(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210972874.8 (22)申请日 2022.08.15 (71)申请人 云南电网有限责任公司玉 溪供电局 地址 653199 云南省玉 溪市红塔区红塔大 道42号 (72)发明人 袁伟　杜凡　高道春　莫熙　 张馨介　朱余启　叶小虎　赵玉凯　 王刚　王婧　 (74)专利代理 机构 昆明合众智 信知识产权事务 所 53113 专利代理师 范严生 (51)Int.Cl. G06F 11/34(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06Q 50/06(2012.01) (54)发明名称 基于深度学习的电力调度异常数据快速检 测方法 (57)摘要 本发明涉及异常数据检测技术领域， 具体地 说， 涉及基于深度学习的电力调度异常数据快速 检测方法。 包括： 获取数据后进行阀值模 型处理； 采用基于深度学习的量测数据检测方法进行检 测： 模型建立； 数据检测； 构建长短期记忆模型来 对异常数据进行检测； 基于CIM模型的数据合理 性检测。 本发明设计通过采用 深度学习算法， 以 电网运行数据特性、 设备参数、 运行方式等为约 束条件， 可以实现电力调度异常数据的快速检 测， 并将检测结果以告警的方式推送给自动化运 行人员； 通过实现电力调度异常数据的快速检 测， 可以极大提升对异常数据的感知和快速处理 能力， 便于调控员直观、 全面掌控电网运行数据， 可支撑大量的变电站在线智能巡检工作的问题 发现及分析效率。 权利要求书3页 说明书11页 附图3页 CN 115357462 A 2022.11.18 CN 115357462 A 1.基于深度学习的电力调度异常数据快速检测方法， 其特 征在于： 包括如下步骤： S1、 获取数据后， 进行阀值模型处 理； S2、 针对包括但不限于通过阀值模型无法判断的异常数据， 采用基于深度学习的量测 数据检测方法进行检测： S2.1、 模型建立： 构 建有监督学习的深度学习模型， 包括遥测数据特征模型和遥测数据 分类模型， 及其两者之间的相互验证过程； S2.2、 数据检测： 以上述构建的深度学习模型为核心， 主要对遥测数据进行检测， 以发 现其中异常的量测数； S3、 构建长短期记忆模型来对异常数据进行检测， 用于解决长时序训练过程中的梯度 消失和梯度爆炸问题； S4、 基于CIM模型的数据合理性检测： 根据电网调度业务的特点， 基于CIM模型对包括但 不限于全站失压、 母线电压异常、 主变输入输出不平衡、 遥信信号异常、 长距离无功输送、 数 据不刷新及通道中断7项指标进行关注及检测。 2.根据权利要求1所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述S1中， 获取的数据主要指的是在电力调度自动化中最重要的 “四遥”数据中的遥测 数据， 遥测数据是电力系统中利用远动设备 的遥测功能采集到的电网运行实时数据， 并通 过远动设备传送到电力调度主站， 其作为电力调度自动化系统的基础数据输入， 用来对电 力系统运行状态进行监控。 3.根据权利要求1所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述S2.1中， 模型建立的具体方法包括如下步骤： S2.1.1、 建立遥测数据特 征模型： S2.1.1.1、 获取历史遥测数据； S2.1.1.2、 对历史遥测数据进行 预处理； S2.1.1.3、 对预处 理后的数据进行 数据特征提取； S2.1.1.4、 依据提取 出的数据特 征， 构建遥测数据特 征模型； S2.1.2、 建立遥测数据分类模型： S2.1.2.1、 获取业 务处理后的遥测数据； S2.1.2.2、 对业 务处理后的遥测数据进行 预处理； S2.1.2.3、 对预处 理后的数据进行 数据集特 征提取； S2.1.2.4、 依据提取 出的数据集特 征， 构建遥测数据分类模型； S2.1.3、 遥测数据特 征模型与遥测数据分类模型相互验证： S2.1.3.1、 构建深度学习模型； S2.1.3.2、 以深度学习模型为核心， 分别 进行数据特征提取、 数据集特征提取及业务场 景训练和验证操作； S2.1.3.3、 遥测数据特征模型通过业务场景训练和验证操作 来对遥测数据分类模型进 行验证。 4.根据权利要求3所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述S2.2中， 数据检测的具体方法包括如下步骤： S2.2.1、 获取实时的遥测数据；权　利　要　求　书 1/3 页 2 CN 115357462 A 2S2.2.2、 对实时遥测数据进行 预处理； S2.2.3、 将预处 理后的实时遥测数据导入遥测数据特 征模型； S2.2.4、 进行 数据特征分析； S2.2.5、 进行分类特 征分析； S2.2.6、 将分类特 征分析结果导入遥测数据分类模型； S2.2.7、 通过模型的分析判断， 最后输出异常检测结果。 5.根据权利要求4所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述S2.1.1.2、 所述S2.1.2.2、 所述S2.2.2中， 对数据进行预处理 的方法包括但不限于 数据清洗、 数据降维及数据归一 化； 其中： 数据清洗即通过填写待处理数据集中数据的遗漏值， 消除数据中的噪音， 剔除无效数 据， 解决数据集中出现的数据不 一致问题以达 到数据清理的目的； 数据降维即通过数据压缩、 数据转换等方法对数据集进行降维， 以提高数据挖掘、 计 算、 分析的速度； 数据归一 化即将数据按比例缩放， 使之落入一个小的特定区间。 6.根据权利要求5所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述数据清洗的方法包括但不限于 遗漏值补全及噪音值处 理； 其中： 遗漏值补全即采用包括但不 限于定值替换法、 插值法、 回归法来对遗漏值进行填补处 理； 定值替换法中， 主 要采用均值、 中位数、 众 数进行替换； 插值法包括但不限于线性插值、 多 项式插值、 样条插值进行插补； 噪音值处理中， 最主要的是对噪声值的识别， 其识别方法包括但不限于特殊值识别、 阀 值判定及基于深度学习网络的识别方法。 7.根据权利要求6所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述插值法中， 各插值法的算法公式包括如下： 样条插值法： 二阶样条曲线： f(x)＝ax2+bx+c； 三阶样条曲线： f(x)＝ax3+bx2+cx+d； 多项式插值法 ， 利用 “拉格朗日 ”算法进行缺失值的计算 ， 其算法公式为 ： 展开后可 得多项式： 线性插值法， 主 要有阶梯插值和线性插值， 算法公式为： f(x)＝ax+b。 8.根据权利要求5所述的基于深度学习的电力调度异常数据快速检测方法， 其特征在 于： 所述数据归一化的方法包括但不限于Min ‑max归一化和 Z‑score归一化， 其计算公式分 别为： Min‑max归一化： Z‑score归一 化： 权　利　要　求　书 2/3 页 3 CN 115357462 A 3