多尺度深度残差网络的特高压直流输电异常数据辨识方法与流程

本发明涉及特高压直流输电系统控制，具体涉及多尺度深度残差网络的特高压直流输电异常数据辨识方法。

背景技术：

1、随着我国经济和社会的迅速发展，对电力的需求也愈加强烈，但是我国的能源分布和用户需求不成正比，建设新型电力系统成为了未来的主流趋势，因此发展可再生新能源是未来发展的必经之路。我国的风电和光伏等新能源主要分布在北方地区，用户需求主要在南方地区，面对如此情形，特高压直流输电因为传输距离长、传输效率高等优点被广泛应用。特高压直流输电线路的接入使整个电力系统更加复杂多样，如何对电网异常数据进行快速准确地辨识成为了目前的一个热点。

2、目前电网异常数据辨识方法主要包括传统方法和智能方法，传统方法主要包括非二次准则、最大标准化残差等，但是受电网拓扑结构和参数影响较大，如果网络参数获得难度较大，传统方法就会受限。随着近年来人工智能的快速发展，因为智能方法不受电网拓扑结构和参数的影响，已经被很多研究人员所重视。基于数据挖掘的异常数据辨识可以有效识别出不符合规范的数据集，较为经典的是统计模型、无监督聚类分析和有监督分析的方法，但是这些方法多数为浅层学习模型，特征提取能力较差，对时间序列数据异常检测效果不理想。

3、随着深度学习的快速发展，基于深度学习的时间序列异常数据检测被很多学者所研究。其中，神经网络在处理海量数据时具有很强的泛化能力，解决动态数据时拥有较好的效果。然而深度学习需要较深的网络完成特征提取，随着算法网络的加深，模型变得复杂，容易出现梯度爆炸的问题，无法收敛，会出现模型退化现象。

技术实现思路

1、为了解决电力大数据无法对特高压直流输电系统异常数据进行快速准确辨识的难题，本发明提出多尺度深度残差网络的特高压直流输电异常数据辨识方法。在数据采样点采集直流电网数据；将采集到的数据作为多尺度深度残差网络的输入，对输入数据进行特征学习，使用多尺度卷积提取时间序列动态数据特征，实现异常数据辨识，深度残差结构防止梯度爆炸和模型退化的问题，在特高压直流输电系统异常数据辨识中具有检测时间快、准确性高的优点。

2、为了实现上述目的，本发明通过如下的技术方案来实现：

3、多尺度深度残差网络的特高压直流输电异常数据辨识方法，所述方法包括：

4、对特高压直流输电线路进行电压采集，将采集到的电压数据进行归一化处理，按照7：3的比例分为训练集和测试集；

5、设置网络参数、训练batch size和学习率，构建多尺度深度残差网络模型；

6、在所述多尺度深度残差网络模型中输入训练集数据，特征学习特高压直流输电线路的电压数据，输出损失函数并判断是否低于网络设置的阈值，或者是否达到最大迭代次数，如果达到上述条件，则跳转到下一步；否则利用梯度下降算法使损失函数最小的原则更新网络参数，转到上一步；

7、根据标准阈值找出是否包含异常数据，若有，则找出异常数据点；

8、将测试集输入到已经训练完并且参数最优的多尺度深度残差网络模型中，计算特高压直流输电线路中异常数据辨识的准确率。

9、本发明的进一步改进在于，特高压直流输电系统采用±800kv的特高压直流输电系统模型，所述特高压直流输电系统模型由双端交流系统、变压器、换流器、平波电抗器、特高压直流输电线路和直流滤波器组成。

10、本发明的进一步改进在于，所述设置网络参数的方法具体包括：

11、输入序列的大小和滑动窗口大小一致，均为n；

12、第一层使用1×1、3×1、5×1三种卷积核的数量分别为4、8、12；

13、设置包括3个残差块，卷积核个数分别为24、48、72；第1个残差块有3个残差单元，作为输入特征提取，第2个残差块有4个残差单元，第3个残差块有5个残差单元。

14、本发明的进一步改进在于，所述多尺度深度残差网络模型由残差模块和多尺度卷积模块组成，通过多尺度卷积提取长序列特征，使用残差学习提升网络结构。

15、本发明的进一步改进在于，所述多尺度卷积指的是使用不同尺度的卷积核提取特征的方式。

16、本发明的进一步改进在于，所述多尺度卷积的具体实现方法为：选择1×1和3×1的卷积核提取短序列的局部信息，选择5×1的卷积核提取长序列的信息，1×1、3×1、5×1三种卷积核的数量分别为4、8、12，设置不同尺度的卷积核数量，再用全连接的方式把各个卷积核得到的特征连接起来。

17、本发明的进一步改进在于，所述残差模块通过深度预激活残差网络提取时间序列数据。

18、本发明的进一步改进在于，所述深度预激活残差网络具体包括：

19、单个残差结构中输出为h(x)，拟合函数为f(x)＝h(x)-x，网络的输入跨层连接到隐藏层的输出上即可得到h(x)；

20、每个残差结构包含两层，x为输入，w1、w2为权重，残差块中前向网络的拟合函数如下式所示：

21、f(x)＝w2σ(w1x)

22、式中σ为relu激活函数；

23、左边支路的前向网络输出同右边恒等映射支路相加，通过激活函数得到输出如下：

24、y＝f(x,{wi})+x

25、式中y为残差结构输出；f(x,{wi})为残差映射函数；wi为隐藏层权重；

26、对输入x在捷径的地方做线性变换w·x，w为线性变化系数，能够使得输入和输出特征数相等，具体如下所示：

27、h(x)＝f(x,{wi})+wx

28、通过上式得到多个残差块的关系如下：

29、

30、式中l为输入的维度数；xl为输入的第l维数据；xm为输入的第m维数据；wl为输入第l维数据的权值；xl为第l个残差结构的输入；

31、反向传播误差公式如下：

32、

33、式中ε为损失函数。

34、本发明的进一步改进在于，多尺度深度残差网络模型的损失函数loss使用均方误差，公式如下：

35、

36、其中：为网络预测输出，y为实际标签值；t为样本输出排序；n为样本总数。

37、本发明的进一步改进在于，使用梯度下降算法反向传播网络更新参数，输出误差序列后使用标准阈值得到异常数据点，标准阈值θi计算公式如下：

38、θi＝α(pi-qi)

39、其中：pi为原始序列第i个数据；qi为误差序列第i个数据；α为阈值系数；

40、异常数据点判据如下所示：

41、

42、式中β为幅度阈值。

43、与现有技术相比，本发明的有益效果是：本发明通过多尺度卷积提取长序列特征，使用残差学习提升网络结构，进一步提升算法的学习能力；通过多尺度卷积能够提取出不同层面的信息，并且不会增加多少计算量，且多尺度卷积能够拓宽网络，提高了网络算法的学习能力与泛化能力。与传统的异常数据辨识方法相比，本发明所提出的多尺度深度残差网络的特高压直流输电异常数据辨识方法克服了深度学习算法对长序列数据学习困难、容易出现梯度消失的缺点，使用多尺度卷积提取时间序列动态数据特征，实现异常数据辨识，深度残差结构可以防止梯度爆炸和模型退化的问题；构建的多尺度深度残差网络模型能够很好地检测时间序列的异常数据，在特高压直流输电异常数据辨识中具有检测时间快、准确性高的优点。