本发明涉及电力系统,特别涉及一种基于随机构建矩阵的异常数据量测辨识方法和装置。
背景技术:
1、智能电网(smart electrical grid,seg)是一个以输电网和各级电网并行协调发展的综合智能化系统,特征是输电、变电、配电之间的各电压等级信息化、自动化。随着seg的不断建设,电力系统的规模不断扩大,电力系统成为典型的大数据系统。电网量测系统获得的数据以及城市气象等边缘感知数据类型多,继而难免存在着数据维度大、数据来源广、数据存在异常且难以识别和筛选的问题,如何快速、准确利用电网中海量数据,挖掘气象因素与负荷用电行为之间的相关性,为辅助后续电力调度决策、提高电网极端天气的应对能力,保障重要电力用户供电可靠性具有重要意义。
2、电力是人们进行生产活动的基本能源。随着经济的不断发展,用户对电力能源的供电可靠性要求不断提高;与此同时,配电网规模不断增长,量测系统涌入了大量且多维度的数据,不仅包括电气指标的数据,同样包括了如气象指标等非电气指标的数据。这些数据中难免会存在数据异常、难以识别和筛选的问题。
3、因此,如何快速、准确的对电网中的海量数据进行异常识别和筛选,为挖掘非电气因素与负荷用电行为之间的相关性,以及辅助后续电力调度等行为决策提供技术支持,就成为本领域技术人员亟待解决的问题。
技术实现思路
1、本发明实施例提供了一种基于随机构建矩阵的异常数据量测辨识方法和装置,以便能够快速、准确的对电网中的海量数据进行异常识别和筛选,为挖掘非电气因素与负荷用电行为之间的相关性,以及辅助后续电力调度等行为决策提供技术支持。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
2、根据本发明实施例的第一方面,提供了一种基于随机构建矩阵的异常数据量测辨识方法。
3、在一些实施例中,所述方法包括:
4、获取预设时长内目标电网的电气指标数据和非电气指标数据;
5、基于所述电气指标数据和所述非电气指标数据构建随机矩阵;
6、确定所述随机矩阵中的目标区域,并对所述目标区域内的目标矩阵进行矩阵变换,得到变换后矩阵;
7、对所述变换后矩阵分别进行第一能量谱分析和第二能量谱分析,以得到第一筛选指标和第二筛选指标;
8、根据所述第一筛选指标和所述第二筛选指标确定特征根的分布状态;
9、基于所述特征根的分布状态确定数据异常结果。
10、在一些实施例中,所述电气指标数据包括na个基本状态变量,其中,所述基本状态变量至少包括有功负荷数据、节点电压数据和支路电流数据。
11、在一些实施例中,所述非电气数据包括nb个影响因素变量,其中,所述影响因素变量至少包括目标地点的日照数据、温度数据和湿度数据。
12、在一些实施例中,基于所述电气指标数据和所述非电气指标数据构建的随机矩阵为:
13、
14、其中,x表示矩阵元素,nj表示节点数,ti表示时间点。
15、在一些实施例中,确定所述随机矩阵中的目标区域,具体包括:
16、在所述随机矩阵中构建可移动窗口,以所述可移动窗口中的区域作为所述目标区域。
17、在一些实施例中,对所述目标区域内的目标矩阵进行矩阵变换,得到变换后矩阵,具体包括:
18、在目标采样时刻,从数据库中获取原矩阵;
19、将所述原矩阵转换为标准非hermitian矩阵;
20、计算所述标准非hermitian矩阵的多个奇异值等效矩阵;
21、将各所述奇异值等效矩阵累乘,以构成待分析矩阵。
22、在一些实施例中,将各所述奇异值等效矩阵累乘,以构成待分析矩阵,之后还包括:
23、将所述待分析矩阵转换为标准矩阵,并计算所述标准矩阵的协方差矩阵;
24、以所述协方差矩阵作为所述变换后矩阵。
25、在一些实施例中,所述标准矩阵的均值为1,方差为0。
26、在一些实施例中,对所述变换后矩阵分别进行第一能量谱分析和第二能量谱分析,以得到第一筛选指标和第二筛选指标,具体包括:
27、所述第一能量谱分析为单环率分析,所述第一筛选指标为平均谱半径。
28、在一些实施例中,所述单环率分析具体包括:
29、设为非hermitian特征的随机矩阵,中的每一个元素为符合独立同分布的随机变量,其元素满足以下关系式:
30、μ(xi)=0,σ2(xi)=1
31、式中,μ(xi)表示平均值,σ2(xi)表示方差值;
32、当的维度n和t趋于无穷,且保持c=n/t不变时,奇异值等价矩阵的特征值的经验谱分布收敛到圆环,其中,c表示矩阵行数和列数之比。
33、在一些实施例中,所述单环率分析中,其概率密度函数为:
34、
35、式中,为矩阵特征值,l是奇异值等价矩阵的累积个数,圆环内半径为(1-c)l/2,圆环外半径为1。
36、在一些实施例中,对所述变换后矩阵分别进行第一能量谱分析和第二能量谱分析,以得到第一筛选指标和第二筛选指标,具体包括:
37、所述第二能量谱分析为m-p律分析,所述第二筛选指标为m-p曲线。
38、在一些实施例中,所述m-p律分析,具体包括:
39、设为非hermitian特征的随机矩阵,中的每一个元素为符合独立同分布的随机变量,其元素满足以下关系式:
40、μ(xi)=0,σ2(xi)=constant<∞
41、协方差矩阵定义为:
42、
43、其中,s为协方差矩阵,n为矩阵行数,x为数据采集后的原矩阵,t是表示矩阵转置的数学符号;
44、经过矩阵变换后,协方差矩阵的能量谱分布为:
45、
46、式中,λs是矩阵的特征值,c为矩阵行、列维度之比,应处于0到1之间,
47、其中,a为圆环率中特征值半径分布的最小值,b为圆环率中特征值半径分布的最大值,d为圆环率中特征值分布的均值。
48、在一些实施例中,基于所述特征根的分布状态确定数据异常结果,具体包括:
49、若特征值分布散乱,且平均谱半径的值逐渐缩小于圆心,则所述数据异常结果为数据存在异常;
50、若特征值分布均匀,且平均谱半径的值稳定,则所述数据异常结果为数据无异常。
51、根据本发明实施例的第二方面,提供了一种基于随机构建矩阵的异常数据量测辨识装置。
52、在一些实施例中,所述装置包括:
53、数据获取单元,用于获取预设时长内目标电网的电气指标数据和非电气指标数据;
54、矩阵构建单元,用于基于所述电气指标数据和所述非电气指标数据构建随机矩阵;
55、矩阵变换单元,用于确定所述随机矩阵中的目标区域,并对所述目标区域内的目标矩阵进行矩阵变换,得到变换后矩阵;
56、量谱分析单元,用于对所述变换后矩阵分别进行第一能量谱分析和第二能量谱分析,以得到第一筛选指标和第二筛选指标;
57、分布确定单元,用于根据所述第一筛选指标和所述第二筛选指标确定特征根的分布状态;
58、结果输出单元,用于基于所述特征根的分布状态确定数据异常结果。
59、根据本发明实施例的第三方面,提供了一种计算机设备。
60、在一些实施例中,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
61、本发明实施例提供的技术方案可以包括以下有益效果:
62、本发明所提供的基于随机构建矩阵的异常数据量测辨识方法,通过获取预设时长内目标电网的电气指标数据和非电气指标数据,基于所述电气指标数据和所述非电气指标数据构建随机矩阵;确定所述随机矩阵中的目标区域,并对所述目标区域内的目标矩阵进行矩阵变换,得到变换后矩阵;对所述变换后矩阵分别进行第一能量谱分析和第二能量谱分析,以得到第一筛选指标和第二筛选指标;根据所述第一筛选指标和所述第二筛选指标确定特征根的分布状态,基于所述特征根的分布状态确定数据异常结果。本发明所提供的方法通过对大量、高维度数据进行异常检测识别并进行定位,进而满足数据的快速高效利用,能够快速、准确的对电网中的海量数据进行异常识别和筛选,为挖掘非电气因素与负荷用电行为之间的相关性,以及辅助后续电力调度等行为决策提供技术支持。
63、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。