電力系統用電量監測中異常數據融合分析
2023-04-29 00:00:00常富紅李麒王媛媛
無線互聯科技 2023年10期
摘要：為實現對異常數據的精準融合，文章設計了電力系統用電量監測中異常數據融合方法。采集電力系統用電量監測數據并對電量數據進行初始化處理，計算監測數據權重劃分數據類別；驅動數據融合處理程序聚類異常數據；建立自組織空間映射網絡，融合處理同類別異常數據。實驗證明：設計的異常數據融合方法能夠實現對不同類別異常數據類別的精準劃分、相同類別數據的精準融合，具有較好的應用效果。
關鍵詞：電力系統；數據特征；融合；異常數據；監測；用電量
中圖分類號：TP311
文獻標志碼：A
0 引言
隨著電力系統覆蓋范圍的增加，居民對用電量的需求也越來越大［1］。對用電量進行監測能夠保障電力系統的穩定運行，但是大部分電力企業進行數據融合的效果不佳，導致統計的系統用電量與企業需求電量差異較大［2］。因此，本文設計電力系統用電量監測中異常數據融合方法，以期為電力系統用電監測提供全面的技術支撐。
1 電力系統用電量監測數據權重計算與類別劃分
利用終端傳感器、電能計量裝置等測量設備，采集電力系統用電量監測數據，并通過計算監測數據權重的方式，實現對數據類別的劃分［3］。為降低監測數據的損失，需要增加一個校正系數［4］。對采集的電力監測數據集合中的訓練子集初始化處理，計算初始化處理中的數據權重系數，將其表示為w，對w的計算可用公式（1）實現。
公式（1）中：wi表示初始化處理中的數據i的權重系數；Ta表示電力系統用電量監測數據集合；Tb表示電力系統用電量監測期望數據集合；n表示子集訓練迭代處理次數；m表示子集期望訓練次數［5］。在上述設計內容的基礎上，引進一個數據類別劃分參數，將此參數表示為β，β可用公式（2）計算。
公式（2）中：p表示電力系統用電需求系數；M表示電力系統用電量監測數據集合中訓練子集數據量。上述計算公式中，參數p應滿足表達式（3）所示的需求。
公式（3）中：j表示目標領域數據處理系數。按照上述步驟，實現對電力系統用電量監測數據權重的計算與類別劃分。
2 監測數據中異常數據聚類
驅動數據融合處理程序［6］，在數據輸入層錄入若干個數據，定義數據的聚類中心，建立電網云計算模型，使用PMU、 SCADA等功率測量設備收集的數據經過單向的數據流［7］，利用計算節點和管理節點之間的反饋，對大量的數據進行實時分析和計算，并將挖掘到的數據傳送到電網控制中心和其他應用程序［8］。計算空間數據在二維坐標系下，第a點與聚類中心的歐式距離，計算公式如下。
公式（4）中：d（a，k）表示第a點與聚類中心的歐式距離；xab表示點x的橫向坐標與縱向坐標；μ表示更新后的空間點坐標。按照上述方式，計算配電系統中不同輸電節點與聚類中心之間的歐式距離［9］。將具有相同特征的數據點整合處理，實現監測數據中異常數據的聚類。
3 同類別異常數據融合處理
考慮到電力系統的作業環境較為復雜，因此，需要對采集的數據歸一化處理［10］。處理過程如公式（5）所示。
公式（5）中：c表示歸一化處理后的數據集合；c-表示數據集合均值；cmin表示數據集合最小取值；cmax表示數據集合最大取值。
建立自組織空間映射網絡，將完成處理后的數據映射到網絡環境中，使數據在空間中呈現三維狀態。將此過程中產生的數據作為融合網絡的輸入向量，記為A，對A的加權輸入向量計算可用公式（6）實現。
公式（6）中：A～表示歸一化處理后的加權輸入向量；‖A‖表示加權輸入向量。完成上述計算后，根據輸入向量得到數據集合的部分神經元，通過此種方式，確定融合節點的加權向量。同時，使用余弦相似度計算方法，對不同異常數據之間的相似度展開計算。計算公式如下。
公式（7）中：cosδ表示不同異常數據之間的相似度；AT表示加權向量A的展開度量T。通過上述計算，掌握不同維度與不同類別數據之間的相似度，對具有相同特征的數據融合處理。對于此過程中相似度較差的數據，可以提取對應數據的特征，重新建立一個聚類中心，對此部分相關的數據進行融合處理。實現對同類別異常數據的融合處理，完成電力系統用電量監測中異常數據融合方法的設計。
4 對比實驗
為驗證本文設計融合方法的應用性能，以某地區大型電力企業為例，設計對比實驗。采集電力系統用電量監測數據，建立測試平臺，將采集的數據統一格式處理后錄入平臺。平臺參數如表1所示。
完成上述設計后，在終端建立電力系統用電量監測中異常數據融合并行計算環境，如圖1所示。
在云端數據庫中建立不同類型用電量監測數據的子文件，分別為HDR監測數據標題文件、CFG配置文件、DAT數據文件、INF信息文件，建立不同類型文件之間的通信聯系，并按照如表2所示的內容，建立用電量監測數據與異常信息的對應表格。
將基于K-means算法的異常數據融合方法（傳統方法1）和基于CNN-LSTM的異常數據融合方法（傳統方法2）作為對比方法，與本文設計方法共同進行測試。不同方法的數據融合效果如圖2所示。
從圖2所示的數據融合效果可以看出，本文方法精準地將數據組融合并劃分為3個類別，融合效果較好。傳統方法1在融合數據時，出現了不同類別數據混淆的現象，整體融合效果欠佳。傳統方法2未能實現對相同類別異常數據的融合，即電力系統用電監測數據在空間中仍以離散化狀態呈現。因此，在完成上述研究后，得到如下實驗結論：相比傳統的融合方法，本文設計的電力系統用電量監測中異常數據融合方法應用效果最好，該方法可以在實際應用中，實現對不同類別異常數據類別的精準劃分、相同類別數據的精準融合。
5 結語
為了融合多渠道監測的電力系統用電異常數據，本文通過電力系統用電量監測數據權重計算與類別劃分、監測數據中異常數據聚類、異常數據融合處理與故障診斷決策，完成了電力系統用電量監測中異常數據融合方法的設計。該方法在通過檢驗后證明了融合效果良好，可以為電力系統運行異常診斷提供決策支撐。
參考文獻
［1］廉亞紅，云靜，張紫，等.基于數據融合與K-means的扶貧廉政風險點檢測模型［J］.內蒙古工業大學學報（自然科學版），2022（4）：367-372.
［2］余曉峰，段丁強.促進湖北省制造業與現代服務業融合發展之對策——基于稅收和電力數據的分析視角［J］.長江技術經濟，2022（3）：84-88.
［3］唐毅，祁甘露，池坤鵬，等.基于三維時空特性數據融合的電力物聯網用戶側負荷識別方法研究［J］.山東師范大學學報（自然科學版），2022（2）：120-127.
［4］周顯春.ARMA融合CNN-LSTM的傳感器流數據異常檢測方案［J］.國外電子測量技術，2022（4）：55-61.
［5］夏英，韓星雨.融合統計方法和雙向卷積LSTM的多維時序數據異常檢測［J］.計算機應用研究，2022（5）：1362-1367，1409.
［6］吳悅，張忠會，游志剛，等.基于可視化和數據融合的光伏電站電氣設備異常運行狀態檢測方法［J］.制造業自動化，2021（9）：16-19，55.
［7］李遠松，高博，須琳，等.基于差分序列方差與CPS融合的數字變電站數據異常檢測方法［J］.電網與清潔能源，2021（2）：30-41.
［8］孫海全，王崢，郭彥，等.事件驅動傳感器網絡中基于學習向量量化模型的數據融合機制［J］.電子技術與軟件工程，2020（24）：207-210.
［9］王寧，李欣，秦臻.全球DEM數據融合EGM2008在不同試驗區的應用研究——以江蘇、廣東、陜西為例［J］.地礦測繪，2020（2）：1-4.
［10］高寶龍，胡正旺，李端，等.多層等效源方法在地面與航空磁異常數據融合中的應用［J］.地球科學，2021（5）：1881-1895.
（編輯 王雪芬）
Fusion analysis of abnormal data in power system power consumption monitoring
Chang Fuhong， Li Qi， Wang Yuanyuan
（State Grid Xuchang Electric Power Supply Company， Xuchang 461000， China）
Abstract： In order to achieve accurate fusion of abnormal data， an abnormal data fusion method in power system power consumption monitoring is designed. Collect the power consumption monitoring data of the power system and initialize the data， calculate the weight of the monitoring data and divide the data into categories; Driving data fusion processing program to cluster abnormal data; Self organizing space mapping network is established to fuse and process the same kind of abnormal data. The experiment proves that the designed anomaly data fusion method can achieve accurate classification of different types of anomaly data and accurate fusion of the same type of data， and has good application effect.
Key words： power system; data characteristics; fusion; abnormal data; monitoring; power consumption
