基于启发式混杂策略的特高压直流控保系统数据优化重构方法与流程

1.本发明涉及电力数据的优化重构领域，具体的说是一种特高压直流控保系统中基于启发式混杂策略的电力数据优化重构方法。


背景技术：

2.特高压既是工程建设，更是自主技术攻关，要求在发展中结合“环境友好”这一基本原则开展相关研究，结合以往资料进行自主研究，保证技术能够与时代接轨实现全面创新。由于在自主研究中无法借鉴成熟的经验，为大量科研课题和设计专题研究带来了一定的阻碍，但通过创新设计掌握特高压核心技术和关键技术，后续完善以“安全可靠、经济合理、国际一流”为原则，使特高压建设不断推进，最终建立了世界上首个特高压技术体系，现已逐渐被世界各界认可。
3.目前，特高压换流站直流控保系统主要通过实时采集系统运行状态信号实现对关键部件的监控，及时发现机组故障隐患，避免重大事故的发生，降低维护费用。由于电力数据具有多样与快速变化的特性，因此需要相应的数据识别方法以保证潜在故障诊断的实时性和准确性。
4.电力行业中不良数据识别研究采用的方法主要有基于统计的识别方法，但是当不良数据在原始监测数据中的占比较大时，对不良数据的识别效果不够彻底。基于聚类的不良数据识别结果受聚类数或邻域参数的影响较大，并且直接剔除不良数据的处理方式将破坏数据的完整性和连续性，不利于后续对数据信息的挖掘。对于不良数据的处理，主要有三次样条插值方法和神经网络预测方法等。但插值和拟合等修正方式无法满足修正精度的要求，影响后续建模分析结果的可靠性，而现有基于预测的不良数据修正方法难以兼顾其准确性和泛化性。
5.另一方面，智能传感器每时每刻会产生海量的电力时空数据，需要根据不同的任务实现了有效数据的自适应汇聚，因此设计满足不同任务类型电力数据存储管理需求的数据重构方法十分重要。


技术实现要素：

6.针对现有技术的不足，本发明旨在解决特高压直流控保系统中数据分析等问题，提出一种基于启发式混杂策略的特高压直流控保系统数据优化重构方法，以期能实现对电力数据的不良数据的优化和重构，从而实现对电力系统关键部件的监控，并满足不同任务类型电力数据存储管理需求，提高电力大数据的存取效率。
7.本发明为解决技术问题采用如下技术方案：
8.本发明一种基于基于启发式混杂策略的特高压直流控保系统数据优化重构方法，其特点是应用于特高压直流控保系统中，并按如下步骤进行：
9.步骤1、采集特高压直流控保系统中的电力数据，并按类别进行分类，再采用四分
位法进行不良数据的识别；
10.步骤1.1、将所采集的第i类电力数据进行升序排列，得到排序后的第i类电力序列ti＝[t
i，1
,t
i，2
,...,t
i,p
]，其中，t
i,p
表示第i类电力序列中的第p个样本，p为第i类电力序列的样本数，且t
i,1
≤t
i,2
≤
…
≤t
i,p
；
[0011]
步骤1.2、计算所述排序后的第i类电力序列ti的第一四分位数q
i,1
、第三四分位数q
i,3
及四分位距iqri：
[0012]
若p＝2l，则将第i类电力序列ti分成两等份序列，其中，数值较小的一份序列的中值即为第一四分位数q
i,1
，数值较大的一份序列的中值为第三四分位数q
i,3
；其中，l表示正整数；
[0013]
若p＝4l+1，则利用式(1)得到第i类电力序列ti的第一个四分位点q
i,1
、第三四分位点q
i,3
：
[0014][0015]
式(1)中，t
i,l
表示第i类电力序列ti中的第l个样本，t
i,l+1
表示第i类电力序列ti中的第l+1个样本，t
i,3l+1
表示第i类电力序列ti中的第3l+1个样本，t
i,3l+2
表示第i类电力序列ti中的第3l+2个样本；
[0016]
若p＝4l+3，则利用式(2)得到第i类电力序列ti的第一个四分位点q
i,1
、第三个四分位点q
i,3
：
[0017][0018]
式(2)中，t
i,l+2
表示第i类电力序列ti中的第l+2个样本，t
i,3l+3
表示第i类电力序列ti中的第3l+3个样本；
[0019]
利用式(3)得到第i类电力序列ti的四分位距iqri：
[0020]
iqri＝q
i,3-q
i,1
ꢀꢀꢀꢀꢀ
(3)
[0021]
步骤1.3、根据式(4)计算所述第i类电力序列ti中不良数据的上限t
i,low
及下限t
i,up
：
[0022][0023]
式(4)中，δ表示系数；
[0024]
步骤1.4、由所述上限t
i,low
和下限t
i,up
构成区间[t
i,low
,t
i,up
]，并将第i类电力序列ti中区间[t
i,l
,t
i,u
]以外的数据作为不良数据并删除，从而得到第i类正常数据；
[0025]
步骤2、采用组合预测模型对所述第i类正常数据进行预测，得到的预测值作为不良数据的修正值；
[0026]
步骤2.1、从所述正常数据中随机重复选取ki组数据集；
[0027]
步骤2.2、构建由bpnn预测模型和ls-svm回归模型组成的组合预测模型，并定义组
合预测模型对第i类正常数据的预测值为其中，ω
i1
和ω
i2
分别表示bpnn模型和ls-svm回归模型为第i类正常数据所设置的权重，和分别表示所述bpnn模型和ls-svm回归模型对第i类正常数据的预测值；
[0028]
步骤2.3、用bpnn预测模型和ls-svm回归模型分别对ki组数据集进行预测，相应获得k
i1
组和k
i2
组预测残差序列，计算k
i1
组预测残差序列的平均值并作为权重ω
i1
，计算k
i2
组预测残差序列的平均值并作为权重ω
i2
，从而确定组合预测模型；
[0029]
步骤2.4、用确定好的组合预测模型对第i类正常数据进行预测，得到的预测结果作为所述不良数据的修正数据，从而由修正数据和正常数据构成第i类优化后的电力数据；
[0030]
步骤3、判断所有类优化后的电力数据中的第j个电力数据是否存在实体节点，若存在，则更新相应电力数据的特征节点sj和数据节点pj，否则，创建第j个电力数据的实体节点mj，再创建特征节点sj和数据节点pj；
[0031]
步骤4、根据所述数据节点pj计算第j个电力数据的时间节点tj，并根据所述时间节点tj设立第j个电力数据的时间标签；
[0032]
步骤5、根据所述数据节点pj计算第j个电力数据的空间节点gj，并根据所述空间节点gj设立第j个电力数据的空间标签；
[0033]
步骤6、通过连接所有节点构建时空关系图索引；
[0034]
步骤6.1、将所述第j个电力数据的实体节点mj的特征节点sj与数据节点pj相连，方向关系为实体节点mj指向特征节点sj和数据节点pj；
[0035]
步骤6.2、将所述第j个电力数据的实体节点mj的数据节点pj分别与时间节点tj和空间节点gj相连，方向关系为数据节点pj分别指向时间节点tj和空间节点gj；
[0036]
步骤6.3、判断第j个电力数据的实体节点mj与第k个电力数据的实体节点mk是否有关联关系，若有，则将特征节点sj与sk进行连接，否则不进行连接，从而实现对电力数据的重构。
[0037]
与已有技术相比，本发明的有益效果体现在：
[0038]
1、本发明通过构建组合预测模型对不良数据进行修正，相比于传统处理不良数据的方法，提高了修正值的精度和可靠性，进一步提高了数据质量。
[0039]
2、本发明通过构建时空关系图索引实现电力数据的重构，满足了不同任务类型电力数据存储管理需求，提高了电力大数据存取效率。
附图说明
[0040]
图1为本发明一种基于启发式混杂策略的特高压直流控保系统数据优化重构方法的流程图。
具体实施方式
[0041]
本实施例中，参照图1，一种基于启发式混杂策略的特高压直流控保系统数据优化重构方法，应用于特高压直流控保系统中，通过对不良数据采用四分位法进行识别，采用组合模型对正常数据的预测值作为不良数据的修正值，完成数据优化。构建数据的数据子图、时间子图和空间子图，连接相应节点，构建时空关系图索引。具体的说，按如下步骤进行：
[0042]
步骤1、采集特高压直流控保系统中的电力数据，并按类别进行分类，再采用四分位法进行不良数据的识别；
[0043]
步骤1.1、将所采集的第i类电力数据进行升序排列，得到排序后的第i类电力序列ti＝[t
i，1
,t
i，2
,...,t
i,p
]，其中，t
i,p
表示第i类电力序列中的第p个样本，p为第i类电力序列的样本数，t
i,1
≤t
i,2
≤
…
≤t
i,p
；
[0044]
步骤1.2、计算排序后的第i类电力序列ti的第一四分位数q
i,1
、第三四分位数q
i,3
及四分位距iqri：
[0045]
若p＝2l，则将第i类电力序列ti分成两等份序列，其中，数值较小的一份序列的中值即为第一四分位数q
i,1
，数值较大的一份序列的中值为第三四分位数q
i,3
；其中，l表示正整数；
[0046]
若p＝4l+1，则利用式(1)得到第i类电力序列ti的第一个四分位点q
i,1
、第三四分位点q
i,3
：
[0047][0048]
式(1)中，t
i,l
表示第i类电力序列ti中的第l个样本，t
i,l+1
表示第i类电力序列ti中的第l+1个样本，t
i,3l+1
表示第i类电力序列ti中的第3l+1个样本，t
i,3l+2
表示第i类电力序列ti中的第3l+2个样本；
[0049]
若p＝4l+3，则利用式(2)得到第i类电力序列ti的第一个四分位点q
i,1
、第三个四分位点q
i,3
：
[0050][0051]
式(2)中，t
i,l+2
表示第i类电力序列ti中的第l+2个样本，，t
i,3l+3
表示第i类电力序列ti中的第3l+3个样本；
[0052]
利用式(3)得到第i类电力序列ti的四分位距iqri：
[0053]
iqri＝q
i,3-q
i,1 (3)
[0054]
步骤1.3、根据式(4)计算第i类电力序列ti中不良数据的上限t
i,low
及下限t
i,up
：
[0055][0056]
式(4)中，δ表示系数，本实施例中，δ＝1.5；
[0057]
步骤1.4、由上限t
i,low
和下限t
i,up
构成区间[t
i,low
,t
i,up
]，并将第i类电力序列ti中区间[t
i,l
,t
i,u
]以外的数据作为不良数据并删除，从而得到第i类正常数据；
[0058]
步骤2、采用组合预测模型对第i类正常数据进行预测，得到的预测值作为不良数据的修正值；
[0059]
步骤2.1、从正常数据中随机重复选取ki组数据集；
[0060]
步骤2.2、构建由bpnn预测模型和ls-svm回归模型组成的组合预测模型，并定义组
合预测模型对第i类正常数据的预测值为其中，ω
i1
和ω
i2
分别为bpnn模型和ls-svm回归模型分别为第i类正常数据所设置的权重，和分别为bpnn模型和ls-svm回归模型分别对第i类正常数据的预测值；
[0061]
步骤2.3、用bpnn预测模型和ls-svm回归模型分别对ki组数据集进行预测，相应获得k
i1
组和k
i2
组预测残差序列，计算k
i1
组预测残差序列的平均值并作为权重ω
i1
，计算k
i2
组预测残差序列的平均值并作为权重ω
i2
，从而确定组合预测模型；
[0062]
步骤2.4、用确定好的组合预测模型对第i类正常数据进行预测，得到的预测结果作为不良数据的修正数据，从而由修正数据和正常数据构成第i类优化后的电力数据；
[0063]
步骤3、判断所有类优化后的电力数据中的第j个电力数据是否存在实体节点，若存在，则更新相应电力数据的特征节点sj和数据节点pj，即将新的特征节点sj和数据节点pj代替已存在实体节点的特征节点和数据节点，否则，创建第j个电力数据的实体节点mj，再创建特征节点sj和数据节点pj；
[0064]
步骤4、根据数据节点pj计算第j个电力数据的时间节点tj，并根据时间节点tj设立第j个电力数据的时间标签，其中，时间节点tj存储格式设为(idj,timestampj,typej)，idj表示第j个电力数据时间节点的全局唯一的识别码，timestampj表示第j个电力数据的时间戳，timestampj表示第j个电力数据的时间精度；
[0065]
步骤5、根据数据节点pj计算第j个电力数据的空间节点gj，并根据空间节点gj设立第j个电力数据的空间标签，其中，空间节点gj的存储格式为(idj,geostringj)，geostringj表示采用52位的geohash算法，将经度和纬度坐标转换为唯一的地理字符编码；
[0066]
步骤6、通过连接节点构建时空关系图索引；
[0067]
步骤6.1、将第j个电力数据实体节点mj的特征节点sj与数据节点pj相连，方向关系为实体节点指向特征节点sj和数据节点pj；
[0068]
步骤6.2、将第j个电力数据实体节点mj的数据节点pj分别与时间节点tj和空间节点gj相连，方向关系为数据节点pj分别指向时间节点tj和空间节点gj；
[0069]
步骤6.3、判断第j个电力数据实体节点mj与第k个电力数据实体节点mk是否有关联关系，若有，则将特征节点sj与sk进行连接，否则不进行连接，从而实现对电力数据的重构。