[發(fā)明專利]一種基于模型優(yōu)化的異常負荷數(shù)據(jù)檢測與修正方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011278587.4
• 申請日: 2020-11-16
• 公開（公告）號: CN112733417B
• 公開（公告）日: 2022-11-01
• 發(fā)明（設(shè)計）人: 鄧松;蔡清媛;岳東;李前亮;袁玲玲
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06K9/62;G06F16/215;G06Q50/06
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 王素琴

1.一種基于模型優(yōu)化的異常負荷數(shù)據(jù)檢測與修正方法，其特征在于：該檢測與修正方法包括如下步驟：

步驟一：導(dǎo)入用電用戶的所有負荷數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理，其中：對于缺失較少的數(shù)據(jù)可以采用均值填充的方法，對于缺失量較大的數(shù)據(jù)則直接刪除，進入步驟二；

步驟二：對歷史負荷數(shù)據(jù)進行最大最小歸一化處理，分別劃分異常負荷數(shù)據(jù)檢測模型和異常數(shù)據(jù)修正模型的訓(xùn)練集、測試集和驗證集，進入步驟三；

步驟三：初始化種群，進入步驟四；

步驟四：計算懲罰參數(shù)C和高斯核函數(shù)的核參數(shù)σ，用其訓(xùn)練SVDD模型，并進行k折交叉驗證，進入步驟五；

步驟五：計算個體適應(yīng)度，進入步驟六；

步驟六：保留最優(yōu)個體，進入步驟七；

步驟七：判斷是否達到終止條件，達到則進入步驟九，否則進入步驟八；

步驟八：復(fù)制、選擇、變異遺傳操作，生成下一代種群，回到步驟四繼續(xù)循環(huán)；

步驟九：輸出SVDD的最優(yōu)參數(shù)組合，進入步驟十；

步驟十：用最優(yōu)參數(shù)組合C,σ組合建立SVDD異常數(shù)據(jù)檢測模型，進入步驟十一；

步驟十一：計算待測樣本到超球體的球心距r，進入步驟十二；

步驟十二：如果球心距r大于超球體半徑R，則該數(shù)據(jù)為異常負荷數(shù)據(jù)，進入步驟十三；

步驟十三：將數(shù)據(jù)預(yù)處理后的時間序列數(shù)據(jù)用滑動窗口處理得到m條長度為l的負荷樣本集，其中70％的歷史負荷數(shù)據(jù)為訓(xùn)練集，20％為驗證集，10％為測試集，進入步驟十四；

步驟十四：LSTM負荷預(yù)測模型迭代訓(xùn)練，在每個訓(xùn)練周期中，從訓(xùn)練數(shù)據(jù)集中選取訓(xùn)練數(shù)據(jù)，輸入深度長短時記憶網(wǎng)絡(luò)中進行網(wǎng)絡(luò)訓(xùn)練，進入步驟十五；

步驟十五：模型參數(shù)調(diào)整，通過測試集評估負荷預(yù)測模型的預(yù)測誤差，若未達到精度要求，則通過驗證集調(diào)整模型參數(shù)，進入步驟十六；

步驟十六：將異常數(shù)據(jù)出現(xiàn)之前的相關(guān)數(shù)據(jù)輸入訓(xùn)練好的LSTM模型進行預(yù)測，最后輸出待預(yù)測的負荷預(yù)測值，進入步驟十七；

步驟十七：在異常數(shù)據(jù)修正部分，用負荷預(yù)測值替代異常負荷值，結(jié)束。

2.根據(jù)權(quán)利要求1所述一種基于模型優(yōu)化的異常負荷數(shù)據(jù)檢測與修正方法，其特征在于：所述檢測與修正方法通過系統(tǒng)實現(xiàn)，所述系統(tǒng)包括：

負荷數(shù)據(jù)預(yù)處理器：通過把所有負荷數(shù)據(jù)作為整體，首先進行缺失數(shù)據(jù)填充或刪除操作，并將負荷數(shù)據(jù)做歸一化處理，再將樣本集劃分為訓(xùn)練集、驗證集和測試集；

異常負荷數(shù)據(jù)檢測器：先利用基因表達式編程GEP對支持向量數(shù)據(jù)描述SVDD進行懲罰參數(shù)C和高斯核函數(shù)的核參數(shù)σ尋優(yōu)，確定最優(yōu)的C和σ，建立SVDD模型，隨后計算待測樣本到SVDD模型超球體中心距離，與閾值比較，由此判斷其是否為異常負荷數(shù)據(jù)；

異常負荷數(shù)據(jù)修正器：基于深度長短時記憶網(wǎng)絡(luò)LSTM模型進行負荷預(yù)測，首先將歷史負荷數(shù)據(jù)作為訓(xùn)練集對該模型進行訓(xùn)練，訓(xùn)練完成后將異常數(shù)據(jù)出現(xiàn)之前的相關(guān)數(shù)據(jù)輸入模型，得到預(yù)測值，用該預(yù)測值替代異常負荷數(shù)據(jù)。