基于改进蚁群算法的电力系统异常数据检测方法

国网山东省电力公司检修公司 曹亚华 程凤璐

在电力系统运行过程中，测量得到的数据通常会包含有效异常测量数据和测量误差数据两部分。通常后者是符合正态分布的白噪声，在对其进行相应的处理后能基本消除其对检测结果造成的影响。而异常数据在产生后，通常是由于误差数据过大，且无法通过一般手段对其进行补偿，进而造成数据变化脱离原本正常变化轨迹，最终将会导致电力系统的故障运行。

1 基于改进蚁群算法的电力系统异常数据检测方法设计

1.1 基于改进蚁群算法的异常数据特征量提取与聚类

为提高电力系统在运行中的稳定性，需在设计异常数据检测方法前引进改进蚁群算法，进行数据特征量的提取。考虑到此过程中异常数据以单数据与多数据的形式存在，因此需提取系统中单数据与多数据的特征，即可对异常数据特征量的提取。电力系统在正常运行时，在系统中呈现平稳序列的数据属于单数据，难以直接找到数据变化规律，无法使用统一函数进行表达的数据为多数据[1]。对于此部分数据，需要使用算法，利用蚁群的选择性，进行簇族中任意一个中心距离与特征点距离的组合计算，并明确在任意一个蚁群中，异常数据中心距离与特征点之间的距离为固定的，因此可认为电力数据的变化随着时间的动态变化而发生变化，此种变化可使用蚁群转移概率表达，当提取后的数据不在概率表达范围内时，可认为系统在运行时产生的此部分数据为异常数据，完成异常数据的提取后，将数据整理成一个标准格式的数据组，根据蚁群的生存方式，进行特征数据的聚类处理[2]。

处理过程可用公式Xi=λ1Xi-1+λ2Xi-2+L+λmXi-p+β1表示，式中：Xi表示为基于改进蚁群算法的特征数据聚类处理结果；β1表示为聚类处理过程中系统运行受到外界干扰产生的白噪声；λm表示为不同时刻下特征数据的变化程度，按照公式对单数据与多数据进行聚类处理。

1.2 电力系统异常数据检测值确定

完成对电力系统运行中异常数据的检测后，明确不同电力设备间传递的信息属于不规则信息，因此要实现对其中异常数据的精准检测，还需通过示警的方式，将系统在正常条件下产生的数据与非正常条件下产生的数据进行比对，根据比对后的结果确定数据具体检测值[3]。检测时，需先建立一个针对系统中异常数据展示的数学模型，假设在此过程中异常数据的特性表示为W，则数据对比的过程可用(W+T)/lgT≥1/2或(W+T)/lgT<1/2表示，式中T表示为异常数据检测值，式中两个不等式分别对应对检测目标的“提取”与“不提取”。按照此公式即可实现标准的异常检测值。

1.3 基于大数据分析的系统异常数据检测示警

完成上述研究后，引进大数据分析技术，进行提取检测值最大似然值的计算，可计算此数值的过程作为一个动态数据变化规律深度挖掘的过程，根据历史数据的有限长度，构建一个可用于描述系统不同运行状态的模型[4]。在检测异常数据时，根据前端提取异常数据特征量对应的时间序列，进行电力参数随机干扰项的分析，并根据现有的干扰项阶层建立一个针对干扰结果的回归函数：

式中：Q表示为系统异常数据检测回归函数；j表示为待检测的异常数据量；s表示为数据总量。根据数据的时空序列表达方式，进行不同类型数据模糊关系的确定，采用对特定数据加时窗的方式得到一个具体的检测结果。通常情况下，检测结果是以数据正态分布方式呈现的，当数据正态分布范围在0～1之间时，证明数据在电力系统中运行产生的数据呈现规律分布、即不存在异常，当计算后数值超出预设范围时，证明此部分数据存在异常，提取此部分数据即可认为完成对电力系统异常数据的检测。综上实现基于改进蚁群算法的检测方法设计。

2 对比实验

2.1 实验准备

在完成对基于改进蚁群算法的检测方法理论设计后，为进一步验证该方法在真实电力系统运行环境中，是否能实现对异常数据的准确检测，并验证改进蚁群算法在电力系统运行领域当中的可行性，开展如下对比实验：选择将某电力企业作为实验环境，将从GEphi当中采集到的的电力系统运行数据集作为实验对象，从该数据集当中随机抽取10000个数据作为样本数据集。在该样本数据集当中，包含了100个存在异常的数据。为确保实验结果具有可对比性，选择将本文提出的基于改进蚁群算法的检测方法作为实验组，将传统基于区块链技术的检测方法作为对照组，分别利用两种检测方法对相同的样本数据集进行检测，并对比其检测结果。

在上述实验准备的基础上，为了进一步突出本文改进蚁群算法的应用优势，在实验过程中设置利用相似工具代替原本的异常数据，并对异常数据进行隐写处理。为在实验过程中能应对电力系统运行异常突发状况，将其运行环境的温度参数和电流限制参数设定在标准范围内。在实验过程中共设置电力系统的三种负载运行状态，配电电力设备与大型电力设备所对应的电流和温度参数设定分别为：正常周期性负载。1.25p.u./115℃、1.25p.u./115℃；短期负载。1.50p.u./115℃、1.25p.u./115℃；大型电力设备长期负载的电流和温度为1.65p.u./135℃。这些数据为电力系统中各设备电流与温度的上限数值，将其作为本文对比实验的参数约束条件，在完成实验后针对其得出的实验结果进行比较。

2.2 实验结果与分析

按照上述实验准备内容，在完成两种方法的检测后将得出的实验结果进行记录，并分别从电流参数和温度参数两方面对检测结果的精度 作为对比指标，其计算公式为τ=|I-a|/I×100%。式中，τ表示为两种方法检测结果精度；I表示为电力系统运行过程中真实电流参数或温度参数；a表示为通过检测方法检测得到的电流参数或温度参数。将实验设置数据与两种检测方法得出的检测结果数据代入公式中，完成对两种检测方法检测精度的计算。选择将上述实验准备中的第三种电力系统负载运行情况得出的结果进行分析，并得到如表1所示的实验结果。

表1 实验组与对照组检测方法检测结果对比表

结合表1中的数据可看出，实验组的检测结果精度明显高于对照组。通过上述对比实验的方式证明，本文提出的基于改进蚁群算法的检测方法在应用到电力系统运行环境当中，可实现对其异常数据的高精度检测。同时，将改进蚁群算法应用到对电力系统的运行维护当中，可为其运行阶段的维护与维修策略提出提供事实依据，具有更高的可行性。

综上，尽管当前改进蚁群算法在应用到具体检测环境当中的效果较为理想，但因运行环境复杂且干扰因素众多，检测过程中仍然有待进一步解决和优化的问题。针对存在的问题，还将对其进行更加深入的探究。