[发明专利]一种配电网不良数据的处理方法、装置、设备和存储介质

说明书

本申请公开了一种配电网不良数据的处理方法、装置、设备和存储介质，获取配电网中预置时间段内的量测数据；将量测数据输入预置辨识模型进行数据分类，输出量测数据为正常数据或不良数据；基于辨识结果确定量测数据中的不良数据出现的时刻t，将不良数据出现的时刻t之前的预置数量个正常数据输入至预置数据修正模型，得到时刻t的预测数据；将时刻t的预测数据替代时刻t的不良数据，得到修正后的量测数据。解决了现有技术采用卷积神经网络模型对不良数据进行辨识后，没有对剔除之后的不良数据进行补充或修正，使得数据不完整，从而影响配电网系统的可观性，降低配电网状态估计结果的可靠性的技术问题。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种配电网不良数据的处理方法、装置、设备和存储介质。

背景技术

近年来，配电网系统实现了飞跃式的发展，同时居民对电网供电质量及可靠性等要求日益严格。然而，因为实时量测系统不够完善，从数据采集与监控系统(SCADA)中获取的节点电压、线路电路、支路功率等量测数据会出现错误、重复、缺失等问题，即获取的数据中会出现不良数据。不良数据的存在会对配电网系统的运行状态产生不利影响，进而影响配电网系统性能。

传统的不良数据辨识方法主要是基于状态估计方法，包括残差搜索法、非二次准则法、零残差法、估计辨识法等。这些方法往往将加权残差或标准残差当做特征值，并假设它们服从某一概率分布，然后依据一定的置信度水平设置一个门槛值，进行假设检验。当确定可疑数据出现的位置后，再将这些可疑数据从量测数据集中剔除或削弱权重，最后产生新的状态估计。然而这类方法的共同不足之处在于容易出现残差污染和残差淹没现象，导致出现漏检或误检的情况，使得辨识效果大大降低。

为了解决状态估计方法所存在的问题，现有技术采用卷积神经网络进行不良数据的辨识。当一个神经网络模型被训练好之后，可以迅速产生一个辨识大多数种类的量测误差的结果，有利于在控制中心形成一个安全可靠的数据仓库。但现有技术对不良数据进行辨识后，没有对剔除之后的不良数据进行补充或修正，使得数据不完整，从而影响配电网系统的可观性，降低配电网状态估计结果的可靠性。

发明内容

本申请提供了一种配电网不良数据的处理方法、装置、设备和存储介质，用于解决现有技术采用卷积神经网络模型对不良数据进行辨识后，没有对剔除之后的不良数据进行补充或修正，使得数据不完整，从而影响配电网系统的可观性，降低配电网状态估计结果的可靠性的技术问题。

有鉴于此，本申请第一方面提供了一种配电网不良数据的处理方法，包括：

获取配电网中预置时间段内的量测数据，所述量测数据包括节点电压、线路电流和支路功率；

将所述量测数据输入预置辨识模型进行数据分类，输出所述量测数据的辨识结果，其中，所述量测数据的辨识结果包括正常数据和不良数据；

基于所述辨识结果确定所述量测数据中的不良数据出现的时刻t，将所述不良数据出现的时刻t之前的预置数量个所述正常数据输入至预置数据修正模型，得到时刻t的预测数据；

将时刻t的所述预测数据替代时刻t的所述不良数据，得到修正后的所述量测数据。

可选的，所述将所述量测数据输入预置辨识模型进行数据分类，输出所述量测数据的辨识结果，之前还包括：

通过预置公式对所述量测数据进行预处理，所述预置公式为：

其中，为第i类量测数据中的第j维数据，为预处理之后的第i类量测数据中的第j维数据；i＝1,2,3，分别代表节点电压、线路电流、支路功率；j＝1,2,…,N_i，N_i为第i类量测数据中的数据总维数。

可选的，所述预置辨识模型的配置过程为：