一种电力数据的修正方法及装置

1.一种电力数据的修正方法，其特征在于，包括：采集多个电力设备对应的第一电力数据，并根据预设的状态监测方法，对每一个电力设备的运行状态进行监测，得到若干个异常电力设备和对应的初始异常电力数据；根据预设的异常数据分析方法对所述初始异常电力数据进行特征提取，得到初始异常电力数据对应的异常数据特征；根据预设的时间序列分析方法，结合预设的历史电力数据和初始异常电力数据对应的异常数据特征，对所述初始异常电力数据进行识别，得到第一异常电力数据；根据预设的数据偏离预测方法，对所述第一异常电力数据进行偏离预测，得到第一异常电力数据对应的偏离信息和趋势变化信息，其中，根据加权最小二乘法对第一异常电力数据中的数据点进行评估，当数据点的评估结果超过预设的评估范围时，将对应的数据点进行标识，直到第一异常电力数据中的所有数据点完成评估，将所有经过标识的数据点进行整理，得到对应的第二异常电力数据；将第二异常电力数据输入预设的电力系统模型，以使电力系统模型能够对第二异常电力数据的影响程度进行评估，得到第二异常电力数据的影响程度评估结果；根据影响程度评估结果，结合第一异常电力数据的状态变量数据，对第一异常电力数据中的状态估计数据进行预修正，得到第一异常电力数据对应的改进状态估计值；根据预设的优化准则，对第一异常电力数据对应的改进状态估计值进行优化，得到经过优化的改进状态估计值；根据预设的趋势分析工具和历史电力数据，结合经过优化的改进状态估计值，使用预设的状态估计技术，对第一异常电力数据的偏离信息和趋势变化信息进行判断，得到第一异常电力数据对应的偏离信息和趋势变化信息；根据预设的修正模型构建方法构建第一异常值修正模型，将所述第一异常电力数据和对应的偏离信息和趋势变化信息输入第一异常值修正模型，以使第一异常值修正模型能够对第一异常电力数据进行修正，获得修正电力数据，其中，所述根据预设的修正模型构建方法构建第一异常值修正模型，包括：获取预设的初始异常值修正模型和电力系统中的实时电力数据，其中，所述电力系统中的实时电力数据包括：发电量、负荷需求和线路流量；根据预设的数据清洗算法对实时电力数据进行噪声去除和缺失值处理后，根据预设的电力系统运行特征，对经过数据清洗的实时电力数据进行统计特征和频域特征的提取，得到经过数据清洗的实时电力数据的统计特征和频域特征；根据获取的气象数据和实时电力数据所属的电力设备的设备状态，对经过数据清洗的实时电力数据的统计特征和频域特征进行转换，得到输入特征；根据隔离森林算法，对实时电力数据中属性的关联性进行分析，得到实时电力数据中的异常值和异常原因，其中，所述实时电力数据中属性包括：负荷变化、拓扑结构和运行日志；将输入特征、实时电力数据中的异常值和异常原因输入到预设的初始异常值修正模型，结合实时电力数据中的功率数据、电流和电压测量特征，以异常值的修正为初始异常值修正模型的训练目标，使用决策树机器学习算法对初始异常值修正模型进行训练并生成对应的修正规则；根据时间序列分割技术评估初始异常值修正模型生成的修正规则，得到对初始异常值修正模型的评估结果；根据评估结果，使用网格搜索参数优化方法对初始异常值修正模型的参数进行调整，直到对初始异常值修正模型的评估结果满足预设的标准，完成对初始异常值修正模型的训练，得到第一异常值修正模型。 2.如权利要求1所述的一种电力数据的修正方法，其特征在于，所述采集多个电力设备对应的第一电力数据，并根据预设的状态监测方法，对每一个电力设备的运行状态进行监测，得到若干个异常电力设备和对应的初始异常电力数据，包括：采集多个电力设备对应的初始电力数据，根据预设的数据预处理方法，对所述初始电力数据进行数据预处理，得到第一电力数据；根据预设的状态监测方法，采集所述多个电力对应的运行数据，得到初始状态数据集；根据预设的状态数据处理方法，对所述初始状态数据集进行处理，得到若干异常电力设备和对应的初始异常电力数据。 3.如权利要求2所述的一种电力数据的修正方法，其特征在于，所述根据预设的状态数据处理方法，对所述初始状态数据集进行处理，得到若干异常电力设备和对应的初始异常电力数据，包括：根据预设的信号处理技术，对初始状态数据集进行信号处理，得到初始状态数据集中设备运行的关键特征信号；获取预设的历史特征信号数据和标准模型，根据预设的状态评估算法，将所述初始状态数据集中设备运行的关键特征信号、预设的历史特征信号数据和标准模型进行交叉比较，得到初始状态数据集对应的状态评估结果；根据初始状态数据集对应的状态评估结果，提取处于异常状态的若干电力设备对应的电力数据，得到若干异常电力设备和对应的初始异常电力数据。 4.如权利要求3所述的一种电力数据的修正方法，其特征在于，所述得到初始状态数据集对应的状态评估结果，还包括：当状态评估结果显示设备状态异常，启动异常设备对应的故障诊断程序，根据预设的机器学习算法和分析数据模式，对异常设备的故障类型和位置进行判断，得到异常设备的故障类型和故障位置；将异常设备对应的运行数据输入到预设的状态预测模型中，对异常设备的运行趋势进行预测分析，当预测到运行问题时，生成预警信息；将所述异常设备的故障类型、故障位置和预警信息分别输入预设的故障树分析模型和修复系统，得到异常设备对应的修复方案，以使工作人员能够对异常设备进行修复。 5.如权利要求1所述的一种电力数据的修正方法，其特征在于，所述根据预设的异常数据分析方法对所述初始异常电力数据进行特征提取，得到初始异常电力数据对应的异常数据特征，包括：根据预设的频率数据采集技术，对初始异常电力数据进行对应的频率数据采集，得到若干数据类型的频率数据，其中，所述若干数据类型的频率数据包括：时间序列数据和设备日志数据；基于预设的数据融合技术，对所述若干数据类型的频率数据进行数据融合，得到一个设备状态视图，其中，所述数据融合包括:数据的清洗、数据的转换与映射和数据的整合；根据预设的异常检测算法，检测设备状态视图中偏离的数据特征，得到初始异常电力数据对应的异常数据特征。 6.如权利要求1所述的一种电力数据的修正方法，其特征在于，所述根据预设的时间序列分析方法，结合预设的历史电力数据和初始异常电力数据对应的异常数据特征，对所述初始异常电力数据进行识别，得到第一异常电力数据，包括：根据时间戳索引初始异常电力数据中的初始时间序列数据，以使初始时间序列数据按照预设的时间顺序进行排列，并构建初始时间序列数据对应的时间序列图；根据预设的时间序列分析预测算法对时间序列数据进行处理，去除时间序列数据中的短期波动，得到第一时间序列数据和对应的长期趋势数据和季节性模式数据，其中，所述预设的时间序列分析预测算法包括：移动平均算法或指数平滑方法；根据趋势分解算法和季节性分解算法分别对长期趋势数据和季节性模式数据进行数据分析，得到长期趋势数据对应的趋势成分和季节性模式数据对应的季节性成分；根据周期性检测方法，对第一时间序列数据中的循环波动进行识别和分离，得到第二时间序列数据；根据箱型图统计方法对第二时间序列数据进行异常值识别，得到异常波动数据；使用ADF检验方法对第二时间序列数据进行稳定性检测，检测结果为不稳定时，对第二时间序列数据进行差分处理或转换处理，得到稳定的第二时间序列数据，并根据预设的统计模型对所述稳定的第二时间序列数据进行拟合，得到第三时间序列数据；根据预设的检测算法，结合时间序列图、长期趋势数据对应的趋势成分、季节性模式数据对应的季节性成分和异常波动数据，对第三时间序列数据进行预测误差的分析，当预测误差超过预设的误差范围时，将对应数据点进行异常标识，直到第三时间序列数据中的所有数据点完成预测误差的分析，得到第一异常电力数据。 7.如权利要求1所述的一种电力数据的修正方法，其特征在于，还包括：将第一异常值修正模型对第一异常电力数据进行修正后得到的修正电力数据与第一电力数据进行数据整合，得到第二电力数据；根据自动化数据清洗算法，对第二电力数据进行数据清洗，得到第三电力数据；提取第三电力数据中统计特性后，判断统计特性的均衡程度，当均衡程度不处于预设的均衡范围时，根据数据增加技术增加第三电力数据中的数据样本，以使第三电力数据中统计特性的均衡程度满足预设的要求，得到第四电力数据；根据ApacheHadoop或ApacheSpark分布式计算框架，对第四电力数据进行处理后，根据预设的校验点和数据备份策略，对第四电力数据进行校验点处理，得到第五电力数据；根据预设的标注方法，对第五电力数据进行试标注，并基于预设的日志记录和数据质量评估方法，对试标注的结果进行评估，得到试标注的评估结果。 8.一种电力数据的修正装置，其特征在于，包括：电力数据获取模块、数据特征获取模块、数据识别模块、数据预测模块和数据修正模块；其中，所述电力数据获取模块用于采集多个电力设备对应的第一电力数据，并根据预设的状态监测方法，对每一个电力设备的运行状态进行监测，得到若干个异常电力设备和对应的初始异常电力数据；所述数据特征获取模块用于根据预设的异常数据分析方法对所述初始异常电力数据进行特征提取，得到初始异常电力数据对应的异常数据特征；所述数据识别模块用于根据预设的时间序列分析方法，结合预设的历史电力数据和初始异常电力数据对应的异常数据特征，对所述初始异常电力数据进行识别，得到第一异常电力数据；所述数据预测模块用于根据预设的数据偏离预测方法，对所述第一异常电力数据进行偏离预测，得到第一异常电力数据对应的偏离信息和趋势变化信息，其中，根据加权最小二乘法对第一异常电力数据中的数据点进行评估，当数据点的评估结果超过预设的评估范围时，将对应的数据点进行标识，直到第一异常电力数据中的所有数据点完成评估，将所有经过标识的数据点进行整理，得到对应的第二异常电力数据；将第二异常电力数据输入预设的电力系统模型，以使电力系统模型能够对第二异常电力数据的影响程度进行评估，得到第二异常电力数据的影响程度评估结果；根据影响程度评估结果，结合第一异常电力数据的状态变量数据，对第一异常电力数据中的状态估计数据进行预修正，得到第一异常电力数据对应的改进状态估计值；根据预设的优化准则，对第一异常电力数据对应的改进状态估计值进行优化，得到经过优化的改进状态估计值；根据预设的趋势分析工具和历史电力数据，结合经过优化的改进状态估计值，使用预设的状态估计技术，对第一异常电力数据的偏离信息和趋势变化信息进行判断，得到第一异常电力数据对应的偏离信息和趋势变化信息；所述数据修正模块用于根据预设的修正模型构建方法构建第一异常值修正模型，将所述第一异常电力数据和对应的偏离信息和趋势变化信息输入第一异常值修正模型，以使第一异常值修正模型能够对第一异常电力数据进行修正，获得修正电力数据，其中，所述根据预设的修正模型构建方法构建第一异常值修正模型，包括：获取预设的初始异常值修正模型和电力系统中的实时电力数据，其中，所述电力系统中的实时电力数据包括：发电量、负荷需求和线路流量；根据预设的数据清洗算法对实时电力数据进行噪声去除和缺失值处理后，根据预设的电力系统运行特征，对经过数据清洗的实时电力数据进行统计特征和频域特征的提取，得到经过数据清洗的实时电力数据的统计特征和频域特征；根据获取的气象数据和实时电力数据所属的电力设备的设备状态，对经过数据清洗的实时电力数据的统计特征和频域特征进行转换，得到输入特征；根据隔离森林算法，对实时电力数据中属性的关联性进行分析，得到实时电力数据中的异常值和异常原因，其中，所述实时电力数据中属性包括：负荷变化、拓扑结构和运行日志；将输入特征、实时电力数据中的异常值和异常原因输入到预设的初始异常值修正模型，结合实时电力数据中的功率数据、电流和电压测量特征，以异常值的修正为初始异常值修正模型的训练目标，使用决策树机器学习算法对初始异常值修正模型进行训练并生成对应的修正规则；根据时间序列分割技术评估初始异常值修正模型生成的修正规则，得到对初始异常值修正模型的评估结果；根据评估结果，使用网格搜索参数优化方法对初始异常值修正模型的参数进行调整，直到对初始异常值修正模型的评估结果满足预设的标准，完成对初始异常值修正模型的训练，得到第一异常值修正模型。