[发明专利]一种基于统计异常点检测算法的单线图布局检查方法及装置

说明书

本发明公开了一种基于统计异常点检测算法的单线图布局检查方法及装置，所述方法包括：步骤S1：典型布局样本学习；步骤S2：布局实例检测；步骤S3：布局检测结果展示输出。本发明的方法及装置从机器学习角度，以典型单线图为蓝本，通过机器学习，判别其他新增、调整单线图的布局合理性，通过经验学习的方式，形成良性循环，指导单线图布局检测，具备良好的推广和应用价值。

技术领域

本发明涉及计算机及配网单线图处理技术领域，特别涉及一种基于统计异常点检测算法的单线图布局检查方法及装置。

背景技术

单线图是配电网设备运行维护的重要工具之一，人工手动绘图和利用绘图软件两种方式的难度及工作量都比较大，在电网结构的复杂程度不断增加的情况下，很难满足智能电网的发展使用的要求，电网公司在统一电网GIS平台基础上，基于本地化特点，编制了适用于本单位的配电线路单线图绘图规范生产及调度应用细则，对单线图成图进行细化规范。

但是，成图规范针对的是单个的绘图人员及单线图，规范性单线图的经验无法传承、借鉴。

发明内容

有鉴于此，本发明的目的之一是提供一种基于统计异常点检测算法的单线图布局检查方法。能够克服背景技术中存在的问题。

本发明的目的之一是通过以下技术方案实现的：

一种基于统计异常点检测算法的单线图布局检查方法，包括：

步骤S1：典型布局样本学习；

步骤S2：布局实例检测；

步骤S3：布局检测结果展示输出。

进一步，所述步骤S1是对典型样本单线图逐一进行典型布局学习，将布局统计概率分布结果写入学习成果库，包括：

设定指定样本学习的选择范围；

设置异常点越限的阈值；

对样本数据进行逐一解析，学习样本的典型布局特征；

统计样本典型特征出现的概率，并将学习成果入库。

进一步，所述步骤S2中，是对实例单线图进行检测，从设置的异常点越限阈值开始，检测实例数据的统计概率与学习库统计概率的差值，发现异常数据后，写入异常结果库。

进一步，所述步骤S2具体包括

选定检测范围；

依据基于学习成果库的统计概率数据，从设置的异常点越限阈值开始，检测实例数据的统计概率与学习库统计概率的差值，如果检测实例数据在某一检测点的统计概率大于学习数据库的统计概率，则认为是异常数据；

将异常数据写入异常检测结果库。

进一步，所述步骤S3中，对异常结果库中的检测结果进行检测、定位、输出。

进一步，步骤S3具体包括

列示异常检测结果库中的异常单线图清单及具体的布局问题清单；

对具体布局问题进行定位；

将布局问题导出。

本发明的的目的之二是提供一种基于统计异常点检测算法的单线图布局检查装置，所述系统包括典型布局样本学习模块、实布局例检测模块、布局检测结果展示输出模块组成；

所述典型样本学习装置包括样本选择、学习参数设置、样本学习、学习成果入库四个子模块组成，布局实例检测模块包括实例选择、实例检测、检查成果入库三个子模块，所述布局检测结果展示输出模块包括布局检测清单、布局问题定位、布局问题导出三个子模块。

进一步，所述样本选择子模块负责设定指定样本学习的选择范围；