【技术实现步骤摘要】
基于数据增强和Tri
‑
Training的电力数据异常检测方法及系统
[0001]本专利技术属于电力数据治理的
,尤其涉及基于数据增强和Tri
‑
Training的电力数据异常检测方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
[0003]随着电力物联网建设的有序开展,电力公司采集和存储了海量异构的业务数据。为了助力智慧业务分析应用的建设,公司开展非固定场景下的周期性数据治理工作,在质量识别与治理方面花费大量时间与人力,为业务发展带来了一定的经济成本,也带来了一定的推进阻力。
[0004]面对高频低效的数据管理工作,亟需利用当前数据挖掘、模式识别、深度学习等技术,构建自动化数据质量识别方法,结合数据管理技术与机制,形成质量知识库与治理行为规则,对异构数据环境下的数据拓扑关系进行智能化管理及应用。针对业务需求执行智能化数据治理工作,降低人员成本,缩短治理周期,助力智慧分析业务有效发展。
[0005]数据中台的数据质量是数据高效分析以及数据可靠共享的基础。而脏数据识别是数据质量识别的首要和常态化工作,传统脏数据识别主要依靠数据专家、业务专家等人力人工,随着各行业及各专业数据化建设规模逐渐扩大,依靠传统方法对海量、实时、异构的数据质量识别方法渐显不足。主要问题在人工成本大、时间周期长,依赖专家经验无法并发批量工作,人工治理还会引发错漏现象等,无法快速准确低成本地满足业务数据使用需求;
...
【技术保护点】
【技术特征摘要】
1.基于数据增强和Tri
‑
Training的电力数据异常检测方法,其特征在于,包括:获取用电序列数据;对用电序列数据进行预处理,得到预处理后的用电序列数据集合;对预处理后的用电序列数据进行数据映射增强,获得用电序列数据在不同特征空间中的数据表征;对用电序列数据在不同特征空间中的数据表征,基于Tri
‑
Training方法对电力数据进行异常判定。2.如权利要求1所述的基于数据增强和Tri
‑
Training的电力数据异常检测方法,其特征在于,所述预处理包括数据规范化、数据转换、数据增强以及数据标记。3.如权利要求1所述的基于数据增强和Tri
‑
Training的电力数据异常检测方法,其特征在于,所述对预处理后的用电序列数据进行数据映射增强包括特征提取和小波分解,通过特征提取和小波分解进行映射转换。4.如权利要求3所述的基于数据增强和Tri
‑
Training的电力数据异常检测方法,其特征在于,所述通过特征提取和小波分解进行映射转换的过程包括:对每一个用电序列数据,通过计算用电序列数据中用电负荷统计量的方式进行特征提取,提取用电序列数据的统计特征;结合用电序列数据的标签,构建一个针对原用电序列数据在统计量空间中的映射,形成一个在统计量空间中的集合;对每一个用电序列数据,通过三层小波分解,将每一个用电序列数据中的用电序列数据从时域转换为频域,结合用电序列数据的标签,构建一个针对原用电序列数据在频域空间中的映射,形成一个在频域空间中的集合。5.如权利要求1所述的基于数据增强和Tri
‑
Training的电力数据异常检测方法,其特征在于,所述用电序列数据的统计特征包括:负荷平均值统计量、负荷最小值统计量、负荷最大值统计量、负荷中位数统计量、负荷众数统计量、负荷标准差统计量以及负荷变化范围统计量。6.如权利要求1所述的基于数据增强和Tri
‑
Traini...
【专利技术属性】
技术研发人员:马超,严莉,黄振,刘荫,杨冠群,郑海杰,张闻彬,汤琳琳,王高洲,赵晓,
申请(专利权)人:国网山东省电力公司信息通信公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。