[发明专利]一种新能源电能质量异常值的检测方法

说明书

本发明公开了一种新能源电能质量异常值的检测方法，其特征在于，首先采用改进后的鲸鱼优化算法对采样获得电信号数据进行处理，计算收敛因子；取随机数；记录当前最优个体位置及对应的最优适应度值，更新迭代次数直至满足要求或达到最大迭代次数，输出最优个体位置及最优适应度值；经过最优个体的处理；根据样本中的数据对象与聚类中心的欧氏距离最近的准则将它们分到距离它们最近的聚类中心；更新聚类中心；判断聚类中心和目标函数的值是否发生改变。本发明能减少噪声对数据的影响，在数据样本不是很大的情况也能很好的找到数据聚类中心点进行异常值的检测，且收敛速度快，数据精度高，稳定性好等优点。

技术领域

本发明涉及一种基于K-means-IWOA算法的新能源电能质量异常值的检测方法，属于电网的电能质量检测分析技术领域。

背景技术

近年来，社会经济的飞速发展和社会生产力的不断提高，社会能源消耗速度越来越快，这些都在加速着人们对能源的需求。但是伴随着环境的污染问题，以及传统化石燃料储备的有限性和开采的局限性。加快了人们对清洁可再生能源开发的脚步。风能作为运用最早的可再生能源，随着多年的研究与探索，其相关技术得到了有效的优化与改进。使得风力发电技术在供电网中得到了广泛的应用，除此之外还有光伏发电技术的兴起也在改善着社会能源消耗压力的现状，运行成本低，维护简单。这些新能源的兴起正在改善着当今社会的能源紧缺的困境。

但社会不断发展的同时也使得电网中各种冲击性负荷和非线性负荷的快速增加，以及各种高精端的精密设备在电力系统中的广泛应用。风力发电，光伏发电等作为稳定性不高，随机性较大的新能源的并网，电力系统中电能质量的情况也越来越复杂，电能质量问题已经引起社会各界的越来越多的关注。为此，相关部门对电能质量的异常值检测问题越来越重视。但现实中的电力系统离散数据往往同时受到多个误差原因的影响，如数据中包含有衰减直流分量、间谐波、噪声等。所以准确的检测新能源的异常值对以后的准确地提取电力故障暂态信号中周期信号的幅值和频率等参数对电力系统状态分析，故障诊断，控制和保护至关重要。是电能质量扰动信号识别和正确分类的基础。

如今针对电网电能质量监测所得到的数据，具有噪声大，波动性大，且这些这些数据大多都有一定的周期性变化的特点。常用的电能数据异常值检测分类方法如人工神经网络算法，通过判别函数去计算已知类的样本，而对于未知类样本不做任何监督，特别是当数据不充分时，神经网络就无法工作。决策树算法比较依赖于训练样本，训练样本的好坏直接影响分类结果，并且决策树算法缺乏伸缩性，难以处理庞大的数据。支持向量机在处理小样本、非线性以及高维模式中显示出诸多优点。在实际情况下，信号类别有很多种，想要对多个类别进行归类时SVM无法实现，所以多分类SVM被提出并应用。但由于寻求一个最优支持向量机核函数和参数显得比较困难，所以核函数和参数的选取是问题的关键所在，并直接影响分类结果。人工免疫系统该算法需要通过大量的训练样本来找到更好的训练方法，使该算法速度在实际应用中受到一定的限制。现有的异常数据检测方法在针对此类数据做异常值检测时具有适应性差等问题。

发明内容

本发明所要解决的技术问题是：提供新能源电能质量异常值检测分析的方法。

为了解决上述问题，本发明的技术方案是提供了一种基于K-means-IWOA算法的新能源电能质量异常值的检测方法，其特征在于，包括以下步骤：

步骤1)：首先采用改进后的鲸鱼优化算法对采样获得电信号数据进行处理，根据式(11)、式(12)、式(13)计算收敛因子

根据式(14)和式(5)更新系数向量

其中，β表示非线性迭代系数，表示[0，1]之间的随机数，t为迭代次数，T_max为最大迭代次数；