CN119475172A 基于ap聚类与dnn算法的配网运行异常数据检测方法及系统 （贵州电网有限责任公司）

基于AP聚类与DNN算法的配网运行异常数据本发明公开了一种基于模糊进化算法的电网规划主题动态迭代基于AP聚类与DNN算法的配数据进行聚类分析，提取各类异常行为特征曲本发明通过AP聚类算法对配电网运行数据进行低了人工干预带来的主观性，通过采用DNN算法2采用所述深度神经网络模型对异常数据进行预2.如权利要求1所述的基于AP聚类与DNN算法的配网运将所述配电网运行数据通过时间序列曲线的峰根据所述时间序列曲线的最大值和最小值进行分段，避免等距分割导致的特征点丢3.如权利要求2所述的基于AP聚类与DNN算法的配网对所述历史数据初始化相似性矩阵中每个点达到设定迭代次数或所述吸引力和归属度不再变4.如权利要求3所述的基于AP聚类与DNN算法的配网运行异常数据输入层接收所述配电网运行数据的预处理结果并进行输出层基于学习到的特征进行所述异常数据的5.如权利要求4所述的基于AP聚类与DNN算法的配网从所述配电网运行数据中提取特征曲线或其对所述特征信息进行归一化处理使其值域在0到1将所述归一化处理后的数据转换为神经网络6.如权利要求5所述的基于AP聚类与DNN算法的配网运行异所述输入层节点数与输入数据维度相匹配；所述隐藏层通过ReLU激活对前馈神经网络进行简化以防止过拟合；在训练过程中随机丢弃部37.如权利要求6所述的基于AP聚类与DNN算法的配网通过特征曲线的相似性比较判断数据是否异常；利用相将所述预处理结果划分为训练集和验证集；采用均方误差MSE作为损失函数：i8.一种基于AP聚类与DNN算法的配网运行异常数据检测系统，基于权利要求1～7任一所述异常数据检测模块，用于获取配电网运行数据，对所述配电网所述特征分析模块，用于计算所述时间序列的斜率构建特征曲线，所述数据修正模块，用于构建深度神经网络模型，通过所述深度神9.一种计算机设备，包括存储器和处理器，所述存储器存于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于AP聚类与DNN算被处理器执行时实现权利要求1～7任一所述的基于AP聚类与DNN算法的配网运行异常数据4[0001]本发明涉及电力系统数据处理技术领域，特别是一种基于AP聚类与DNN算法的配[0009]数据异常检测的方法多种多样，包括基于统计的3σ规则和Z_score，基于距离的5[0015]第一方面，本发明实施例提供了一种基于AP聚类与DNN算法的配网运行异常数据[0016]作为本发明基于AP聚类与DNN算法的配网运行异常数据检测方法的一种优选方[0018]根据时间序列曲线的最大值和最小值进行分段，避免等距分割导致的特征点丢[0021]作为本发明基于AP聚类与DNN算法的配网运行异常数据检测方法的一种优选方[0026]作为本发明基于AP聚类与DNN算法的配网运行异常数据检测方法的一种优选方[0031]作为本发明基于AP聚类与DNN算法的配网运行异常数据检测方法的一种优选方6[0036]作为本发明基于AP聚类与DNN算法的配网运行异常数据检测方法的一种优选方[0043]作为本发明基于AP聚类与DNN算法的配网运行异常数据检测方法的一种优选方[0049]第二方面，本发明实施例提供了基于AP聚类与DNN算法的配网运行异常数据检测聚类与DNN算法的配网运行异常数据检测[0055]本发明有益效果为：本发明提供的基于AP聚类与DNN算法的配网运行异常数据检7[0057]图1为基于AP聚类与DNN算法的配网运行异常数据检测方法及系统的结合AP聚类[0058]图2为基于AP聚类与DNN算法的配网运行异常数据检测方法及系统的异常定位方[0059]图3为基于AP聚类与DNN算法的配网运行异常数据检测方法及系统的DNN模型异常[0060]图4为基于AP聚类与DNN算法的配网运行异常数据检测方法及系统的神经网络添[0069]根据时间序列曲线的最大值和最小值进行分段，避免等距分割导致的特征点丢8[0072]在一个可选的实施例中，配网运行的划分序列采用自下而上(bottom_up)搜索方后将实际运行曲线相似度较高的曲线作为异常数据进行9神经网络模型更为复杂的DNN模型网络结构。图4为添加Dropout层后的全连接神经网络结列或其他形式的数据可以提取特征曲线或其他特征信息作为DNN模型的输入。归一化是为的均方误差(MSE)来衡量预测值与真实值之间的误差。通常将数据集划分为训练集和验证[0122]进一步的，本实施例还提供一种基于AP聚类与DNN算法的配网运行异常数据检测[0126]本实施例还提供一种计算机设备，适用于基于AP聚类与DNN算法的配网运行异常于执行计算机可执行指令，实现如上述实施例提出的基于AP聚类与DNN算法的配网运行异实现如上述实施例提出的实现基于AP聚类与DNN算法的[0132]DNN算法在修正异常数据时表现出更高的准确性和泛化能力，尤其是在数据缺失[0139]为本发明第二个实施例，该实施例提供了一种基于AP聚类与DNN算法的配网运行将数据按7:3的比例划分为训练集和验证[0155]综合性能方面：本发明方法的准确率达到97.2