CN119416133A 考虑多源量测数据质量的配电台区违规用电智能识别方法 （湖南大学）

考虑多源量测数据质量的配电台区违规用本发明公开了考虑多源量测数据质量的配分别对各个节点的电压时序数据和功率时序数扩散模型对被标记的数据质量异常数据进行修复，得到修复后的电压时序数据和功率时序数入训练后的违规用电识别模型进行图像异常点2S1.分别对各个节点的电压时序数据和功率时序数据进S2.对S1中标记的异常时序数据簇通过关联规则挖掘进行关联性分析，得到异常时序S3.基于条件扩散模型对被标记的数据质量异常数据进行修复，得到修复后的电压时S4.对修复后的电压时序数据和功率时序数据进行编码转换得到各节点的电压时序图2.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，S12.通过滑动窗口法检测电压时序数据与功率3.根据权利要求2所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，性密度进一步计算得到数据点的异常因子大小，异常因子大小表示每个数据点的离群程3,序数据点到时序数据点的第距离；为节点时序数据点4.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，计算所有电压时序数据之间以及功率时序数据之间的5.根据权利要求4所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，分别采用长度为L的滑动窗口将要进行关联性分析的电压时序数据与功率时序数据截取为M个时序子序列和M个功率子序列，并对电压子序列和功率子序列分别进行线性拟合，f将来表示第k_1个节点与第k个节点之间的电压时序数据或功率时序数据之表示在数据库E中出现的个数；相关度越接近1则表示第k_1个节点和第k个节点的电4,式中，为第k_1个节点与第k个节点的电压子6.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，常时序数据与推算时序数据为指导计算出当前扩散基于条件扩散模型修复异常电压时序数据的,数据；为高斯噪声，为正常电压时序数据；为推算电压时序数据，预估噪声值且基于条件扩散模型修复异常功率时序数据的,7.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，5,基于格拉姆角场图像化算法将余弦值极坐标变换后的电压时序数据与功率时序数据,,r,计算节点时序特征矩阵Fa的均值u，并将其从所有节点时序特征图中减去以消除均,6对融合后的投影特征矩阵进行逆变换将其重建为特征图，并将特征图转换为图像。8.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，将节点时序融合图像If输入训练后的违规用电识别模型进行图像异常点检测，使用逐,,将当前差异分值大于阈值P的像素点标记为违规用电特征点，并将其映射回节点电压9.根据权利要求8所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，训练违规用电识别模型包括判别器和生成器，判别器,将得到的节点时序融合图像通过编码器生成时序特征向量e，接着将时序特征向量e输入解码器中进行解码得到节点生成图像，将节点生成图像再次输入编码器中得到时7据修复方法包括三次Hermite插值法、长短期记忆神经网络与基于浅层神经网络的回归算S2.对S1中标记的异常时序数据簇通过关联规则挖掘进行关联性分析，得到异常8S3.基于条件扩散模型对被标记的数据质量异常数据进行修复，得到修复后的电S4.对修复后的电压时序数据和功率时序数据进行编码转换得到各节点的电压时;标记异常因子大于预设异常阈值的数据点为异,9为时序数据点到时序数据点的第距离；为节点时序数据点分别采用长度为L的滑动窗口将要进行关联性分析的电压时序数据与功率时序数将所有电压时序数据ps或功率时序数据的子序列所组成事件数据库记为E，事将来表示第k_1个节点与第k个节点之间的电压时序数据或功率时序数据之间的相关度，X,和x分别为第k_1个节点和第k个节点的电压子序列或功率子序列，表示在数据库E中出现的个数；相关度越接近1则表示第k_1个节点和第k个节点的电压时序数据或功率时序数据的关联程度越高：,之间的相关度；为X,和之间的置信度，表示数据库E中同时包含X,也包含的概率；表示与间的关联度大小或与间的关联度大小；表示与vs间的置信度或与pk间的置信度；n为满足最小支持度的关联子基于条件扩散模型修复异常电压时序数据的,基于条件扩散模型修复异常功率时序数据的,,基于格拉姆角场图像化算法将余弦值极坐标变换后的电压时序数据与功率时序,,将c;与转换为二维图像，即得到节点电压时序图与功率时序图,计算节点时序特征矩阵Fa的均值u，并将其从所有节点时序特征图中减去以消,。将节点时序融合图像输入训练后的违规用电识别模型进行图像异常点检测,,将当前差异分值大于阈值P的像素点标记为违规用电特征点，并将其映射回节点将当前批次的节点时序融合图像与节点生成图像同时输入至判别器中，生成,式中，L(S)表示判别器对节点时序融合特征图的预测概率；L(3)表示判别器对节[0016]图1为本发明所提供的考虑多源量测数据质量的配电台区违规用电智能识别方法[0018]本发明提供了考虑多源量测数据质量的配电台区违规用电智能识别方法，如图1S2.对S1中标记的异常时序数据簇通过关联规则挖掘进行关联性分析，得到异常S3.基于条件扩散模型对被标记的数据质量异常数据进行修复，得到修复后的电S4.对修复后的电压时序数据和功率时序数据进行编码转换得到各节点的电压时数据进行检测并修复以保证用于违规用电识别数据的完;标记异常因子大于预设异常阈值的数据点为异根据vs与pt的数据密度情况，计算vt与ps中每个数据点的局部可达性密度，对局,为时序数据点到时序数据点的第j距离；为节点时序数据点分别采用长度为L的滑动窗口将要进行关联性分析的电压时序数据与功率时序数序数据与功率时序数据的子序列所组成事件数据库为E，事件库内各个子序列的个数定义来表示第k_1个节点与第k个节点的电压时序数据之间的相关度，X,和分别为第k_1个节点和第k个节点的电压时序数据的子序列，n(x;ux)表示在,式中，为第k_1个节点与第k个节点的电压子序列即x,和y之间的相关度；表示在数据库E中出现的个数；Ra(X→Y)为X,和X之间的置信度，序列间的关联度大小；表示节点电压序列与节点电压序列间的置信置信度的高低可以反映两个节点时间序列关联基于条件扩散模型修复异常电压时序数据的,数据；为高斯噪声，为正常电压时序数据；为推算电压时序数据，预估噪声值且基于条件扩散模型修复异常功率时序数据的,条件扩散模型主要由两个长度为T的马尔可夫链构成，前向扩散过程的马尔可夫中未掩码的正常运行时序数据片段与强相关性时间序列推测的正常时序数据指导扩散模利用强相关性节点潮流计算生成的电压时序推算数据与正常电压时序数据,核逼近真实电压时序数据的数据分布；表示与,采用高斯噪声与扩散步对采样出的异常电压时序数据进行掩码，以正常电压时序数据与电压时序推算数据为指导计算出当前扩散步添加的噪声值，并根据计算的噪声值与实际添加的噪声值进行差异最小化梯度下降。将前一轮输出的异常电压时序数据r作为下一轮输出的，并且保持正常电压时序数据r?与电压时序推算常功率时序数据的修复步骤与异常电压时序数,基于格拉姆角场图像化算法将余弦值极坐标变换后的电压时序数据与功率时序,,将与转换为二维图像，即得到节点电压时序图与功率时序图,节点时序特征矩阵Ea，拼接后特征矩阵的大小为GXFX2t；计算节点时序特征矩阵Ewa的均值，并将其从所有节点时序特征图中减去以消,式中，表示去中心化后的节点时序特征矩阵；Fua(k.j)表示节点时序特征矩阵根据特征向量获取投影矩阵，使用投影矩阵将去中心化后的节。[0033]基于格拉姆角场GAF编码后的电压时序矩阵C;与功率时序矩阵保留并增强了时将节点时序融合图像输入训练后的违规用电识别模型进,,将当前差异分值大于阈值P的像素点标