[发明专利]一种模糊自组织神经网络的电能质量量测缺失修复方法

说明书

本发明公开了一种基于模糊自组织神经网络的电能质量量测数据缺失修复方法，该方法由计算机程序执行：包括有如下阶段：1)输入含缺失的电能质量一维量测数据集；2)将采样得到的一维波形数据按N个电能质量采样周期进行分段截取；3)将矩阵x采用灰度化的方法转化成图像；4)提取二维谐波灰度图的特征值，并作归一化处理；5)确定电网谐波数据的最佳聚类数；6)以各个样本到所有聚类中心的距离加权平方和为目标构造目标函数；7)完成对二维灰度图的修复；8)将每层修复完的数据进行融合，通过实验数据分析，无论是在随机缺失还是连续缺失情况下，本发明提出的方法比现有算法在数据低丢失率和高丢失率下都有更低的修复误差和更高的信噪比。

技术领域

本发明涉及一种量测数据缺失的修复方法，更进一步涉及电能质量量测缺失数据的修复方法，特别涉及一种模糊自组织神经网络的电能质量量测数据缺失修复方法。

背景技术

泛在电力物联网(Ubiquitous Electric Internet of Things,UEIoT)实现对电力系统的全面感知和智能量测，为电网安全、稳定、经济运行提供了坚强的信息支持。UEIoT底层的泛在感知大数据是整个系统态势感知和状态辨识的基础。其中，电网谐波监测数据，是掌握谐波规律、实现谐波治理、提升电能质量的关键。然而，不论是采用经典Nyquist奈奎斯特采样或是压缩感知的采样方式，时常会因为传感器、传输设备、转换设备等故障造成部分采集谐波信号丢失的问题；亦或是在通信通道，如电力线载波，传播过程中由于信道的干扰导致数据丢失的现象。由于电网数据采集的不可重复性，在冗余量不足的情况下，使用缺失谐波数据进行分析，毋庸置疑得出的结论与正确的规律有较大的偏差；而在压缩采样重构信号时，由于每个采样点中都包含大量信息，每个采样值的丢失都会对信号重构造成巨大影响。因此，如何对缺失的数据进行准确有效的修复，恢复采集数据的原貌，是谐波波形数据管理的重点。

本发明所提供的修复策略是既根据电网电能质量数据存在的显著量测时序特性，又根据数据自相关性和谐波变化规律性，通过不同数据之间的相似关系来进行缺失数据修复，大大降低了修复误差。

发明内容

本发明所要解决的技术问题是，提供一种模糊自组织神经网络的电能质量量测数据缺失修复方法，无论是在随机缺失还是连续缺失情况下，在数据低丢失率和高丢失率下都有更低的修复误差和更高的信噪比。

本发明所采用的技术方案是：一种适用于电能质量量测数据缺失的修复方法，包括有如下阶段：

1)输入含缺失的电能质量一维量测数据集；

2)将采样得到的一维波形数据按N个电能质量采样周期进行分段截取(通过实验分析N取20较为合适)，并通过二维矩阵x的映射规则x(i,j)＝x(n)|n＝(i-1)n_l+j j≤n_l，将其映射成二维矩阵x中的行或列，对一维信号进行二维截断重组；

3)计算空间灰度值P(i,j)＝[(255-(254*(m-x(i,j)/(m-n))]，将矩阵x采用灰度化的方法转化成图像；

4)提取二维谐波灰度图的特征值X_j＝[X_1,j,X_2,j,…,X_m+l,j]，并作归一化处理；

5)确定电网谐波数据的最佳聚类数，包括：

(1)计算聚集程度的系数和表征类与类之间分散程度的系数

(2)计算整体聚类效果的指标λ＝α_max+(1-β_min)；

(3)当||λ(k)-λ(k-1)||ε时，判定收敛之前聚类迭代总的次数即为聚类的最佳分类数k；否则，返回(1)；