一种配网电压异常数据检测方法及装置

技术领域

本申请涉及电力系统大数据分析技术领域，尤其涉及一种配网电压异常数据检测方法及装置。

背景技术

配网电压数据是由配电网数据采集系统来监测并储存。配电网数据采集系统每隔一段时间上传一次配网电压数据，因此配电网电压采集系统的数据库中会积累大量历史配网电压数据。配网电压数据中包括电压实际量测值，如果能对电压实际量测值进行深度挖掘与研究，就能够给配电网运行过程中的用电预测、异常检测、安全运行、决策调度等方面带来强有力的技术数据支撑。

目前存储的配网电压数据呈现出源多、信息异构、数量庞大、属性繁多等特点，往往存在较多异常数据。因此在利用配网电压数据进行信息挖掘之前，需要对其中的异常数据进行检测，从而确保作业人员得到正确可靠的配网电压数据。

发明内容

本申请公开一种配网电压异常数据检测方法及装置，用于解决现有技术中，配电网电压采集系统的数据库中，存储的配网电压数据存在较多异常数据，如何对异常数据进行检测的技术问题。

本申请第一方面公开了一种配网电压异常数据检测方法，包括：

获取历史配网电压数据，并生成历史电压数据集；

根据所述历史电压数据集获取待检测电压数据集，所述待检测电压数据集包括多个依次按量测时间顺序排列的电压实际量测值；

将所述待检测电压数据集输入至预先构建的配网电压预测模型中，获取所述配网电压预测模型输出的多个电压预测值，所述多个电压预测值分别与所述待检测电压数据集中除前两个电压实际量测值以外的电压实际量测值一一对应，所述配网电压预测模型包括预设规则；

获取多个电压误差值，任一所述电压误差值为任一所述电压预测值与对应的电压实际量测值之间的差值；

根据所述多个电压误差值，确定电压误差标准差值；

根据目标电压误差值和所述电压误差标准差值，确定目标电压实际量测值是否为异常数据，所述目标电压误差值与所述目标电压实际量测值相对应，所述目标电压误差值为任一个所述电压误差值。

可选的，所述预设规则包括相对应的输入规则和输出规则：

所述输入规则为将所述待检测电压数据集中第t-2时刻的电压实际量测值和第t-1时刻的电压实际量测值作为所述配网电压预测模型的输入；

所述输出规则为将所述待检测电压数据集中第t时刻的电压实际量测值作为所述配网电压预测模型的输出，第t时刻为所述待检测电压数据集中除前两个电压实际量测值对应时刻以外的任一电压实际量测值对应的时刻。

可选的，构建所述配网电压预测模型的步骤包括：

根据预设比例，将所述历史电压数据集划分为训练集和测试集，所述测试集为所述待检测电压数据集；

使用所述训练集对Bi-LSTM神经网络预测模型进行训练，构建配网电压预测模型。

可选的，所述获取多个电压误差值，包括：

通过如下公式确定所述多个电压误差值：

s

其中，s

可选的，所述根据所述多个电压误差值，确定电压误差标准差值，包括：

通过如下公式确定所述电压误差标准差值：

其中，μ表示所述多个电压误差值的平均值，m表示所述电压误差值的个数，t表示时刻，s

本申请第二方面公开了一种配网电压异常数据检测装置，所述配网电压异常数据检测装置应用于本申请第一方面所公开的一种配网电压异常数据检测方法，所述配网电压异常数据检测装置包括：

历史电压数据获取模块，用于获取历史配网电压数据，并生成历史电压数据集；

待检测电压数据获取模块，用于根据所述历史电压数据集获取待检测电压数据集，所述待检测电压数据集包括多个依次按量测时间顺序排列的电压实际量测值；

电压预测值获取模块，用于将所述待检测电压数据集输入至预先构建的配网电压预测模型中，获取所述配网电压预测模型输出的多个电压预测值，所述多个电压预测值分别与所述待检测电压数据集中除前两个电压实际量测值以外的电压实际量测值一一对应，所述配网电压预测模型包括预设规则；

电压误差值获取模块，用于获取多个电压误差值，任一所述电压误差值为任一所述电压预测值与对应的电压实际量测值之间的差值；

电压误差标准差值获取模块，用于根据所述多个电压误差值，确定电压误差标准差值；

异常数据判断模块，用于根据目标电压误差值和所述电压误差标准差值，确定目标电压实际量测值是否为异常数据，所述目标电压误差值与所述目标电压实际量测值相对应，所述目标电压误差值为任一个所述电压误差值。

可选的，所述预设规则包括相对应的输入规则和输出规则：

所述输入规则为将所述待检测电压数据集中第t-2时刻的电压实际量测值和第t-1时刻的电压实际量测值作为所述配网电压预测模型的输入；

所述输出规则为将所述待检测电压数据集中第t时刻的电压实际量测值作为所述配网电压预测模型的输出，第t时刻为所述待检测电压数据集中除前两个电压实际量测值对应时刻以外的任一电压实际量测值对应的时刻。

可选的，所述配网电压异常数据检测装置还包括模型构建模块，所述模型构建模块用于预先构建所述配网电压预测模型，所述模型构建模块包括：

划分处理单元，用于根据预设比例，将所述历史电压数据集划分为训练集和测试集，所述测试集为所述待检测电压数据集；

配网电压预测模型构建单元，用于使用所述训练集对Bi-LSTM神经网络预测模型进行训练，构建配网电压预测模型。

可选的，所述电压误差值获取模块用于通过如下公式确定所述多个电压误差值：

s

其中，s

可选的，所述电压误差标准差值获取模块用于通过如下公式确定所述电压误差标准差值：

其中，μ表示所述多个电压误差值的平均值，m表示所述电压误差值的个数，t表示时刻，s

本申请涉及电力系统大数据分析技术领域，公开了一种配网电压异常数据检测方法及装置。在该方法中，首先，基于Bi-LSTM神经网络，并利用历史配网电压数据对Bi-LSTM神经网络模型进行训练，建立包含预设规则的配网电压预测模型。然后将包含多个电压实际量测值的待检测电压数据集，输入配网电压预测模型中，得到与电压实际量测值相对应且符合预设规则的电压预测值，根据相对应的电压实际量测值和电压预测值确定电压误差值。进一步确定电压误差标准差值，并根据目标电压误差值和电压误差标准差值之间的相互关系，确定目标电压实际量测值是否为异常数据。本申请能够有效地对配电网数据采集系统中的异常数据进行检测，给配电网运行过程中的用电预测、异常检测、安全运行、决策调度等方面带来强有力的技术数据支撑。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种配网电压异常数据检测方法的工作流程示意图；

图2为本申请实施例公开的一种配网电压异常数据检测方法中，预先构建的配网电压预测模型的工作流程示意图；

图3为本申请实施例公开的一种配网电压异常数据检测装置的结构示意图。

具体实施方式

为了解决现有技术中，配电网电压采集系统的数据库中，存储的配网电压数据存在较多异常数据，如何对异常数据进行检测的技术问题，本申请通过以下两个实施例公开了一种配网电压异常数据检测方法及装置。

本申请第一实施例公开了一种配网电压异常数据检测方法，参见图1所示的工作流程示意图，所述配网电压异常数据检测方法包括：

步骤S101，获取历史配网电压数据，并生成历史电压数据集。

在实际应用中，为了保证构建出的配网电压预测模型的可靠性，所述历史电压数据集中，需要至少10000个依次按量测时间顺序排列的电压实际量测值。

步骤S102，根据所述历史电压数据集获取待检测电压数据集，所述待检测电压数据集包括多个依次按量测时间顺序排列的电压实际量测值。

步骤S103，将所述待检测电压数据集输入至预先构建的配网电压预测模型中，获取所述配网电压预测模型输出的多个电压预测值，所述多个电压预测值分别与所述待检测电压数据集中除前两个电压实际量测值以外的电压实际量测值一一对应，所述配网电压预测模型包括预设规则。

进一步的，所述预设规则包括相对应的输入规则和输出规则：

所述输入规则为将所述待检测电压数据集中第t-2时刻的电压实际量测值和第t-1时刻的电压实际量测值作为所述配网电压预测模型的输入。

所述输出规则为将所述待检测电压数据集中第t时刻的电压实际量测值作为所述配网电压预测模型的输出，第t时刻为所述待检测电压数据集中除前两个电压实际量测值对应时刻以外的任一电压实际量测值对应的时刻。

具体来说，输入n(n≥3，且n为正整数)个电压实际量测值，则通过所述配网电压预测模型，输出n-2个电压预测值。所述电压实际量测值和所述电压预测值的对应关系见以下示例。

示例：

向所述配网电压预测模型输入待检测电压数据集，所述待检测电压数据集具体包括第t-4时刻的电压实际量测值x

在实际应用中，待检测电压数据集中包括多个依次按量测时间顺序排列的电压实际量测值，其他数量的待检测电压数据集请参照以上示例依次类推。

步骤S104，获取多个电压误差值，任一所述电压误差值为任一所述电压预测值与对应的电压实际量测值之间的差值。

在本申请的部分实施例中，计算所述待检测电压数据集中，除前两个时刻之外，其他任一时刻所述电压预测值与所述电压实际量测值之间的差值，将得到的所述多个电压误差值记为误差集合S。

进一步的，所述获取多个电压误差值，包括：

通过如下公式确定所述多个电压误差值：

s

其中，s

步骤S105，根据所述多个电压误差值，确定电压误差标准差值。

进一步的，所述根据所述多个电压误差值，确定电压误差标准差值，包括：

通过如下公式确定所述电压误差标准差值：

其中，μ表示所述多个电压误差值的平均值，m表示所述电压误差值的个数，t表示时刻，s

步骤S106，根据目标电压误差值和所述电压误差标准差值，确定目标电压实际量测值是否为异常数据，所述目标电压误差值与所述目标电压实际量测值相对应，所述目标电压误差值为任一个所述电压误差值。

在本申请的部分实施例中，将所述误差集合S建模为服从所述多个电压误差值的平均值μ，所述电压误差标准差值σ的正态分布，并根据正态分布的3σ原则，将大于3σ范围的目标电压误差值所对应的时刻看作为异常数据点，将在3σ范围内的目标电压误差值所对应的时刻看作正常数据点。进一步将所述异常数据点所对应的目标电压实际量测值确定为异常数据，将所述正常数据点所对应的目标电压实际量测值确定为正常数据。

本申请上述实施例公开的一种配网电压异常数据检测方法，首先，基于Bi-LSTM神经网络，并利用历史配网电压数据对Bi-LSTM神经网络模型进行训练，建立包含预设规则的配网电压预测模型。然后将包含多个电压实际量测值的待检测电压数据集，输入配网电压预测模型中，得到与电压实际量测值相对应且符合预设规则的电压预测值，根据相对应的电压实际量测值和电压预测值确定电压误差值。进一步确定电压误差标准差值，并根据目标电压误差值和电压误差标准差值之间的相互关系，确定目标电压实际量测值是否为异常数据。本申请能够有效地对配电网数据采集系统中的异常数据进行检测，给配电网运行过程中的用电预测、异常检测、安全运行、决策调度等方面带来强有力的技术数据支撑。

在本申请的部分实施例中，使用一组全部为正常数据的配网电压数据，将其中部分电压实际量测值预先设置为异常数据，然后通过本申请第一实施例公开的一种配网电压异常数据检测方法进行验证，计算配网电压数据的准确率Accuracy、召回率Recall、辨识率Precision和F1值。准确率Accuracy指检测正确的样本数占所有检测样本的比值；召回率Recall指正确检测出来的异常数据个数与实际异常数据个数的比值；辨识率Precision指正确检测异常数据个数与被检测出来异常数据个数的比值；F1值是召回率和辨识率的兼顾指标，是召回率和辨识率的调和平均数。

具体通过如下公式进行验证：

式中，TP表示实际情况为异常数据且检测情况为异常数据的个数，FN表示实际情况为异常数据且检测情况为正常数据的个数，FP表示实际情况为正常数据且检测情况为异常数据的个数，TN表示实际情况为正常数据且检测情况为正常数据的个数。具体说明如表1所示。

表1

准确率Accuracy、召回率Recall、辨识率Precision和F1值越大，证明本申请实施例公开的一种配网电压异常数据检测方法检测效果越好。

进一步的，参见图2所示的工作流程示意图，构建所述配网电压预测模型的步骤包括：

步骤S201，根据预设比例，将所述历史电压数据集划分为训练集和测试集，所述测试集为所述待检测电压数据集。

在本申请的部分实施例中，所述预设比例为8：2，当所述历史电压数据集包括10000个电压实际量测值，则所述训练集包括8000个依次按量测时间顺序排列的电压实际量测值，所述测试集包括2000个依次按量测时间顺序排列的电压实际量测值。

步骤S202，使用所述训练集对Bi-LSTM神经网络预测模型进行训练，构建配网电压预测模型。

其中，Bi-LSTM神经网络是由前向LSTM神经网络和后向LSTM神经网络组合而成，属于在LSTM(Long Short-Term Memory，长短期记忆)神经网络基础上的进一步改进，Bi-LSTM神经网络不仅增加了隐藏层各单元间的横向联系，还可以通过挖掘正向序列和反向序列的信息，更好地学习序列信息的规律，更适合应用于具有时间序列特性的配网电压数据上。

具体来说，所述训练过程具体如下：将所述第t+1时刻的电压实际量测值x

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

本申请第二实施例公开了一种配网电压异常数据检测装置，所述配网电压异常数据检测装置应用于第一实施例所公开的一种配网电压异常数据检测方法，参见图3所示的结构示意图，所述配网电压异常数据检测装置包括：

历史电压数据获取模块10，用于获取历史配网电压数据，并生成历史电压数据集；

待检测电压数据获取模块20，用于根据所述历史电压数据集获取待检测电压数据集，所述待检测电压数据集包括多个依次按量测时间顺序排列的电压实际量测值；

电压预测值获取模块30，用于将所述待检测电压数据集输入至预先构建的配网电压预测模型中，获取所述配网电压预测模型输出的多个电压预测值，所述多个电压预测值分别与所述待检测电压数据集中除前两个电压实际量测值以外的电压实际量测值一一对应，所述配网电压预测模型包括预设规则；

电压误差值获取模块40，用于获取多个电压误差值，任一所述电压误差值为任一所述电压预测值与对应的电压实际量测值之间的差值；

电压误差标准差值获取模块50，用于根据所述多个电压误差值，确定电压误差标准差值；

异常数据判断模块60，用于根据目标电压误差值和所述电压误差标准差值，确定目标电压实际量测值是否为异常数据，所述目标电压误差值与所述目标电压实际量测值相对应，所述目标电压误差值为任一个所述电压误差值。

进一步的，所述预设规则包括相对应的输入规则和输出规则：

所述输入规则为将所述待检测电压数据集中第t-2时刻的电压实际量测值和第t-1时刻的电压实际量测值作为所述配网电压预测模型的输入。

所述输出规则为将所述待检测电压数据集中第t时刻的电压实际量测值作为所述配网电压预测模型的输出，第t时刻为所述待检测电压数据集中除前两个电压实际量测值对应时刻以外的任一电压实际量测值对应的时刻。

进一步的，所述配网电压异常数据检测装置还包括模型构建模块，所述模型构建模块用于预先构建所述配网电压预测模型，所述模型构建模块包括：

划分处理单元，用于根据预设比例，将所述历史电压数据集划分为训练集和测试集，所述测试集为所述待检测电压数据集；

配网电压预测模型构建单元，用于使用所述训练集对Bi-LSTM神经网络预测模型进行训练，构建配网电压预测模型。

进一步的，所述电压误差值获取模块用于通过如下公式确定所述多个电压误差值：

s

其中，s

进一步的，所述电压误差标准差值获取模块用于通过如下公式确定所述电压误差标准差值：

其中，μ表示所述多个电压误差值的平均值，m表示所述电压误差值的个数，t表示时刻，s

以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。