[发明专利]基于大数据运算预测性特高压冲击测量系统及方法

权利要求书

1.一种基于大数据运算预测性特高压冲击测量系统，其特征在于，包括依次连接的数据采集单元、数据过滤单元、数据分类单元、测量模型构建单元、预测测量单元，其中，

数据采集单元，其通过信息录入或自动收集的方式采集有关特高压电网的单位冲击数据组，若干单位冲击数据组形成冲击数据集；

数据过滤单元，其用于对特高压电网的单位冲击数据组进行过滤和优化，获得过滤优化后的冲击数据集；

数据分类单元，其用于对特高压电网的冲击数据集中的单位冲击数据组进行分类；

测量模型构建单元，其用于构建测量模型库，还用于构建库内的拟合冲击函数；

预测测量单元，其用于对冲击函数进行实例运算，具体是将预测数据输入冲击函数获得预测性测量数据。

2.根据权利要求1所述的一种基于大数据运算预测性特高压冲击测量系统，其特征在于，所述的每一个特高压电网的单位冲击数据组至少包括特高压电网的交直类型、冲击电压、冲击电流、冲击时间、冲击线网位置、冲击影响数据，其中的冲击影响数据包括与被冲击特高压电网连接所有电网网路中电流、电压变化的有效数据。

3.根据权利要求1所述的一种基于大数据运算预测性特高压冲击测量系统，其特征在于，所述的数据过滤单元对特高压电网的单位冲击数据组进行过滤和优化，具体是剔除单位冲击数据组中异常偏高、异常偏低、重复、数据项缺失严重、数据格式错误的单位冲击数据组并且对数据质量评估，直到评估数值达到阈值。

4.根据权利要求1所述的一种基于大数据运算预测性特高压冲击测量系统，其特征在于，所述的数据分类单元对特高压电网的冲击数据集中的单位冲击数据组进行分类具体是：

首先将冲击数据集做类像素处理，即按照冲击数据集中单位冲击数据组的初始特征分类并且按照分类将每一个单位冲击数据组的数据项分布式布置在矩阵数据结构中，形成类像素矩阵数据集合；类像素矩阵数据集合用来构建一个具有初始参数的卷积神经网络，卷积神经网络采用一种典型的结构；然后将类像素矩阵数据集合做平滑处理、池化处理获得1纬类像素矩阵数据集合，然后迭代进行平滑处理、池化处理m次获得m+1纬类像素矩阵数据集合，其中的m为自然数；然后进行特征运算：m+1纬类像素矩阵数据集合中的第i纬类像素矩阵数据集合输入到卷积神经网络获得i纬特征，将i+1纬类像素矩阵数据集合输入到卷积神经网络获得i+1纬特征，i纬特征和i+1纬特征按点逐位相加方式融合获得（i，i+1）纬特征；然后以（i，i+1）纬特征代替第i纬类像素矩阵数据集合输入到卷积神经网络，以i+2纬类像素矩阵数据集合代替i+1纬类像素矩阵数据集合输入到卷积神经网络并迭代特征运算，最后获取（m，m+1）纬特征；最终将（m，m+1）纬特征输入到卷积神经网并进行池化、连接及损失函数计算获得多维的特征；按照多维的特征对特高压电网的冲击数据集中的单位冲击数据组进行分类。