[发明专利]一种基于密度聚类和LSTM的电力负荷异常数据的识别与修复方法

摘要

一种基于密度聚类和LSTM的电力负荷异常数据的识别与修复的方法，属于电能质量分析方法技术领域。本方法采用基于密度的聚类算法(Density‑Based Spatial Clustering of Applications with Noise)和长短期记忆神经网络(Long Short‑Term Memory)相结合的方式对异常数据进行识别与修复。该方法首先利用DSCAN算法对数据以天为单位进行密度聚类，得到异常的数据；接着利用长短期记忆神经网络LSTM，将判定为异常的时序数据作为其输入，利用前n个序列数据预测下一个序列数据；最后，将LSTM的预测值作为准确值，设置上下浮动的阈值，若实测值超出阈值范围，则视为异常值，并将LSTM的预测值作为修正值。该方法充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值并修复，具有很好的实际应用价值。

主权项

1.一种基于基于密度聚类和LSTM的电力负荷异常数据的识别与修复的方法。其特征在于，该方法的具体步骤为：步骤一：对输入数据进行归一化处理；步骤二：利用DSCAN算法自动划分正常数据和异常数据的标签，即对一年的数据进行密度聚类(以天为单位)，得到离群点，即异常的数据点(包含一天所有的时序采样点)；步骤三：构建长短期记忆神经网络LSTM，将步骤2中输出的异常数据作为LSTM的时序输入，设置最优输出神经元个数为1，即不断利用前8个序列数据输入LSTM，预测下一个序列数据；步骤四：将LSTM每个时间阶段的预测值作为准确值，设置上下浮动的阈值，对该序列数据点对应的实测值进行判断，若其超出阈值范围，则视为异常值，并将LSTM的预测值作为修正值，继续往前预测，直至一天的所有序列数据运行结束。