【技术实现步骤摘要】
本专利技术涉及一种充电设施数据核查方法，属于数据处理。
技术介绍
1、结合实际电力系统运行数据，在电动汽车充电过程中，会产生海量数据，这些充电过程数据有数据量大、数据类型多、价值密度低等特点。因此在进行电动汽车充电桩集群量测设备数据核查之前，对于数据质量的分析评估、数据清洗、数据去噪和数据异常检测等环节是具有重要意义的。这些过程不仅有助于提高检定的准确性和可靠性，为后续策略验证提供可靠依据，还能够有效地降低运营成本和提高用户体验。
2、电网数据的质量对于电力系统的稳定性和安全性至关重要，在充电桩集群量测设备核查中，数据质量直接影响到核查结果的可信度和后续决策的有效性。数据质量指的是数据的一致性、准确性、完备性和及时性等特征。一个数据具有良好的质量意味着它可以被可靠地用于分析、决策和其他用途。保持数据质量对于企业和组织至关重要，因为基于低质量数据做出的决策可能会导致错误的结果，影响业务运作和决策的准确性。在进行数据分析之前，评估数据质量至关重要。这个步骤有助于发现并解决数据错误或缺失，确保数据的准确性、完整性和可靠性，从而提高分析结果的可信度，降低决策风险，节约资源，并确保所做出的决策基于可靠的数据基础。
3、在对数据质量进行评估后，不合格数据将被删除并反馈，剩余数据将进行数据清洗和预处理。数据清洗是对现有数据校验和修复的过程，是数据处理流程中的关键步骤，它涉及识别并处理数据集中的各种问题。通过数据规范，清洗过程会筛除那些格式不正确、存在空缺数值或者包含重复数值的异常数据。格式错误可能指数据类型不一致或数据
4、在经过数据清洗后得到更可靠的数据集后，需对数据进行去噪处理。数据去噪是为了消除在数据中存在的干扰、随机波动或异常值，从而更准确地分析数据、提取有效信息。数据去噪的方法层出不穷，小波去噪、均值滤波、中值滤波、卡尔曼滤波、去噪自编码器等都已经取得了很好的效果。在此选择小波去噪方法，因为小波变换能够在时间和频率上提供局部信息，对非平稳信号和包含噪音的数据具有较好的处理效果，能够很好地保留有用信号的尖峰和突变部分。通过识别和处理小波系数中的噪音成分，有效地保留信号的重要特征，对于保持数据的局部特性和准确性有较好的处理能力。
5、由于数据去噪和数据清洗过程中，会对数据进行修改，为确保此时处理过后的数据仍正确，需要对数据进行异常检测。数据的异常检测是识别和处理与正常数据模式显著不同的数据点，通过异常检测，可以及早发现充电桩的潜在问题，及时进行修复和维护；异常检测可以识别出可能的安全隐患，保障用户和设备的安全；异常检测通过检测和分析异常数据，可以识别出效率低下的环节，优化充电桩性能，提高运行效率和用户体验；异常检测可以控制数据质量，识别数据问题，从而改善数据采集系统和方法，提高整体数据质量。在异常检测中出现异常的数据点将被删除，通过统计片段内数据缺失率的方式来选择保留或是删去该片段。在此选择的回归模型是bi-lstm模型，lstm作为一种循环神经网络，对于回归分析可在处理时间序列数据时发挥关键作用。其长短期记忆单元设计有助于捕捉数据序列中的长期依赖和时间相关性，能更有效地理解序列中的模式和复杂关系。和传统的lstm模型相比，bi-lstm可以同时从过去和未来获取信息，这有助于更全面地捕捉序列中的模式和特征。能够更好地学习两个特征之间的关系，有助于建立更准确地两个特征间的映射关系，从而达到异常检测目的。
6、数据质量分析、数据清洗、数据去噪和数据异常检测在电动汽车充电桩集群量测设备的核查中扮演着至关重要的角色。这些步骤不仅有助于提高数据的准确性和可靠性，还能够优化检定结果，降低运营成本，提升用户体验，最终促进电动汽车充电基础设施的健康发展和普及。
技术实现思路
1、本专利技术为解决目前还没有一种方法能够对电动汽车充电桩集群测量设备的数据进行有效质量评估的问题，进而提出一种基于蜉蝣优化算法的充电设施数据核查方法。
2、本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤包括：
3、步骤1、数据质量评估；包括一致性、准确性、完备性和及时性，计算并获得一致性、准确性、完备性和及时性的指标，这些指标在0～1的范围内，将这些指标乘以10，作为每个特征的评分情况，评分记为ri，通过模糊层次分析法确定这四项特征的权重；
4、将一致性、准确性、完备性和及时性因素的重要程度进行两两比较，建立模糊判断矩阵，利用模糊判断矩阵计算权重，并得到归一化权重；
5、步骤2、数据清晰和处理；充电桩收集到的数据包括电流数据和电压数据，采用gan网络对电流数据和电压数据中的缺失值进行填补；
6、步骤3、使用小波去噪的方法进行数据去噪；
7、步骤4、数据异常检测；
8、步骤5、数据核查。
9、进一步的，一致性是指不同来源或不同时间地点的数据是否一致，主要是从字段格式的一致性和字段内默认数据的一致性两方面进行质量检定，检验数据字段格式的一致性是对数据的每个字段进行检查，确保数据类型、单位、精度符合规范要求，其不合格率表示为：
10、
11、公式(1)中，n0表示字段总数据数量，nc1表示数据字段格式不符合要求的数据数量；
12、数据内默认数据的一致性是指数据规范可以要求某些情况下填充默认值，采用组内相关系数方法进行一致性分析，通过方差分析得到均方差来计算，所使用的公式为：
13、
14、公式(2)中，msr表示组间均方，mse表示组内均方，k表示每组的观测数；
15、根据一致性分析可以得到，不符合数据内默认数据一致性的数据数量为nc2，不合格率为：
16、
17、采用蜉蝣算法计算电动汽车集群量测设备数据的权重：
18、首先，随机生成两组蜉蝣，即雄性蜉蝣和雌性蜉蝣，将每个蜉蝣作为候选解，随机的分布在n维空间中，候选解用x＝(x1，x2，......xn)表示，并根据预定的目标函数评估其适应度值，使用其速度v＝(v1，v2，......vn)调整其位置，每个蜉蝣都会调整自己的轨迹，使其朝向目前为止的个人最佳位置(pbest)，以及迄今为止群中任何蜉蝣所获得的最佳位置(gbest)；
19、雄性蜉蝣根据当前位置和当前位置和当前位置的速度来改变位置，位置表述为：
20、
21、雄性蜉蝣在不断的移动当中，其速度计算如下：
22、
本文档来自技高网...
【技术保护点】
1.一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，一致性是指不同来源或不同时间地点的数据是否一致，主要是从字段格式的一致性和字段内默认数据的一致性两方面进行质量检定；
3.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，电动汽车充电桩集群量测设备数据质量的准确性指的是数据的真实性和可靠性，通过控制图的方式对电动汽车充电桩集群量测设备数据质量的准确进行判断，具体步骤包括：
4.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，数据质量的完备性从字段数、字段内数据缺失率、数据重复率进行质量检定；字段内数据的缺失率分为可缺失字段和不可缺失字段两方面进行统计，在电动汽车充电桩数据中，电压数据、电流数据针对不可缺失字段，需确保字段内没有未填充值，若缺失率过高则删除该数据片段；设定可接受最大缺失率作为阈值进行处理，缺失率可表示为：
5.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数
6.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，权重的计算公式为：
7.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，GAN网络的网络训练具体包括：
8.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，步骤3具体包括：
9.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，步骤4中数据异常检测的步骤包括：
10.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，步骤5具体包括：
...【技术特征摘要】
1.一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，一致性是指不同来源或不同时间地点的数据是否一致，主要是从字段格式的一致性和字段内默认数据的一致性两方面进行质量检定；
3.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，电动汽车充电桩集群量测设备数据质量的准确性指的是数据的真实性和可靠性，通过控制图的方式对电动汽车充电桩集群量测设备数据质量的准确进行判断，具体步骤包括：
4.根据权利要求1所述的一种基于蜉蝣优化算法的充电设施数据核查方法，其特征在于，数据质量的完备性从字段数、字段内数据缺失率、数据重复率进行质量检定；字段内数据的缺失率分为可缺失字段和不可缺失字段两方面进行统计，在电动汽车充电桩数据中，电压数据、电流数据针对不可缺失字段，需确保字段内没有未填充值，若缺失率过高则删除该数据片段；设定可接...
【专利技术属性】
技术研发人员：陈锐衡，郑惠政，韩宗涛，
申请(专利权)人：深圳市计量质量检测研究院，
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。