本發(fā)明涉及新型配電網(wǎng)異常檢測，尤其涉及一種配電網(wǎng)離線電量數(shù)據(jù)的異常檢測及替換方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、隨著光伏、電動汽車等新型源荷設備的高比例接入，新型配電網(wǎng)中已經(jīng)呈現(xiàn)出負荷多樣化和智能化趨勢，大量的電力電子設備加大了電網(wǎng)中電能流動的復雜性和隨機性，獲取可靠的電量數(shù)據(jù)是保證配電網(wǎng)透明化的重要環(huán)節(jié)。

3、配電網(wǎng)離線電量數(shù)據(jù)主要包括三相電壓、三相電流和功率數(shù)據(jù)等，當前配電網(wǎng)電量數(shù)據(jù)的質(zhì)量受到多方面因素的威脅。首先，部分新能源設備受到日照、天氣等因素的影響，電動汽車等設備的數(shù)據(jù)受到用戶使用習慣的影響，部分電器負荷受到季節(jié)影響，這些因素都會造成配電網(wǎng)中電量數(shù)據(jù)的偶然性增加。此外，大量的電量數(shù)據(jù)也會加大數(shù)據(jù)在采集、傳輸過程中的面臨的壓力，造成突變、缺失、長時間波動等異?，F(xiàn)象。因此，對于電量數(shù)據(jù)的異常檢測和替換，是電力系統(tǒng)中狀態(tài)估計和電力調(diào)度安排的重要功能之一，能夠保證對配電網(wǎng)運行狀態(tài)的準確辨識。

4、電力系統(tǒng)中，測量數(shù)據(jù)主要由測量值和測量誤差組成。異常數(shù)據(jù)指的是那些偏離正常測量范圍的數(shù)據(jù)，可能由于測量設備故障或數(shù)據(jù)傳輸問題等多種原因產(chǎn)生。

5、基于均值、標準差等的傳統(tǒng)異常檢測方法，收到數(shù)據(jù)處理能力或效率的影響，往往會忽視冗余信息的重要性，集中于單一特征或簡單統(tǒng)計量。因此，基于統(tǒng)計分析的傳統(tǒng)異常檢測方法對于冗余信息的利用明顯不足，難以應對殘差污染、殘差淹沒等問題。

6、在數(shù)據(jù)的預測和替換方面，目前大多采用諸如拉格朗日插值替換、樣條插值法等的差值方法，但是這些方法計算量大，對于內(nèi)存的要求較高，計算速度較慢。

7、現(xiàn)有技術(shù)也公開了采用機器學習的方法(比如隨機森林和支持向量機等)對電量數(shù)據(jù)進行預測，然后對異常數(shù)據(jù)進行替換；但是，采用隨機森林的方法不適用于數(shù)據(jù)較多的情況，采用支持向量機的方法也存在著超參數(shù)確定難、易出現(xiàn)欠擬合或過擬合等的通?。粚е聦?shù)據(jù)的泛化能力差，預測精度不足。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種配電網(wǎng)離線電量數(shù)據(jù)的異常檢測及替換方法及系統(tǒng)，采用改進極限梯度提升算法(xgboost)的時序預測模型對區(qū)域用電量序列數(shù)據(jù)進行逐時刻預測，通過改進決策樹的確定過程，引入步長因子來改進目標函數(shù)的計算方法，避免了傳統(tǒng)方法在制定決策樹過程中的局限性，同時避免了過擬合現(xiàn)象。最后，基于預測和真實值的殘差利用密度聚類算法(dbscan)進行聚類，重構(gòu)了殘差數(shù)據(jù)輸入到聚類算法前的形式，檢測并替換出異常數(shù)據(jù)。

2、在一些實施方式中，采用如下技術(shù)方案：

3、一種配電網(wǎng)離線電量數(shù)據(jù)的異常檢測及替換方法，包括：

4、獲取歷史時間段配電網(wǎng)離線電量數(shù)據(jù)并進行預處理，預處理后的數(shù)據(jù)輸入至訓練好的數(shù)據(jù)時序預測模型，得到待測時間段內(nèi)各個時刻的配電網(wǎng)離線電量預測數(shù)據(jù)；

5、獲取待測時間段的配電網(wǎng)離線電量真實數(shù)據(jù)，計算每個時刻真實數(shù)據(jù)與預測數(shù)據(jù)的殘差項，對得到的殘差項進行聚類，識別出異常數(shù)據(jù)點；

6、利用對應時刻的電量預測數(shù)據(jù)對異常數(shù)據(jù)點進行替換；

7、其中，所述數(shù)據(jù)時序預測模型采用改進的xgboost算法構(gòu)建，所述改進的xgboost算法在決策樹的每一層之間引入了步長因子。

8、進一步地，所述配電網(wǎng)離線電量數(shù)據(jù)為電壓、電流或有功功率。

9、進一步地，所述改進的xgboost算法中每一顆決策樹的目標函數(shù)為損失函數(shù)和正則項的加和，在每次迭代中都進行正則化。

10、進一步地，所述改進的xgboost算法中每一顆決策樹的目標函數(shù)為以葉子節(jié)點數(shù)值wj為變量的二次函數(shù)，對wj求取偏導后尋找目標函數(shù)極值，能夠得到最簡后的目標函數(shù)和對應的最佳權(quán)重形成權(quán)重向量w。

11、進一步地，每一顆決策樹最簡后的目標函數(shù)obj(t)*和最佳權(quán)重具體為：

12、

13、其中，gj和hj均為定值，t表示經(jīng)過經(jīng)過t次迭代后的樹的葉子節(jié)點數(shù)目，λ表示葉子節(jié)點數(shù)值的懲罰參數(shù)。

14、進一步地，以每三層為一個優(yōu)化單位，對每一層的收益進行加權(quán)求和，確定改進的xgboost算法中決策樹的分裂收益；

15、從樹的深度為0開始，不斷對葉子節(jié)點進行劃分，當達到k層時，若分裂收益滿足設定要求，則將此時的決策樹作為最佳決策樹，得到葉子節(jié)點個數(shù)t和葉子節(jié)點的數(shù)值。

16、進一步地，所述對得到的殘差項進行聚類，具體為：

17、利用dbscan聚類算法對殘差項r進行聚類分析，將這些數(shù)據(jù)劃分成若干個簇和離群點，這些簇就是由正常的殘差項數(shù)據(jù)所聚合而成，而被劃分成離群點的就是dbscan聚類算法所識別出的異常數(shù)據(jù)。

18、在另一些實施方式中，采用如下技術(shù)方案：

19、一種配電網(wǎng)離線電量數(shù)據(jù)的異常檢測及替換系統(tǒng)，包括：

20、電量數(shù)據(jù)預測模塊，用于獲取歷史時間段配電網(wǎng)離線電量數(shù)據(jù)并進行預處理，預處理后的數(shù)據(jù)輸入至訓練好的數(shù)據(jù)時序預測模型，得到待測時間段內(nèi)各個時刻的配電網(wǎng)離線電量預測數(shù)據(jù)；

21、異常數(shù)據(jù)識別模塊，用于獲取待測時間段的配電網(wǎng)離線電量真實數(shù)據(jù)，計算每個時刻真實數(shù)據(jù)與預測數(shù)據(jù)的殘差項，對得到的殘差項進行聚類，識別出異常數(shù)據(jù)點；

22、異常數(shù)據(jù)替換模塊，用于利用對應時刻的電量預測數(shù)據(jù)對異常數(shù)據(jù)點進行替換；

23、其中，所述數(shù)據(jù)時序預測模型采用改進的xgboost算法構(gòu)建，所述改進的xgboost算法在決策樹的每一層之間引入了步長因子。

24、在另一些實施方式中，采用如下技術(shù)方案：

25、一種終端設備，其包括處理器和存儲器，處理器用于實現(xiàn)指令；存儲器用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行上述的配電網(wǎng)離線電量數(shù)據(jù)的異常檢測及替換方法。

26、在另一些實施方式中，采用如下技術(shù)方案：

27、一種計算機可讀存儲介質(zhì)，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執(zhí)行上述的配電網(wǎng)離線電量數(shù)據(jù)的異常檢測及替換方法。

28、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

29、(1)本發(fā)明基于前三個月訓練得到的預測模型，預測三個月后的時序數(shù)據(jù)，構(gòu)成預測序列。利用每個時刻真實值和對應時刻的預測值相減，得到每個時刻的殘差項。利用改進dbscan聚類密度算法對真實值和預測值的殘差項進行聚類分析，檢測出異常值，然后將對應的預測值對異常值進行替換；本發(fā)明方法重塑了殘差數(shù)據(jù)的輸入形式，能夠有效檢測和替換出異常數(shù)據(jù)。

30、(2)本發(fā)明基于改進的xgboost算法構(gòu)建數(shù)據(jù)時序預測模型，改進的xgboost算法在決策樹的每一層之間引入了步長因子，避免了傳統(tǒng)方法在制定決策樹過程中的局限性，同時避免了過擬合現(xiàn)象；對損失函數(shù)進行二階泰勒展開，同時將決策樹函數(shù)f定義為關(guān)于葉子節(jié)點數(shù)值w的函數(shù)，可以對目標函數(shù)進行簡化，減少計算量，可以適用于不同的誤差函數(shù)，提高計算效率。

31、(3)本發(fā)明改進了對分裂收益的計算方式，以三層為一個單位，對于不同層的收益進行加權(quán)求和，確定分裂收益，避免因為偶然性導致的局部收益過大。

32、本發(fā)明的其他特征和附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本方面的實踐了解到。