本發(fā)明涉及異常值識(shí)別領(lǐng)域，尤其涉及一種計(jì)量自動(dòng)化系統(tǒng)的異常值識(shí)別方法及裝置。

背景技術(shù)：

1、隨著電力運(yùn)輸設(shè)備的普及以及電力需求的增長，電力系統(tǒng)日益變得龐大而復(fù)雜，在電力系統(tǒng)中，計(jì)量自動(dòng)化系統(tǒng)的應(yīng)用廣泛深入，對(duì)電力系統(tǒng)的運(yùn)行、管理以及優(yōu)化起到了至關(guān)重要的作用。計(jì)量自動(dòng)化系統(tǒng)能夠?qū)崟r(shí)監(jiān)測和記錄電力設(shè)備的各種運(yùn)行數(shù)據(jù)，包括：電壓、電流等，還能夠?qū)﹄娏ο到y(tǒng)的負(fù)荷進(jìn)行實(shí)時(shí)監(jiān)測和分析。通過分析計(jì)量自動(dòng)化系統(tǒng)采集到的數(shù)據(jù)，能夠分析電力系統(tǒng)的實(shí)際運(yùn)行情況以及對(duì)電力系統(tǒng)進(jìn)行調(diào)度使用。

2、但是計(jì)量自動(dòng)化系統(tǒng)采集的數(shù)據(jù)往往存在著許多干擾，例如電氣噪聲、電磁干擾，這些干擾會(huì)導(dǎo)致計(jì)量自動(dòng)化系統(tǒng)采集的數(shù)據(jù)不穩(wěn)定，從而出現(xiàn)異常值，最終影響對(duì)電力系統(tǒng)的分析與判斷。在現(xiàn)有技術(shù)中，技術(shù)人員通常會(huì)手動(dòng)對(duì)異常值進(jìn)行識(shí)別處理，但是這種異常值識(shí)別處理方法，往往會(huì)因?yàn)楦鞣N干擾、人工經(jīng)驗(yàn)等因素導(dǎo)致識(shí)別的結(jié)果不盡人意，因此亟需一種對(duì)計(jì)量自動(dòng)化系統(tǒng)異常值的識(shí)別方法或者裝置來改善目前現(xiàn)有技術(shù)的不足之處。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種計(jì)量自動(dòng)化系統(tǒng)的異常值識(shí)別方法及裝置，以解決現(xiàn)有技術(shù)中無法準(zhǔn)確識(shí)別計(jì)量自動(dòng)化系統(tǒng)中的異常值的技術(shù)問題。

2、為了解決上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種計(jì)量自動(dòng)化系統(tǒng)的異常值識(shí)別方法，包括：

3、從計(jì)量自動(dòng)化系統(tǒng)獲取若干第一電力數(shù)據(jù)，根據(jù)預(yù)設(shè)的干擾去除方法，對(duì)所述若干第一電力數(shù)據(jù)進(jìn)行干擾去除，得到若干第二電力數(shù)據(jù)；

4、將所述若干第二電力數(shù)據(jù)輸入預(yù)設(shè)的第一異常值識(shí)別模型，得到若干第二電力數(shù)據(jù)對(duì)應(yīng)的異常值識(shí)別集；

5、根據(jù)預(yù)設(shè)的異常值標(biāo)記方法，結(jié)合所述異常值識(shí)別集，對(duì)若干第二電力數(shù)據(jù)中的異常值進(jìn)行標(biāo)記，得到經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)；

6、根據(jù)所述經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)，對(duì)計(jì)量自動(dòng)化系統(tǒng)中的數(shù)據(jù)進(jìn)行清理。

7、可以理解的是，相對(duì)于現(xiàn)有技術(shù)，本發(fā)明通過將由計(jì)量自動(dòng)化系統(tǒng)中采集得到的電力數(shù)據(jù)進(jìn)行干擾去除，并通過預(yù)設(shè)的異常值識(shí)別模型實(shí)現(xiàn)對(duì)異常值的識(shí)別；最后對(duì)異常值進(jìn)行標(biāo)記，實(shí)現(xiàn)對(duì)計(jì)量自動(dòng)化系統(tǒng)中數(shù)據(jù)的清理。本發(fā)明通過去除干擾結(jié)合異常值識(shí)別模型的雙重方式，基于干擾去除的方式去除干擾因素的影響，提高輸入異常值識(shí)別模型的數(shù)據(jù)的純凈度；基于異常值識(shí)別模型的方式，以數(shù)據(jù)識(shí)別大模型在數(shù)據(jù)處理上的高效性和高準(zhǔn)確性，提高了異常值識(shí)別模型對(duì)于異常值的識(shí)別準(zhǔn)確性，最終根據(jù)識(shí)別出來的異常值對(duì)計(jì)量自動(dòng)化系統(tǒng)的數(shù)據(jù)進(jìn)行清理，避免了計(jì)量自動(dòng)化系統(tǒng)中的異常數(shù)據(jù)導(dǎo)致的工作人員對(duì)于電力系統(tǒng)運(yùn)行的錯(cuò)誤判斷，保證了電力系統(tǒng)的安全穩(wěn)定運(yùn)行，為用戶供電的安全性和可靠性提供了保障。

8、作為優(yōu)選方案，所述根據(jù)預(yù)設(shè)的干擾去除方法，對(duì)所述若干第一電力數(shù)據(jù)進(jìn)行干擾去除，得到若干第二電力數(shù)據(jù)，具體為：

9、獲取若干第一電力數(shù)據(jù)中的噪聲信息和預(yù)設(shè)的干擾去除方法，其中，所述噪聲信息包括：若干種頻率級(jí)別的噪聲和每種頻率級(jí)別的噪聲在噪聲信息中的占比；所述預(yù)設(shè)的干擾去除方法包括：低通濾波法和滑動(dòng)濾波法；

10、根據(jù)所述每種頻率級(jí)別的噪聲在噪聲信息中的占比確定低通濾波法和滑動(dòng)濾波法的使用順序后，對(duì)若干第一電力數(shù)據(jù)進(jìn)行濾波，得到若干第二電力數(shù)據(jù)。

11、通過對(duì)電力數(shù)據(jù)進(jìn)行干擾去除，以噪聲的頻率占比來選擇低通濾波法和滑動(dòng)濾波法的濾波順序，能夠更好的對(duì)電力數(shù)據(jù)進(jìn)行干擾去除，提高數(shù)據(jù)的純凈度。

12、作為優(yōu)選方案，所述將所述若干第二電力數(shù)據(jù)輸入預(yù)設(shè)的第一異常值識(shí)別模型，得到若干第二電力數(shù)據(jù)對(duì)應(yīng)的異常值識(shí)別集，具體為：

13、獲取初始異常值識(shí)別模型，根據(jù)預(yù)設(shè)的異常值識(shí)別模型訓(xùn)練方法，對(duì)初始異常值識(shí)別模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的第一異常值識(shí)別模型；

14、將若干第二電力數(shù)據(jù)輸入訓(xùn)練完成的第一異常值識(shí)別模型，得到若干第二電力數(shù)據(jù)對(duì)應(yīng)的異常值識(shí)別集。

15、通過異常值識(shí)別模型對(duì)經(jīng)過干擾去除的數(shù)據(jù)進(jìn)行異常值識(shí)別，提高了異常值識(shí)別的準(zhǔn)確性。

16、作為優(yōu)選方案，所述獲取初始異常值識(shí)別模型，根據(jù)預(yù)設(shè)的異常值識(shí)別模型訓(xùn)練方法，對(duì)初始異常值識(shí)別模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的第一異常值識(shí)別模型，具體為：

17、根據(jù)預(yù)設(shè)的異常值識(shí)別模型構(gòu)建策略，構(gòu)建初始異常值識(shí)別模型，其中，所述預(yù)設(shè)的異常值識(shí)別模型構(gòu)建策略包括：基于統(tǒng)計(jì)分布的異常值檢測策略、基于距離的異常值檢測策略、基于密度的異常值檢測策略、基于聚類的異常值檢測策略和基于機(jī)器學(xué)習(xí)的異常值檢測策略；

18、根據(jù)預(yù)設(shè)的數(shù)據(jù)處理方法和特征選擇方法，依次對(duì)預(yù)設(shè)的模型訓(xùn)練集進(jìn)行數(shù)據(jù)處理和特征選擇，得到第一模型訓(xùn)練集；其中，所述數(shù)據(jù)處理方法包括：數(shù)據(jù)清洗和缺失值填充；所述特征包括：統(tǒng)計(jì)特征、數(shù)值型特征、分類型特征、圖像特征、紋理特征、形狀特征和顏色特征；

19、將所述第一模型訓(xùn)練集輸入初始異常值識(shí)別模型，根據(jù)預(yù)設(shè)的異常值識(shí)別模型訓(xùn)練方法，對(duì)初始異常值識(shí)別模型進(jìn)行訓(xùn)練，直到初始異常值識(shí)別模型輸出的識(shí)別結(jié)果滿足預(yù)設(shè)的標(biāo)準(zhǔn)，完成對(duì)初始異常值識(shí)別模型的訓(xùn)練，得到訓(xùn)練完成的第一異常值識(shí)別模型。

20、通過多種異常值識(shí)別模型構(gòu)建策略進(jìn)行模型構(gòu)建，并通過多樣的特征類型進(jìn)行特征選擇，可以使得最后完成訓(xùn)練的異常值識(shí)別模型識(shí)別能力更強(qiáng)，識(shí)別準(zhǔn)確度更高。

21、作為優(yōu)選方案，所述根據(jù)預(yù)設(shè)的異常值標(biāo)記方法，結(jié)合所述異常值識(shí)別集，對(duì)若干第二電力數(shù)據(jù)中的異常值進(jìn)行標(biāo)記，得到經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)，具體為：

22、根據(jù)異常值識(shí)別集中異常值的類型，結(jié)合預(yù)設(shè)的異常值標(biāo)記方法，對(duì)若干第二電力數(shù)據(jù)中的異常值進(jìn)行標(biāo)記，得到經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)；其中，所述異常值標(biāo)記方法包括：基于圖形的標(biāo)記方法、基于統(tǒng)計(jì)分布的標(biāo)記方法、基于規(guī)則的標(biāo)記方法和基于自動(dòng)的標(biāo)記方法中任意一種或者多種組合。

23、通過對(duì)異常值進(jìn)行標(biāo)記，能夠?qū)Ξ惓Ｖ档念愋瓦M(jìn)行歸類，從而更好的對(duì)計(jì)量自動(dòng)化系統(tǒng)中的異常值進(jìn)行清理。

24、相應(yīng)的，本發(fā)明實(shí)施例提供了一種計(jì)量自動(dòng)化系統(tǒng)的異常值識(shí)別裝置，包括：干擾去除模塊、異常值識(shí)別模塊、異常值標(biāo)記模塊和數(shù)據(jù)清理模塊；

25、其中，所述干擾去除模塊用于從計(jì)量自動(dòng)化系統(tǒng)獲取若干第一電力數(shù)據(jù)，根據(jù)預(yù)設(shè)的干擾去除方法，對(duì)所述若干第一電力數(shù)據(jù)進(jìn)行干擾去除，得到若干第二電力數(shù)據(jù)；

26、所述異常值識(shí)別模塊用于將所述若干第二電力數(shù)據(jù)輸入預(yù)設(shè)的第一異常值識(shí)別模型，得到若干第二電力數(shù)據(jù)對(duì)應(yīng)的異常值識(shí)別集；

27、所述異常值標(biāo)記模塊用于根據(jù)預(yù)設(shè)的異常值標(biāo)記方法，結(jié)合所述異常值識(shí)別集，對(duì)若干第二電力數(shù)據(jù)中的異常值進(jìn)行標(biāo)記，得到經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)；

28、所述數(shù)據(jù)清理模塊用于根據(jù)所述經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)，對(duì)計(jì)量自動(dòng)化系統(tǒng)中的數(shù)據(jù)進(jìn)行清理。

29、作為優(yōu)選方案，所述干擾去除模塊，包括：干擾去除單元；

30、所述干擾去除單元用于獲取若干第一電力數(shù)據(jù)中的噪聲信息和預(yù)設(shè)的干擾去除方法，其中，所述噪聲信息包括：若干種頻率級(jí)別的噪聲和每種頻率級(jí)別的噪聲在噪聲信息中的占比；所述預(yù)設(shè)的干擾去除方法包括：低通濾波法和滑動(dòng)濾波法；

31、根據(jù)所述每種頻率級(jí)別的噪聲在噪聲信息中的占比確定低通濾波法和滑動(dòng)濾波法的使用順序后，對(duì)若干第一電力數(shù)據(jù)進(jìn)行濾波，得到若干第二電力數(shù)據(jù)。

32、作為優(yōu)選方案，所述異常值識(shí)別模塊，包括：異常值識(shí)別單元；

33、所述異常值識(shí)別單元用于獲取初始異常值識(shí)別模型，根據(jù)預(yù)設(shè)的異常值識(shí)別模型訓(xùn)練方法，對(duì)初始異常值識(shí)別模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的第一異常值識(shí)別模型；

34、將若干第二電力數(shù)據(jù)輸入訓(xùn)練完成的第一異常值識(shí)別模型，得到若干第二電力數(shù)據(jù)對(duì)應(yīng)的異常值識(shí)別集。

35、作為優(yōu)選方案，所述異常值識(shí)別單元，包括：異常值識(shí)別模型訓(xùn)練單元；

36、所述異常值識(shí)別模型訓(xùn)練單元用于根據(jù)預(yù)設(shè)的異常值識(shí)別模型構(gòu)建策略，構(gòu)建初始異常值識(shí)別模型，其中，所述預(yù)設(shè)的異常值識(shí)別模型構(gòu)建策略包括：基于統(tǒng)計(jì)分布的異常值檢測策略、基于距離的異常值檢測策略、基于密度的異常值檢測策略、基于聚類的異常值檢測策略和基于機(jī)器學(xué)習(xí)的異常值檢測策略；

37、根據(jù)預(yù)設(shè)的數(shù)據(jù)處理方法和特征選擇方法，依次對(duì)預(yù)設(shè)的模型訓(xùn)練集進(jìn)行數(shù)據(jù)處理和特征選擇，得到第一模型訓(xùn)練集；其中，所述數(shù)據(jù)處理方法包括：數(shù)據(jù)清洗和缺失值填充；所述特征包括：統(tǒng)計(jì)特征、數(shù)值型特征、分類型特征、圖像特征、紋理特征、形狀特征和顏色特征；

38、將所述第一模型訓(xùn)練集輸入初始異常值識(shí)別模型，根據(jù)預(yù)設(shè)的異常值識(shí)別模型訓(xùn)練方法，對(duì)初始異常值識(shí)別模型進(jìn)行訓(xùn)練，直到初始異常值識(shí)別模型輸出的識(shí)別結(jié)果滿足預(yù)設(shè)的標(biāo)準(zhǔn)，完成對(duì)初始異常值識(shí)別模型的訓(xùn)練，得到訓(xùn)練完成的第一異常值識(shí)別模型。

39、作為優(yōu)選方案，所述異常值標(biāo)記模塊，包括：異常值標(biāo)記單元；

40、所述異常值標(biāo)記單元用于根據(jù)異常值識(shí)別集中異常值的類型，結(jié)合預(yù)設(shè)的異常值標(biāo)記方法，對(duì)若干第二電力數(shù)據(jù)中的異常值進(jìn)行標(biāo)記，得到經(jīng)過異常值標(biāo)記的若干第三電力數(shù)據(jù)；其中，所述異常值標(biāo)記方法包括：基于圖形的標(biāo)記方法、基于統(tǒng)計(jì)分布的標(biāo)記方法、基于規(guī)則的標(biāo)記方法和基于自動(dòng)的標(biāo)記方法中任意一種或者多種組合。