面向新能源大数据的异常模式检测技术研究

随着电力系统规模的日益增大，新能源的不断加入，系统中的知识总量呈爆炸式增长，电力系统运行需基于更高的数据质量实现，以便为系统提供全方位，全周期的数据共享。国内电力信息系统所使用的数据库一般为结构化数据库。而传统关系型数据库在处理大数据复杂关系问题过程中，一系列技术瓶颈日益凸显，传统数据库已经无法满足海量数据的处理建模与分析。本文提出了一种全自动化新能源大数据异常检测的技术方法，它利用知识图谱天然反应数据间现有关系的优势，基于图结构和图顶点的属性信息，对异常图模式进行形式化定义以直接挖掘电网拓扑结构中的异常数据。本文挖掘的异常数据在现实中具有语义信息，在异常数据检测问题上具有可行性和实用价值。通过挖掘富有语义信息的异常图模式，检测新能源大数据中的异常数据，以保证数据的可靠性和准确性，避免错误或无效数据影响电力系统精细化管理和电网安全运行。算例实验效果良好，表明所提出的辨识方法具有理论价值和实际应用价值。

随着电力系统规模的日益增大，新能源的不断加入，系统中的知识总量呈爆炸式增长，电力系统运行需基于更高的数据质量实现，以便为系统提供全方位，全周期的数据共享。国内电力信息系统所使用的数据库一般为结构化数据库。而传统关系型数据库在处理大数据复杂关系问题过程中，一系列技术瓶颈日益凸显，传统数据库已经无法满足海量数据的处理建模与分析[1]。

由于新能源的多源异构性，现有的异常数据检测方法存在难题。对于电力系统中的异常数据检测， 现有方法分为两种，1) 离线方法：使用硬件设备进行现场检测辨识，成本高且效率低；2) 在线方法：包括通过对计量系统中的相关信息进行分析而达到异常检测的目的，其具有成本低、实时性高的特点，但在线方法对数据量和数据质量的要求高，依赖采集数据，占用通信信道。现在尚未有一种方法能够完全解决实际新能源复杂运行场景中的异常数据检测问题。与此同时，知识图谱可以清晰地反映出数据间的现有关系，推理挖掘出隐藏知识，适用于新能源大数据的异常检测[2]。近年来，知识图谱在电力系统中的应用越来越广泛，但仍处于初期阶段，且现有技术都是基于已有的规则信息进行挖掘的，尚未设计一