CN109740648A - 电力负荷异常数据识别方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种电力负荷异常数据识别方法、装置和计算机设备。所述方法包括：获取电力负荷异常数据识别模型；电力负荷异常数据识别模型为基于改进的K‑means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，改进的K‑means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定聚类簇数；将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据。采用本方法能够提高电力负荷异常数据识别的效率和准确率。

Description

电力负荷异常数据识别方法、装置和计算机设备

技术领域

本申请涉及电力负荷量测技术领域，特别是涉及一种电力负荷异常数据识别方法、装置、计算机设备和存储介质。

背景技术

随着科技的不断发展与进步，电力调度机器人已近成为电力系统中重要的技术，而异源异构系统间的数据关联及业务协同是电力调度机器人功能架构的重要组成部分。异源异构系统见在进行数据关系及业务协同是需要对多数据源的信息进行清洗(即预处理，除去数据中的杂质等)、关联、整合并存储，其中多数据源信息中包括电力负荷量测数据。然而，电力负荷量测数据在采集、传递、交换等过程中，常因设备、网络或者天气等原因导致有些数据出现错误，从而影响电力负荷数据治疗，数据质量会直接影响数据关联以及整合结果，因此，对异常数据进行识别就显得尤为重要。

目前常用的识别方法包括残差搜索法、非二次准则法、零残差法、估计辨识法等，以上方法对一般的时间序列数据的异常点能较好的检测和辨识，但对于受天气、节假日等影响较大电力负荷数据，该识别方法均准确率较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决电力负荷异常数据识别准确率低下问题的电力负荷异常数据识别方法、装置、计算机设备和存储介质。

一种电力负荷异常数据识别方法，所述方法包括：

获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；

将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。

在其中一个实施例中，电力负荷异常数据识别模型通过以下步骤得到：

从电力负荷数据库或电力负荷历史文件中获取所述历史电力负荷数据；

按照预设的时间间隔对所述历史电力负荷数据进行数据提取，得到处理后的电力负荷数据；

对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据；

将所述各组最终的电力负荷数据进行聚合；

采用所述改进的K-means聚类算法对聚合后的所述各组最终的电力负荷数据进行学习训练，得到所述电力负荷异常数据识别模型。

在其中一个实施例中，按照预设的时间间隔对所述历史电力负荷数据进行数据提取的步骤之前，包括：

对所述历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；

对标准化的历史电力负荷数据进行滤波处理。

在其中一个实施例中，在采用所述改进的K-means聚类算法对聚合后的所述各组最终的电力负荷数据进行学习训练的步骤之前，包括：

选取聚合后的所述各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的所述各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。

在其中一个实施例中，将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据的步骤中，包括：

得到与所述待识别的电力负荷数据相对应的电力负荷特征信息；

当所述电力负荷特征信息与目标负荷特征信息不匹配时，判定所述待识别的电力负荷数据为异常数据。

在其中一个实施例中，所述待识别的电力负荷数据为全天实时电力负荷数据；将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据的步骤中，还包括：

将全天实时电力负荷数据从数据起始位置开始根据预设长度值截取初始电力负荷数据段；

将所述初始电力负荷数据段输入所述电力负荷异常数据识别模型，得到各簇簇中心；

将所述数据起始位置移动预设的时间段，再从所述全天实时电力负荷数据预设长度值截取最终电力负荷数据段；

计算所述最终电力负荷数据段内的数据与各所述簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据，记为窗口数据；

将所述全天实时电力负荷数据中剩余的电力负荷数据与所述窗口数据进行比较，当电力负荷数据与所述窗口数据的差值大于预设的阈值时，判定所述电力负荷数据为异常数据。

在其中一个实施例中，还包括：

将全天实时电力负荷数据存储至所述电力负荷数据库或所述电力负荷历史文件更新所述历史电力负荷数据。

一种电力负荷异常数据识别装置，所述装置包括：

模型获取模块，用于获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；

异常数据识别模块，用于将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；

将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；

将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。

上述电力负荷异常数据识别方法、装置、计算机设备和存储介质，通过改进的K-means聚类算法对历史电力负荷数据进行学习训练的得到电力负荷异常数据识别模型，从而在需要对待识别的电力负荷数据进行异常数据识别时将待识别的电力负荷数据输入电力负荷异常数据识别模型，即可识别出异常数据。该方法运行过程简单，能快速地查找出异常数据；且采用了改进的K-means算法(即选择差异最大的数据作为聚类的初始簇中心且通过肘形判据算法确定聚类簇数)使得选择出的异常数据更加准确。

附图说明

图1为一个实施例中电力负荷异常数据识别方法的流程示意图；

图2为一个实施例中电力负荷异常数据识别方法的流程示意图；

图3为一个实施例中电力负荷异常数据识别方法的流程示意图；

图4为一个实施例中电力负荷异常数据识别方法的流程示意图；

图5为另一实施例中的电力负荷异常数据识别方法流程示意图；

图6为一个实施例中电力负荷数据处理、同比方法和按天分组后的示意图；

图7为一个实施例中历史电力负荷数据曲线图；

图8为一个实施例中初始簇中心示意图；

图9为一个实施例中聚类簇数曲线图；

图10为一个实施例中聚类簇中心曲线图；

图11为一个实施例中窗口数据曲线图；

图12为一个实施例中最佳匹配曲线与待识别的电力负荷数据之间的曲线图；

图13为一个实施例中电力负荷异常数据识别装置的结构框图；

图14为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的电力负荷异常数据识别方法。本方法运用于终端中，终端可以是个人计算机、笔记本电脑等。终端中可以运行对应的应用程序，将待识别的电力负荷数据输入对应的应用程序即可迅速地找出异常数据。

在一个实施例中，如图1所示，提供了一种电力负荷异常数据识别方法，以该方法应用于终端为例进行说明，包括以下步骤：

步骤102，获取电力负荷异常数据识别模型；电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定聚类簇数。

其中，聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程，由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。K-means聚类算法其实质是对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大；而K-means聚类算法中关键过程或步骤是要确定初始簇中心和聚类簇数K，再根据聚类簇数来确定最终簇中心，在传统的K-means聚类算法中从数据集中随机选择K个样本作为K个初始簇中心，然后计算数据集中剩余的数据与K个初始簇中心的距离值，根据距离值进行分类；然而在传统的K-means聚类算法中由于随机选择初始簇中心，一方面存在收敛难，从而造成计算量大的问题；另一方面容易造成结果的不准确。

因此，在本实施例中采用改进的K-means聚类算法，具体的过程为：在确定初始簇中心时采用极远顶点算法，即从数据集(即历史电力负荷数据)中找到K(K表示聚类簇数)个数据，选择出的这K个数据能满足各个点之间的距离之和比其他任意K个数据的距离之和都大，将选择出的这K个数据作为初始簇中心，可保证各簇初始中心差异最大化。然后采用初始簇中心指定的K-means算法对数据进行迭代聚类，直至收敛。然而，在确定初始簇中心时还需要聚类簇数。通常情况下判断聚类成几簇更合适比较困难，因此，在本实施例中采用了肘形判据算法来进行判断；具体过程为：按不同的聚类簇数，计算数据集中部各数据到各初始簇中心的误差平方根之和，当存在一个聚类簇数K满足在聚类成K+1～K+5簇时，误差平方根之和差异值均在设定的阈值范围内时，此聚类簇数K为聚类簇数。采用该改进的K-means聚类算法一方面减少计算量，另一方面能提高聚类的准确性。

另外，历史电力负荷数据是指电力系统过去一段时间产生的电力负荷数据，可以包括所有的已经完成识别的电力负荷数据。

步骤104，将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据。

其中，待识别的电力负荷数据为需要进行异常数据分析的电力负荷数据，可以时某一时间段的电力负荷数据，也可以是实时采集的电力负荷数据。

具体的，将待识别的电力负荷数据输入电力负荷异常数据识别模型，即可对待识别的电力负荷数据进行聚类分析，然后根据聚类分析后的结果来判定是否有异常数据；当有异常数据时，找出相应的异常数据。

上述电力负荷异常数据识别方法，通过改进的K-means聚类算法对历史电力负荷数据进行学习训练的得到电力负荷异常数据识别模型，从而在需要对待识别的电力负荷数据进行异常数据识别时将待识别的电力负荷数据输入电力负荷异常数据识别模型，即可识别出异常数据。该方法运行过程简单，能快速地查找出异常数据；且采用了改进的K-means算法(即选择差异最大的数据作为聚类的初始簇中心且通过肘形判据算法确定聚类簇数)使得选择出的异常数据更加准确。

在一实施例中，如图2所示，提供一种建立电力负荷异常数据识别模型的方法的示意性流程图，具体步骤如下：

步骤202，从电力负荷数据库或电力负荷历史文件中获取历史电力负荷数据。

其中，历史电力负荷数据通常存储在电力负荷数据库或者一些可变的电力负荷历史文件中；可变的电力负荷历史文件可以是txt、cvs等格式的文件。

步骤204，按照预设的时间间隔对历史电力负荷数据进行数据提取，得到处理后的电力负荷数据。

其中，所述历史电力负荷数据可能是实时采集的且连续的数据，因此在采用历史电力负荷数据对改进的K-Means聚类算法进行学习训练时，需要抽取相应的数据；例如，历史电力负荷数据在采集时实际上为每分钟一个量测点，即每一分钟采集一个历史电力负荷数据，而在学习训练时需要每15分钟一个历史电力负荷数据，那么就需要对历史电力负荷数据按照时间间隔进行提取。所述预设的时间间隔是指对历史电力负荷数据进行提取时的时间间隔，表示每一个时间间隔提取一个历史电力负荷数据。预设的时间间隔通常是个实践值，用户也可以根据实际需求进行相应的调整。

步骤206，对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据。

在本实施例中，对处理后的电力负荷数据进行分组。通常情况下，将处理后的电力负荷数据按天分组，分组起止时间为24小时，可以分别指定分组起始时间和截止时间，然后采集从起始时间到截止时间这一段时间内数据分为一组；例如选择起始时间早上8:00，截止时间为次日7:45，那么将8:00～次日7:45这一段时间内的数据记为一组。另外，分组后要保证每天数据点个数相同，如果有缺失数据，则丢弃该天数据。采用上述的方法可以有效去除或过滤掉不良数据，使得训练处的电力负荷异常数据识别模型更加准确。

步骤208，将各组最终的电力负荷数据进行聚合。

步骤210，采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练，得到电力负荷异常数据识别模型。

具体的，将各组最终的电力负荷数据进行组合形成一个样本集，然后采用该样本集去训练改进的K-means聚类算法，从而得到电力负荷异常数据识别模型。

本实施例中，给出一种建立电力负荷异常数据识别模型的方式，采用该方法能快速地建立一个比较精确的电力负荷异常数据识别模型，在需要识别电力负荷异常数据时只需要将待识别的电力负荷异常数据输入该电力负荷异常数据识别模型，即可快速地得出结果，且准确率高。

在另一实施例中，如图3所示，按照预设的时间间隔对历史电力负荷数据进行数据提取的步骤之前，包括：

步骤302，对历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；

步骤304，对标准化的历史电力负荷数据进行滤波处理。

由于历史电力负荷数据是从电力负荷数据库或电力负荷历史文件中获取，历史电力负荷数据中可能存在一些不正式或不规范的词语等等；尤其是电力负荷历史文件常常包括标题头、空行、重复行等，因此，在本实施例中需要对历史电力负荷数据进行标准化处理，例如去掉标题头、去掉空行、重复行等，使数据标准化、整体化。

在标准化处理完成后，需要除去历史电力负荷数据中的一些垃圾数据，因此需要对标准化的历史电力负荷数据进行滤波处理，常用的滤波处理方法包括去除零值、空值以及数值明显过高的毛刺数据。通过对历史电力负荷数据进行处理，使得历史电力负荷数据更加准确，从而采用该数据得到电力负荷异常数据识别模型亦是更加精确，最终能增加在异常数据识别中的准确率。

在一实施例中，在采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练的步骤之前，包括：

选取聚合后的各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。

具体地，由于电力负荷随自然增长和季节变化呈现周期性，因此需要对电力负荷数据进行相应的校正。在本实施例中，当前年份(即最近一计时年)电力负荷数据的总负荷值为参考标准，对其他年份的电力负荷数据进行同比放大。通过对聚合后的各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大(即校正)，可以有效保证得到的最终的电力负荷数据更加准确。

在一实施例中，将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据的步骤中，包括：

得到与待识别的电力负荷数据相对应的电力负荷特征信息；

当电力负荷特征信息与目标负荷特征信息不匹配时，判定待识别的电力负荷数据为异常数据。

具体地，将待识别的电力负荷数据输入电力负荷异常数据识别模型，电力负荷异常数据识别模型对待识别的电力负荷数据进行分析处理，提取待识别的电力负荷数据的电力负荷特征信息，然后将电力负荷特征信息与目标负荷特征信息进行比较，当电力负荷特征信息与目标负荷特征信息不匹配时，说明待识别的电力负荷数据为异常数据。其中目标负荷特征信息是指正常电力负荷数据所具有的数据特征，电力负荷特征信息是指待识别的电力负荷数据所具有的数据特征。所述数据特征可以是数据类型、取值范围、表现形式等等。

在一实施例，如图4所示，待识别的电力负荷数据为全天实时电力负荷数据；将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据的步骤中，还包括：

步骤S402，将全天实时电力负荷数据从数据起始位置开始根据预设长度值截取初始电力负荷数据段；

步骤S404，将初始电力负荷数据段输入电力负荷异常数据识别模型，得到各簇簇中心；

步骤S406，将数据起始位置移动预设的时间段，再从全天实时电力负荷数据预设长度值截取最终电力负荷数据段；

步骤S408，计算最终电力负荷数据段内的数据与各簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据，记为窗口数据；

步骤S410，将全天实时电力负荷数据中剩余的电力负荷数据与窗口数据进行比较，当电力负荷数据与窗口数据的差值大于预设的阈值时，判定电力负荷数据为异常数据。

具体地，待识别的电力负荷数据为全天实时电力负荷数据；如果将整个实时电力负荷异常数据识别模型进行识别，计算过程繁杂，从而导致计算量大，需要消耗大量时间。因此，在本实施例中，从全天实时电力负荷数据中选取一段数据，即根据预设长度值截取一段数据，记为初始电力负荷数据段；然后将初始电力负荷数据段输入电力负荷异常数据识别模型，得到各簇簇中心；再采用相同的数据截取方法从全天实时电力负荷数据选取一段数据，即据预设长度值截取一段数据，记为最终电力负荷数据段；计算最终电力负荷数据段内的数据与各簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据记为窗口数据，说明窗口数据都是正常数据；然后采用该窗口数据来判断剩余的全天实时电力负荷数据；具体为：将全天实时电力负荷数据中剩余的电力负荷数据与窗口数据进行比较，当电力负荷数据与窗口数据的差值大于预设的阈值时，判定电力负荷数据为异常数据。

另外，所述预设长度值是用于指示从全天实时电力负荷数据中截取初始电力负荷数据段以及最终电力负荷数据段的长度。其中预设长度值是一个预先设置或配置的数据值，数据分析人员可以根据实际需求进行调整。所述预设的阈值是用于判断分析全天实时电力负荷数据中剩余的电力负荷数据与窗口数据的差异性，根据分析结果来判断剩余的电力负荷数据中的异常数据，预设的阈值也是一个预先设置或配置的数据值，数据分析人员可以根据实际需求进行调整。

在本实施例中，给出了一种对全天实时电力负荷数据进行识别的方法，该方法能减少运算量，大大提高运算效率。

在另一实施例中，还包括：

将全天实时电力负荷数据存储至电力负荷数据库或电力负荷历史文件更新历史电力负荷数据。

具体地，将全天实时电力负荷数据存储至电力负荷数据库或电力负荷历史文件，可以更新历史负荷数据，从而更新电力负荷异常数据识别模型，不断提高电力负荷异常数据识别模型的准确性。

应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为了便于理解，给出一个详细的实施例。如图5所示，电力负荷异常数据识别方法主要分为两部分，一部分为离线学习(即建立电力负荷异常数据识别模型)，另一部分为在线决策(即进行异常数据判断)，其中在离线学习中包括数据导入、数据清洗(即标准化处理、滤波处理等)、按天聚合、区间映射(即同比放大)、K-means聚类分析(包括极远顶点和肘形判据)；在线决策包括滑动窗口(即确定窗口数据)、计算相似度、阈值比较、不良数据辨别(即识别异常数据)。

以2017.02.21的全天实时电力负荷数据为例来说明电力负荷数据识别的过程，其中以2017.02.21之前的电力负荷数据为历史电力负荷数据，历史电力负荷历史数据通常要求足够的时间跨度(在本实施例中选择三年)。具体步骤为：(1)获取2017.02.21之前的数据，对数据进行清洗(标准化)、区间映射(即同比放大，以2017年的总负荷为参考标准对其他年份数据进行同比放大)且按天分组，结果如图6所示，对分组数据进行聚合得到历史电力负荷数据，见图7；(2)采用分组后的数据和改进后的K-means算法进行学习训练，即采用极远顶点确定初始簇中心，见图8；利用肘形判据算法调整聚类簇数(如图9)，求出各簇的中心曲线(如图10)，从而得到电力负荷异常数据识别模型；(3)利用2017.02.21的部分数据，如四小时数据进行全天波形预测(与各簇中心曲线进行比较)，从0:00-04:00时间开始，依此延后15分钟，对应比对全天数据，若某一时间段(如8:45-12:45)与某一中心曲线负荷程度最高，则假定2017.02.21的波形符合该中心曲线波形，如图11所示(图中方框表示窗口数据)；以此中心曲线波形为标准，将其他时间段与2017.02.21真实数据进行比较，设定一定的阈值，如果对应点预测数据与量测数据相差超过设定的阈值，则该点的量测数据为异常数据，见图12(图中小方块中的数据为异常数据)。

在一个实施例中，如图13所示，提供了一种电力负荷异常数据识别装置，装置包括：

模型获取模块132，用于获取电力负荷异常数据识别模型；电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定聚类簇数；

异常数据识别模块134，用于将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据。

在其中一个实施例中，还包括：

历史电力负荷数据获取模块，用于从电力负荷数据库或电力负荷历史文件中获取历史电力负荷数据；

数据处理模块，用于按照预设的时间间隔对历史电力负荷数据进行数据提取，得到处理后的电力负荷数据；

最终的电力负荷数据获得模块，对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据；

数据聚合模块，用于将各组最终的电力负荷数据进行聚合；

模型建立模块，用于采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练，得到电力负荷异常数据识别模型。

在其中一个实施例中，还包括：

历史电力负荷数据处理模块，用于对历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；

滤波模块，用于对标准化的历史电力负荷数据进行滤波处理。

在其中一个实施例中，还包括：

同比放大模块，用于选取聚合后的各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。

在其中一个实施例中，异常数据识别模块包括特征信息获得模块；

特征信息获得模块，用于得到与待识别的电力负荷数据相对应的电力负荷特征信息；

异常数据识别模块，还用于当电力负荷特征信息与目标负荷特征信息不匹配时，判定待识别的电力负荷数据为异常数据。

在其中一个实施例中，待识别的电力负荷数据为全天实时电力负荷数据；异常数据识别模块还包括：初始电力负荷数据段截取模块、簇中心获得模块、最终电力负荷数据段获得模块和窗口数据确定模块；

初始电力负荷数据段截取模块，用于将全天实时电力负荷数据从数据起始位置开始根据预设长度值截取初始电力负荷数据段；

簇中心获得模块，用于将初始电力负荷数据段输入电力负荷异常数据识别模型，得到各簇簇中心；

最终电力负荷数据段获得模块，用于将数据起始位置移动预设的时间段，再从全天实时电力负荷数据预设长度值截取最终电力负荷数据段；

窗口数据确定模块，用于计算最终电力负荷数据段内的数据与各簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据，记为窗口数据；

异常数据识别模块，还用于将全天实时电力负荷数据中剩余的电力负荷数据与窗口数据进行比较，当电力负荷数据与窗口数据的差值大于预设的阈值时，判定电力负荷数据为异常数据。

在其中一个实施例中，还包括：

历史电力负荷数据更新模块，用于将全天实时电力负荷数据存储至电力负荷数据库或电力负荷历史文件更新历史电力负荷数据。

关于电力负荷异常数据识别装置的具体限定可以参见上文中对于电力负荷异常数据识别方法的限定，在此不再赘述。上述电力负荷异常数据识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储故障事例数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力负荷异常数据识别方法。

本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取电力负荷异常数据识别模型；电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定聚类簇数；将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：电力负荷异常数据识别模型通过以下步骤得到：从电力负荷数据库或电力负荷历史文件中获取历史电力负荷数据；按照预设的时间间隔对历史电力负荷数据进行数据提取，得到处理后的电力负荷数据；对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据；将各组最终的电力负荷数据进行聚合；采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练，得到电力负荷异常数据识别模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：按照预设的时间间隔对历史电力负荷数据进行数据提取的步骤之前，包括：对历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；对标准化的历史电力负荷数据进行滤波处理。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练的步骤之前，包括：选取聚合后的各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据的步骤中，包括：得到与待识别的电力负荷数据相对应的电力负荷特征信息；当电力负荷特征信息与目标负荷特征信息不匹配时，判定待识别的电力负荷数据为异常数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：待识别的电力负荷数据为全天实时电力负荷数据；将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据的步骤中，还包括：将全天实时电力负荷数据从数据起始位置开始根据预设长度值截取初始电力负荷数据段；将初始电力负荷数据段输入电力负荷异常数据识别模型，得到各簇簇中心；将数据起始位置移动预设的时间段，再从全天实时电力负荷数据预设长度值截取最终电力负荷数据段；计算最终电力负荷数据段内的数据与各簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据，记为窗口数据；将全天实时电力负荷数据中剩余的电力负荷数据与窗口数据进行比较，当电力负荷数据与窗口数据的差值大于预设的阈值时，判定电力负荷数据为异常数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：还包括：将全天实时电力负荷数据存储至电力负荷数据库或电力负荷历史文件更新历史电力负荷数据。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取电力负荷异常数据识别模型；电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定聚类簇数；将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：电力负荷异常数据识别模型通过以下步骤得到：从电力负荷数据库或电力负荷历史文件中获取历史电力负荷数据；按照预设的时间间隔对历史电力负荷数据进行数据提取，得到处理后的电力负荷数据；对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据；将各组最终的电力负荷数据进行聚合；采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练，得到电力负荷异常数据识别模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：按照预设的时间间隔对历史电力负荷数据进行数据提取的步骤之前，还包括：对历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；对标准化的历史电力负荷数据进行滤波处理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在采用改进的K-means聚类算法对聚合后的各组最终的电力负荷数据进行学习训练的步骤之前，还包括：选取聚合后的各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据的步骤中，包括：得到与待识别的电力负荷数据相对应的电力负荷特征信息；当电力负荷特征信息与目标负荷特征信息不匹配时，判定待识别的电力负荷数据为异常数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：待识别的电力负荷数据为全天实时电力负荷数据；将待识别的电力负荷数据输入电力负荷异常数据识别模型，得到待识别的电力负荷数据中的电力负荷异常数据的步骤中，还包括：将全天实时电力负荷数据从数据起始位置开始根据预设长度值截取初始电力负荷数据段；将初始电力负荷数据段输入电力负荷异常数据识别模型，得到各簇簇中心；将数据起始位置移动预设的时间段，再从全天实时电力负荷数据预设长度值截取最终电力负荷数据段；计算最终电力负荷数据段内的数据与各簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据，记为窗口数据；将全天实时电力负荷数据中剩余的电力负荷数据与窗口数据进行比较，当电力负荷数据与窗口数据的差值大于预设的阈值时，判定电力负荷数据为异常数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：还包括：将全天实时电力负荷数据存储至电力负荷数据库或电力负荷历史文件更新历史电力负荷数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力负荷异常数据识别方法，所述方法包括：

获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；

将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。

2.根据权利要求1所述的电力负荷异常数据识别方法，其特征在于，电力负荷异常数据识别模型通过以下步骤得到：

从电力负荷数据库或电力负荷历史文件中获取所述历史电力负荷数据；

按照预设的时间间隔对所述历史电力负荷数据进行数据提取，得到处理后的电力负荷数据；

对所述处理后的电力负荷数据按天进行分组，每一天内的数据分为一组，在分组过程中保证每组数据个数相同且每组数据采集的时间段相同，得到各组最终的电力负荷数据；

将所述各组最终的电力负荷数据进行聚合；

采用所述改进的K-means聚类算法对聚合后的所述各组最终的电力负荷数据进行学习训练，得到所述电力负荷异常数据识别模型。

3.根据权利要求2所述的电力负荷异常数据识别方法，其特征在于，按照预设的时间间隔对所述历史电力负荷数据进行数据提取的步骤之前，包括：

对所述历史电力负荷数据进行标准化处理，得出标准化的历史电力负荷数据；

对标准化的历史电力负荷数据进行滤波处理。

4.根据权利要求2所述的电力负荷异常数据识别方法，其特征在于，在采用所述改进的K-means聚类算法对聚合后的所述各组最终的电力负荷数据进行学习训练的步骤之前，包括：

选取聚合后的所述各组最终的电力负荷数据中当前年份的电力负荷数据的总负荷值为参考标准，对聚合后的所述各组最终的电力负荷数据中其他年份的电力负荷数据进行同比放大。

5.根据权利要求1-4任一项所述的电力负荷异常数据识别方法，其特征在于，将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据的步骤中，包括：

得到与所述待识别的电力负荷数据相对应的电力负荷特征信息；

当所述电力负荷特征信息与目标负荷特征信息不匹配时，判定所述待识别的电力负荷数据为异常数据。

6.根据权利要求1-4任一项所述的电力负荷异常数据识别方法，其特征在于，所述待识别的电力负荷数据为全天实时电力负荷数据；将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据的步骤中，还包括：

将全天实时电力负荷数据从数据起始位置开始根据预设长度值截取初始电力负荷数据段；

将所述初始电力负荷数据段输入所述电力负荷异常数据识别模型，得到各簇簇中心；

将所述数据起始位置移动预设的时间段，再从所述全天实时电力负荷数据预设长度值截取最终电力负荷数据段；

计算所述最终电力负荷数据段内的数据与各所述簇中心的距离值，当最终电力负荷数据段内的数据与某一簇中心的距离值在任何情况下都最小时，将最小距离值对应的数据，记为窗口数据；

将所述全天实时电力负荷数据中剩余的电力负荷数据与所述窗口数据进行比较，当电力负荷数据与所述窗口数据的差值大于预设的阈值时，判定所述电力负荷数据为异常数据。

7.根据权利要求6所述的电力负荷异常数据识别方法，其特征在于，还包括：

将全天实时电力负荷数据存储至所述电力负荷数据库或所述电力负荷历史文件更新所述历史电力负荷数据。

8.一种电力负荷异常数据识别装置，其特征在于，所述装置包括：

模型获取模块，用于获取电力负荷异常数据识别模型；所述电力负荷异常数据识别模型为基于改进的K-means聚类算法对历史电力负荷数据进行学习训练而得到的；其中，所述改进的K-means聚类算法为选择与聚类簇数等数量且差异最大的数据作为聚类的初始簇中心，并通过肘形判据算法确定所述聚类簇数；

异常数据识别模块，用于将待识别的电力负荷数据输入所述电力负荷异常数据识别模型，得到所述待识别的电力负荷数据中的电力负荷异常数据。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。