[發明專利]基于不平衡數據集的電壓監測異常數據識別方法及系統

有效

• 申請號: 202011598875.8
• 申請日: 2020-12-29
• 公開（公告）號: CN112651849B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 徐思堯;李妍;楊強;陳揚;范穎;陳曉科;周剛
• 申請（專利權）人: 廣東電網有限責任公司電力科學研究院
• 主分類號: G06Q50/06
• 分類號: G06Q50/06
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 賈小慧

1.基于不平衡數據集的電壓監測異常數據識別方法，其特征在于，包括以下步驟：

將預先獲取的帶有分類標注的電壓監測歷史數據集分為訓練數據集和測試數據集，所述電壓監測歷史數據集包括電壓歷史數據；

通過PCA算法對所述訓練數據集和所述測試數據集的特征進行降維處理；

通過FL-Logistic算法對降維處理后的訓練數據集進行訓練，建立異常數據識別模型；

所述通過FL-Logistic算法對降維處理后的訓練數據集進行訓練，建立異常數據識別模型的步驟具體為：

將所述訓練數據集劃分為正樣本集和負樣本集，所述正樣本集包括電壓平衡歷史數據，其代表正樣本，表示電壓平衡；所述負樣本集包括電壓不平衡歷史數據，其代表負樣本，表示電壓不平衡；

根據所述訓練數據集的特征組成的特征向量，確定異常數據識別模型的目標函數為：

y'＝z＝g(x)＝b+w^Tx

式中，y'、z和g(x)為目標函數的預測樣本為正樣本的預測值，b為偏置向量，b＝0，w為權重向量，T為權重向量的轉置矩陣，x為特征向量；

選擇Sigmoid函數將預測值y'映射至[0,1]區間內，Sigmoid函數具體如下：

式中，h(y')為y'在Sigmoid函數作用下的映射；

設定預測樣本為y，則(x,y)發生的概率為：

p(y)＝z^y(1-z)^1-y

式中，p(y)為預測樣本y發生的概率；

設正樣本為1，負樣本為0，則當y為正樣本時，則p(y)＝z；當y為負樣本時，則p(y)＝1-z；

設所述訓練數據集中的樣本為相互獨立的，則確定權重向量的似然函數為：

式中，m為訓練數據集中的樣本總數，i為訓練數據集中的樣本變量，i≤m；

采用梯度下降算法求解似然函數的最大參數估計值，得到權重向量最優解；

對所述似然函數取對數，再對取對數后的似然函數轉換成等價使用梯度下降法求解的交叉熵損失函數；

在模型訓練過程中，通過Focal?Loss損失函數對交叉熵損失函數進行轉換，再訓練模型，所述Focal?Loss損失函數的計算公式為：

式中，J(w)為每個樣本的Focal?Loss梯度，α為平衡樣本類別數量比的因子，0＜α＜1，γ為對簡單類和困難類樣本損失權重的調整，γ＞0；

采用NAG算法和正則化對所述異常數據識別模型后續的權重向量w進行更新，從而得到異常數據識別模型；

通過所述測試數據集代入所述異常數據識別模型中進行異常數據識別靈敏度測試，根據所述異常數據識別靈敏度調整所述異常數據識別模型，以獲得所述異常數據識別靈敏度滿足預設靈敏度的最優異常數據識別模型。

2.根據權利要求1所述的基于不平衡數據集的電壓監測異常數據識別方法，其特征在于，所述通過PCA算法對所述訓練數據集和所述測試數據集的特征進行降維處理的步驟之前包括：對所述訓練數據集和所述測試數據集進行歸一化預處理。