[發(fā)明專利]一種基于LSTM模型的在線PMU數(shù)據(jù)糾錯(cuò)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911149072.1
• 申請(qǐng)日: 2019-11-21
• 公開（公告）號(hào): CN110866652B
• 公開（公告）日: 2023-02-28
• 發(fā)明（設(shè)計(jì)）人: 丁宣文;鄭玲;滕予非;李小鵬;劉明忠;周文越;陳菲;張旭;龍呈;朱鑫;吳杰;代宇涵;張純;孫永超
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)四川省電力公司電力科學(xué)研究院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/0464;G06N3/0442
• 代理公司: 成都行之智信知識(shí)產(chǎn)權(quán)代理有限公司 51256
• 代理人: 徐海林

本發(fā)明公開了本發(fā)明提供一種基于LSTM模型的在線PMU數(shù)據(jù)糾錯(cuò)方法及系統(tǒng)，所述方法包括：對(duì)電網(wǎng)正常運(yùn)行下的PMU歷史數(shù)據(jù)做歸一化處理；利用歸一化后的PMU數(shù)據(jù)訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)并建立預(yù)測(cè)模型；將當(dāng)前PMU數(shù)據(jù)歸一化后輸入預(yù)測(cè)模型，預(yù)測(cè)電網(wǎng)下一時(shí)段的PMU數(shù)值；在線比較預(yù)測(cè)結(jié)果相對(duì)于實(shí)測(cè)值的誤差，根據(jù)設(shè)定的誤差閾值確定錯(cuò)誤數(shù)據(jù)，對(duì)于錯(cuò)誤數(shù)據(jù)采用預(yù)測(cè)數(shù)據(jù)更換；實(shí)現(xiàn)對(duì)于PMU數(shù)據(jù)實(shí)時(shí)修正。

技術(shù)領(lǐng)域

本發(fā)明涉及PMU數(shù)據(jù)處理領(lǐng)域，具體地，涉及一種基于LSTM模型的在線PMU數(shù)據(jù)糾錯(cuò)方法及系統(tǒng)。

背景技術(shù)

目前電力系統(tǒng)同步測(cè)量裝置PMU被廣泛的運(yùn)用于進(jìn)行同步相量的測(cè)量和輸出以及動(dòng)態(tài)記錄。電力系統(tǒng)中PMU從GPS中同步采集次秒級(jí)的模擬電壓、電流信號(hào)，得到電壓和電流信號(hào)的幅值和相角，并將其傳送到調(diào)度中心的數(shù)據(jù)集中器，在調(diào)度中心可以得到整個(gè)電網(wǎng)的同步相量，以供實(shí)時(shí)監(jiān)測(cè)、保護(hù)和控制等使用，廣泛應(yīng)用于電力系統(tǒng)廣域測(cè)量系統(tǒng)的各個(gè)環(huán)節(jié)。

考慮到裝置異常、傳輸通道錯(cuò)誤及各類不確定的異常事件影響，電網(wǎng)調(diào)度端所采集的PMU數(shù)據(jù)中常存在錯(cuò)誤數(shù)據(jù)或短時(shí)采集錯(cuò)誤等情況，對(duì)于調(diào)度人員的人工分析和各類EMS系統(tǒng)的高級(jí)應(yīng)用造成了一定的影響，尤其會(huì)干擾各類智能處理程序的分析。目前對(duì)于PMU數(shù)據(jù)中的錯(cuò)誤數(shù)據(jù)和異常數(shù)據(jù)常通過(guò)離線糾錯(cuò)算法輔助人員來(lái)修正，但是這一方法實(shí)時(shí)性差，工作量大，不能夠有效滿足實(shí)時(shí)在線的需求。

發(fā)明內(nèi)容

隨著人工智能算法和大數(shù)據(jù)技術(shù)的發(fā)展，有效的利用數(shù)據(jù)已經(jīng)成為科學(xué)研究的趨勢(shì)。為了能夠有效的利用PMU數(shù)據(jù)，解決離線糾錯(cuò)算法實(shí)時(shí)性差和成本高的問(wèn)題。本發(fā)明提出了一種基于LSTM模型的PMU數(shù)據(jù)在線糾錯(cuò)方法及系統(tǒng)。本方法及系統(tǒng)利用PMU實(shí)時(shí)數(shù)據(jù)在線動(dòng)態(tài)訓(xùn)練LSTM預(yù)測(cè)模型，通過(guò)在線實(shí)時(shí)數(shù)據(jù)和LSTM預(yù)測(cè)模型估算得出下一時(shí)段的預(yù)測(cè)數(shù)據(jù)。然后對(duì)比實(shí)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的誤差大小，通過(guò)預(yù)設(shè)門檻值確定錯(cuò)誤數(shù)據(jù)，對(duì)于錯(cuò)誤數(shù)據(jù)采用預(yù)測(cè)數(shù)據(jù)進(jìn)行更換，達(dá)到數(shù)據(jù)實(shí)時(shí)在線糾錯(cuò)的目的。

為了解決上述問(wèn)題或者至少部分地解決上述問(wèn)題，本發(fā)明提供一種基于LSTM模型的PMU數(shù)據(jù)在線糾錯(cuò)方法。該方法利用歷史PMU數(shù)據(jù)訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)來(lái)建立預(yù)測(cè)模型，然后對(duì)比實(shí)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的誤差大小來(lái)評(píng)估PMU數(shù)據(jù)，并根據(jù)修正方程對(duì)PMU數(shù)據(jù)進(jìn)行在線實(shí)時(shí)糾錯(cuò)。其中，LSTM模型為L(zhǎng)ong Short-Term Memory模型，PMU為Phasor MeasurementUnit。

具體采用如下方案：

S1、對(duì)電網(wǎng)正常運(yùn)行下的PMU歷史幅值數(shù)據(jù)做歸一化處理；

S2、利用處理后的PMU數(shù)據(jù)訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)并建立預(yù)測(cè)模型；

S3、將當(dāng)前PMU數(shù)據(jù)歸一化后輸入預(yù)測(cè)模型，預(yù)測(cè)電網(wǎng)下一時(shí)段的PMU數(shù)值；

S4、在線比較預(yù)測(cè)結(jié)果相對(duì)于實(shí)測(cè)值的誤差，根據(jù)設(shè)定的誤差閾值確定錯(cuò)誤數(shù)據(jù)；

S5、對(duì)于錯(cuò)誤數(shù)據(jù)采用預(yù)測(cè)數(shù)據(jù)更換；

優(yōu)選地，根據(jù)時(shí)間序列選取電網(wǎng)正常運(yùn)行狀態(tài)下的PMU數(shù)據(jù)，通過(guò)sklearn.preprocessing.MinMaxScaler方法對(duì)數(shù)據(jù)做歸一化處理，將幅值數(shù)據(jù)映射到(0,1)區(qū)間內(nèi)，建立標(biāo)準(zhǔn)化數(shù)據(jù)。

其中，sklearn.preprocessing.MinMaxScaler方法為將數(shù)據(jù)的每一個(gè)特征縮放到給定的范圍，將數(shù)據(jù)的每一個(gè)屬性值減去其最小值，然后除以其極差(最大值-最小值)。

所述歸一化公式為：

其中x_i'是幅值歸一化后的標(biāo)準(zhǔn)數(shù)據(jù)，x_i是i時(shí)刻的幅值，x_max和x_min是該組采樣數(shù)據(jù)中的最大值和最小值。

優(yōu)選地，所述步驟S2包括：