[发明专利]基于同期线损数据融合的多级冗余数据融合方法及装置

说明书

本发明公开了一种基于同期线损数据融合的多级冗余数据融合方法及装置，其中，方法包括：利用Kettle工具对电网数据进行清洗；对清洗后的电网数据进行异常数据识别、系统聚类分析与正负相关分析，得到异常数据甄别结果；根据异常数据甄别结果进行多级冗余数据校验修正，以完成电网设备参数、计算模型、拓扑数据与电量数据的修正。根据本发明实施例的融合方法，可以利用多级冗余数据融合对多源数据进行治理，提升数据质量，有效满足使用需求。

技术领域

本发明涉及电网技术领域，特别涉及一种基于同期线损数据融合的多级冗余数据融合方法及装置。

背景技术

同期线损系统集成六大业务系统及三大平台，与传统线损统计相比，同期线损不仅需要不同系统之间数据的传输、关联贯通及融合，还需要保证数据的准确性，因此异常数据识别与治理至关重要。

大数据处理技术：利用Kettle工具实现大数据的抽取、转换，Kettle是一款开源的ETL工具，可以在Window、Linux上运行，数据抽取高效稳定。这个ETL工具集它允许管理来自不同数据库的数据，通过提供一个图形化的用户环境来描述想做什么。

多级冗余数据清洗技术：多级冗余数据清洗技术包括：利用滑动窗口与集合论的融合冗余数据清洗方法、借鉴参考标签思想结合信号轻度特征的较差冗余数据清洗方法。将海量数据清洗方法运用的电力系统多级冗余数据清理中，提升电力系统数据质量。

数据冗余处理技术：冗余数据处理主要分三个阶段：数据收集阶段、数据识别及比较阶段、数据整合阶段。数据收集阶段主要指系统从外部获取相应的数据，并对收集到的数据进行存储、分类，以便于数据识别；数据识别及比较阶段，系统根据所存储数据的特征进行重复性判别，采用相应的算法来确定收集到的数据是唯一的还是重复的；数据整合阶段是指系统在经过数据识别后对重复数据的处理。

聚类分析：是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。

相关分析：在回归与相关分析中，因变量值随自变量值的增大(减小)而减小(增大)，在这种情况下，因变量和自变量的相关系数为负值，即负相关。正相关是指自变量增长，因变量也跟着增长。两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。

但是，现有的同期线损系统集成了多种源端电力业务系统及平台，数据的质量严重影响线损计算的准确性，亟待改进。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于同期线损数据融合的多级冗余数据融合方法，该融合方法可以利用多级冗余数据融合对多源数据进行治理，提升数据质量，有效满足使用需求。

本发明的另一个目的在于提出一种基于同期线损数据融合的多级冗余数据融合装置。

为达到上述目的，本发明一方面实施例提出了一种基于同期线损数据融合的多级冗余数据融合方法，包括以下步骤：利用Kettle工具对所述电网数据进行清洗；对清洗后的电网数据进行异常数据识别、系统聚类分析与正负相关分析，得到异常数据甄别结果；根据所述异常数据甄别结果进行多级冗余数据校验修正，以完成电网设备参数、计算模型、拓扑数据与电量数据的修正。

本发明实施例的基于同期线损数据融合的多级冗余数据融合方法，基于多级冗余数据融合，对多级融合冗余数据进行清洗、分析、应用，实现电网异常数据快速、自动识别及修正，提升数据质量，提高计算准确度，减少业务人员线下核实的工作量，有效满足使用需求。

另外，根据本发明上述实施例的基于同期线损数据融合的多级冗余数据融合方法还可以具有以下附加的技术特征：