一种基于时序大模型融合的时间序列数据增强方法及系统与流程

本技术涉及电力系统数据处理，具体而言，涉及一种基于时序大模型融合的时间序列数据增强方法及系统。

背景技术：

1、在新型电力系统建设背景下，电网源荷侧及关联气象环境的时序数据呈现出海量、多源、高波动的特性，是电力负荷预测、新能源出力预测及调度运行分析的关键基础。然而，在实际运行中，受采集设备故障、通信中断、传感器漂移、极端天气扰动等因素影响，数据常出现缺失、突变、漂移等质量问题。现有技术在处理此类数据时，通常采用统一尺度建模，难以兼顾电网数据从分钟级到日级的多尺度波动规律；同时，固定阈值或静态统计方法未充分考虑电网数据的非平稳性，导致异常检测鲁棒性差，极易产生误报或漏报。此外，异常检测与缺失补全流程割裂，缺乏有效的反馈优化机制，且补全策略往往采用固定的统一模型，难以捕捉电网数据中复杂的非线性关系和长周期依赖性，导致补全精度较低，且容易违背电力系统的物理约束。这种对人工经验的过度依赖，使得现有技术难以实现端到端自动化处理，导致泛化能力与处理效率不足，无法为电力系统预测与决策提供高可靠的数据支撑。

2、针对上述问题，现有技术亟需改进。

技术实现思路

1、为了解决现有技术的不足，本技术提供一种基于时序大模型融合的时间序列数据增强方法及系统，能够解决电网时序数据质量问题，包括数据缺失、突变、漂移等，以及现有技术在处理此类数据时存在的精细度不足、鲁棒性差、缺乏反馈优化机制、补全精度低且易违背物理约束等问题。

2、第一方面，本技术提供一种基于时序大模型融合的时间序列数据增强方法，用于处理电网的时间序列数据，该方法包括：

3、获取待处理的时间序列数据，对该时间序列数据进行离散化处理，得到离散化后的时间特征序列；

4、将该时间特征序列输入至时序大模型中，得到该时序大模型输出的与当前时序窗口对应的时序预测值序列；

5、计算该时序预测值序列中的预测值数据与该时间序列数据中对应时间点的原始观测值之间的预测偏差；

6、获取该当前时序窗口内的历史预测偏差序列，基于该历史预测偏差序列构建置信度区间，若该预测偏差超出该置信度区间，则将该时间序列数据标记为候选异常数据；

7、对该候选异常数据进行成因分解，划分为不同的异常类型，根据该异常类型，为该候选异常数据匹配对应的补全策略，基于该补全策略对该候选异常数据进行补全，得到补全后的完整时序序列。

8、进一步地，在获取待处理的时间序列数据的步骤之后，且在对该时间序列数据进行离散化处理的步骤之前，该方法包括：

9、判断该时间序列数据中是否存在与环境温度变化关联的时序偏差；

10、若判定存在该时序偏差，对该时间序列数据进行校正；

11、对校正后的时间序列数据进行多时间范围的信号重构，输出重构后的时间序列数据，作为离散化处理的处理基础。

12、进一步地，该判断该时间序列数据中是否存在与环境温度变化关联的时序偏差的步骤包括：

13、监测环境温度的变化速率；

14、当该环境温度的变化速率超过第一预设阈值时，基于预设的温度与时序偏差的关联函数预测出辐照度偏差量；

15、若该时间序列数据中的辐照度观测值与理论辐照度值之间的差值与该辐照度偏差量一致，则判定该时间序列数据中存在与环境温度变化关联的时序偏差。

16、进一步地，若判定存在该时序偏差，对该时间序列数据进行校正的步骤包括：

17、根据实时环境温度，计算与该环境温度的变化速率相对应的校正因子；

18、利用该校正因子对该时间序列数据进行校正，以消除该时序偏差。

19、进一步地，对校正后的时间序列数据进行多时间范围的信号重构，输出重构后的时间序列数据，作为离散化处理的处理基础的步骤包括：

20、获取该当前时序窗口内的实时气象观测数据，其中，该实时气象观测数据包括云量变化速度以及局地强对流天气预警标识；

21、根据该实时气象观测数据，调整卡尔曼滤波的过程噪声协方差和测量噪声协方差参数，其中，当检测到该云量变化速度超过第二预设阈值或该局地强对流天气预警标识显示存在局地强对流天气预警时，增大该过程噪声协方差，同时减小该测量噪声协方差；

22、对校正后的时间序列数据采用卡尔曼滤波进行分尺度处理；其中，在预设的分钟级时间范围上，对校正后的时间序列数据进行卡尔曼滤波的逐点预测和更新；在预设的小时级时间范围上，对更新后的时间序列数据进行二次平滑，得到重构后的时间序列数据。

23、作为可选方案，基于该历史预测偏差序列构建置信度区间的步骤包括：

24、计算该历史预测偏差序列的中心值；

25、以该中心值为基准，分别增加和减少动态标准差，得到动态置信区间的上下边界，其中，该动态标准差根据外部场景信息动态调整，该外部场景信息包括气象突变预警、节假日标记或新能源出力骤变事件，当检测到该气象突变预警、该节假日标记或该新能源出力骤变事件中的至少一种时，以预设倍数增大该动态标准差以放宽置信区间范围。

26、进一步地，对该候选异常数据进行成因分解，划分为不同的异常类型的步骤包括：

27、提取该候选异常数据的多维特征，该多维特征包括：预测偏差的绝对值与相对值、异常点前后数据的均值与方差、相邻数据点的变化率、以及偏差持续的时间长度；

28、将所提取的多维特征输入至预先训练好的异常类型分类器中；

29、由该异常类型分类器输出异常类型判定结果，生成带有异常类型标记的标记时序序列，其中，该异常类型标记包括孤立异常、突变异常、漂移异常和连续缺损异常。

30、在此基础上，根据该异常类型，为该候选异常数据匹配对应的补全策略，基于该补全策略对该候选异常数据进行补全，得到补全后的完整时序序列的步骤包括：

31、根据该标记时序序列中的异常类型标记，从预设的补全策略库中匹配对应的补全策略，该补全策略包括用于补全的历史上下文窗口长度和约束强度；

32、基于该历史上下文窗口长度生成初步补全值；

33、根据该约束强度所对应的电网物理约束规则，对该初步补全值进行修正，得到修正后的最终补全值，该电网物理约束规则包括负荷峰谷时段的上下限、新能源出力不小于零且不大于装机容量以及光伏出力与日辐照度的同步性约束；

34、基于最终补全值对该候选异常数据进行补全，得到该完整时序序列。

35、优选地，在得到补全后的完整时序序列之后，该方法包括：

36、将该完整时序序列纳入该时序大模型的模型训练数据集，结合该异常类型及该当前时序窗口内的真实时序数据，对该时序大模型进行优化。

37、第二方面，本技术还公开了一种基于时序大模型融合的时间序列数据增强系统，用于执行如前述方法，该系统包括：

38、数据获取及处理模块，用于获取待处理的时间序列数据，对该时间序列数据进行离散化处理，得到离散化后的时间特征序列；

39、时序预测模块，用于将该时间特征序列输入至时序大模型中，得到该时序大模型输出的与当前时序窗口对应的时序预测值序列；

40、偏差计算模块，用于计算该时序预测值序列中的预测值数据与该时间序列数据中对应时间点的原始观测值之间的预测偏差；

41、异常数据标记模块，用于获取该当前时序窗口内的历史预测偏差序列，基于该历史预测偏差序列构建置信度区间，若该预测偏差超出该置信度区间，则将该时间序列数据标记为候选异常数据；

42、数据补全模块，用于对该候选异常数据进行成因分解，划分为不同的异常类型，根据该异常类型，为该候选异常数据匹配对应的补全策略，基于该补全策略对该候选异常数据进行补全，得到补全后的完整时序序列。

43、本技术公开的一种基于时序大模型融合的时间序列数据增强方法，通过引入时序大模型进行预测，并结合预测偏差构建动态置信区间进行异常检测，有效解决了现有技术中异常检测鲁棒性差、易产生误报或漏报的问题。此外，本技术对候选异常数据进行成因分解，划分为不同的异常类型，并根据异常类型匹配定制化的补全策略，同时结合电网物理约束规则对补全值进行修正，克服了现有技术中补全精度低且容易违背电力系统物理约束的不足。通过将补全后的完整时序序列纳入时序大模型的训练数据集进行优化，形成了数据增强与模型优化的闭环反馈机制，有效解决了现有技术中缺乏有效反馈优化机制的问题，显著提升了数据增强的整体效果、泛化能力和处理效率，为电力系统预测与决策提供了高可靠的数据支撑。