[发明专利]一种基于随机矩阵理论的电网海量数据异常检测方法

说明书

本发明公开了一种基于随机矩阵理论的电网海量数据异常检测方法，该方法可用于检测由于设备故障、数据流采集错误以及外界噪声扰动等因素造成的大量不完整、不一致的“脏数据”。以三相电压电流作为分析指标，以随机矩阵理论(RMT)为基础，对源数据处理后，将线性特征值统计量(LES)作为统计指标，连续分析数据矩阵中元素的特性；LES能够反映矩阵的一些统计规律，因此可以用其在一段时间内的波动程度的大小来表征时空源数据矩阵中的异常数据含量。上述方法逻辑流程如图1，本发明能够通过有效利用基于随机矩阵理论的电网海量数据异常检测方法对电网海量电压电流运行数据的数据行为进行分析，具有一定的工程价值和研究意义，可以有效提高降损效率。

技术领域

本发明涉及配电网运行数据的异常检测问题，一种基于随机矩阵理论的电网海量数据异常检测方法，属于电网管理控制技术领域。

背景技术

随着我国配电网规模的不断扩大,省间互联、区域互联、全国联网成了一个必然的发展趋势，同时电网线路分支增多，网络结构日益复杂，设备采集的实时海量运行数据数量庞大，由于智能电网在受到设备故障、数据流采集错误以及外界噪声扰动等方面的影响使初始得到的海量电网运行数据存在大量不完整、不一致的脏数据，无法直接进行数据挖掘，或者挖掘结果差强人意。为了提高数据挖掘的质量，需要对数据进行初检测。与此同时，电力大数据理论日益完善，电网运行状态在线监测系统可以及时、集中地采集电网运行参数，而这些数据满足大数据的5个特性：数据量(Volume)、处理速度快(Velocity)、数据类型多(Variety)、价值大(Value)、精确性高(Veracity)，蕴藏着海量和配电网运行有关的有价值的信息。

异常数据挖掘的理论研究正式进入人们的视野是在1887年，是由英国统计学家弗朗西斯·伊西德罗·埃奇沃思的一篇论文开始的。随着对异常数据挖掘研究的深入，出现了许多异常检测技术，并广泛应用到实际工程当中。但随着大数据理论的发展，相对于数据挖掘而言，异常数据的检测发展相对滞后。最早应用于异常诊断的方法是基于统计的方法，这种方法依赖于数据流满足某种标准分布，即该方法是通过概率分布来定义的，如Yamannishi等人将正常行为用一个高斯混合模型来描述，通过计算目标数据和模型标准状态的偏离程度来发现诊断异常，但此类方法存在很大的局限性，因为事先无法知道所研究的数据集满足何种标准分布；Towel等人在分析神经网络的基础上提出了基于神经网络的异常数据挖掘算法，但神经网络存在的泛化能力差、在构建网络时需要借助专家经验等方面的问题给模型的应用带来了一定的问题。基于核的分类方法是近年来发展起来的用于异常数据挖掘算法，主要思想是将目标源数据通过函数关系映射到一个高维特征空间，根据高维特征空间的分类超平面可以建立一个分类模型，以此来区分异常数据。

国内对异常数据挖掘的研究起步相对较晚，但在近年来也已经取得了许多重要研究成果，主要是通过设置阀值或者基于小波分析、人工神经网络和支持向量机等理论实现对电网海量数据流异常状态的自动监测。

综上所述，国内外针对异常数据检测提出了许多异常数据挖掘算法，但上述方法存在着检测速度慢、准确率低、建立模型繁琐的问题，针对这些问题，提出了一种基于随机矩阵理论的电网海量数据异常检测方法，具有一定的工程价值和研究意并对管理决策部门具有指导意义。

发明内容

本发明主要解决的技术问题是电网海量电压电流运行数据中存在的异常数据的问题，提供一种基于随机矩阵理论的电网海量数据异常检测方法，能够准确快速地对电网海量电压电流数据进行异常辨识，能够有效地解决需设计模型的烦琐及由于模型设计不准确等问题，具有较高的实时性和准确性。

为解决上述技术问题，本发明采用的一个技术方案是：