[发明专利]一种基于多判据融合的异常数据甄别方法

权利要求书

1.一种基于多判据融合的异常数据甄别方法，其特征在于，所述异常数据甄别方法具体包括如下步骤：

S1：对样本数据集进行预处理，其中所述样本数据集由电力系统正常运行时采集的历史电气量数据组建而成；

所述预处理包括有：对所述样本数据集进行缺失值处理、对所述样本数据集中的异常值进行剔除处理；

其中对所述样本数据集进行缺失值处理具体如下：

在所述样本数据集中，当连续采样时间内缺失的数据数量小于预设阈值M时，通过线性插值方法对所述样本数据集进行处理；

在所述样本数据集中，当连续采样时间内缺失的数据数量不小于预设阈值M时，将所述连续采样时间内对应的电压数据、电流数据和有功功率数据从所述样本数据集中删除；

S2：将所述预处理后的样本数据集中的数据，按照异常数据甄别模型中的四种检测模型，组建四种检测模型分别对应的样本数据集；

所述四种检测模型分别对应的样本数据集包括有：原型聚类方法的输入数据集、密度聚类方法的输入数据集、概率密度方法的输入数据集、深度学习方法的输入数据集；

所述原型聚类方法的输入数据集的组成为：目标检测数据序列中各采样点对应的数据值、目标检测数据序列中各采样点对应的数据值与各采样点的前一个采样点对应的数据值之间的变化值、目标检测数据序列中各采样点对应的数据值和各采样点的前两个采样点对应的数据值之间的变化值；

所述密度聚类方法的输入数据集的组成为：所述样本数据集中两个不同的电气量分别对应的数据值和采样时间；

所述概率密度方法的输入数据集的组成为：所述目标检测数据序列中各采样点对应的数据值、目标检测数据序列中各采样点对应的数据值和各采样点的前一个采样点对应的数据值之间的变化值；

所述深度学习方法的输入数据集的组成为：所述样本数据集中两个不同的电气量分别对应的样本和标签，所述样本为预设的连续时间内各个采样点对应的数据值及采样时间，所述标签为样本中的最后一个数据值对应的采样时间的下一个采样时间及其对应的数据值；

S3：将深度学习方法的输入数据集输入神经网络模型中进行训练，获取训练好的神经网络模型；

S4：将四种检测模型对应的样本数据集分别输入原型聚类模型、密度聚类模型、概率密度模型、训练好的神经网络模型中，进行异常值的甄别，获取得到各个数据点被四种检测模型分别甄别为异常点的概率；

S5：通过所述各个数据点被四种检测模型分别甄别为异常点的概率，将各个数据点被四种检测模型甄别的甄别结果概率进行融合，并将所述融合结果根据设定的判断准则进行判断，获取得到最终的异常数据甄别结果。

2.根据权利要求1所述的一种基于多判据融合的异常数据甄别方法，其特征在于，在所述步骤S1中的历史电气量数据具体包括有：从用户采集系统中抽取正常运行用户的计量装置采集的电压数据、电流数据和有功功率数据，以及电压数据、电流数据和有功功率数据分别对应的采样时间。

3.根据权利要求1所述的一种基于多判据融合的异常数据甄别方法，其特征在于，所述步骤S3获取训练好的神经网络模型，具体如下：

S3.1：将所述深度学习方法的输入数据集输入神经网络模型中进行训练，即为对神经网络模型中的权重参数和网络结构偏置项参数进行优化，获取优化后的权重参数和网络结构偏置项参数，所述优化公式具体为：

其中：ρ_τ(u)＝u[τ-I(u)]，

W为权重参数，b为网络结构偏置项参数，Y_i为神经网络模型的响应变量，X_i为响应变量对应的解释变量，N为响应变量的总数目，τ为分位数，f(X_i,W,b)为长短期神经网络模型的输出与解释变量、权重参数、网络结构偏置项参数之间的非线性关系；

S3.2：将神经网络模型中原先的权重参数和网络结构偏置项参数更新为所述优化后的权重参数和网络结构偏置项参数，所述更新后的神经网络模型即为训练好的神经网络模型。