用于分布式电源发电系统的数据传输管理方法及系统与流程

本发明涉及数据处理，具体涉及一种用于分布式电源发电系统的数据传输管理方法及系统。

背景技术：

1、由于集中式单一供电系统的种种局限，分布式电源发电系统随之出现。分布式电源发电系统存在多项优点，例如：可对区域电力的质量和性能进行监控，以弥补大电网安全稳定性的不足，因此，分布式电源发电系统的安全可靠性相对较高，对应的使用情况也越来越多。

2、在分布式电源发电系统的使用过程中，需要不断的对各个设备部件的运行状态进行监测，也即是通过采集任一设备部件的运行数据，并对运行数据进行异常分析，以优选将异常的运行数据传输至中央数据管理系统，从而能够及时监测到该设备部件的运行存在异常情况，进而采取相对应的解决措施。

3、目前，通常采用lof算法对运行数据中的异常数据进行检测，具体为：通过人工设定的lof算法中的第k距离邻域，计算运行数据中的任一数据的局部离群因子(lof值)，根据lof值进行异常数据检测，以确定运行数据中的异常数据。但是，运行数据中的异常数据不仅包括噪声数据等无用数据，还包括例如设备故障损坏等引起的有价值的异常数据，且随机噪声引起的数据异常波动和设备部件异常运行下的数据异常较为相似，而对于这类情况，人工设定的lof算法中的第k距离邻域过大或者过小都无法较好的将噪声数据滤除，容易将噪声数据作为设备部件异常运行下的异常数据传输至中央数据管理系统，从而导致对设备部件的异常监测存在误差。

4、因此，如何设定lof算法中的第k距离邻域，以准确检测出运行数据中设备运行异常所对应的异常数据成为亟需解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供了一种用于分布式电源发电系统的数据传输管理方法及系统，以解决如何设定lof算法中的第k距离邻域，以准确检测出运行数据中设备运行异常所对应的异常数据的问题。

2、第一方面，本发明实施例中提供了一种用于分布式电源发电系统的数据传输管理方法，所述数据传输管理方法包括：

3、针对分布式电源发电系统中的任一设备组件，获取所述设备组件的至少两个预设参数所对应的历史时序监测数据；

4、针对任一预设参数，根据所述预设参数的历史时序监测数据中各个数据之间的差异，获取所述预设参数的历史时序监测数据中的第一极值数据，根据每个所述第一极值数据的邻域范围内的数据差异，以及所述预设参数的历史时序监测数据中第一极值数据的数量占比获取所述预设参数的趋噪程度；

5、分别获取所述设备组件的所有预设参数的第t采样时刻的实时监测数据，根据预设的时序跨度，确定每个所述预设参数的实时监测数据的局部数据范围，针对所述第t采样时刻的任一预设参数，根据所述预设参数的局部数据范围与其他预设参数的局部数据范围之间的数据波动差异，以及所述其他预设参数的趋噪程度，获取所述预设参数的实时监测数据的局部异常波动程度；

6、根据所有预设参数的趋噪程度以及对应实时监测数据的局部异常波动程度的差异，分别获取每个所述预设参数的实时监测数据的含噪程度；针对所述第t采样时刻的任一预设参数，根据所述预设参数的实时监测数据的局部异常波动程度和含噪程度，获取所述预设参数的实时监测数据的邻域调节系数，根据所述邻域调节系数，获取所述预设参数的实时监测数据在lof算法中对应的第k距离邻域；

7、根据所有预设参数的实时监测数据的第k距离邻域，利用所述lof算法对每个所述实时监测数据进行异常检测，得到异常的实时监测数据，优先对所述异常的实时监测数据进行数据传输。

8、进一步的，所述根据每个所述第一极值数据的邻域范围内的数据差异，以及所述预设参数的历史时序监测数据中第一极值数据的数量占比获取所述预设参数的趋噪程度，包括：

9、针对任一第一极值数据，在所述预设参数的历史时序监测数据中获取所述第一极值数据的左相邻数据和右相邻数据，计算所述第一极值数据与所述左相邻数据的第一差值绝对值，计算所述第一极值数据与所述右相邻数据的第二差值绝对值，计算所述第一差值绝对值和所述第二差值绝对值之间的差值绝对值均值；

10、统计所述第一极值数据的邻域范围内所包含的第一极值数据的目标数量，分别获取所述第一极值数据的邻域范围内所包含的每个第一极值数据的绝对值，对所述第一极值数据的邻域范围内所有绝对值的相加结果进行归一化，得到对应的归一化结果，将所述归一化结果和所述目标数据之间的乘积作为所述第一极值数据的权重，获取所述第一极值数据的差值绝对值均值和权重之间的乘积；

11、遍历所预设参数的历史时序监测数据中的所有第一极值数据，根据所述所有第一极值数据的乘积，计算乘积的均值，将所述乘积的均值和所述数量占比之间的乘积作为所述预设参数的趋噪程度。

12、进一步的，所述根据所述预设参数的局部数据范围与其他预设参数的局部数据范围之间的数据波动差异，以及所述其他预设参数的趋噪程度，获取所述预设参数的实时监测数据的局部异常波动程度，包括：

13、根据所述预设参数的局部数据范围内各个实时监测数据之间的差异，获取所述预设参数的局部数据范围内的所有第二极值数据，计算所述所有第二极值数据的数据均值；

14、将除所述预设参数之外的任一预设参数作为当前预设参数，获取所述当前预设参数的局部数据范围内的所有第二极值数据；

15、针对所述预设参数的局部数据范围内的任一第二极值数据，计算所述第二极值数据分别与所述当前预设参数的局部数据范围内每个第二极值数据之间的采样时间间隔，在所述当前预设参数的局部数据范围内获取所述采样时间间隔最小所对应的第二极值数据作为所述第二极值数据的相邻极值数据；

16、遍历所有的当前预设参数，得到所述第二极值数据的所有相邻极值数据；

17、针对所述第二极值数据的任一相邻极值数据，将所述相邻极值数据与所述第二极值数据之间的采样时间间隔和所述相邻极值数据所属当前预设参数的趋势程度之间的乘积作为分子，所述相邻极值数据的绝对值作为分母，得到对应的比值绝对值；

18、获取所有相邻极值数据对应的比值绝对值，对所有比值绝对值进行负映射，得到对应的映射结果，计算所述第二极值数据的绝对值与所述数据均值之间的数据差值，对所述数据差值和所述映射结果之间的乘积进行平方，得到对应的平方结果；

19、获取所述预设参数的局部数据范围内每个第二极值数据的平方结果，计算所述预设参数的局部数据范围内所有第二极值数据的平方结果的均值作为所述预设参数的实时监测数据的局部异常波动程度。

20、进一步的，所述根据所有预设参数的趋噪程度以及对应实时监测数据的局部异常波动程度的差异，分别获取每个所述预设参数的实时监测数据的含噪程度，包括：

21、针对任一预设参数，将除所述预设参数之外的任一预设参数作为目标预设参数，根据所述预设参数的实时监测数据的局部异常波动程度和所述目标预设参数的实时监测数据的局部异常波动程度，计算得到局部异常波动差值，计算所述预设参数与所述目标预设参数之间的趋噪程度的平均值，根据所述趋噪程度的平均值获取所述局部异常波动差值的权重，获取所述局部异常波动差值和所述权重之间的乘积的平方结果；

22、遍历所有目标预设参数，得到所述预设参数与每个所述目标预设参数之间对应的平方结果，对所有平方结果的均值进行二次开方，得到的开方结果作为所述预设参数的实时监测数据的含噪程度。

23、进一步的，所述根据所述预设参数的实时监测数据的局部异常波动程度和含噪程度，获取所述预设参数的实时监测数据的邻域调节系数，包括：

24、对所述预设参数的实时监测数据的局部异常波动程度和含噪程度的乘积进行归一化处理，得到的归一化处理结果作为所述预设参数的实时监测数据的邻域调节系数。

25、进一步的，所述根据所述邻域调节系数，获取所述预设参数的实时监测数据在lof算法中对应的第k距离邻域，包括：

26、获取lof算法中第k距离邻域的经验值，获取所述邻域调节系数与所述经验值的相乘结果，对所述相乘结果进行取整得到结果作为所述预设参数的实时监测数据在lof算法中对应的第k距离邻域。

27、第二方面，本发明实施例还提供了一种用于分布式电源发电系统的数据传输管理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的数据传输管理方法。

28、本发明实施例至少具有如下有益效果：

29、本发明针对分布式电源发电系统中的任一设备组件，获取所述设备组件的至少两个预设参数所对应的历史时序监测数据；针对任一预设参数，根据所述预设参数的历史时序监测数据中各个数据之间的差异，获取所述预设参数的历史时序监测数据中的第一极值数据，根据每个所述第一极值数据的邻域范围内的数据差异，以及所述预设参数的历史时序监测数据中第一极值数据的数量占比获取所述预设参数的趋噪程度；分别获取所述设备组件的所有预设参数的第t采样时刻的实时监测数据，根据预设的时序跨度，确定每个所述预设参数的实时监测数据的局部数据范围，针对所述第t采样时刻的任一预设参数，根据所述预设参数的局部数据范围与其他预设参数的局部数据范围之间的数据波动差异，以及所述其他预设参数的趋噪程度，获取所述预设参数的实时监测数据的局部异常波动程度；根据所有预设参数的趋噪程度以及对应实时监测数据的局部异常波动程度的差异，分别获取每个所述预设参数的实时监测数据的含噪程度；针对所述第t采样时刻的任一预设参数，根据所述预设参数的实时监测数据的局部异常波动程度和含噪程度，获取所述预设参数的实时监测数据的邻域调节系数，根据所述邻域调节系数，获取所述预设参数的实时监测数据在lof算法中对应的第k距离邻域；根据所有预设参数的实时监测数据的第k距离邻域，利用所述lof算法对每个所述实时监测数据进行异常检测，得到异常的实时监测数据，优先对所述异常的实时监测数据进行数据传输。其中，基于历史时序监测数据分析噪声干扰在任一预设参数下的体现明显程度，也即是趋噪程度；由于设备组件出现运行异常时，所有预设参数的数据都异常，并非单一预设参数下的数据异常，因此，对每个预设参数下的实时监测数据进行局部异常波动的检测，得到对应的局部异常波动程度，从而结合每个预设参数的趋噪程度分析每个预设参数下的实时监测数据的含噪程度，以实现了对每个预设参数的实时监测数据中受到噪声干扰程度的量化，则根据每个预设参数的实时监测数据的含噪程度和局部异常波动程度，自适应获取对应实时监测数据参与lof算法时的第k距离邻域，从而能够减少因噪声干扰导致的异常数据的误检，同时提高了对设备运行异常所对应的异常数据的检测结果，降低了对设备组件的运行异常监测误差。