CN116304935A

CN116304935A - 一种异常数据检测方法、装置及电子设备

Info

Publication number: CN116304935A
Application number: CN202211546426.8A
Authority: CN
Inventors: 薛钰歆; 关瑞丰; 高俊杰; 阮越; 王玲霞; 李棋
Original assignee: Shanghai Electric Distributed Energy Technology Co ltd
Current assignee: Shanghai Electric Distributed Energy Technology Co ltd
Priority date: 2022-12-05
Filing date: 2022-12-05
Publication date: 2023-06-23

Abstract

本申请实施例提供了一种异常数据检测方法、装置及电子设备，涉及异常数据检测技术领域，用以自动检测电力系统中的异常电量数据。该方法中，包括：获取待检测电量数据；所述待检测电量数据是指待检测电能计量表内部计数器在预设时间间隔内的跳转次数；基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率；所述电量数据的泊松分布是根据所述待检测电能计量表的历史电量数据构建的，所述第一概率用于表示所述待检测电量数据在下一个预设时间间隔发生的概率；根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常。

Description

一种异常数据检测方法、装置及电子设备

技术领域

本申请涉及异常数据检测技术领域，特别涉及一种异常数据检测方法、装置及电子设备。

背景技术

在分布式电力系统的数据采集过程中，由于采集设备，或者网络传输问题会导致信息系统中电能计量表数据同现场采集的电量数据存在比较大的偏差。如果按照错误的电能计量表数据进行电量统计，会出现电量收益或者成本统计异常，会对分布式电力系统的业主或者用户产生不良影响。因此会通过对异常电量数据进行记录，减小这种不良印象。

目前常见的异常电量数据记录的识别方式有人工识别和通过设置阈值识别。人工识别是依靠运维工程师或者相关管理人员的经验对错误的数据进行识别并订正。但该方法，需要专职人员花费大量时间在电量数据记录识别工作上，因此该方式仅适用于规模较小，且报告周期较长的分布式电力系统，其适用情形少，且不适用于分布式系统的精细化运营管理，否则会浪费大量的人力。

通过设置阈值识别是指针对电能计量表中的测点进行正常范围阈值设定，一旦数据记录不在阈值范围内，则系统可以自动检测出来指定记录为异常数据并提示用户进行处理。但该方法，由于需要专职人员的专业知识或者经验作为设置阈值的依据，一旦分布式电力系统涉及到的电能计量表数量可观，则相关工作的前期投入会非常巨大。此外，由于阈值设定通常是固定的一个数值，还需要定期对相关阈值进行管理，以避免将异常数据记录保留，或者将正常数据记录标记为异常的情况发生。

由此可见，目前缺少一种可以解决现有技术中存在的上述技术问题的异常电量数据自动检测方法。

发明内容

本申请实施例提供了一种异常数据检测方法、装置及电子设备，用以自动检测电力系统中的异常电量数据。

第一方面，本申请实施例提供了一种异常数据检测方法，包括：获取待检测电量数据；所述待检测电量数据是指待检测电能计量表内部计数器在预设时间间隔内的跳转次数；基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率；所述电量数据的泊松分布是根据所述待检测电能计量表的历史电量数据构建的，所述第一概率用于表示所述待检测电量数据在下一个预设时间间隔发生的概率；根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常。

随着分布式电力系统信息化程度的提高，在电能计量表采集、传输电量数据过程中可能会因为设备自身质量问题或者通讯线路问题导致读数异常。而分布式电力统中对于电能量的计量数据质量有较高的要求，一旦电力数据计量异常情况过多导致结算周期结算数值有较大偏差，会严重浪费企业人力资源以及数据的可信度，造成无法弥补的损失。基于上述方案，通过上述评估待检测电能计量表采集到的待检测电量数据记录在历史电量数据分布中所对应的概率的方法，进行异常电量数据的检测可以减少人工参与到异常数据识别过程，从而能够有效提升异常电量数据记录的准确度，还可以降低人工识别成本。并且由于该方法并不是通过设置固定的电量阈值来检测异常电量数据的，因此也无需定期对相关阈值进行管理，进一步降低了人力成本。

在一种可能的实现方式中，所述电量数据的泊松分布是通过以下方法构建的：获取所述待检测电能计量表内部计数器在T个所述预设时间间隔内的跳转次数；所述N为正整数；根据所述待检测电能计量表的数据报告时间间隔和所述跳转次数，计算所述待检测电能计量表内部计数器的历史平均跳转频次，并将所述历史平均跳转频次作为参数构建所述电量数据的泊松分布；所述数据报告时间间隔用于表示所述待检测电能计量表每相邻两次将数据上报电力系统的时间间隔。

基于上述方案，基于泊松分布针对电能计量表历史电量数据，评估电能计量表读取的实时读数在下一个预设时间间隔发生的概率，并通过该概率判断该时刻的电表读数是否存在明显异常，该方法简单易实现，能够极大改善基于人工经验判断电表数值是否异常的效率以及成本。

在一种可能的实现方式中，所述基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率，包括：将所述待检测电量数据代入所述预先构建的电量数据的泊松分布确定所述待检测电量数据对应的第二概率；通过计算所述第二概率的累积分布概率，对所述第二概率进行归一化，确定所述待检测电量数据对应的第一概率。

基于上述方案，通过对泊松分布得到的概率计算其累积分布概率，进行归一化可以进一步提高异常数据检测的准确度。

在一种可能的实现方式中，所述根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常，包括：在所述第一概率大于所述预设的概率阈值时，确定所述待检测电量数据无异常；在所述第一概率小于或等于所述预设的概率阈值时，确定所述待检测电量数据异常。

基于上述方案，由于本申请实施例是通过与预设的概率阈值进行比较并非一个固定的电量数据阈值，因此无需对该概率阈值进行定期维护，可以降低人工成本。

第二方面，本申请实施例提供了一种异常数据检测装置，包括：

获取单元，用于获取待检测电量数据；所述待检测电量数据是指待检测电能计量表内部计数器在预设时间间隔内的跳转次数；

处理单元，用于基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率；所述电量数据的泊松分布是根据所述待检测电能计量表的历史电量数据构建的，所述第一概率用于表示所述待检测电量数据在下一个预设时间间隔发生的概率；根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常。

在一种可能的实现方式中，所述电量数据的泊松分布是所述装置通过执行以下处理构建的：所述获取单元，用于获取所述待检测电能计量表内部计数器在T个所述预设时间间隔内的跳转次数；所述N为正整数；所述处理单元，用于根据所述待检测电能计量表的数据报告时间间隔和所述跳转次数，计算所述待检测电能计量表内部计数器的历史平均跳转频次，并将所述历史平均跳转频次作为参数构建所述电量数据的泊松分布；所述数据报告时间间隔用于表示所述待检测电能计量表每相邻两次将数据上报电力系统的时间间隔。

在一种可能的实现方式中，所述处理单元基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率时，用于：将所述待检测电量数据代入所述预先构建的电量数据的泊松分布确定所述待检测电量数据对应的第二概率；通过计算所述第二概率的累积分布概率，对所述第二概率进行归一化，确定所述待检测电量数据对应的第一概率。

在一种可能的实现方式中，所述处理单元根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常时，用于：在所述第一概率大于所述预设的概率阈值时，确定所述待检测电量数据无异常；在所述第一概率小于或等于所述预设的概率阈值时，确定所述待检测电量数据异常。

第三方面，本申请实施例提供了一种电子设备，包括：

存储器，用于存储计算机指令；

处理器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如第一方面中任一项所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，包括：

所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面中任一项所述的方法。

上述第二方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。

图1为本申请实施例提供的一种异常数据检测方法应用的系统结构示意图；

图2为本申请实施例提供的一种异常数据检测方法的示例性流程图之一；

图3为本申请实施例提供的构建电量数据的泊松分布的示例性流程图；

图4为本申请实施例提供的一种异常数据检测装置示意图；

图5为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了便于理解本申请实施例提供的技术方案，下面介绍本申请实施例涉及的专业术语。

(1)电能计量表的倍率，一般是指电能计量表所匹配的互感器的倍率，也称为变流(压)比、电流(压)比，就是缩小的比例。实际的用电量/发电量等于电能计量表内部计数器跳转的次数乘以该电能计量表的倍率。

(2)显著性水平，显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，用α表示。显著性是对差异的程度而言的，程度不同说明引起变动的原因也有不同：一类是条件差异，一类是随机差异。它是在进行假设检验时事先确定一个可允许的作为判断界限的小概率标准。

(3)置信水平，指特定个体对待特定命题真实性相信的程度，也就是概率是对个人信念合理性的量度。概率的置信度解释表明，事件本身并没有什么概率，事件之所以指派有概率只是指派概率的人头脑中所具有的信念证据。置信水平是指总体参数值落在样本统计值某一区内的概率；而置信区间是指在某一置信水平下，样本统计值与总体参数值间误差范围。置信区间越大，置信水平越高。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。

本申请实施例中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。

目前常见的异常电量数据记录的识别方式有以下两种方法：人工识别和通过设置阈值识别。但人工识别的方法，需要相关工作人员花费大量时间在电量数据记录识别工作上，因此该方式仅适用于规模较小，且报告周期较长的分布式电力系统，且不适用于分布式系统的精细化运营管理，否则会浪费大量的人力。此外，电能计量表异常数据通常是由于某个采样时间点数值突变，或者数据通讯中断导致只计量到该周期内部分时间的用电量导致的，因此即便是相关工作人员对该分布式电力系统历史运行状况有一定了解，并且每天进行抄表，在发现某个时间周期电量数据异常后，仍然需要查找电能计量表的具体表底值数据突变的时间点。由此可见该方法适用场景较少，并且需要投入大量的人力成本。

通过设置阈值识别的方法，虽然能够直接对各时间点的电能计量表表底值进行异常检测操作。但是同人工识别的方法检测一样，需要相关工作人员的专业知识或者经验作为设置阈值的依据，一旦分布式电力系统涉及到的电能计量表数量可观，则相关工作前期投入会非常巨大。此外，由于阈值设定通常是一个固定的数值，需要定期对相关阈值进行管理，以避免将异常数据记录保留，或者将正常数据记录标记为异常进行处理的情况。

有鉴于此，本申请实施例提供了一种异常数据检测方法，该方法中可以根据待检测电能计量表的历史数据建立电量数据的泊松分布，通过将待检测电能计量表产生的待检测电量数据代入该电量数据的泊松分布中，确定待检测电量数据在下一个预设时间间隔发生的概率，也即待检测电量数据在历史电量数据分布中的概率。并根据预先设置的概率阈值确定待检测电量数据是否异常。通过上述评估待检测电能计量表采集到的待检测电量数据记录在历史电量数据分布中所对应的概率的方法，进行异常电量数据的检测可以减少人工参与到异常数据识别过程，从而能够有效提升异常电量数据记录的准确度，还可以降低人工识别成本。并且由于该方法并不是通过设置固定的电量阈值来检测异常电量数据的，因此也无需定期对相关阈值进行管理，进一步降低了人力成本。

参见图1为本申请实施例提供的一种异常数据检测方法应用的系统结构示意图。该系统100可以是分布式电力系统，包括M个电能计量表110，和服务器120。其中，M个电能计量表110可以用于采集相应用户的电量数据，M为正整数。服务器120中可以包括存储器121、处理器122和通信接口123。其中，通信接口123可以用于获取M个电能计量表110采集的电量数据。存储器121可以用于存储M个电能计量表110采集的电量数据。处理器122是服务器120的控制中心，利用各种接口和线路连接整个服务器120的各个部分，通过运行或执行存储在存储器121内的软件程序或模块，以及调用存储在存储器121内的数据，执行服务器120的各种功能和处理数据。可选的，处理器122可以包括一个或多个处理单元。存储器121可以为高速随机存取存储器，还可以为非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

在本申请实施例中，服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。需要说明的是，上述图1所示的结构仅是一种示例，本申请实施例对此不做限定。

参阅图2为本申请实施例提供的一种异常数据检测方法的示例性流程图之一，该方法可应用于图1所示的系统100中，可包括以下流程：

S201，获取待检测电量数据。

其中，待检测电量数据可以是指待检测电能计量表内部计数器在预设时间间隔内的跳转次数。待检测电能计量表可以是图1中M个电能计量表中的任意一个。应了解，待检测电能计量表可以位于发电侧，用于记录发电量，待检测电能计量表也可以位于用电侧，用于记录用电量，本申请对此不作限定。

一种可能的实现方式中，待检测电量数据可以是根据待检测电能计量表的表底值确定的。也即，待检测电量数据可以是通过将待检测电能计量表预设时间间隔结束时的表底值与预设时间间隔开始时的表底值相减得到的，满足公式(1)。

Cnt_Metet[t]＝Index_Meter[t]-Index_Meter[t-1] 公式(1)

式中，Cnt_Meter[t]用于表示待检测电能计量表内部计数器在预设时间间隔[t-1，t]的跳转次数。t-1为预设时间间隔的开始时刻，t为预设时间间隔的结束时刻。Index_Meter[t]，用于表示待检测电能计量表在t时刻的表底值。Index_Meter[t-1]用于表示待检测电能计量表在t-1时刻的表底值。

举例来说，假设预设时间间隔为1天，则t时刻可以为10月20日的0时，t-1时刻可以为10月19日的0时。

另一种可能的实现方式中，由于电能计量表的测量原理是根据所在电路通过电量进行感应，并带动内部的计数器，每次计数器跳转一次，则电能计量表记录一定的电量值(即电能计量表的倍率)，随着内部计数器跳转次数增加，电量数值也逐渐累加，从而确定电能计量表所测电路的用电量或者发电量。根据其测量原理，可以看出电能计量表在一段时间内测量到的用电量或者发电量等于在该段时间内电能计量表内部计数器跳转的次数与该电能计量表的倍率的乘积。因此待检测电量数据还可以是通过获取系统中存储的待检测电能计量表的历史用电量/发电量数据以及该电能计量表的倍率确定待检测电量数据，满足公式(2)。

Cnt_Meter[t]＝E_Meter[t]/Mag_Meter 公式(2)

式中，E_Meter[t]用于表示待测量电能计量表所在线路中在预设时间间隔[t-1，t]内的发电量/用电量。Mag_Meter用于表示待测量电能计量表的倍率。

在一些实施例中，待测量电能计量表的倍率可以通过待测量电能计量表所属的分布式电力系统的运营资料中获取。例如可以根据待测量电能计量表的标识获取。

在另一些实施例中，如果无法在待测量电能计量表所属的分布式电力系统的运营资料中获取待检测电能计量表的倍率，则可以通过分析待检测电能计量表历史用电量/发电量数据来获取。具体的，可以通过计算其历史用电量/发电量数据集中全部非零数据的最大公约数来确定待测量电能计量表的倍率。

需要说明的是，上述预设时间间隔可以是根据实际情况或经验设置的，例如预设时间间隔可以为1天或1周等，本申请对此不作限定。

S202，基于预先构建的电量数据的泊松分布，确定待检测电量数据对应的第一概率。

其中，电量数据的泊松分布是根据待检测电能计量表的历史电量数据构建的，第一概率用于表示待检测电量数据在下一个预设时间间隔发生的概率。

在一种可能的实现方式中，可以根据各个电能计量表的历史电量数据预先构建系统中各个电能计量表对应的电量数据的泊松分布，并存储于系统中。系统在S201获取待检测电量数据后，可以获取待检测电能计量表对应的电量数据的泊松分布，从而确定待检测电量数据对应的第一概率。举例来说，系统中可以包括电能计量表1、电能计量表2和电能计量表3。并预先构建系统中各个电能计量表对应的电量数据的泊松分布，也即电能计量表1对应的泊松分布1、电能计量表2对应的泊松分布2和电能计量表3对应的泊松分布3，存储于系统中。在确定待检测电能计量表为电能计量表2时，可以获取系统中存储的泊松分布2来确定待检测电量数据对应的第一概率。

在另一种可能的实现方式中，可以在获取待检测电量数据后，根据待检测电能计量表的历史电量数据构建电量数据的泊松分布，再根据该泊松分布确定待检测电量数据对应的第一概率。举例来说，系统中可以包括电能计量表1、电能计量表2和电能计量表3。在确定待检测电能计量表为电能计量表2时，可以在系统中获取电能计量表2的历史电量数据，并构建电能计量表2满足的电量数据的泊松分布，从而根据该泊松分布确定待检测电量数据对应的第一概率。

泊松分布可以用于描述某段时间内事件具体的发生概率。在日常生活中，大量事件是有固定频率的，并且可以用泊松分布来描述事件发生的概率。如医院每小时出生婴儿的数量、公司平均每10分钟接到电话的数量、超市每天销售xx牌奶粉的数量、网站平均每分钟的访问次数等。泊松分布的分布函数如公式(3)所示。

式中，P(X＝k)代表数值k在符合泊松分布下的数据集X中所对应的概率；λ用于表示指定事件历史发生的平均频次。k用于表示待检测事件的发生频次。

在一种可能的实现方式中，由于柏松分布中需要统计目标数据集中预设时间间隔内事件发生数量的平均值作为事件发生的频次。因此根据电能计量表的测量原理，可以将电能计量表内部计数器的跳转作为泊松分布的事件，也即，在本申请实施例中可以将待检测电能计量表内部计数器的平均跳转频次作为泊松分布的参数来构建电量数据的泊松分布。

参见图3为本申请实施例提供的构建电量数据的泊松分布的示例性流程图。该流程包括：

S301，获取待检测电能计量表内部计数器在T个预设时间间隔内的跳转次数。

其中，T可以为大于或等于30的整数。

在一些实施例中，T个预设时间间隔可以是连续的T个时间间隔。举例来说，假设预设时间间隔为1天，T取30。则系统可以获取待检测电能计量表内部计数器在30天内的跳转次数。也即，可以获取待检测电能计量表内部计数器在11月1日0时至10月2日0时的跳转次数，11月2日0时至11月3日0时的跳转次数，以此类推，直至获取到11月30日0时至12月1日0时的跳转次数。

在另一些实施例中，T个预设时间间隔也可以是不连续的T个时间间隔。举例来说，假设预设时间间隔为1小时，T取30。则系统可以获取待检测电能计量表内部计数器在7月1日的9点到18点，7月2日的9点到18点以及7月3日的9点到18点的跳转次数。

在又一些实施例中，T个预设时间间隔的选取可以是根据待检测电量数据的条件确定的。例如，天气条件，若需要检测某分布式光伏发电系统晴天条件下日发电量数据是否存在异常，则构建泊松分布时可以获取待检测电能计量表内部计数器在T个晴天条件下的预设时间间隔的跳转次数。比如，预设时间间隔为1天，7月中的晴天为20天，8月的晴天为22天，则可以选取获取待检测电能计量表内部计数器在7月和8月中的42个晴天的跳转次数。又例如，时间条件，若需要检测某用能侧系统工作日的用电量数据是否存在异常，则构建泊松分布时可以获取待检测电能计量表内部计数器在T个工作日的预设时间间隔的跳转次数。

其中，上述获取待检测电能计量表内部计数器在T个预设时间间隔内的跳转次数的具体方法可以参见S201中获取待检测电量数据的方法，在此不再赘述。

需要说明的是，构建电量数据的泊松分布时采用的预设时间间隔与待检测电量数据的预设时间间隔一致。也就是说，假设构建泊松分布时获取的是T个待检测电能计量表内部计数器在一天内的跳转次数，则获取待检测电量数据时，也应获取待检测电能计量表内部计数器在一天内的跳转次数。

S302，计算待检测电能计量表内部计数器的历史平均跳转频次。

系统可以根据待检测电能计量表的数据报告时间间隔和跳转次数，计算待检测电能计量表内部计数器的历史平均跳转频次，满足公式(4)。其中，数据报告时间间隔用于表示待检测电能计量表每相邻两次将数据上报电力系统的时间间隔。应了解，数据报告时间间隔可以是根据实际情况预先设置的，例如可以是5分钟或者10分钟等，本申请对此不作限定。

式中，Expt(N＝interval)用于表示待检测电能计量表内部计数器的历史平均跳转频次。interval用于表示数据报告时间间隔。

用于表示待检测电能计量表内部计数器在T个预设时间间隔内的跳转次数的和。

S303，构建电量数据的泊松分布。

系统可以将在S302计算的历史平均跳转频次作为参数构建电量数据的泊松分布，也即将历史平均跳转频次作为λ，代入公式(3)中，可以得到如公式(5)所示的分布函数，即为电量数据的泊松分布。

基于上述方案，可以针对不同时间间隔(如小时、日、周、月等)分别进行电能计量表异常电量数据的判定，也可以针对不同时间段，如工作日、周末/节假日等，以及不同天气条件，如晴天、阴天、雨天等分别进行异常数据的检测。相较于现有技术中设置固定阈值判断数值异常的方法，可以提高工作效率和准确度并降低人工成本。

在一些实施例中，系统可以将待检测电量数据代入预先构建的电量数据的泊松分布确定待检测电量数据对应的第二概率。通过计算第二概率的累积分布概率，对第二概率进行归一化，确定待检测电量数据对应的第一概率。

具体的，可以将S201获取到的待检测电量数据作为k代入公式(5)，确定待检测电量数据对应的第二概率，满足公式(6)。

式中，P(X＝Cnt_Meter[t])表示待检测电量数据对应的第二概率。

然后可以通过下述公式(7)计算第二概率的累积分布概率，对第二概率进行归一化，确定待检测电量数据对应的第一概率。

式中，P_CDF(X＝Cnt_Meter[t])表示待检测电量数据对应的第一概率。

S203，根据第一概率与预设的概率阈值之间的比较结果确定待检测电量数据是否异常。

在一种可能的实现方式中，上述概率阈值可以是指显著性水平，显著性水平为0到1之间的数。此时系统可以在第一概率大于预设的概率阈值时，确定待检测电量数据无异常。在第一概率小于或等于预设的概率阈值时，确定待检测电量数据异常。

可选的，显著性水平可以是根据经验或实际情况预先设置的，例如可以设置为0.05或0.08等，本申请对此不作限定。

可选的，显著性水平还可以是根据置信水平确定的，满足公式(8)。其中，置信水平为0到1之间的数，可以是根据经验或实际情况预先设置的，例如可以设置为0.95或0.93等，本申请对此不作限定。

α＝1-CL 公式(8)

式中，α表示显著性水平，也即概率阈值。CL表示置信水平。

在另一种可能的实现方式中，概率阈值也可以指置信水平。此时系统可以在第一概率小于或等于预设的概率阈值时，确定待检测电量数据无异常。在第一概率大于预设的概率阈值时，确定待检测电量数据异常。

下面，为了能够更加清晰地理解本申请实施例提出的方案，将结合具体地实施例对本申请提供的一种异常数据检测方法进行介绍。

实施例一：

将某分布式光伏发电系统计量用电能计量表A作为待检测电能计量表，并且以预设时间间隔为1天为例。可以通过分布式综合能源系统信息管理平台获取到电能计量表A的倍率为10，也即该电能计量表内部计数器跳转1次代表所在发电回路发电10kWh。并选取分布式光伏发电系统历史夏季某月的电能计量表A的表底值构建电量数据的泊松分布。首先可以根据公式(1)计算电能计量表A内部计数器每天的跳转次数。

若需要检测晴天条件下的日发电量数据是否异常，则构建电量数据的泊松分布时可以筛选30天晴天条件的电能计量表A内部计数器跳转次数作为电能计量表A的历史电量数据，并将历史电量数据代入公式(4)计算电能计量表A内部计数器历史平均跳转频次。其中，电能计量表A的历史电量数据中的部分数据可以如表1所示，应了解，表1中虽然仅示出了获取的电能计量表A历史电量数据中的部分数据，但计算电能计量表A内部计数器历史平均跳转频次是运用的30天晴天条件的电能计量表A内部计数器跳转次数。

表1电能计量表A历史电量数据

历史日期	电能计量表A内部计数器跳转次数
		日期1	153
日期2	152
		……	……
日期30	152

假设根据电能计量表A的历史电量数据计算出的历史平均跳转频次为152，则根据电能计量表A的历史电量数据构建的电量数据的泊松分布可以如公式(9)所示。

构建完电量数据的泊松分布后，系统可以通过获取电能计量表A指定日期t、t-1的表底值，利用公式(1)来计算日期t对应的计数器跳转次数，从而获取待检测电量数据。如表2所示，本申请实施例中选取3个日期的电量数据分别作为待检测电量数据，进行异常数据检测。

表2待检测电量数据

待检测日期	电能计量表A内部计数器跳转次数
		待检测日期1	151
待检测日期2	102
		待检测日期3	200

可以将待检测日期1-待检测日期3的电能计量表A内部计数器跳转次数分别代入公式(9)，可以分别确定待检测日期1-待检测日期3的电量数据对应的第二概率。再将上述第二概率分别代入公式(7)中，可以分别确定待检测日期1-待检测日期3的电量数据对应的第一概率。得到的第一概率和第二概率可以如表3所示。

表3待检测电量数据的第一概率和第二概率

假设概率阈值是指显著性水平，且本实施例中显著性水平设置为0.001，则待检测电量数据的检测结果可以如表4所示。

表4待检测电量数据的检测结果

通过表4所示的检测结果可以看出，电能计量表A内部计数器在待检测日期2的跳转次数为102，也即分布式光伏发电系统在待检测日期2的发电量为1020kWh。由于第一概率小于显著性水平，因此可以确定待检测日期2的电量数据为异常。又由于待检测日期2的电能计量表A内部计数器跳转次数小于历史平均跳转频次，因此可以确定待检测日期2的电量数据为异常偏小。然后相关工作人员可以通过查看系统中待检测日期2当日运维日志进一步确定电量数据异常的原因，例如可以是当日光伏发电系统存在设备故障，导致的当日发电量偏低。

电能计量表A内部计数器在待检测日期3的跳转次数为200，也即分布式光伏发电系统在待检测日期3的发电量为2000kWh。由于第一概率小于显著性水平，因此可以确定待检测日期3的电量数据为异常。又由于待检测日期3的电能计量表A内部计数器跳转次数大于历史平均跳转频次，因此可以确定待检测日期3的电量数据为异常偏大。然后相关工作人员可以通过查看当日设备运行情况进一步确定电量数据异常的原因，例如，可以是当日通讯设备出现数据异常，导致接收到的电能计量表数据异常。

实施例二：

将某用能侧计量系统中的电能计量表B作为待检测电能计量表，并且以预设时间间隔为1周为例。可以通过分布式综合能源系统信息管理平台获取电能计量表B的倍率为1，即该电能计量表内部计数器跳转1次代表所在用电回路用电1kWh。并获取用能侧计量系统中存储的电能计量表B的历史表底值构建电量数据的泊松分布。首先可以根据公式(1)计算电能计量表B内部计数器每周的跳转次数。并获取第3到39周的电能计量表B内部计数器跳转次数，作为电能计量表B的历史电量数据，表5中示出了历史电量数据中的部分数据。

表5电能计量表B历史电量数据

历史日期	电能计量表B内部计数器跳转次数
		第3周	157
第4周	162
		……	……
第39周	162

假设根据电能计量表B的历史电量数据计算出的历史平均跳转频次为162，则根据电能计量表B的历史电量数据构建的电量数据的泊松分布可以如公式(10)所示。

构建完电量数据的泊松分布后，系统可以通过获取电能计量表B指定日期t、t-1的表底值，利用公式(1)来计算日期t对应的计数器跳转次数，从而获取待检测电量数据。如表6所示，本申请实施例中选取5个周期的电量数据分别作为待检测电量数据，进行异常数据检测。应了解，由于预设时间间隔为1周，因此每个待检测周期对应一周。

表6待检测电量数据

待检测日期	电能计量表B内部计数器跳转次数
		待检测周期1	77
待检测周期2	212
		待检测周期3	153
待检测周期4	183
		待检测周期5	140

可以将待检测周期1-待检测周期5的电能计量表B内部计数器跳转次数分别代入公式(10)，可以分别确定待检测周期1-待检测周期5的电量数据对应的第二概率。再将上述第二概率分别代入公式(7)中，可以分别确定待检测周期1-待检测周期5的电量数据对应的第一概率。得到的第一概率和第二概率可以如表7所示。

表7待检测电量数据的第一概率和第二概率

假设概率阈值是指显著性水平，且本实施例中显著性水平设置为0.05，则待检测电量数据的检测结果可以如表8所示。

表8待检测电量数据的检测结果

通过表8所示的检测结果可以看出，电能计量表B在待检测周期1、2、4、5的电量数据对应的第一概率均小于显著性水平，因此可以确定电能计量表B在待检测周期1、2、4、5的电量数据均为异常数据。电能计量表B在待检测周期3的电量数据对应的第一概率小于显著性水平，因此可以确定电能计量表B在待检测周期3的电量数据未发生异常。

并且待检测周期1和待检测周期5的电量数据小于历史平均频次，可以确定为异常偏小的数据。相关工作人员可以通过进行现场验证来进一步确定电量数据异常偏小的原因，例如，待检测周期1的电量数据出现异常偏小的原因可以是由于当周有几日停产导致用电量减少。待检测周期1的电量数据出现异常偏小的原因可以是由于电能计量表B通讯问题导致待检测周期5中有半天的用电量数据未采集到系统。

待检测周期2和待检测周期4的电量数据大于历史平均频次，可以确定为异常偏大的数据。相关工作人员可以通过进行现场验证来进一步确定电量数据异常偏大的原因，例如，待检测周期2和待检测周期4的电量数据异常偏大的原因可以是电能计量表B出现计量错误而导致的用电量数据异常。

基于上述方法的同一构思，参见图4，为本申请实施例提供的一种异常数据检测装置400，装置400能够执行上述方法中的各个步骤，为了避免重复，此处不再详述。该装置400包括获取单元401和处理单元402。在一种场景下：

获取单元401，用于获取待检测电量数据；所述待检测电量数据是指待检测电能计量表内部计数器在预设时间间隔内的跳转次数。

处理单元402，用于基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率；所述电量数据的泊松分布是根据所述待检测电能计量表的历史电量数据构建的，所述第一概率用于表示所述待检测电量数据在下一个预设时间间隔发生的概率；根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常。

在一种可能的实现方式中，所述电量数据的泊松分布是所述装置通过执行以下处理构建的：所述获取单元401，用于获取所述待检测电能计量表内部计数器在T个所述预设时间间隔内的跳转次数；所述N为正整数；所述处理单元402，用于根据所述待检测电能计量表的数据报告时间间隔和所述跳转次数，计算所述待检测电能计量表内部计数器的历史平均跳转频次，并将所述历史平均跳转频次作为参数构建所述电量数据的泊松分布；所述数据报告时间间隔用于表示所述待检测电能计量表每相邻两次将数据上报电力系统的时间间隔。

在一种可能的实现方式中，所述处理单元402基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率时，用于：将所述待检测电量数据代入所述预先构建的电量数据的泊松分布确定所述待检测电量数据对应的第二概率；通过计算所述第二概率的累积分布概率，对所述第二概率进行归一化，确定所述待检测电量数据对应的第一概率。

在一种可能的实现方式中，所述处理单元402根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常时，用于：在所述第一概率大于所述预设的概率阈值时，确定所述待检测电量数据无异常；在所述第一概率小于或等于所述预设的概率阈值时，确定所述待检测电量数据异常。

基于上述方法的同一构思，参见图5，为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括至少一个处理器502，以及与至少一个处理器502连接或称耦合的存储器501，此外，电子设备还可以包括通信接口503。电子设备可以通过通信接口503和其它设备进行信息交互。

示例性的，所述通信接口503可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。当该电子设备为芯片类的装置或者电路时，该电子设备中的通信接口503也可以是输入输出电路，可以输入信息(或称，接收信息)和输出信息(或称，发送信息)，处理器为集成的处理器或者微处理器或者集成电路或则逻辑电路，处理器可以根据输入信息确定输出信息。

本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。处理器502可能和存储器501、通信接口503协同操作。本申请中不限定上述处理器502、存储器501以及通信接口503之间的具体连接介质。

可选的，参见图5，所述处理器502、所述存储器501以及所述通信接口503之间通过总线相互连接。所述总线可以是外设部件互连标准(peripheral componentinterconnect，PCI)总线或扩展工业标准结构(extended industry standardarchitecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在本申请实施例中，存储器501作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器501可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(ReadOnly Memory，ROM)、带电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器501是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器501还可以是电路或者其它任意能够实现存储功能的装置，用于存储指令、计算机程序和/或数据。

在本申请实施例中，处理器502可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的异常数据检测方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

通过对处理器502进行设计编程，可以将前述实施例中介绍的异常数据检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的异常数据检测方法的步骤，如何对处理器502进行设计编程为本领域技术人员所公知的技术，这里不再赘述。

在一个或多个实施例中，存储器501存储有可被至少一个处理器502执行的指令，至少一个处理器502通过调用存储器501存储的指令或者计算机程序，可以实现上述任一方法的步骤。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行上述任一方法的步骤。

在一些实施例中，本申请提供的异常数据检测方法的各个方面还可以实现为一种计算机程序产品的形式，其包括程序代码，当计算机程序产品在电子设备上运行时，程序代码用于使该电子设备执行本说明书上述描述的任一方法中的步骤。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

虽然以上描述了本申请的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本申请的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本申请的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本申请的保护范围。尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种异常数据检测方法，其特征在于，包括：

获取待检测电量数据；所述待检测电量数据是指待检测电能计量表内部计数器在预设时间间隔内的跳转次数；

基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率；所述电量数据的泊松分布是根据所述待检测电能计量表的历史电量数据构建的，所述第一概率用于表示所述待检测电量数据在下一个预设时间间隔发生的概率；

根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常。

2.根据权利要求1所述的方法，其特征在于，所述电量数据的泊松分布是通过以下方法构建的：

获取所述待检测电能计量表内部计数器在T个所述预设时间间隔内的跳转次数；所述N为正整数；

根据所述待检测电能计量表的数据报告时间间隔和所述跳转次数，计算所述待检测电能计量表内部计数器的历史平均跳转频次，并将所述历史平均跳转频次作为参数构建所述电量数据的泊松分布；所述数据报告时间间隔用于表示所述待检测电能计量表每相邻两次将数据上报电力系统的时间间隔。

3.根据权利要求1所述的方法，其特征在于，所述基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率，包括：

将所述待检测电量数据代入所述预先构建的电量数据的泊松分布确定所述待检测电量数据对应的第二概率；

通过计算所述第二概率的累积分布概率，对所述第二概率进行归一化，确定所述待检测电量数据对应的第一概率。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常，包括：

在所述第一概率大于所述预设的概率阈值时，确定所述待检测电量数据无异常；

在所述第一概率小于或等于所述预设的概率阈值时，确定所述待检测电量数据异常。

5.一种异常数据检测装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述电量数据的泊松分布是所述装置通过执行以下处理构建的：

所述获取单元，用于获取所述待检测电能计量表内部计数器在T个所述预设时间间隔内的跳转次数；所述N为正整数；

所述处理单元，用于根据所述待检测电能计量表的数据报告时间间隔和所述跳转次数，计算所述待检测电能计量表内部计数器的历史平均跳转频次，并将所述历史平均跳转频次作为参数构建所述电量数据的泊松分布；所述数据报告时间间隔用于表示所述待检测电能计量表每相邻两次将数据上报电力系统的时间间隔。

7.根据权利要求5所述的装置，其特征在于，所述处理单元基于预先构建的电量数据的泊松分布，确定所述待检测电量数据对应的第一概率时，用于：

8.根据权利要求5所述的装置，其特征在于，所述处理单元根据所述第一概率与预设的概率阈值之间的比较结果确定所述待检测电量数据是否异常时，用于：

9.一种电子设备，其特征在于，包括：

存储器，用于存储计算机指令；

处理器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如权利要求1至4中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括：

所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1至4中任一项所述的方法。