【技术实现步骤摘要】
电力负荷异常数据识别方法、装置和计算机设备
本申请涉及电力负荷量测
，特别是涉及一种电力负荷异常数据识别方法、装置、计算机设备和存储介质。
技术介绍
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电力负荷量测数据。然而，电力负荷量测数据在采集、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，从而影响电力负荷数据治疗，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残差搜索法、非二次准则法、零残差法、估计辨识法等，以上方法对一般的时间序列数据的异常点能较好的检测和辨识，但对于受天气、节假日等影响较大电力负荷数据，该识别方法均准确率较差。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够解决电力负荷异常数据识别准确率低下问题的电力负荷异常数据识...
【技术保护点】
1.一种电力负荷异常数据识别方法，所述方法包括：获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K‑means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K‑means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。
【技术特征摘要】
1.一种电力负荷异常数据识别方法，所述方法包括：获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。2.根据权利要求1所述的电力负荷异常数据识别方法，其特征在于，电力负荷异常数据识别模型通过以下步骤得到：从电力负荷数据库或电力负荷历史文件中获取所述历史电力负荷数据；按照预设的时间间隔对所述历史电力负荷数据进行数据提取，得到处理后的电力负荷数据；对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据；将所述各组最终的电力负荷数据进行聚合；采用所述改进的K-means聚类算法对聚合后的所述各组最终的电力负荷数据进行学习训练，得到所述电力负荷异常数据识别模型。3.根据权利要求2所述的电力负荷异常数据识别方法，其特征在于，按照预设的时间间隔对所述历史电力负荷数据进行数据提取的步骤之前，包括：对所述历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；对标准化的历史电力负荷数据进行滤波处理。4.根据权利要求2所述的电力负荷异常数据识别方法，其特征在于，在采用所述改进的K-means聚类算法对聚合后的所述各组最终的电力负荷数据进行学习训练的步骤之前，包括：选取聚合后的所述各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的所述各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。5.根据权利要求1-4任一项所述的电力负荷异常数据识别方法，其特征在于，将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据的步骤中，包括：得到与所述待识别的电力负荷数据相对应的电力负荷特征信息；当所述电力负荷特征信息与目标...
【专利技术属性】
技术研发人员：李欣，张卫华，阮少炜，刘延乐，高贞彦，王飞，刘海林，林云峰，
申请(专利权)人：广州供电局有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。