[發明專利]配電網信息物理系統中惡性數據鏈采集提取方法

在審

• 申請號: 201911346952.8
• 申請日: 2019-12-24
• 公開（公告）號: CN111008673A
• 公開（公告）日: 2020-04-14
• 發明（設計）人: 遲福建;王哲;李桂鑫;孫闊
• 申請（專利權）人: 國網天津市電力公司;國家電網有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/2458;G06F21/55;G06Q50/06
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 王顕

1.配電網信息物理系統中惡性數據鏈采集提取方法，其特征在于：包括如下步驟：

S1、確定配電網信息物理系統中惡性數據的數據結構模型；

S101、確定配電網信息物理系統中惡性數據特征的分布時間序列{M_j},j＝1,2,3...,N，分布時間序列中每個簇有一個簇頭節點S_N和若干簇內節點V₀，通過歐氏距離公式進行惡性數據時間序列節點之間的距離求解，計算公式如下：

其中，x_i、x_j、y_i、y_j分別表示配電網信息物理系統中惡性數據時間序列節點i與節點j的橫坐標與縱坐標，d(i,j)表示兩節點之間的歐氏距離；

S102、根據惡性數據時間序列節點距離，結合大數據融合方法，進行惡性數據負載量的相似度融合，得到融合結果為：

E(L)＝LE_i

其中，E_i表示惡性數據中間節點i的負載量；L為惡性數據特征的傳輸鏈路集；其中配電網信息物理系統中的傳輸負載信息發送給i節點的負載量為：

C(n_j)＝E_ilδ+E(L)

式中，E(L)為相似度融合結果，δ為負載比值，l為傳輸鏈個數；

S103、根據負載量融合結果，在配電網信息系統中進行惡性數據采集，根據采集到的數據進行惡性數據負載量的頻譜偏移特性提取，對提取的譜特征量采用機器學習算法進行配電網信息物理系統惡性數據譜特征匹配，結合大數據輸出時間延遲，得到配電網信息物理系統惡性數據信息重組的特征空間，其表達式為：

Xn＝{X_n,X_n-τ,X_n-2τ,…,X_n-(d-1)τ}

其中，X_n表示n時間段內的惡性數據值，τ表示輸出時間延遲，d表示特征空間的維度；

從信息重組的特征空間中獲取配電網信息物理系統惡性數據的平均互信息量，得到互信息分布集合為：

R_i＝{R₁,R₂,R₃,…,R_d}

式中，R_d表示互信息分布的第d個信息量；

S104、采用并行挖掘方法，挖掘配電網信息物理系統惡性數據特征的關聯規則，對互信息分布矩陣進行酉分解，得到分解的向量集為：

T_r＝{X₁,X₂,…,X_m}

式中，X_m表示信息重組的特征空間的第m個向量；

S105、采用奇異值特征分布式融合方法對配電網信息物理系統惡性數據進行高維映射，得到在高維映射空間內的配電網信息物理系統惡性數據的數據結構模型：

S2、對步驟S1確定的配電網信息物理系統中惡性數據的數據結構模型進行求解：

S201、確定配電網信息物理系統惡性數據的尺度參量：

式中，ε_fs代表惡性數據特征參數；d代表時延參數；其中，惡性數據的時延參量集合為：

d_i＝{X_d+1,X_d+2,…X_d+m}

式中，X_d+m為在m序列中的時延參數集合；

S202、采用相關性的特征數據挖掘方法，進行檢驗統計分析，并對配電網信息物理系統惡性數據進行聚類處理，得到負載ω的均衡調度模型為：

其中，代表惡性數據的快速提取的檢驗統計量，配電網信息物理系統惡性數據的快速提取的檢驗統計量可以表示為：

式中，表示線性擬合的檢驗值，η^w表示負載的線性擬合值，θ是檢驗調節參數，W表示電網惡性數據負載集合，H表示惡性數據鏈特征重組函數，配電網信息物理系統惡性數據的多重共線性特征線性擬合需滿足其中，配電網信息物理系統惡性數據的頻譜峰值可以表示為：

式中，表示最大峰值擬合值，ξ表示多重閾值，Pr代表負載ω₀的頻譜值，為檢驗統計量的均值函數；

S203、對配電網信息物理系統惡性數據采用廣義最小二乘法進行線性擬合，獲取完整的惡性數據鏈，擬合結果為：

其中，將配電網信息物理系統數據的特征空間區域分為S和Q，當S區域大于Q區域時，對輸出負載ω進行線性擬合，反之不進行擬合操作；設配電網信息物理系統惡性數據的內生性譜特征量S的解向量由{s₁,s₂,…,s_n}構成，則配電網信息物理系統惡性數據的熵分布概率為P_s(s_i)，i＝1,2,…,n，Q由大數據模糊測試集的解向量{q₁,q₂,…,q_n}構成；

S3、對獲取到的惡性數據鏈采用譜特征提取方法分析配電網物理系統惡性數據鏈的樣本分布特征，根據分布特征，進行惡性數據鏈檢測；

S301、定義配電網信息物理系統惡性數據鏈快速提取的檢測概率為P_q(q_j)，j＝1,2,…,n,其中q_j為大數據模糊測試集的解向量；在極限學習訓練下，構建配電網信息物理系統惡性數據鏈特征重組模型：

式中，P_s(s_i)表示配電網信息物理系統惡性數據鏈特征分布概念集s_i出現在仿射分區區域S的概率，類似地，P_q表示配電網信息物理系統惡性數據鏈特征的本體特征概念集；

S302、初始化簇中心到簇內點的數據鏈A，得到配電網信息物理系統惡性數據鏈的平均互信息量為：

S303、構建配電網信息物理系統惡性數據鏈模型，對多載波配電網信息物理系統惡性數據鏈進行頻譜分解，采用鏈路隨機分配方法進行配電網信息物理系統惡性數據鏈輸出傳感序列的均衡控制，得到配電網信息物理系統惡性數據鏈特征分解子序列分別表示為：

r₁(n)＝r₂(n)exp(-jω₀T_p/2),n＝0,1,...,(N-3)/2

r₂(n)＝Aexp[j(ω₀nT+θ)],n＝0,1,...,(N-3)/2

j為復數運算算子，n為電網頻率，T為惡性處理時間，T_p為時間窗口，根據r₁(n)和r₂(n)進行(N-1)/2點離散變換，提取配電網信息物理系統惡性數據鏈的譜特征量，譜特征量提取模型為：

式中，T_i^w表示數據鏈在不同輸出負載時的提取時間，在此基礎上，可根據提取的譜特征量進行惡性數據鏈的分類檢測；

S4、對配電網信息物理系統惡性數據鏈進行分類檢測，并對進行提取；

S401、根據譜特征體系結果，進行配電網信息物理系統惡性數據鏈檢測，采用神經網絡分析方法，進行配電網信息物理系統惡性數據鏈檢測優化，得到合并簇中惡性數據鏈的負載量：

R₁(k)＝R₂(k)exp(-jω₀T_p/2),k＝0,1,...,(N-3)/2

其中，ω₀為配電網信息物理系統惡性數據鏈的負載預測誤差，T_p為時間窗口，A_k為配電網信息物理系統惡性數據鏈的特征偏移幅值，為輸出擴展相位，N代表數據聚類中心個數；

S402、對配電網信息物理系統惡性數據鏈進行線性預測，根據全局尋優結果，得到數據塊在各合并簇上最大長度，對配電網信息物理系統惡性數據鏈進行自適應盲分離處理，給定目標函數的解空間是從Rⁿ到R，得到配電網信息物理系統惡性數據鏈集聚簇離群點U∈Rⁿ，即根據上述建立的譜特征量提取模型在簇內點的數據鏈A中尋找一個點，采用自適應神經網絡學習算法進行配電網信息物理系統惡性數據鏈特征模糊聚類，數據聚類的判決閾值滿足：

0≤p_k+1≤R₂(k)-p_k≤1；

其中，p代表配電網惡性數據鏈特征分布在仿射分區區域的概率，k代表互信息分布R_d中的第k個信息量；

S402、初始化N個數據聚類中心，采用模糊聚類分析方法，進行配電網信息物理系統惡性數據鏈特征聚類處理，提取配電網信息物理系統中的惡性數據鏈：

subjectto y_i-(w'Φ(x_i)≤ε-ξ_i

ξ_i,≥0,i＝1,2,L,n；C＞0

式中，w代表負載值，y_i代表惡性數據時間序列節點i的縱坐標，Φ(x_i)表示惡性數據信息重組的特征空間函數，C表示判決閾值，ξ_i表示頻譜集的峰值，ε為設定的誤差值。