數(shù)據(jù)缺失情況下配電網(wǎng)時間序列數(shù)據(jù)分類算法

摘 要：【目的】在智能電網(wǎng)快速發(fā)展的背景下，配電網(wǎng)作為電力傳輸與分配的關(guān)鍵環(huán)節(jié)，其數(shù)據(jù)的有效管理和分析對于保障電網(wǎng)穩(wěn)定運行、提升供電質(zhì)量至關(guān)重要。然而，配電網(wǎng)數(shù)據(jù)種類繁多且復(fù)雜，涵蓋了用戶用電行為、天氣情況、設(shè)備基礎(chǔ)信息及營銷數(shù)據(jù)等多個維度。不同類型的數(shù)據(jù)在采集和傳輸過程中，會因磁場信號、噪聲信號、冗余數(shù)據(jù)等干擾出現(xiàn)缺失，不僅增加了配電網(wǎng)運行監(jiān)控的難度，還為故障分析、狀態(tài)評估及優(yōu)化決策等工作帶來極大挑戰(zhàn)。【方法】為提高數(shù)據(jù)處理的準確性和效率，提出一種數(shù)據(jù)缺失情況下的配電網(wǎng)時間序列數(shù)據(jù)分類算法。根據(jù)時間序列數(shù)據(jù)在配電網(wǎng)中的分布狀態(tài)，利用平滑算法去除數(shù)據(jù)噪聲，從而顯著提升數(shù)據(jù)的準確性和可靠性，優(yōu)化因冗余數(shù)據(jù)干擾而產(chǎn)生的問題。對缺失數(shù)據(jù)進行增量填補，依據(jù)時間序列數(shù)據(jù)的內(nèi)在規(guī)律和相鄰數(shù)據(jù)點的相關(guān)性，對缺失數(shù)據(jù)進行合理推測和填補，保持了數(shù)據(jù)的完整性，同時確保了時間序列的連續(xù)性和一致性。計算不同時間序列的數(shù)據(jù)缺失情況，將高維和低維數(shù)據(jù)狀態(tài)空間與單元、多元時間序列相結(jié)合，憑借維度映射得到數(shù)據(jù)維度因子，實現(xiàn)簇內(nèi)分類。【結(jié)果】設(shè)計方法填補后數(shù)據(jù)均在原始數(shù)據(jù)附近，無冗余問題，且分類耗時點均勻分布，呈現(xiàn)出線性趨勢，充分展示了其高效穩(wěn)定的數(shù)據(jù)處理能力。設(shè)計方法分類配電網(wǎng)時間序列數(shù)據(jù)后，同種類配電網(wǎng)數(shù)據(jù)聚集且互不干擾，噪聲數(shù)據(jù)大幅減少，相對差異值（ＲＤＶ）始終保持在００５以下，特異度在數(shù)據(jù)缺失率５％ ～３５％的范圍內(nèi)均維持在９５０％以上，顯著高于對比方法的９１５％和９２０％。【結(jié)論】設(shè)計方法通過平滑去噪、增量填補和維度映射等技術(shù)手段，有效應(yīng)對數(shù)據(jù)缺失帶來的挑戰(zhàn)，提高了數(shù)據(jù)處理的準確性和效率。同時，驗證了設(shè)計方法在保持高分類精度和快速收斂速度方面的優(yōu)勢，表明其能夠有效應(yīng)對數(shù)據(jù)缺失情況，顯著提升配電網(wǎng)數(shù)據(jù)的分類效果和運行穩(wěn)定性。該算法研究不僅豐富了配電網(wǎng)數(shù)據(jù)分析的理論體系，還為智能電網(wǎng)的運維管理提供了實用的技術(shù)支持，具有重要的理論價值和現(xiàn)實意義。

關(guān) 鍵 詞：數(shù)據(jù)缺失；配電網(wǎng)；維度映射；平滑算法；多元序列；數(shù)據(jù)分類；噪聲干擾；維度因子

中圖分類號：ＴＰ２６ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２５）０１－００２９－０８

電力環(huán)境中存在磁場信號、噪聲信號、冗余數(shù)據(jù)等多種干擾因素，均會使配電網(wǎng)數(shù)據(jù)產(chǎn)生缺失，因此配電網(wǎng)底層傳感器無法獲取精準的數(shù)據(jù)信息，導(dǎo)致后期控制站中數(shù)據(jù)分類模塊的效率過低，無法及時維修配電網(wǎng)出現(xiàn)的運行故障，所以需要優(yōu)化配電網(wǎng)數(shù)據(jù)的分類方法，以提升配電網(wǎng)運行安全性和穩(wěn)定性。

部分學(xué)者對相關(guān)分類算法進行了研究，劉云天等［１］采集電網(wǎng)數(shù)據(jù)進行聚類計算，提出適應(yīng)場景的評價函數(shù)，并將現(xiàn)場數(shù)據(jù)參數(shù)代入，通過評價函數(shù)求解得到分類評價。但由于配電網(wǎng)中終端設(shè)備數(shù)據(jù)、通信數(shù)據(jù)等差異性較大且數(shù)據(jù)缺失，容易出現(xiàn)分類誤差較大的問題。黃瑞等［２］提出一種低壓配電網(wǎng)數(shù)據(jù)特征分類研究方法，建立正常數(shù)據(jù)通信傳輸信道，計算數(shù)據(jù)在該信道中的衰減因子，并根據(jù)衰減因子獲取信道數(shù)據(jù)特征完成分類。但是，配電網(wǎng)時間序列數(shù)據(jù)種類較多、維度較高，所提方法需要進行大量的計算與對比，容易出現(xiàn)時間成本消耗過大的問題。劉科研等［３］提出一種以故障電壓為特征量的新方法，利用支持向量機（ＳＶＭ）實現(xiàn)有源配電網(wǎng)故障類型判別和定位。該方法首先分析測點電壓的諧波分量與系統(tǒng)運行狀態(tài)以及故障位置之間的相關(guān)性，然后通過距離可分性判據(jù)提取故障特征，并基于實時數(shù)據(jù)和歷史數(shù)據(jù)的ＳＶＭ相關(guān)性分類實現(xiàn)系統(tǒng)運行狀態(tài)判別、故障類型判別和故障定位。但如果訓(xùn)練數(shù)據(jù)中不同類型故障的樣本數(shù)量不平衡，可能會導(dǎo)致分類器對其中樣本較多類別的識別能力優(yōu)于其他類別，造成誤判或偏差。李家東等［４］基于時間序列分類任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)，對非侵入式負荷監(jiān)測框架進行了研究，并提出了負荷識別與分解方法。實驗證明，在ＵＫＤＡＬＥ數(shù)據(jù)集上，該模型相比其他神經(jīng)網(wǎng)絡(luò)模型提升了系統(tǒng)的識別準確率和精度，并降低了負荷分解過程的均方誤差。但卷積神經(jīng)網(wǎng)絡(luò)通常模型規(guī)模較大，需要大量的訓(xùn)練數(shù)據(jù)和計算資源，導(dǎo)致訓(xùn)練推理的時間和計算成本較高。

綜上所述，在數(shù)據(jù)缺失條件下，現(xiàn)有方法會影響配電網(wǎng)數(shù)據(jù)的分類效果。為解決這一問題，本文提出了一種在數(shù)據(jù)缺失環(huán)境下對配電網(wǎng)時間序列數(shù)據(jù)進行分類的算法。首先，算法為解決數(shù)據(jù)高維度干擾問題，提取配電網(wǎng)中的缺失數(shù)據(jù)，并根據(jù)數(shù)據(jù)缺失概率計算調(diào)整因子來進行適當(dāng)?shù)奶钛a，以確保分類算法的有效性。然后，根據(jù)配電網(wǎng)數(shù)據(jù)的實時狀態(tài)和特征參數(shù)，計算不同類型數(shù)據(jù)在這兩種序列上的映射值，以實現(xiàn)映射參數(shù)的高效分類。為了減少缺失數(shù)據(jù)對分類誤差的影響，本算法通過預(yù)先填補數(shù)據(jù)，不僅實現(xiàn)了數(shù)據(jù)的高效分類，還保證了數(shù)據(jù)的完整性。