[发明专利]一种从海量历史谐波数据中查找异常数据的智能识别方法

说明书

本发明公开了一种从海量历史谐波数据中查找异常数据的智能识别方法，其特征在于,包括以下步骤:步骤S10，输入样本数据集的波形图，应用深度残差网络进行训练与测试，输出识别准确度，并获得已训练的深度残差网络；步骤S20，输入测试数据集的波形图，采用已训练的深度残差网络，对测试数据集的波形图进行分类，并对包含异常数据的波形图进行异常数据定位。本发明的从海量历史谐波数据中查找异常数据智能识别方法能够节省大量的人力，并能够实现快速筛选谐波数据中的异常数据，并予以分类、定位。

技术领域

本发明属于谐波异常数据检测技术领域，特别是一种从海量历史谐波数据中查找异常数据的智能识别方法。

背景技术

电力系统的谐波异常数据的检测与辨识始终是国内外学者所关注并不断探索的课题。数据挖掘技术是从大量的、模糊的数据中提取有价值的信息的方法。这种方法应用于电力系统中，能够快速识别异常数据。自然而然，这种方法便成为国内外学者所研究的对象。

神经网络凭借处理非线性输入输出关系的能力成为经常被用于快速识别异常数据的方法。2000年TibshiriniR提出了间隙统计的数据挖掘算法，但是很多方面还并不完善，特别是参考数据集问题。以Shyh-Jier Huang为首的研究者在2002年就运用了数据挖掘算法来处理异常数据，2003年在IEEE上陆续出现了基于数据挖掘方法应用的论文，说明该方法具有相当大的应用价值。

发明内容

本发明的目的是提供一种从海量历史谐波数据中查找异常数据的智能识别方法，用于快速过滤分析海量历史谐波数据，并进行分类及对异常数据进行定位。

为实现上述目的，本发明提供了以下方案：

一种从海量历史谐波数据中查找异常数据的智能识别方法，包括以下步骤:

步骤S10，输入样本数据集的波形图，应用深度残差网络进行训练与测试，输出识别准确度，并获得已训练的深度残差网络；

步骤S20，输入测试数据集的波形图，采用已训练的深度残差网络，对测试数据集的波形图进行分类，并对包含异常数据的波形图进行异常数据定位；

所述样本数据集和测试数据集均为谐波数据。

进一步的，步骤S10包括以下步骤：

建立样本数据集，将样本数据集分为训练集和测试集，所述样本数据集设置有分类标签，所述标签分为正常标签和异常标签，所述异常标签还设置有异常数据定位信息；

循环：将训练集的波形图输入未训练的深度残差网络进行异常数据特征提取，直至训练集的波形全部完成训练；

循环：将测试集的波形图输入已训练的深度残差网络进行测试，输出预测标签并计算判错数量，所述判错是指波形图的预测标签和设置标签不符；

输出识别准确度，所述识别准确度为(测试集数量-判错数量)/测试集数量。

进一步的，所述样本数据集的波形图均设置为同一图像尺寸。

进一步的，所述深度残差网络是ResNet50网络。

进一步的，所述训练集数量占样本数据集数量的70％-80％。

进一步的，所述步骤S20包括步骤：

步骤S201，输入测试数据集的波形图,所述波形图为第一层波形图；

步骤S202，将第一层波形图输入已训练的深度残差网络，判断第一层波形图是否存在异常数据；当存在异常数据，则跳转至步骤S203；当不存在异常数据，跳转至步骤S208；

步骤S203，输出第一层波形图，并设置异常标签，n＝1；