[发明专利]刀闸状态异常数据识别方法、装置和计算机设备

说明书

本申请涉及一种刀闸状态异常数据识别方法、装置和计算机设备。所述方法包括：获取刀闸状态异常数据识别模型；刀闸状态异常数据识别模型为基于置信区间算法对历史刀闸状态数据进行学习训练而得到的；将待识别的刀闸状态数据输入刀闸状态异常数据识别模型，得到待识别的刀闸状态数据中的刀闸状态异常数据。采用本方法能够提高刀闸状态异常数据识别的效率和准确率。

技术领域

本申请涉及刀闸状态量测技术领域，特别是涉及一种刀闸状态异常数据识别方法、装置、计算机设备和存储介质。

背景技术

随着科技的不断发展与进步，电力调度机器人已近成为电力系统中重要的技术，而异源异构系统间的数据关联及业务协同是电力调度机器人功能架构的重要组成部分。异源异构系统见在进行数据关系及业务协同是需要对多数据源的信息进行清洗(即预处理，除去数据中的杂质等)、关联、整合并存储，其中多数据源信息中包括刀闸状态量测数据。然而，刀闸状态量测数据在采集、传递、交换等过程中，常因设备、网络或者天气等原因导致有些数据出现错误，从而影响刀闸状态数据治疗，数据质量会直接影响数据关联以及整合结果，因此，对异常数据进行识别就显得尤为重要。

目前常用的识别方法包括概率密度校验、二项分布校验等，以上方法对一般多值离散数据的异常点能较好的检测和辨识，但对于杂乱的刀闸状态数据，该识别方法均准确率较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决刀闸状态异常数据识别准确率低下问题的刀闸状态异常数据识别方法、装置、计算机设备和存储介质。

一种刀闸状态异常数据识别方法，所述方法包括：

获取刀闸状态异常数据识别模型；所述刀闸状态异常数据识别模型为基于置信区间算法对历史刀闸状态数据进行学习训练而得到的；

将待识别的刀闸状态数据输入所述刀闸状态异常数据识别模型，得到所述待识别的刀闸状态数据中的刀闸状态异常数据。

在其中一个实施例中，刀闸状态异常数据识别模型通过以下步骤得到：

从刀闸状态数据库或刀闸状态历史文件中获取所述历史刀闸状态数据；

从所述历史刀闸状态数据中选取一部分数据作为训练样本，剩余部分作为测试样本；

采用预设步长的窗口函数从所述训练样本的起始位置截取第一组数据；

滑动所述预设步长的窗口函数，且每次移动一个数据，依次截取第二组数据、第三组数据、第N组数据，直至所述预设步长的窗口函数的终端与所述训练样本的终点位置重合时，截取最后一组数据；

去除所述第一组数据、所述第二组数据、所述第三组数据、所述第N组数据和所述最后一组数据中重复的数据，并将去重后的剩余数据组成样本集；

采用所述预设步长的窗口函数对所述测试样本进行数据截取；对截取后的数据进行去重处理，得到去重截取数据；

将所述重截取数据依次与所述样本集中进行比较，当所述重截取数据都在所述样本集范围内时，更新所述预设步长；

根据更新后的所述预设步长更新所述预设步长的窗口函数，并根据更新所述预设步长的窗口函数依次更新所述样本集和所述重截取数据，直至所述重截取数据不在所述样本集范围内时，确定目标置信区间集；

根据所述目标置信区间集得到刀闸状态异常数据识别模型。

在其中一个实施例中，确定所述待识别的刀闸状态数据为异常数据的步骤之后，还包括：

对所述异常数据进行审核；

若所述异常数据为正确数据，将所述异常数据保存至所述刀闸状态数据库或所述刀闸状态历史文件，更新所述历史刀闸状态数据。