配电网运行异常数据

为提高配电网运行异常数据的识别准确率，提出结合k均值改进萤火虫算法的配电网运行异常数据识别方法。在配电网信息系统中采集配电网运行数据，并实施数据清洗、合并、特征化处理等操作。利用结合k均值改进萤火虫算法的优化聚类获取样本特征曲线及样本分类，得到带通矩阵来判定异常数据点，完成配电网运行异常数据识别。结果表明：所提方法对不同的用电设备状态组合的运行异常数据识别准确率更高。

为了提高对电能质量扰动信号(power quality disturbance signal, PQDs)在受到噪声和异常数据干扰时的分类准确率，提出了一种双分支并联特征融合网络的PQDs分类方法。首先，采用一维残差神经网络和一维卷积神经网络两个分支进行特征提取。然后，通过特征融合模块将这些特征融合在一起。最终，通过分类模块对PQDs进行准确分类。相对于串联神经网络，所提方法融合特征向量，增强了特征的区分度，同时适用于并行计算，进一步提高了识别速度。仿真结果表明，所提方法在叠加信噪比为13 dB、15 dB和18 dB的PQDs分类任务中，识别率均超过95%，此外，该方法对异常数据的分类效果也具有一定的鲁棒性。