一种基于模态分解和机器学习的电量异常识别方法与流程

本发明涉及一种用于用电监控领域的基于模态分解和机器学习的电量异常识别方法。

背景技术：

1、随着智能化、数字化水平的飞速发展，智能采集终端在运检维修模式中获得广泛应用，设备智能化水平有明显的上升，但是仍存在数据不全面、数据分析处理不智能和数据价值未充分利用等问题，制约了采集终端管理效率。通过使用大数据技术，能够智能诊断用户用电量，为电量异常精准识别提供精准保障。

2、用电量异常可以由多种因素引起，包括但不限于电池老化、环境温度变化、不当的充放电行为、人为改造电路等，这些异常可能表现为电压异常波动、电量激增激减等形式，不仅影响设备的使用性能和用户体验，还可能对电网安全运行造成不可逆的损害，甚至在极端情况下引发安全事故。

3、尽管现有的电量监测技术已经取得了一定的进展，但在实际应用中仍然存在一些局限性。例如，传统的方式可能无法准确识别异常电量变化，或者在面对复杂的使用场景时响应不够迅速。此外，现有的监测方法可能在算法上存在缺陷，无法有效地处理和分析大量的监测数据。因此，开发一种能够准确、快速识别电量异常并采取相应措施的技术成为了行业的重要需求。

4、因此，在电量异常识别领域，电力大数据和机器学习技术的应用为问题的解决提供了新的思路，通过训练算法模型精准识别电量异常，不断提高对异常情况的识别能力，设计出更适应、更精确、更可靠的电量异常识别方法，提升电网运行安全，是电力系统数据分析领域的一个重要研究方向。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，提供一种基于模态分解和机器学习的电量异常识别方法，适用于不同规模和类型用户的电量异常识别，以提高电量监测系统的准确性和可靠性，有效识别和预警电量异常情况，从而保障电力系统的稳定运行和用户的用电安全，为电力系统的稳定运行和用户的用电安全提供强有力的技术支撑。

2、实现上述目的的一种技术方案是：一种基于模态分解和机器学习的电量异常识别方法，包括如下步骤：

3、步骤1，用户电量数据获取；

4、步骤2，对电量数据进行多时间尺度经验模态分解；

5、步骤3，基于支持向量机的电量预测模型构建；

6、步骤4，电量预测结果分析；

7、步骤5，模型误差评价分析；

8、步骤6，识别效果评价。

9、进一步的，步骤2，经验模态分解的具体步骤为：

10、步骤2.1,经验模态分解步骤；

11、步骤2.2，经验模态拆解分析。

12、进一步的，步骤2.1,经验模态分解分解步骤具体为：

13、步骤2.1.1，确定原始序列x(t)的极大极小值点，采用三次样条函数对极大值点和极小值点进行拟合形成上下包络线，然后对这两条包络线取平均值，计算平均包络线m1(t)；

14、步骤2.2.2，将原始序列x(t)减去第一步得到的平均值m1(t)得到了一个新序列h1(t)：

15、h1(t)＝x(t)-m1(t)

16、如果h1(t)符合固有模态函数的定义，则继续执行下一个步骤，h1(t)即为求的第一个imf分量，记为c1(t)；否则，则令：

17、x(t)＝h1(t)返回第一步操作；

18、步骤2.2.3，将原始序列x(t)减去第1个imf分量c1(t)就得到了第一个去掉高频成分的差值序列r1(t)，即

19、r1(t)＝x(t)-c1(t)

20、对r1(t)重复以上操作就可以得到第二个imf分量r2(t)和另一值序列r2(t)，直到不能分解为止，最后得到了一个常量余量rn(t)，可以代表原始序列的总体趋势；

21、步骤2.2.4，)emd算法分解完成。这时原始序列就分解成了imf分量和总体趋势的叠加：

22、

23、进一步的，步骤2.2，经验模态拆解分析具体为：经验模态分解使复杂信号自动分解为有限个本征模函数imf,所分解出来的各本征模函数imf分量包含了原信号的不同时间尺度的局部特征；由于用电量数据属于非平稳、非线性的时间序列，在使用经验模态分解后得到多个本征模函数imf和1个残差序列res；从电力用户本征模函数imf分解个数来看，imf分解的数量越多，所在电量数据序列所包含的信号频段也越多，信号复杂度也相对较大；随着本征模函数imf分解数量的增加，本征模函数imf的频率也逐渐降低，最终剩下一个残差序列；通过将本征模函数imf简单分为高频分量和低频分量，再分别对高频分量、低频分量及剩余的残差序列res进行分析。

24、进一步的，步骤3，基于支持向量机的电量预测模型构建的具体步骤为：

25、步骤3.1，根据不同的实测负荷数据和温度等其他因素建立学习样本，用经验模态分解对原始电量数据信号进行分解，得到imf1，imf2，imf3，imf4和r4五个分量；

26、步骤3.2，对于影响负荷预测主要的数量级相差较大或者样本数据离散性过大时，对于分解后的各个分量进行归一化处理；

27、步骤3.3，对分解后的各个本征模函数分量分别建立经验模态分解模型，输入量由历史电量数据构成，输出向量为预测日电量；

28、步骤3.4，选取核函数，对最小二乘法向量机进行参数的选择，构造决策函数，用决策函数对负荷进行预测；

29、步骤3.5，对各个分量分别建立预测样本输入向量，按照上式进行归一化处理，再对各个分量进行单步预测；

30、步骤3.6，将各个分量的单步预测值进行叠加，得到单一预测值电量。

31、进一步的，步骤4，电量预测结果分析具体为：

32、采用径向基核函数作为支持向量机的核函数,输入变量的个数及不敏感损失函数系数通过交叉验证获得最优值，每个用户场对应的最优值由自己的数据样本决定；通过输入变量与输出变量之间的关系来训练模型，从而预测未来电力数据；为了使数据的特征能够统一度量，本发明将特征值进行归一化，再得出结果后将其反归一化还原为真实值,最终实现电量总体预测趋势。

33、进一步的，步骤5，模型误差评价分析具体为：为了对本模型的预测性进行评价并且对误差进行有效的测量，应用平均平方误差、决定系数两个指标作为评价准则。

34、进一步的，平均平方误差mse如下式：

35、

36、平均平方误差mse的大小可以反映预测的准确性，即指数值越小，模型预测效果越好。

37、进一步的，决定系数r2如下式：

38、

39、决定系数r2代表了模型中因变量可由自变量解释的方差百分比，显示数据与回归模型的拟合程度，即拟合优度。

40、进一步的，步骤6，识别效果评价具体为：

41、终基于模型预测的结果，通过比较预测电量与实际电量的差异，若两者的差值大于专家所设定的阈值，则认为该电量存在异常，从而准确实现电量异常值的识别。

42、本发明的有益效果在于：

43、本发明提出了一种创新的基于模态分解和机器学习的电量异常识别方法，通过高效的时间尺度分解、机器学习的预测能力及全面的模型评价体系，旨在实现精准的电量预测与异常识别，电力公司可以更有效地进行资源规划和调度，减少因电量波动导致的资源浪费，从而降低运营成本，有效提升电力系统运行效率、保障电网稳定。

44、通过预测和异常识别，电力系统能够及时响应各种突发情况，减少停电事件，提高供电的可靠性，准确的电量预测和及时的异常识别有助于预防电力系统事故，保障公共安全。此外，本发明有助于推动能源的合理使用和节能减排，符合可持续发展的要求，有助于构建绿色环保的社会。

45、本发明的技术方案通过精准的电量预测和异常识别，显著提升了管理效率和决策质量，优化了资源配置并降低了运营风险。同时，该方案还支持公司的可持续发展战略，为电力行业的管理实践带来了创新和知识积累，从而在整体上提高了管理效益。

技术特征：

1.一种基于模态分解和机器学习的电量异常识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤2，经验模态分解的具体步骤为：

3.根据权利要求2所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤2.1,经验模态分解分解步骤具体为：

4.根据权利要求2所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤2.2，经验模态拆解分析具体为：经验模态分解使复杂信号自动分解为有限个本征模函数imf,所分解出来的各本征模函数imf分量包含了原信号的不同时间尺度的局部特征；由于用电量数据属于非平稳、非线性的时间序列，在使用经验模态分解后得到多个本征模函数imf和1个残差序列res；从电力用户本征模函数imf分解个数来看，imf分解的数量越多，所在电量数据序列所包含的信号频段也越多，信号复杂度也相对较大；随着本征模函数imf分解数量的增加，本征模函数imf的频率也逐渐降低，最终剩下一个残差序列；通过将本征模函数imf简单分为高频分量和低频分量，再分别对高频分量、低频分量及剩余的残差序列res进行分析。

5.根据权利要求1所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤3，基于支持向量机的电量预测模型构建的具体步骤为：

6.根据权利要求1所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤4，电量预测结果分析具体为：

7.根据权利要求1所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤5，模型误差评价分析具体为：为了对本模型的预测性进行评价并且对误差进行有效的测量，应用平均平方误差、决定系数两个指标作为评价准则。

8.根据权利要求7所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，平均平方误差mse如下式：

9.根据权利要求7所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，决定系数r2如下式：

10.根据权利要求1所述的一种基于模态分解和机器学习的电量异常识别方法，其特征在于，步骤6，识别效果评价具体为：

技术总结
本发明公开了一种基于模态分解和机器学习的电量异常识别方法，包括如下步骤：步骤1，用户电量数据获取；步骤2，对电量数据进行多时间尺度经验模态分解；步骤3，基于支持向量机的电量预测模型构建；步骤4，电量预测结果分析；步骤5，模型误差评价分析；步骤6，识别效果评价。本发明提供一种基于模态分解和机器学习的电量异常识别方法，适用于不同规模和类型用户的电量异常识别，以提高电量监测系统的准确性和可靠性，有效识别和预警电量异常情况，从而保障电力系统的稳定运行和用户的用电安全，为电力系统的稳定运行和用户的用电安全提供强有力的技术支撑。

技术研发人员：陆沈敏,孙成刚,徐爱蓉,张辉,寿佳珏,陈珊
受保护的技术使用者：国网上海市电力公司
技术研发日：
技术公布日：2024/9/23