[发明专利]一种电力系统异常数据辨识方法

权利要求书

1.一种电力系统异常数据辨识方法，其特征在于，包括以下步骤：

步骤1：将电力系统正常数据作为训练样本，训练神经网络；

步骤2：将待检测数据输入训练后的神经网络，获得残差序列；

所述将待检测数据输入训练后的神经网络，获得残差序列包括以下过程：

步骤2.1：获取待测试的数据集Y：

所述待测试的数据集Y与正常数据集X中每行的数据种类是相同的，但每种测量值有Q个采样数据；

步骤2.2：将Y规范化：

其中，y_hk为Y中第h行第k列的元素，y_kmin和y_kmax为Y中第k列的最小值和最大值，为y_hk规范化后的值；

步骤2.3：利用训练后的神经网络获得均方误差序列E＝[e₁,e₂,...,e_Q]；

步骤3：基于仿射传播聚类算法对残差训练进行聚类；

所述基于仿射传播聚类算法对残差训练进行聚类，包括以下过程：

步骤3.1：在0和1之间随机初始化吸引度矩阵R，归属度矩阵A，阻尼因子λ；更新吸引度矩阵R和归属度矩阵A：

D＝R+A

其中，i、k、i'、k'为索引，s(i,k)＝-||x_i-x_k||²为相似度，D为决策矩阵，R为吸引度矩阵，A为归属度矩阵，λ为阻尼因子，表示在第i行中除了第k列以外A(i,k')+s(i,k')的最大值，表示i'仅能在i和k中取值，即max{0,R(i,k)}+max{0,R(k,k)}，其中max{0,R(i,k)}表示0和R(i,k)中较大的那个值；相对应的，表示i'能取在1到Q中除了i和k以外的其余值；

步骤3.2：找出决策矩阵D中对角线大于0的点作为聚类中心，根据样本点与聚类代表点的距离，将样本点归类；

步骤3.3：如果迭代次数大于初始化的最大迭代次数，则停止聚类；否则返回步骤3.2；

步骤4：根据各个类别的特征和类内距离进行异常数据判断。

2.根据权利要求1所述的电力系统异常数据辨识方法，其特征在于：所述将电力系统正常数据作为训练样本，训练神经网络，包括以下步骤：

步骤1.1：获取正常电器运行过程中的状态测量值数据集X：

其中，X中每行是电器运行过程的一种状态测量值，在上述矩阵中，共计M种测量值，每种测量值有N个采样数据；

步骤1.2：将X规范化：

其中，x_ij为X中第i行第j列的元素，x_jmin和x_jmax为X中第j列的最小值和最大值，为x_ij规范化后的值；

步骤1.3：将状态测量值数据集X延行方向随机拆分构成集合X_M×L和X_M×(N-L)，其中L:N-L≈0.8:0.2，分别作为神经网络的训练集和测试集；

步骤1.4：设将第i种测量值作为神经网络训练的目标值，其余种测量值作为神经网络训练的输入值；

步骤1.5：基于混沌搜索的粒子群算法来对神经网络进行训练。

3.根据权利要求2所述的电力系统异常数据辨识方法，其特征在于：所述神经网络为三层神经网络，三层包括一个输入层、一个隐含层和一个输出层，所述输入层的神经元个数为M-1，隐含层神经元数量设置为M-1，输出层神经元的个数为1；

神经网络输入与输出之间的关系为：

其中，Y是输出值，f和g均为双曲正切激活函数，w_ij是第i个输入层神经元的输入，α_ij是在输入层第i个神经元与隐含层第j个神经元之间的权重，β_j是隐含层第j个神经元到输出节点之间的权重，A_j是第j个神经元的偏置系数，B输出层神经元的偏置系数，神经网络所有权重和偏置系数在-1和1之间进行随机初始化；神经网络输出与目标值之间误差采用均方误差。