本发明涉及电压异常辨识，尤其是涉及一种基于lof的配电网电压异常数据辨识方法、系统及介质。
背景技术：
1、随着智能采集终端的发展，数据采集系统将配电网在运行过程中产生的海量多源量测数据上传至数据中心，并采用数据库管理和读取配电网数据信息。配电网电压数据的采集主要来源于scada(supervisory control and data acquisition)系统，即数据采集与监视控制系统。scada系统是以计算机为基础的dcs与电力自动化监控系统，它在远动系统中占重要地位，可以对现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能,即我们所知的"四遥"功能。rtu(远程终端单元)、ftu(馈线终端单元)是它的重要组成部分，在实际工作中，由于传感器存在短时失效、外界干扰及传输错误等因素，采集的数据并非完整可靠，导致原始数据出现数据异常与缺失现象，需通过配电网大数据清洗以提升数据质量。目前传统清洗方法中，异常数据阈值判断完全依赖人工设定，存在误判，不适用于配电网多源大数据的清洗；目前已有学者针对异常数据辨识进行研究。文献《风电机组风速-功率异常运行数据特征及清洗方法》中提出一种变点分组四分位法辨识风电机组异常运行数据的方法，该方法无需人为设定阈值，但只考虑数值大小导致忽略样本空间距离及密度等因素，具有一定误差。文献《基于时间序列分析的输变电设备状态大数据清洗方法》采用差分整合移动平均自回归模型预测输变电导线温度数据，并比较预测值与真实值的误差进而判断是否为异常数据。近年来，一些人工智能的算法开始引入电力大数据异常辨识中来，文献《大规模配电网负荷数据在线清洗与修复方法研究》采用局部异常因子(local outlier factor,lof)算法计算样本点异常因子值，根据人为设定的异常阈值辨识电力负荷中的异常数据。文献《基于改进dbscan的风电机组scada异常数据识别方法》从分析风速-功率散点图的特点出发，采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数，进而提出了一种基于带噪声基于密度的空间聚类(dbscan)模型的风电机组scada异常数据识别方法。文献《基于孤立森林算法的配电网线损异常判定》结合了k-means聚类和孤立森林(iforest)算法，首先采用k-means算法将低压台区按照不同的负载工况进行聚类，而后采用孤立森林算法计算台区数据的异常分数，最后对获取的异常分数进行阈值分析，得到最终的线损异常数据。这些算法在面对长时间尺度，以及数据量庞大的电压数据时，往往无法同时兼顾局部异常数据的精确辨识和算法开销的最优化，在这种背景下，需要提出一种新型的实用性方法对电力系统中的电压异常数据进行正确辨识，从而才能为后续的研究提供可靠的数据支撑。
2、综上，当今关于电力系统中异常数据辨识研究主要聚焦于传统统计学方法，而使用新型人工智能算法的相关研究在对于局部异常辨识和全局异常辨识以及算法开销中难以找到一个平衡，往往不能落实应用。
技术实现思路
1、本发明的目的就是为了提供一种提高辨识准确度的基于lof的配电网电压异常数据辨识方法、系统及介质。
2、本发明的目的可以通过以下技术方案来实现：
3、一种基于lof的配电网电压异常数据辨识方法，包括以下步骤：
4、采集配电网的配变电压数据；
5、基于所述配变电压数据，采用lof算法进行异常分数计算，得到配变电压数据对应的lof值；
6、基于所述lof值，采用dbscan聚类方法进行聚类，确定lof值的判定阈值；
7、基于所述判定阈值对所述lof值进行判定，输出配变电压异常数据。
8、进一步地，所述得到配变电压数据对应的lof值的步骤包括：
9、确定距离邻域，计算每个配变电压数据的局部可达密度；
10、基于所述局部可达密度，进一步计算局部异常因子作为lof值。
11、进一步地，所述局部可达密度的计算表达式为：
12、
13、reach_distk(o,p)＝max{dk(o),d(o,p)}
14、式中，lrdk(p)为第k距离邻域中点p的局部可达密度，nk(p)为p点的第k距离以内所有点的个数，reach_distk(p,o)为o点到p点的第k可达距离，d(p,o)表示p点到o点的距离，dk(o)为领域点o的第k距离。
15、进一步地，所述lof值的计算表达式为：
16、
17、式中，lofk(p)为第k距离邻域中点p的异常因子即lof值，nk(p)为p点的第k距离以内所有点的个数，lrdk(o)、lrdk(p)分别为第k距离邻域中点o或点p的局部可达密度。
18、进一步地，还包括：
19、在采用dbscan聚类方法进行聚类之前，对所述lof值按照升序进行排列。
20、进一步地，所述确定lof值的判定阈值的步骤包括：
21、参数设置：设置邻域半径和邻域最小样本点数，其中样本点表示lof值；
22、确定核心对象：随机选择一个样本点作为核心对象，所述核心对象满足在邻域半径内的样本点数大于等于设置的邻域最小样本点数；
23、密度相连：寻找所有与所述核心对象密度相连的样本点，并将所述核心对象和与其密度相连的样本点归为一种类别中；
24、重复所述确定核心对象和密度相连步骤，直至所有的核心对象和与其密度相连的样本点都归类到独立的类别中；
25、根据独立类别的样本点，确定lof值的判定阈值。
26、进一步地，所述输出配变电压异常数据的步骤包括：
27、判断所述lof值是否大于判定阈值，若是，则判定lof值对应的变电压数据为正常数据，若否，则判定lof值对应的变电压数据为异常数据。
28、进一步地，所述配变电压数据中的异常情况包括电压突增或突降、三相不平衡和缺失点。
29、本发明还提供一种配电网电压异常数据辨识系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行如上任一所述的基于lof的配电网电压异常数据辨识方法，输出配变电压异常数据。
30、本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于lof的配电网电压异常数据辨识方法的指令。
31、与现有技术相比，本发明具有以下有益效果：
32、(1)本发明采用lof局部异常因子算法对配变电压数据进行计算，而lof对于局部异常点更加敏感，因此能够很好地进行局部异常辨识，再利用dbscan聚类提出了自动寻找最优异常分数值判断阈值的方法，克服了lof算法过度依赖于参数选取的问题，提高了在配电网台区采集的电压数据中存在异常数据时进行异常辨识的准确性。
33、(2)本发明通过dbscan聚类自适应寻找出最适应的lof异常因子判断阈值，快速识别电压异常数据，此后可以通过对异常数据进行针对性的动态填补，为台区电压治理等其他研究提供更加准确科学的数据基础。
34、(3)本发明通过dbscan聚类，得到最佳的异常分数判定阈值，从而避免人为设定，导致过高的阈值偏向全局异常，过低的阈值偏向局部异常，因此本发明lof算法与dbscan聚类结合的方式，改进了lof算法在电力系统电压异常数据辨识中局部异常与全局异常的平衡，并兼顾算法开销。
35、(4)本发明通过引入lof局部异常因子算法在配电网电压异常数据辨识中的应用，最后快速的得到台区配变电压数据的异常分布信息，并结合dbscan聚类，使得模型能够自适应寻求最佳判断阈值，具备一定的鲁棒性。
1.一种基于lof的配电网电压异常数据辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，所述得到配变电压数据对应的lof值的步骤包括：
3.根据权利要求2所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，所述局部可达密度的计算表达式为：
4.根据权利要求2所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，所述lof值的计算表达式为：
5.根据权利要求1所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，还包括：
6.根据权利要求1所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，所述确定lof值的判定阈值的步骤包括：
7.根据权利要求1所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，所述输出配变电压异常数据的步骤包括：
8.根据权利要求1所述的一种基于lof的配电网电压异常数据辨识方法，其特征在于，所述配变电压数据中的异常情况包括电压突增或突降、三相不平衡和缺失点。
9.一种配电网电压异常数据辨识系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行如权利要求1-8任一所述的基于lof的配电网电压异常数据辨识方法，输出配变电压异常数据。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于lof的配电网电压异常数据辨识方法的指令。
