基于支持向量机的电力系统调度数据异常检测方法_刘震宇.pdf

控制理论与应用Control Theory and Applications自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications基于支持向量机的电力系统调度数据异常检测方法刘震宇（国网冀北电力有限公司承德供电公司，河北 承德 067000）摘要:以准确检测电力系统调度数据异常模式为目的，提出基于支持向量机的电力系统调度数据异常检测方法。在分析电力自动化调度运行结构的基础上，构建调度数据的时间序列模型，识别并去除异常数据时间序列中的噪声数据与缺失数据。针对处理后的数据集合，利用孤立森林提取其异常特征，再将提取出的特征输入到支持向量机中，识别其中的异常特征模式，从而完成对电力系统调度数据异常的检测。实验结果验证：该方法在检测异常数据时，能够充分发挥数据预处理、数据特征提取、异常特征模式识别三大功能，具有较好的应用效果。关键词:支持向量机；电力系统调度;数据异常检测；特征提取；孤立森林中图分类号：TP391文献标识码:A文章编号:1003-7241(2023)06-0024-05Anomaly Detection Method of Power System Dispatching DataBased on Support Vector MachineLIU Zhen-yu(State Grid Jibei Electric Power Co.,Ltd.,Chengde Power Supply Company,Chengde 067000 China)Abstract:In order to accurately detect the abnormal patterns of power system dispatching data,an abnormal detection method of power sys-tem dispatching data based on support vector machine(SVM)is proposed.Based on the analysis of automatic dispatching opera-tion structure of electric power,a time series model of dispatching data is constructed to identify and remove noise data and miss-ing data in abnormal data time series.For the processed data set,the isolated forest is used to extract its abnormal features,andthen the extracted features are input into the support vector machine to identify the abnormal feature patterns,so as to completethe abnormal detection of power system scheduling data.Experimental results show that this method can give full play to thethree functions of data preprocessing,data feature extraction and abnormal feature pattern recognition when detecting abnormaldata,and has a good application effect.Keywords:Support Vector Machine;power system dispatching;data anomaly detection;feature extraction;isolated forest收稿日期:2022-02-23DOI:10.20033/j.1003-7241.（2023）06-0024-05.1引言目前，我国电力系统的规模逐渐增大，网络结构、电网线路也逐渐多元化，系统的工作状态会遭到多种因素干扰。在此前提下，电力系统的调度数据具有大数据化、复杂化特征，这对电力系统调度数据异常检测存在负面影响1-4。李新鹏5等人提出使用孤立森林算法检测电力调度流数据中异常数据，虽然检测效果较好，但是并不能实现异常数据分类；姜丹6等人提出的电力运行数据异常检测示警方法对电力运行数据异常检测也存在较好的应用效果，但抗干扰性有待测试。为此，本文针对此问题进行研究后，提出了基于支持向量机的电力系统调度数据异常检测方法。2电力系统调度数据异常检测方法2.1电力系统自动化调度系统电力系统自动化调度系统的应用主要是为了防止电力系统运行状态出现故障，通过一系列自动化调度手段，防止出现大停电事故。电力系统运行的生产调度主要由调度计划自动化设计、调度运行自动化、调度监控自动化三个环节构成，如图1所示。图1电力系统自动化调度系统的运行结构24自动化技术与应用2023 年第 42 卷第 6 期控制理论与应用Control Theory and ApplicationsTechniques ofAutomation&Applications由图1看出，电力系统自动化调度系统运行结构属于4级梯度式自动化调度模式7-8。由4级梯度式自动化调度模式可知，电力系统自动化调度的最终目的是检测电力系统是否存在异常，在此环节设计基于支持向量机的电力系统调度数据异常检测方法，具体检测模式如图2所示。图2检测模式2.2电力系统自动化调度数据预处理方法2.2.1构建电力系统自动化调度数据的时间序列模型设置电力系统自动化调度数据集合O中，数据时间序列是Y，则t时刻的数据时间序列是：(1)式中，(A)、(A)分别是光滑算子与可逆算子；是延迟算子A数值同 1 之间的差值；t是噪声序列点，其符合正态分布。设置Xt属于一种已知具备噪声点、缺失值的数据时间序列，那么，在t时间段中，含有噪声点、缺失值的电力系统自动化调度数据集合O存在两种调度数据子时间序列模式：(1)持久性时间序列设置在时间段t中，Xt的存在具有持久性，那么此序列表达成：(2)(3)式中，是可表达时间段t时，电力系统自动化调度数据集合中是否具有异常时间序列的指标函数；是持久性数据序列的影响因子。(2)独立性时间序列时间T中，独立性数据时间序列是Lt：(4)2.2.2去除异常数据时间序列中噪声数据与缺失数据电力系统自动化调度中，具有持久性、独立性的调度数据对电力系统自动化调度状态数据时间序列的影响运算方法是：(5)式中，时间序列的拟合误差、残差影响的算子分别是ct、i；ct+i是t时间段中，电力系统自动化调度状态数据时间序列第i次拟合的误差值；m是拟合时间总值。电力系统自动化调度状态数据中，噪声数据与缺失数据的检测能够使用下式获取：(6)(7)(8)式中，、依次是Xt、Lt的检验统计量；a是ct的序列方差。如果、在初始时刻大于状态阈值D，那么此状态数据序列中不存在噪声数据与缺失数据，反之去除此类数据。2.3基于孤立森林的调度数据异常特征提取方法电力系统自动化调度数据集合经2.2小节预处理后，采用基于孤立森林的调度数据异常特征提取方法，将电力系统自动化调度数据异常值设成调度数据的异常特征，在数据挖掘的角度提取电力系统自动化调度数据异常特征。2.3.1建立电力自动化调度数据的孤立树与孤立森林针对2.2小节预处理后的电力系统自动化调度数据集合O，假设其存在m条调度数据样本y、个特征，电力系统自动化调度数据集合O的孤立森林分为多个孤立树9，孤立树的构建步骤如下：(1)在O中任意选取一个特征Q；(2)任意选取特征Q中的单个异常值P；(3)结合特征Q，将各个电力系统自动化调度数据实施二叉树分割，如果特征Q里随机一个属性记录值小于Q，将其归入子左节点，反之归入右子节点；(4)以递归的模式建立左子节点、右子节点，设计电力系统自动化调度数据特征的孤立树，当各个电力系统自动化调度数据样本特征均具有孤立性，或者树的高度为最大值，便完成孤立树的建立10-11。孤立森林由多个孤立树构成，将电力系统自动化调度数据集合O中的数据特征孤立树都建立完毕后，便可组成孤立森林。2.3.2获取电力系统自动化调度数据异常分值特征25控制理论与应用Control Theory and Applications自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications孤立树与孤立森林建立完毕，便能够输出各个调度数据特征的异常分值，针对一个电力系统自动化调度数据集合O中，一个数据样本y而言，特征异常分值的运算方法是y在所有孤立树的遍历深度均值，此值较小，表示孤立时间更早，异常分值便较大，深度均值较大，则异常分值较小12。在各个孤立树中对y的特征实施深度量化，设置异常分值量化方法是：(9)每个数据y的孤立森林异常分值是：(10)式中，d()是量化数值；、k(y)依次是欧拉常数、y的路径长度，此路径长度是指电力系统自动化调度数据特征孤立森林的根节点至被孤立点边的数值，Fk(y)是孤立树中平均路径长度。i(y)越接近于1，表示此数据特征Q异常的越显著。2.4基于支持向量机的调度数据异常特征模式识别方法将2.3小节提取的异常特征实施归一化，以此处理原特征值的量纲差异问题。把M个电力系统自动化调度数据异常特征QM使用式(11)实施归一化处理：(11)式中，VM是QM的正交特征向量。归一化处理后，将各个电力系统自动化调度数据异常特征通过拉格朗日函数变换成线性可分的形式，使用支持向量机识别电力系统自动化调度数据异常特征模式，判断电力系统调度数据的故障来源，实现异常检测。此时支持向量机分类间隔最大化问题描述成：(12)式中，、依次是第j个、第i个电力系统自动化调度数据异常特征、的拉格朗日乘子；E是惩罚因子，其值大于0；是权重值；是映射函数。拉格朗日乘子中，非零的系数b就是支持向量，求解能够获取最佳分类函数：(13)式中，H(,)是核函数；是电力系统自动化调度数据异常特征的拉格朗日乘子。(14)式中，是内核函数的参数，其值0。在选择核函数之后，误差惩罚因子E与 核函数参数直接影响支持向量机的分类识别效果。E能够均衡决策结果的难度与精度，E较小，便可准许训练样本里存在分类错误的样本，以此能够防止出现过拟合现象，分类模型的泛化性能得以提升13-15。核函数参数能够均衡QM的分布复杂度。综上所述，基于支持向量机的电力系统自动化调度数据异常特征模式识别流程如下：(1)通过误差惩罚因子E和核函数参数、QM建立初始种群；(2)初始化参数，运算个体适应度值：(15)式中，(j)、(i)依次是QM的实际异常类型、支持向量机分类结果；(3)把QM导入支持向量机中实施训练；(4)按照适应度值多次优化支持向量机的误差惩罚因子E和核函数参数，获取支持向量机的最优超平面，分类识别QM所属异常特征模式。3实验与分析实验主要对本文方法的应用效果进行测试，测试指标分别为：电力系统调度数据异常特征提取效果、电力系统调度数据异常检测效果、电力系统调度数据预处理效果。(1)电力系统调度数据异常特征提取效果为了测试本文方法对电力系统调度数据异常特征提取的效果，在提取电力系统调度数据异常特征时，以某地区某工厂2种日负荷曲线为例，使用本文方法对此地区2种日负荷数据进行特征提取并分析，结果如图3、图4所示。图3中，第1类日负荷曲线存在显著的峰值特征，早高峰特征主要集中在8:3012:30，午高峰特征集中在15:0018:30。第一类日负荷数据中，早高峰、午高峰的功率过大，属于工厂白班供电模式，此时电力系统供电断电概率大，需要合理调度。26自动化技术与应用2023 年第 42 卷第 6 期控制理论与应用Control Theory and ApplicationsTechniques ofAutomation&Applications图3第1类日负荷数据特征图4第2类日负荷数据特征图4中，第2类日负荷曲线存在显著的峰值特征，日间负荷特征不明显，其中晚高峰的功率过大，主要集中在晚20:30凌晨1:00，属于工厂夜班供电模式，此时电力系统供电断电概率大，需要合理调度。如上所述，本文方法能够提取到电力系统调度时的异常负荷数据特征。(2)电力系统调度数据异常识别检测效果图5负荷数据跳变式调度数据异常检测以电力系统调度中负荷数据跳变异常模式为例，使用本文方法对其进行识别检测。为了凸显本文方法的检测效果，使用文献5方法(对比方法A)、文献6方法(对比方法B)作为对比方法。通过AUC数值体现三种方法的检测效果。AUC的数值与1的接近程度越高，表示异常检测的误差越小，如果AUC数值是0.5，表示检测结果不存在应用价值。检测结果图5所示。如图5所示，三种方法对电力系统调度过程中，负荷数据跳变模式中异常数据检测后，本文方法检测结果的AUC数值大于对比方法A、对比方法B检测结果的AUC数值。当异常数据量逐渐增多时，三种方法检测结果的AUC结果都会出现变小趋势。但对比之下，本文方法检测结果AUC数值大于0.9，最接近于1，表明本文方法检测结果应用价值最高，误差最小。在使用本文方法检测电力系统调度数据异常时，孤立树的数量对本文方法的检测效果存在直接影响，为此，将孤立树的数量依次设成10个、100个，测试本文方法对负荷数据跳变异常数据的识别效果，结果如图6图所示。图6孤立树数量对本文方法检测效果的影响分析图6可知，当孤立树数量为100个时，本文方法对负荷数据跳变异常模式的数据检测识别后，本文方法检测结果的AUC数值大于孤立树数量是10个时的检测结果，原因是孤立树数量是10个，本文方法在检测异常数据时，学习规模不能满足电力系统调度数据异常检测需求。为此，在应用过程中，需要将本文方法的孤立树数量设成100个。3)电力系统调度数据预处理效果以图3所示的第1类日负荷数据为例，在此负荷数据中引入噪声数据如图7所示，使用本文方法对此负荷数据实施预处理，结果如图8所示。图7引入噪声数据后的负荷数据示意图对比图7、图8可知，引入噪声数据后的电力系统调度所用的负荷数据不存在明显的规律特征，不利于本文方(下转第37页)27自动化技术与应用2023 年第 42 卷第 6 期控制理论与应用Control Theory and ApplicationsTechniques ofAutomation&Applications辆检测系统J.电视技术,2019,43(3):88-91.2 陶凯,彭勋,刘国跃.南宁铁路局工务固定设施管控信息系统的设计与实现J.铁道建筑,2019,59(5):132-136.3 熊昌盛,毛勇强.铁路桩基检测信息管理系统研发及应用J.铁道建筑,2019,59(2):74-77.4 王茂正,安越,黄超.基于车辆基地智能综合管控系统的车辆检修日计划编制J.城市轨道交通研究,2020,23(12):214-217.5 张晓丽,董昱.面向铁路货车车号定位的Faster R-CNN卷积神经网络J.电子测量与仪器学报,2020,34(10):65-73.6 田明明,叶继华,王仕民,等.一种复杂环境下多传感器数据融合方法J.山东大学学报(工学版),2019,49(3):32-38.7 陈英,董思羽.基于可信度小波神经网络的多传感器数据融合方法J.吉林大学学报(理学版),2020,58(4):953-959.8 陈锦宗,何最新,王莹,等.高速铁路动车组检修资源布局优化研究J.铁道运输与经济,2020,42(1):66-71.9 刘大玲,黄小钢.高速铁路无砟轨道系统状态监测及预防性维修J.中国机械工程,2019,30(3):349-353.10 尚麟宇,冯军,刘明端,等.铁路车站调车作业安全防护设备运维管理系统研究J.铁道运输与经济,2020,42(2):62-67.作者简介:胡志伟(1985-)，男，本科，工程师，研究方向：机械设计及自动化。法对调度数据异常检测任务的推进，检测难度变大。本文方法对其预处理后，虽然负荷数据和图3的原始数据变化规律存在一定偏差，但是偏差较小，并没有影响负荷规律特征的提取，降低了调度数据异常检测任务难度。由此可以说明本文方法具有较好的应用价值，能够合理处理电力系统调度数据异常检测问题。图8本文方法处理后综上所述，本文方法在处理电力系统调度数据的异常检测问题时，具有较好的应用价值，可以在检测、识别异常数据时，充分发挥数据预处理、数据特征提取、异常特征模式识别三大功能。4结束语现如今社会发展速度逐渐加快，国民经济增长幅度显著，人们对生活水平的需求日益增大，国家电网的建设也逐步完善，此时供电系统也面临较大挑战。电力系统自动化调度系统的使用可有效提升供电系统的工作效果，本文针对电力系统自动化调度数据的异常检测提出了针对性的处理方法，方法的核心技术为支持向量机。该方法能够对电力系统自动化调度系统的调度数据进行合理的预处理，并准确提取电力系统自动化调度数据的特征并识别其异常模式。参考文献:1 马一杰,陈君,刘松.基于长短时记忆网络的电力负荷异常检测J.云南大学学报(自然科学版),2020,42(S2):55-59.2 张春辉,白翠芝,张蔓娴.基于小波的电力负荷异常检测J.云南大学学报(自然科学版),2020,42(S2):49-54.3 肖勇,郑楷洪,余忠忠,等.基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测J.电网技术,2020,44(3):1099-1104.4 周忠强,韩松.基于样本协方差矩阵最大特征值的低信噪比环境电网异常状态检测J.电力系统保护与控制,2019,47(8):113-119.5 李新鹏,高欣,阎博,等.基于孤立森林算法的电力调度流数据异常检测方法J.电网技术,2019,43(4):1447-1456.6 姜丹,梁春燕,吴军英,等.基于大数据分析的电力运行数据异常检测示警方法J.中国测试,2020,46(7):18-23.7 朱永胜,乔百豪,瞿博阳,等.含风电及电动汽车的多目标电力系统调度J.太阳能学报,2019,40(6):1722-1730.8 李志伟,赵书强,刘金山.基于相关机会目标规划的电力系统优化调度研究J.中国电机工程学报,2019,39(10):2803-2816.9 杨晓晖,张圣昌.基于多粒度级联孤立森林算法的异常检测模型J.通信学报,2019,40(8):133-142.10 陈杰,张浩天,汤奕.基于改进生成式对抗网络的电网异常数据辨识方法J.电力建设,2021,42(5):9-15.11 书强,李晨.一种针对电力数据异常检测的改进谱聚类算法J.计算机仿真,2019,36(11):239-242,304.12 李永攀,门锟,吴俊阳.基于低秩模型的电力状态数据异常检测J.计算机工程与应用,2019,55(16):255-258,264.13 庞传军,牟佳男,余建明,等.基于运行关键指标和Seq2Seq的大电网运行异常识别J.电力建设,2020,41(7):17-24.14 郝建军,王启银,张兴忠.基于支持向量机的电网通信入侵检测技术J.电测与仪表,2019,56(22):109-114.15 谢桦,亚夏尔 吐尔洪,陈昊,等.基于支持向量机算法的配电线路时变状态预测方法J.电力系统自动化,2020,44(18):74-80.作者简介:刘震宇(1976-)，男，硕士，高级工程师，研究方向：电力系统自动化控制、继电保护、电网运行等。(上接第27页)37