[发明专利]电厂边缘节点数据分组与清洗的方法及系统

权利要求书

1.一种电厂边缘节点数据分组与清洗的方法，其特征在于，包括：

步骤S1：在边缘设备上获取电厂运行数据，所述电厂运行数据包括电厂实时运行数据和电厂历史运行数据；

步骤S2：对所述电厂历史运行数据进行分组；

步骤S3：根据所述电厂历史运行数据的分组结果，基于BP神经网络训练数据仿真模型，并将训练好的数据仿真模型保存在边缘设备；

步骤S4：根据步骤S3中的数据仿真模型，对步骤S1中的所述电厂实时运行数据进行清洗；

所述步骤S4具体如下：

步骤S4.1：对电厂实时运行数据进行滤波；

步骤S4.2：对经过滤波的电厂实时运行数据中的每一条数据进行状态识别，若数据的梯度大于阈值或者出现连续不变号的情况时认为数据处于动态，否则认为数据处于稳态；

步骤S4.3：对电厂实时运行数据中的每一条数据进行空值插补；

步骤S4.4：对经过空值插补的电厂实时运行数据中的每一条数据进行异常检测；

步骤S4.5：对经过异常检测的电厂实时运行数据中的数据进行冗余测点数据去除，判断冗余测点的数据是否异常，将异常数据删除后将其余正常数据求平均后作为冗余测点的数据；

所述步骤S4.3具体如下：

当数据处于稳态且空值占比小于5％时采用均值替换进行空值插补；

当数据处于稳态且空值占比处于5-15％时采用拉格朗日插值法进行空值插补；

当数据处于动态或数据处于稳态但是空值占比大于15％时采用步骤S3中的数据仿真模型进行空值插补。

2.根据权利要求1所述的电厂边缘节点数据分组与清洗的方法，其特征在于，所述步骤S2具体如下：

步骤S2.1：对电厂历史运行数据进行聚类，得到电厂历史运行数据的初步分组结果；

步骤S2.2：对电厂历史运行数据的梯度进行聚类，得到电厂历史运行数据梯度的分组结果；

步骤S2.3：将电厂历史运行数据的初步分组结果和电厂历史运行数据梯度的分组结果进行求交集处理，得到电厂历史运行数据的最终分组结果。

3.根据权利要求1所述的电厂边缘节点数据分组与清洗的方法，其特征在于，所述步骤S3包括：

步骤S3.1：删除电厂历史运行数据中包含空值的数据；

步骤S3.2：对删除了空值的电厂历史运行数据进行归一化处理；

步骤S3.3：对于得到的分组结果，若组内包含的数据为n条，则分别以组内的其中一条数据作为目标变量，以剩余的n-1条数据作为输入变量，取总样本的80％作为训练样本，取总样本的20％作为测试样本，训练BP神经网络，最终训练得到n个数据仿真模型，并将得到数据仿真模型并保存到边缘设备。

4.一种电厂边缘节点数据分组与清洗的系统，其特征在于，包括：

模块M1：在边缘设备上获取电厂运行数据，所述电厂运行数据包括电厂实时运行数据和电厂历史运行数据；

模块M2：对所述电厂历史运行数据进行分组；

模块M3：根据所述电厂历史运行数据的分组结果，基于BP神经网络训练数据仿真模型，并将训练好的数据仿真模型保存在边缘设备；

模块M4：根据模块M3中的数据仿真模型，对模块M1中的所述电厂实时运行数据进行清洗；

所述模块M4具体如下：

模块M4.1：对电厂实时运行数据进行滤波；

模块M4.2：对经过滤波的电厂实时运行数据中的每一条数据进行状态识别，若数据的梯度大于阈值或者出现连续不变号的情况时认为数据处于动态，否则认为数据处于稳态；

模块M4.3：对电厂实时运行数据中的每一条数据进行空值插补；

模块M4.4：对经过空值插补的电厂实时运行数据中的每一条数据进行异常检测；

模块M4.5：对经过异常检测的电厂实时运行数据中的数据进行冗余测点数据去除，判断冗余测点的数据是否异常，将异常数据删除后将其余正常数据求平均后作为冗余测点的数据；

所述模块M4.3,具体如下：

当数据处于稳态且空值占比小于5％时采用均值替换进行空值插补；

当数据处于稳态且空值占比处于5-15％时采用拉格朗日插值法进行空值插补；

当数据处于动态或数据处于稳态但是空值占比大于15％时采用模块M3中的数据仿真模型进行空值插补。