和所述预测状态估计值的平方误差得到量测残差；

对所述量测残差进行聚类分析，识别电力系统的异常数据。

3.根据权利要求1所述的方法，其特征在于，所述基于所述实际状态估计值和所述预测状态估计值，识别电力系统的异常数据，包括：

根据如下公式，确定估计阈值；其中，所述公式为：

用于表征所述估计阈值，用于表征与每一次样本数据对应的实际状态估计值，用于表征与每一次样本数据对应的预测状态估计值，n用于表征选取的样本数据的次数；

如果所述实际状态估计值和所述预测状态估计值的差值的绝对值大于所述估计阈值，则确定所述待测数据中存在异常数据。