基于人工智能的智慧电网异常数据清洗方法与流程

技术特征：
1.基于人工智能的智慧电网异常数据清洗方法，其特征在于，该方法包括以下步骤：获取各时间段的用电负荷数据序列，并获取各用电负荷数据序列对应的用电负荷曲线；结合各用电负荷曲线上的最值以及极值点获取各用电负荷曲线的峰谷特征系数；根据峰谷特征系数及峰度得到各用电负荷曲线的峰谷变动特征值；获取各用电负荷数据序列的自相关矩阵，结合自相关矩阵的各元素以及奇异值获取各用电负荷曲线波动相关性系数；根据各用电负荷曲线波动相关性系数以及用电负荷数据方差得到各用电负荷曲线的负荷波动特征值；获取各用电负荷曲线的局部曲线；根据用电负荷曲线的各局部曲线上用电负荷均值和方差得到各局部曲线的平稳相似系数；根据各局部曲线的平稳相似系数得到对应用电负荷曲线的负荷平稳特征值；将所述峰谷变动特征值、负荷波动特征值以及负荷平稳特征值组成用电负荷曲线的用电负荷特征向量；获取各用电负荷特征向量的lof值，根据各用电负荷特征向量的lof值得到异常用电负荷曲线；根据异常用电负荷曲线与非异常用电负荷曲线的关系得到各异常数据点，删除各异常数据点完成智慧电网异常数据清洗；所述结合各用电负荷曲线上的最值以及极值点获取各用电负荷曲线的峰谷特征系数，表达式为：式中，表示用电负荷曲线i的峰谷特征系数，、分别表示用电负荷曲线i的最大、最小用电负荷，、分别表示、的采集时刻，和分别表示电负荷曲线的平滑曲线中的极大值点的个数和极小值点的个数；所述结合自相关矩阵的各元素以及奇异值获取各用电负荷曲线波动相关性系数包括：对于各用电负荷曲线，获取用电负荷曲线自相关矩阵奇异值与所有自相关矩阵奇异值均值的差值绝对值，获取用电负荷曲线自相关矩阵所有元素的绝对值均值；所述用电负荷曲线波动相关性系数与所述差值绝对值成正相关关系，与所述绝对值均值成反比；将所述差值绝对值与所述绝对值均值的倒数相乘作为用电负荷曲线波动相关性系数；所述用电负荷曲线的负荷波动特征值为用电负荷曲线波动相关性系数与用电负荷曲线上各用电负荷方差的乘积；所述根据各局部曲线的平稳相似系数得到对应用电负荷曲线的负荷平稳特征值，包括：对于用电负荷曲线的各局部曲线，计算各局部曲线平稳相似系数与平稳相似系数均值的差值绝对值的和值；将所述和值与用电负荷曲线所包含局部曲线数量的比值作为用电负荷曲线的负荷平稳特征值；所述根据异常用电负荷曲线与非异常用电负荷曲线的关系得到各异常数据点，包括：计算所有非异常用电负荷曲线的用电负荷均值，并计算异常用电负荷曲线上各用电负荷与所述用电负荷均值的差值绝对值，将所述差值绝对值高于差值阈值的用电负荷作为异
常数据点。2.如权利要求1所述的基于人工智能的智慧电网异常数据清洗方法，其特征在于，所述各用电负荷曲线的峰谷变动特征值为各用电负荷曲线的峰谷特征系数与峰度的乘积。3.如权利要求1所述的基于人工智能的智慧电网异常数据清洗方法，其特征在于，所述获取各用电负荷曲线的局部曲线，包括：按照用电负荷曲线上各用电负荷采集时刻等间隔划分用电负荷曲线，记为用电负荷曲线的各局部曲线。4.如权利要求1所述的基于人工智能的智慧电网异常数据清洗方法，其特征在于，所述各局部曲线的平稳相似系数为局部曲线上用电负荷均值与方差的乘积。5.如权利要求1所述的基于人工智能的智慧电网异常数据清洗方法，其特征在于，所述异常用电负荷曲线为lof值高于异常检测阈值的用电负荷曲线。

技术总结
本发明涉及数据处理领域，具体涉及基于人工智能的智慧电网异常数据清洗方法，结合各用电负荷曲线上的最值以及极值点获取各用电负荷曲线的峰谷特征系数；根据峰谷特征系数及峰度得到各用电负荷曲线的峰谷变动特征值；计算各用电负荷曲线的负荷波动特征值；并计算各电负荷曲线的负荷平稳特征值；将用电负荷曲线的峰谷变动特征值、负荷波动特征值以及负荷平稳特征值作为用电负荷特征向量，根据各用电负荷特征向量的LOF值得到异常用电负荷曲线；根据异常用电负荷曲线与非异常用电负荷曲线的关系得到各异常数据点，删除各异常数据点完成智慧电网异常数据清洗。从而实现智慧电网异常数据的检测清洗，具有较高异常数据检测精度。具有较高异常数据检测精度。具有较高异常数据检测精度。


技术研发人员：许锡海 王国华
受保护的技术使用者：无锡市锡容电力电器有限公司
技术研发日：2023.09.07
技术公布日：2023/10/19