[發(fā)明專利]一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811069511.3
• 申請(qǐng)日: 2018-09-13
• 公開(kāi)（公告）號(hào): CN109344146A
• 公開(kāi)（公告）日: 2019-02-15
• 發(fā)明（設(shè)計(jì)）人: 陳欽柱;司馬文霞;殷健;袁濤;王為民;張涵;龐松嶺;楊鳴
• 申請(qǐng)（專利權(quán)）人: 海南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院
• 主分類號(hào): G06F16/215
• 分類號(hào): G06F16/215;G06F16/26
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 陳歡

1.一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，通過(guò)稀疏自編碼方法提取高維過(guò)電壓波形的關(guān)鍵特征后，通過(guò)CFSFDP法實(shí)現(xiàn)特征聚類，用以實(shí)現(xiàn)過(guò)電壓數(shù)據(jù)清洗，其步驟如下：

S1、獲取某地區(qū)供電站的原始過(guò)電壓波形數(shù)據(jù)；

S2、搭建基于主成分分析法的稀疏自編碼網(wǎng)絡(luò)，對(duì)所述原始過(guò)電壓波形數(shù)據(jù)進(jìn)行特征提取，獲得過(guò)電壓數(shù)據(jù)的二維特征量集合；

S3、采用CFSFDP法對(duì)所述二維過(guò)電壓特征量進(jìn)行聚類分析，獲得若干類聚類簇；

S4、監(jiān)測(cè)每一類聚類簇所表達(dá)的波形，進(jìn)行過(guò)電壓數(shù)據(jù)完全清洗。

2.根據(jù)權(quán)利要求1所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，所述原始過(guò)電壓波形數(shù)據(jù)包括內(nèi)部過(guò)電壓波形數(shù)據(jù)與外部過(guò)電壓波形數(shù)據(jù)，所述外部過(guò)電壓波形數(shù)據(jù)為雷電過(guò)電壓波形數(shù)據(jù)，所述內(nèi)部過(guò)電壓包括暫時(shí)過(guò)電壓與操作過(guò)電壓，所述暫時(shí)過(guò)電壓分為諧振過(guò)電壓和工頻電壓升高，工頻電壓升高的類型有空載長(zhǎng)線路的電容效應(yīng)、不對(duì)稱接地和突然甩負(fù)荷，諧振過(guò)電壓包括線性諧振，參數(shù)諧振和非線性諧振，所述操作過(guò)電壓包括投切變壓器、投切線路、間隙電弧接地過(guò)電壓。

3.根據(jù)權(quán)利要求1所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，步驟S2中，建立包括輸入層，隱含層與輸出層在內(nèi)的稀疏自編碼神經(jīng)網(wǎng)絡(luò)，每層網(wǎng)絡(luò)有對(duì)應(yīng)的編碼器和對(duì)應(yīng)的權(quán)重函數(shù)，同時(shí)構(gòu)造一個(gè)懲罰函數(shù)，通過(guò)懲罰函數(shù)的最小化獲得自編碼網(wǎng)絡(luò)中各個(gè)參數(shù)的值。

4.根據(jù)權(quán)利要求3所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，在所建立的稀疏自編碼神經(jīng)網(wǎng)絡(luò)中，從輸入層到隱藏層是編碼過(guò)程，所述編碼過(guò)程的表達(dá)式為：

a^(k)＝f(W^(k，1)*X^(k-1)+b^(k，1))

從隱藏層到輸出層是解碼過(guò)程，所述解碼過(guò)程的表達(dá)式為：

y^(k)＝f(W^(k，2)*a^(k)+b^(k，2))

式中，W^(k，1)、W^(k，2)表示第k個(gè)自編碼器對(duì)應(yīng)的權(quán)重，、b^(k，1)、b^(k，2)表示第k個(gè)自編碼器對(duì)應(yīng)的biss參數(shù)，f(k)為激活函數(shù)。

5.根據(jù)權(quán)利要求4所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，在建立稀疏自編碼神經(jīng)網(wǎng)絡(luò)時(shí)，所采用的激活函數(shù)f(k)的表達(dá)式為：

式中，exp表示以e為底的指數(shù)函數(shù)。

6.根據(jù)權(quán)利要求5所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，在建立稀疏自編碼神經(jīng)網(wǎng)絡(luò)時(shí)，所構(gòu)造的懲罰函數(shù)為：

式中，m為樣本個(gè)數(shù)，β控制權(quán)重大小，J(W，b)為均方差項(xiàng)。

7.根據(jù)權(quán)利要求1所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，步驟S3中，采用CFSFDP法對(duì)所述二維過(guò)電壓特征量進(jìn)行聚類分析時(shí)，主要分為以下步驟進(jìn)行：

S31、計(jì)算數(shù)據(jù)點(diǎn)之間的距離；

S32、計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的局部密度ρ_i；

S33、計(jì)算各個(gè)數(shù)據(jù)點(diǎn)的高密度距離δ_i；

S34、根據(jù)局部密度ρ_i和高密度距離δ_i作出決策圖，獲得二維過(guò)電壓特征量的聚類簇，并從聚類簇中找到聚類中心。

8.根據(jù)權(quán)利要求7所述的一種大規(guī)模過(guò)電壓數(shù)據(jù)智能自清洗方法，其特征在于，所述局部密度ρ_i的計(jì)算方法為：

式中，d_c代表截止距離，采用相鄰數(shù)據(jù)點(diǎn)平均百分?jǐn)?shù)P進(jìn)行代替，所述相鄰數(shù)據(jù)點(diǎn)平均百分?jǐn)?shù)P的計(jì)算方法為：第N個(gè)數(shù)據(jù)點(diǎn)*p/100，p的取值范圍為(0，100)，d_ij代表相鄰數(shù)據(jù)點(diǎn)的距離。