[发明专利]一种基于限值学习的异常电量数据辨识方法

说明书

本发明公开了一种基于限值学习的异常电量数据辨识方法。该方法首先通过异常电量数据分析得出异常电量数据的类型和鉴别算法；然后通过对OneClassSVM算法分析研究，对异常电量数据的鉴别限值进行学习，得到限值学习表，通过限值学习表校核历史数据的异常电量数据，接着通过分析基于密度的聚类算法DBSCAN算法校核历史数据中的离群值，实现基于限值学习的异常电量数据辨识；最后对同样基于密度的聚类算法LOF算法进行分析研究，结合两种基于密度的聚类算法进行实验，同时对多维数据进行离群值辨识，实现了基于密度聚类算法的多维电量数据离群值辨识。

技术领域

本发明属于电力数据挖掘技术领域，尤其涉及一种基于限值学习的异常电量数据辨识方法。

背景技术

大数据技术的意义在于通过对海量数据的分析处理挖掘出其潜在的价值，并将其应用到以后的生产和生活中去。从技术上看，当前大数据主要与云计算紧密相连，因为大数据必然无法用一台计算机完成处理，必须采用分布式处理。

传统电量数据处理流程由于计量互感器、电能表、采集终端设备、通信设备、电磁干扰、软件协议解析等原因，会造成采集来的原始电量数据不完整、不可靠等情况，电量异常电量数据过多就会导致后续的电量与线损计算不准确。

发明内容

本发明的目的在于，针对目前电量数据不完整、不可靠等情况，提供了一种基于限值学习的异常电量数据辨识方法(本发明涉及的“大数据技术”是指在电力系统领域所用到的大数据分析技术方法，主要是指数据挖掘技术，并未涉及较为专业的计算机领域的大数据技术)，包括如下步骤：

步骤1，采集历史电量数据并分析异常电量数据类型以及检测算法，所述异常电量数据类型包括包括离群值和缺失值，所述离群值包括不刷新值、跳变值和越限值；

步骤2，根据步骤1的分析结果，通过OneClassSVM算法实现限值学习，然后在此基础上校核历史电量数据中的异常电量数据并通过DBSCAN算法校核历史电量数据中的离群值；

步骤3，在DBSCAN算法的基础上结合LOF算法，实现对多维电量数据样本的离群值辨识。

步骤1包括：

步骤1-1，在进行异常电量数据校核前，需要对从电量数据平台D5000中采集的历史电量数据进行如下判定：

如果光伏量测历史电量数据的天数在五天以上，则需要判定电量数据最大值出现时刻和数据分布两个因素，根据最大值出现的时间点判断，同一天出现两个以上最大值的时间点只取一个数据，如果光伏量测历史电量数据的的天数中，最大值时刻分布区间在10：00～14：00之间的天数是80％以上且从08：00-18：00之间的数值之和占比全天电量值之和80％以上，则判定光伏量测数据正常，进行步骤1-2，如果不正常则需要校正，一般使用均值替代法或者K近邻算法；如果光伏量测历史电量数据的天数少于五天，则判断光伏量测数值在时间区间8：00～18：00的占比，如果从时间区间08：00-18：00之间的数值之和占比全天电量值之和80％以上，则判断光伏量测数据正常，进行步骤1-2，如果不正常则需要校正，一般使用均值替代法或者K近邻算法；

如果不是光伏量测，则跳过直接执行步骤1-2；

步骤1-2，如果电量数据表中显示为空值NULL(不是数值为0)，则为缺失值；

当K＝1时，表示电量数据量测点相邻一位数据，即如果连续两个电量数据量测点的电量值一样则判定两个点都是不刷新值；K＝2时，表示电量数据量测点相邻两位数据，如果连续三个电量数据量测点的值一样即判定三个点都是不刷新值；本发明选择K＝2。