CN118378156A - 基于历史数据分析的厂站关口计量数据缺失拟合优化方法、系统、电子设备及存储介质 - Google Patents

Abstract

本发明涉及电力计量的技术领域，特别是涉及一种基于历史数据分析的厂站关口计量数据缺失拟合优化方法、系统、电子设备及存储介质，其提高了电力系统的效率，增加了电力系统的运行稳定性；方法包括：获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；获取与计量数据缺失特征向量相同维度下的计量数据影响特征集合；根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与计量数据影响特征集合相似度最高的目标电量；基于计量数据缺失特征向量。

Description

基于历史数据分析的厂站关口计量数据缺失拟合优化方法、 系统、电子设备及存储介质

技术领域

本发明涉及电力计量的技术领域，特别是涉及一种基于历史数据分析的厂站关口计量数据缺失拟合优化方法、系统、电子设备及存储介质。

背景技术

在电力系统的日常运营与管理中，厂站关口作为电能量交换的关键节点，其计量数据的准确性与完整性对于确保电力市场交易的公正性、电力系统的稳定运行及经济评估的可靠性至关重要。然而，实际操作过程中，由于计量设备老化、外部环境干扰等因素，常导致计量数据出现不同程度的缺失，这不仅会直接影响到电量结算的准确性，还可能干扰到电网调度决策与电力市场分析的效率和质量。

现有应对数据缺失的方法，如线性插值、最近邻填充等，虽然简便易行，但往往忽视了数据缺失的具体情境，未能充分考虑诸如设备故障模式、负荷变化趋势、气象条件波动等因素对用电模式的潜在影响。现有简单填补策略往往导致拟合出的电量数据偏离实际情况，导致计量数据的可用性和分析的有效性降低。

发明内容

为解决上述技术问题，本发明提供一种提高了电力系统的效率，增加了电力系统的运行稳定性的基于历史数据分析的厂站关口计量数据缺失拟合优化方法、系统、电子设备及存储介质。

第一方面，本发明提供了基于历史数据分析的厂站关口计量数据缺失拟合优化方法，所述方法包括：

获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；

将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；所述计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；

获取与所述计量数据缺失特征向量相同维度下的计量数据影响特征集合；

根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与所述计量数据影响特征集合相似度最高的目标电量；

基于计量数据缺失特征向量，对厂站关口计量设备故障记录信息进行筛选，统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，生成厂站关口计量设备故障集合；

将厂站关口计量设备故障集合输入至预先构建的目标电量校正分析模型中，获得计量数据缺失校正系数；

基于所述目标电量和计量数据缺失校正系数，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中。

进一步地，所述目标电量校正分析模型的计算公式为：

；

其中，C表示计量数据缺失校正系数；是第k类故障的指示变量，共有K类不同的故障类型；是与第k类故障相关的校正因子，用于表征不同故障类型对电量缺失影响的程度；表示第个设备故障的持续天数，总共有个故障实例的持续时间被考虑；是第个设备故障持续时长的校正参数。

进一步地，与所述计量数据影响特征集合相似度最高的目标电量的获取方法包括：

对计量数据影响特征集合进行标准化处理；

遍历历史计量数据信息，计算每个历史计量数据与当前计量数据影响特征集合的相似度；

将计算得到的相似度按照降序排列；

选取相似度最高的历史计量数据，选取其计量电量作为“目标电量”。

进一步地，所述厂站关口计量设备故障集合的获取方法包括：

利用计量数据缺失特征向量作为筛选条件，其中数据缺失拓扑范围限定数据缺失发生的具体位置，数据缺失时间范围则限定数据缺失的起止时刻；

根据筛选条件，在计量设备故障记录数据库中进行查询过滤，过滤出发生在数据缺失时间范围和数据缺失拓扑范围内的故障记录；

对过滤出的故障记录进行统计分析，识别设备发生的故障类型及其故障持续时长，生成厂站关口计量设备故障集合；厂站关口计量设备故障集合包括在数据缺失时间范围和数据缺失拓扑范围内发生的故障类型和故障持续时长。

进一步地，所述计量设备故障记录数据库包括：

设备基本信息表：用于记录每台计量设备的基本信息，包括设备ID、型号、安装位置、所属厂站和安装日期；

故障记录表：用于记录每次故障事件的详细信息，包括故障ID、关联设备ID、故障开始时间、结束时间、故障类型、故障描述、处理措施和处理结果；

数据缺失特征表：用于存储与故障设备相关的计量数据缺失特征向量，包括特征ID、关联故障记录ID、数据缺失时间段、缺失数据类型和数据波动特征。

进一步地，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中的方法包括：

将目标电量与计量数据缺失校正系数相乘，获得拟合电量；

对拟合电量及其相邻的实际测量值进行时间序列平滑处理；

将经过平滑处理的拟合电量，按照其对应的时间戳，填入原始数据集中的缺失位置；

对于填充的数据点，在数据库中标记其为“拟合值”，以区别于直接测量值。

进一步地，所述计量数据影响特征集合包括负荷特性、气象特征以及节假日效应；

负荷特性包括日负荷曲线、周负荷模式以及季节性负荷变化；

气象特征包括温度、湿度、风速、降雨量和日照时长；

节假日效应包括在工作日、周末和法定假期负荷总量的变化值以及负荷曲线形状的改变。

另一方面，本申请还提供了基于历史数据分析的厂站关口计量数据缺失拟合优化系统，所述系统包括：

数据采集模块，用于获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；

特征提取模块，用于将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；所述计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；

影响特征集合获取模块，用于获取与所述计量数据缺失特征向量相同维度下的计量数据影响特征集合；

历史数据分析模块，根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与所述计量数据影响特征集合相似度最高的目标电量；

故障影响分析模块，基于计量数据缺失特征向量，对厂站关口计量设备故障记录信息进行筛选，统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，生成厂站关口计量设备故障集合；

校正系数计算模块，将厂站关口计量设备故障集合输入至预先构建的目标电量校正分析模型中，获得计量数据缺失校正系数；

拟合电量计算与填充模块，基于所述目标电量和计量数据缺失校正系数，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中。

第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。

第四方面，本申请还提供了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上述任意一项所述方法中的步骤。

与现有技术相比本发明的有益效果为：该方法通过引入计量数据缺失特征向量，能够更细致地刻画数据缺失的情境，有助于更精确地识别数据缺失的真实原因，从而提高了拟合结果的准确性；

该方法不仅考虑了历史数据的相似性，还通过分析计量设备故障记录，将设备故障模式纳入考量，结合负荷变化趋势、气象条件等因素形成的影响特征集合，使得拟合过程能够更全面地反映实际运行中的复杂情况；

基于故障设备集合计算得出的校正系数，实现了对拟合电量的个性化调整，这种动态校正机制能够有效弥补传统方法因忽略特定故障影响而造成的拟合偏差；通过对缺失数据进行精细化填补，显著提升了厂站关口计量数据的完整性和可靠性，进而保障了电力市场交易的公正性、电网调度决策的精确性以及经济评估的有效性；

整个方法流程体现了对大数据和机器学习技术的应用，能够自动处理大量数据，减少人工干预，提高了电力系统运营管理的智能化水平和效率；

综上所述，该方法通过精细的数据特征分析、多维度因素融合考虑及智能化校正策略，显著改善了计量数据缺失的处理效果，提高了电力系统的效率，增加了电力系统的运行稳定性。

附图说明

图1是本发明的逻辑流程图；

图2是计量数据缺失特征提取模型的构建方法的流程图；

图3是基于历史数据分析的厂站关口计量数据缺失拟合优化系统的结构图。

具体实施方式

在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。

本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

下面结合本申请中的附图对本申请进行描述。

实施例一：如图1至图2所示，本发明的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，具体包括以下步骤：

S1、获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；

步骤S1是整个数据缺失拟合优化方法的起始点，涉及两个关键数据集的收集与整理，是后续所有分析与处理的基础，以下是S1步骤的详细介绍：

获取厂站关口计量数据信息：由电力调度中心、自动化监控系统以及计量自动化系统中获取厂站关口的实时和历史电能量计量数据；电能量计量数据包括电量、电压、电流和功率因数，并依据实际需求设定记录的时间间隔；数据在正式使用之前，对收集到的数据进行质量控制，包括检查数据的完整性、连续性及合理性，剔除明显错误的数据点，确保所使用的数据真实反映厂站的实际运行状况；

整合计量设备故障记录信息：从设备维护管理系统、工作票系统以及故障报告中收集计量设备的故障记录；计量设备故障记录信息包括故障发生时间、故障类型、持续时间、受影响的计量点以及维修详情；

分析故障记录：识别常见的故障模式，理解不同故障对计量数据影响的程度和特点，为后续的故障影响评估做准备；建立故障记录与计量数据之间的对应关系，明确哪些计量数据的缺失异常是由已知的设备故障直接引起的。

在本步骤中，通过对厂站关口计量数据的收集和质量控制，能够确保使用的数据真实、准确，从而提高后续分析和处理的可靠性；整合计量设备故障记录信息有助于建立对设备故障模式的理解，并识别常见的故障类型；为后续故障影响评估提供了基础，并能够帮助运维团队更好地了解设备运行状态；建立故障记录与计量数据之间的对应关系，能够清晰地确定哪些计量数据的缺失异常是由已知的设备故障直接引起的；有助于在后续的数据缺失拟合过程中更准确地考虑设备故障对数据的影响，提高数据拟合的准确性和可靠性；通过对历史数据和故障记录的整合分析，能够为电力系统的运营决策提供支持，提高系统的稳定性和可靠性；

综上所述，步骤S1的有益效果包括提高数据质量、为故障分析提供基础、明确数据与故障之间的关联，以及支持运营决策。

S2、将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；所述计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；

S2步骤涉及计量数据缺失特征提取模型的设计和应用，目的是从厂站关口的计量数据中提取出缺失的数据特征，以便后续步骤能够基于这些特征进行数据缺失的优化填补；

所述计量数据缺失特征提取模型的构建方法包括：

S21、收集历史计量数据，对收集的数据进行预处理，包括处理缺失值、异常值以及数据标准化，消除噪声，确保数据质量；

S22、选择机器学习模型作为计量数据缺失特征提取模型的基础架构，所述机器学习模型包括神经网络、随机森林和支持向量机；

S23、将数据集划分为训练集和验证集，确保模型训练过程中有独立的数据来评估模型性能；利用训练集来训练选定的模型，调整模型参数；

S24、过验证集评估计量数据缺失特征提取模型的特征提取效果；根据验证结果调整模型架构和参数；

S25、在独立的测试集上验证模型的泛化能力，确保模型不仅在训练数据上表现良好，也能有效应用于未见过的数据；

S26、将训练好的模型应用于实际数据中，进行计量数据缺失特征提取。

在本步骤中，通过计量数据缺失特征提取模型能够从厂站关口的计量数据中提取出缺失的数据特征，有助于了解数据缺失的具体情况，为后续的数据填补和分析提供指导；在构建模型的过程中，首先进行了数据预处理，确保了数据的质量，有助于提高模型的准确性和稳定性；将数据集划分为训练集和验证集，通过在训练集上训练模型，并在验证集上评估模型性能，确保模型在训练过程中有独立的数据进行评估，从而提高模型的泛化能力；在独立的测试集上验证模型的泛化能力，确保模型不仅在训练数据上表现良好，也能够有效应用于未见过的数据；有助于验证模型的真实应用效果，并提高模型在实际场景中的可靠性；将训练好的模型应用于实际数据中，进行计量数据缺失特征提取；通过模型输出的结果，能够得到关于数据缺失的特征信息，为后续的数据填补和分析提供重要参考。

更为具体的，计量数据缺失特征向量主要包括两个核心维度：数据缺失拓扑范围和数据缺失时间范围；

数据缺失拓扑范围：可以是一个向量或者编码，用于指明数据缺失发生在电网的哪个区域或哪些节点上；可以被看作是计量数据在电力网络中的地理位置分布或特定电路段的标识，用以界定数据缺失发生的物理区域；例如，如果电网被划分为不同的拓扑区域，可以用一个二进制向量表示，其中1表示该区域存在数据缺失，0表示无缺失；更复杂的表达包括拓扑结构的直接编码，如节点编号或地理坐标等；

数据缺失时间范围：用时间序列或者时间区间的形式来表达数据缺失发生的具体时间段；例如，可以用起始时间点和结束时间点的组合来定义一个时间段，或者用相对时间（如距离最近一次完整记录的小时数）来表示；

在训练计量数据缺失特征提取模型时，输入参数包含历史计量数据的电量以及时间戳，同时也包括数据缺失的标记信息，即哪些数据点是缺失的；数据缺失拓扑范围和时间范围作为附加的输入特征或者作为计量数据缺失特征提取模型训练后处理的一部分来指导特征向量的生成；计量数据缺失特征提取模型的输出则是计量数据缺失特征向量，包括数据缺失拓扑范围的编码和数据缺失时间范围的编码。

举例说明，假设有一个计量数据集记录了某厂站多个计量点在一段时间内的电量数据；计量数据缺失特征提取模型的输入是一个包含以下信息的向量：[时间戳,电量,地理位置编码]；其中，地理位置编码和时间戳可以帮助计量数据缺失特征提取模型理解数据的时空分布，而电量则是实际的计量数据；计量数据缺失特征提取模型的输出为计量数据缺失特征向量，即[拓扑范围编码, 缺失开始时间编码, 缺失结束时间编码]；拓扑范围编码和缺失时间编码是基于输入数据中的地理位置和时间戳信息，经过模型处理后得到的特征表示。

S3、获取与所述计量数据缺失特征向量相同维度下的计量数据影响特征集合，所述计量数据影响特征集合包括负荷特性、气象特征以及节假日效应；

步骤S3旨在综合考量多种因素对厂站关口计量数据潜在缺失的影响，从而提高后续数据拟合的准确性和实用性；以下是步骤S3的详细介绍：

负荷特性：通过分析厂站SCADA系统的历史数据，收集厂站关口的历史负荷数据，包括日负荷曲线、周负荷模式以及季节性负荷变化，这些数据揭示了电力需求随时间变化的规律；通过对历史负荷数据进行分析，提取最大负荷、最小负荷、平均负荷、负荷峰谷差、负荷变化率这些统计特征，以及负荷曲线的形状特征；

气象特征：与电力公司合作或独立运营的气象服务提供商，通过气象站网络收集的实时和历史气象数据，整合来自气象站的同步气象数据，包括温度、湿度、风速、降雨量和日照时长；分析气象参数与历史负荷数据之间的相关性，识别哪些气象因素对负荷有显著影响；基于相关性分析的结果，构造气象影响因子；

节假日效应：电力系统的调度中心使用EMS来协调发电、输电和配电，系统内包含了大量的历史运行数据，可以用来分析节假日效应对负荷模式的影响；整理历年节假日日历，识别出工作日、周末、法定假期，并标记特殊事件；分析节假日与非节假日期间的负荷模式差异，包括负荷总量的变化以及负荷曲线形状的改变；为每个日期分配相应的节假日标签表示节假日类型，作为特征的一部分；其中，曲线形状的改变可以通过多种特征量表征，例如最大负荷、最小负荷、平均负荷、负荷峰谷差、负荷变化率等统计指标，以及负荷曲线的斜率、曲率等数学特征；通过这些量化的指标，可以定量分析节假日与非节假日之间负荷曲线形状的差异，从而更精确地反映节假日效应对负荷模式的影响。

在本步骤中，通过收集历史负荷数据并提取相关统计特征，能够更好地理解电力需求的变化规律，帮助识别负荷波动的趋势和模式，为后续的数据拟合提供重要参考；通过整合气象数据并分析其与历史负荷数据之间的相关性，能够确定对负荷具有显著影响的气象因素；构造气象影响因子能够更准确地预测负荷变化，提高数据拟合的准确性；通过分析节假日与非节假日期间的负荷模式差异，能够识别出特定日期对负荷的影响；将节假日标签作为特征的一部分，能够更好地区分不同日期的负荷特征，从而更准确地填补计量数据缺失；

综上所述，步骤S3的有益效果在于通过综合考虑多种因素对计量数据的影响，提高了数据拟合的准确性和实用性；这有助于确保后续数据分析和决策的可靠性，从而提高电力系统的运行效率和稳定性。

S4、根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与所述计量数据影响特征集合相似度最高的目标电量 ；

步骤S4负责从历史数据中找到与当前数据缺失情况最为相似的样本，以便于后续的电量拟合；该步骤能够理解为一种基于特征相似度的匹配技术，旨在通过比较历史数据中的各种影响因素，来定位那些在负荷特性、气象条件以及节假日效应方面与当前数据缺失场景最为吻合的实例；

与所述计量数据影响特征集合相似度最高的目标电量的获取方法包括：

S41、对从计量数据影响特征集合进行标准化处理，确保各个特征在同一量级上比较，避免因量纲不同而造成的偏差；

S42、遍历历史计量数据信息，计算每个历史计量数据与当前计量数据影响特征集合的相似度；

S43、将计算得到的相似度按照降序排列；

S44、选取相似度最高的几个历史计量数据，选取其计量电量作为“目标电量”。

在本步骤中，通过计算相似度，能够确保选取的历史计量数据与当前数据在负荷特性、气象条件和节假日效应等方面具有高度相似性；这样选取的目标电量更有可能反映出当前数据缺失时的真实情况，从而提高了数据填补的准确性；通过对历史计量数据进行特征相似度匹配，能够使模型更好地适应不同的情境和条件；通过特征相似度匹配，能够更加细致地考虑到数据缺失的具体情景，从而避免了简单填补方法的缺陷；选取与当前数据缺失情况相似度最高的历史计量数据作为目标电量，能够减少填补过程中引入的误差；选取的历史计量数据更具代表性和可信度，填补后的数据更接近真实值，从而减少了填补带来的误差；

综上所述，步骤S4的有益效果能够直接提高电力系统运行和管理的效率和可靠性；通过更准确地填补缺失数据，能够确保电力市场交易的公正性、电力系统的稳定运行以及经济评估的可靠性。

S5、基于计量数据缺失特征向量，对厂站关口计量设备故障记录信息进行筛选，统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，生成厂站关口计量设备故障集合；

S5步骤的核心任务是对厂站关口计量设备故障记录信息进行筛选，以统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，并生成厂站关口计量设备故障集合，目的是为了更准确地理解数据缺失背后的原因，从而提高数据填补的可靠性和准确性；

所述厂站关口计量设备故障集合的获取方法包括：

S51、利用计量数据缺失特征向量来定义筛选条件；拓扑范围限定了数据缺失发生的具体位置或网络区域，时间范围则限定了数据缺失的起止时刻；两个限定要素共同界定了一个特定的时空条件，用于识别在此条件下可能出现故障的设备；

S52、根据上述定义的筛选条件，在计量设备故障记录数据库中进行查询；计量设备故障记录数据库包含设备基本信息表、故障记录表和数据缺失特征表，分别记录了设备的详细信息、故障事件的全貌以及与故障相关的数据缺失特征；

S53、利用计量数据缺失特征向量作为查询的过滤条件，从故障记录表中过滤出那些故障发生在特定时间范围和拓扑范围内的记录；只有当设备故障发生的时间和地点与数据缺失的特征向量相匹配时，该故障记录才会被纳入进一步分析；

S54、对过滤出的设备故障记录进行统计分析，识别设备发生故障类型及其故障持续时长，生成厂站关口计量设备故障集合；厂站关口计量设备故障集合包括在特定时间范围和拓扑范围内发生的设备故障类型和故障持续时长。

在本步骤中，通过建立与已知计量设备故障模式的关联，并结合计量数据缺失特征向量，能够更准确地识别在特定时间范围和拓扑范围内发生的设备故障；进而避免将非故障性的数据缺失误判为故障导致的，提高了填补数据的精度；通过对筛选出的设备故障记录进行统计分析，能够识别出故障和类型；有助于发现故障的常见模式，进而为未来类似情况的处理提供参考和指导；对厂站关口计量设备故障集合的生成，有助于了解在特定数据缺失条件下常见的故障模式及其特征；使得在数据填补过程中能够针对性地选择合适的校正模型和策略，以更好地拟合缺失数据，提高填补结果的准确性和可靠性；通过对故障模式的分析，能够更好地理解数据缺失对计量数据的影响，并据此调整填补过程中的参数和方法，减少填补后数据与实际情况的偏差，提高填补结果的质量。

具体的，所述计量设备故障记录数据库的构建步骤如下：

记录计量数据缺失与设备故障之间的关系最为密切的信息；包括设备基本信息、故障详情、时间戳、故障影响范围、处理过程和结果等；

表结构设计：基于需求分析，设计合理的数据库表结构；通过设置多个关联表，以确保数据的高效存储和查询；核心表包括：

设备基本信息表：记录每台计量设备的基本信息，如设备ID、型号、安装位置、所属厂站、安装日期等；

故障记录表：记录每次故障事件的详细信息，包括故障ID、关联设备ID、故障开始时间、结束时间、故障类型、故障描述、处理措施、处理结果等；

数据缺失特征表：存储与故障设备相关的计量数据缺失特征向量，包括特征ID、关联故障记录ID（外键）、特征描述（如数据缺失时间段、缺失数据类型、数据波动特征等）；

索引设置：为了加快查询速度，特别是在执行与时间范围、设备ID或特征相关的查询时，需要为关键字段如设备ID、故障开始时间、特征ID等设置索引；

通过上述数据库设计，可以有效地支持在S5步骤中对计量设备故障记录信息的筛选、统计和分析，进而生成具有高度针对性的厂站关口计量设备故障集合，为解决数据缺失问题提供有力支持。

S6、将厂站关口计量设备故障集合输入至预先构建的目标电量校正分析模型中，获得计量数据缺失校正系数；

步骤S6旨在通过分析筛选出的厂站关口计量设备故障集合，进一步确定数据缺失的特异性和潜在影响，从而计算出精确的校正系数来调整目标电量，确保拟合电量的准确性；

所述目标电量校正分析模型的构建方法包括：

S61、收集历史厂站关口计量数据信息，并对收集的数据进行清洗、去除异常值以及处理缺失值的操作；

S62、选择深度学习模型作为目标电量校正分析模型的基础，所述深度学习模型包括线性回归、多项式回归、随机森林、支持向量机和神经网络；

S63、将处理后的数据划分为训练集和测试集，使用训练集对目标电量校正分析模型进行训练，通过迭代优化模型参数，使损失函数最小化；在训练过程中监控目标电量校正分析模型性能，防止过拟合；

S64、在测试集上评估目标电量校正分析模型性能，若目标电量校正分析模型表现不佳，对目标电量校正分析模型进行调优，进行交叉验证以提高评估的稳定性；

S65、将训练好的目标电量校正分析模型集成到实际的计量数据处理系统中，用于电量数据校正。

在本步骤中，通过模型的构建和训练，能够填补历史数据中的缺失值，从而提高了数据的完整性和连续性，有利于后续数据分析和决策；根据历史数据和特征工程，构建的模型能够识别和纠正异常值，过滤噪声，提升数据的质量和准确性；经过训练和评估的模型能够准确地预测缺失数据的填补值，并根据故障模式进行校正，从而使得校正后的数据更接近真实情况，提高了数据的可靠性；有效的数据校正模型能够减少人工干预的需求，节约了人力成本和时间成本，并降低了因人为错误导致的风险；数据的准确性和可靠性提高了决策的准确性和效率，有利于优化电力系统运行管理、故障诊断和预防维护等方面的决策；通过对历史数据的分析和校正，能够更好地理解和掌握电力系统的运行状态和趋势，有助于提高系统的稳定性和可靠性；

综上所述，通过构建目标电量校正分析模型，并依据历史数据和故障模式进行数据校正，能够有效提升数据的完整性、质量和准确性，降低成本和风险，提高决策效率和系统稳定性。

更为具体的，所述目标电量校正分析模型的输入为厂站关口计量设备故障集合，输出为计量数据缺失校正系数，所述目标电量校正分析模型的计算公式为：

；

其中，C表示计量数据缺失的校正系数；是第k类故障的指示变量（如果发生则为1，否则为0），共有K类不同的故障类型；是与第k类故障相关的校正因子，体现了不同故障类型对电量缺失影响的程度；表示第个设备故障的持续天数，总共有个故障实例的持续时间被考虑；是第个设备故障持续时长的校正参数，反映了故障持续时间越长，电量缺失可能越严重的逻辑。

S7、基于所述目标电量和计量数据缺失校正系数，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中；

计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中的方法包括：

目标电量是历史上与当前缺失时段具有高度相似特征的电量值；然后，计量数据缺失校正系数反映了计量设备故障或其它特定条件对电量读数的实际影响；将目标电量与计量数据缺失校正系数相乘，获得拟合电量；

在将拟合值填充到缺失时间段之前，为了保证数据序列的平滑过渡，对拟合值及其相邻的实际测量值进行时间序列平滑处理，减少因填补数据造成的突变点；拟合电量相邻的实际测量值是根据时间序列确定的；在填充缺失数据点时，需要找到与拟合点在时间上最接近的前一个和后一个实际测量值，这两个值即为相邻的实际测量值；实际测量值指直接从计量设备获得的未经任何填补处理的电量数据；

将经过上述调整的拟合电量，按照其对应的时间戳，精确地填入原始数据集中的缺失位置；

对于填充的数据点，需要在数据库中标记其为“拟合值”，以区别于直接测量值；

定期对填充后的数据与后续实际计量数据进行对比验证，评估拟合模型的准确性和效果。

在本步骤中，通过利用历史数据和计量设备故障记录，结合目标电量和计量数据缺失校正系数，计算得到的拟合电量能够更准确地填充缺失位置，从而提高了数据的完整性和准确性；通过对拟合值及其相邻的实际测量值进行时间序列平滑处理，能够减少由于填补数据而引起的突变点，使填充后的数据序列更加平滑连续，有利于后续数据分析和应用；将经过调整的拟合电量精确地填入原始数据集中的缺失位置，确保了数据的连续性，使得数据在时间上保持一致，有利于后续数据处理和系统运行；在数据库中标记填充的数据点为“拟合值”，能够清晰地区分填充数据和直接测量数据，有助于后续数据分析和诊断，提高了数据的可追溯性和可理解性；定期对填充后的数据与后续实际计量数据进行对比验证，能够评估拟合模型的准确性和效果，及时发现并修正可能存在的问题，保证数据填充的质量和可靠性；

综上所述，本步骤的方法能够有效地处理厂站关口计量数据的缺失问题，提高数据的完整性、准确性和连续性，为电力系统的稳定运行和经济评估提供了可靠的数据支持。

实施例二：如图3所示，本发明的基于历史数据分析的厂站关口计量数据缺失拟合优化系统，具体包括以下模块；

数据采集模块，用于获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；

特征提取模块，用于将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；所述计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；

影响特征集合获取模块，用于获取与所述计量数据缺失特征向量相同维度下的计量数据影响特征集合；

历史数据分析模块，根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与所述计量数据影响特征集合相似度最高的目标电量；

故障影响分析模块，基于计量数据缺失特征向量，对厂站关口计量设备故障记录信息进行筛选，统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，生成厂站关口计量设备故障集合；

校正系数计算模块，将厂站关口计量设备故障集合输入至预先构建的目标电量校正分析模型中，获得计量数据缺失校正系数；

拟合电量计算与填充模块，基于所述目标电量和计量数据缺失校正系数，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中。

该系统结合了多种模块，能够全面考虑计量数据缺失的具体情境和影响因素，从而更准确地填补缺失数据；

通过历史数据分析模块和故障影响分析模块，系统能够根据计量数据影响特征集合和设备故障情况，精准地找到与实际情况相符合的目标电量和校正系数，从而提高了填充数据的精准性和可靠性；

通过拟合电量计算与填充模块，系统能够将经过优化处理的数据填充回厂站关口计量数据信息中，从而保证了数据的可用性，同时也提高了数据分析的有效性和准确性；

系统采用了预先构建的模型和算法，能够智能地根据实际情况调整填充策略，具有一定的自适应性和智能化水平，能够更好地应对不同情境下的数据缺失问题；

通过提高计量数据的准确性和完整性，该系统能够有效地提升电力系统的运行效率和市场交易的公正性，有助于保障电力系统的稳定运行和电力市场的健康发展；

综上所述，该系统在解决电力系统中计量数据缺失问题时具有多方面的优点，能够有效提高数据处理的智能化水平和系统的可靠性，为电力行业的发展和运营管理提供了有力支持。

前述实施例一中的基于历史数据分析的厂站关口计量数据缺失拟合优化方法的各种变化方式和具体实施例同样适用于本实施例的基于历史数据分析的厂站关口计量数据缺失拟合优化系统,通过前述对基于历史数据分析的厂站关口计量数据缺失拟合优化方法的详细描述,本领域技术人员能够清楚的知道本实施例中基于历史数据分析的厂站关口计量数据缺失拟合优化系统的实施方法,所以为了说明书的简洁,在此不再详述。

此外,本申请还提供了一种电子设备,包括总线、收发器、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,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还能够做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，所述方法包括：

获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；

将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；所述计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；

获取与所述计量数据缺失特征向量相同维度下的计量数据影响特征集合；

根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与所述计量数据影响特征集合相似度最高的目标电量；

基于计量数据缺失特征向量，对厂站关口计量设备故障记录信息进行筛选，统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，生成厂站关口计量设备故障集合；

将厂站关口计量设备故障集合输入至预先构建的目标电量校正分析模型中，获得计量数据缺失校正系数；

基于所述目标电量和计量数据缺失校正系数，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中。

2.如权利要求1所述的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，所述目标电量校正分析模型的计算公式为：

；

其中，C表示计量数据缺失校正系数；是第k类故障的指示变量，共有K类不同的故障类型；是与第k类故障相关的校正因子，用于表征不同故障类型对电量缺失影响的程度；表示第个设备故障的持续天数，总共有个故障实例的持续时间被考虑；是第个设备故障持续时长的校正参数。

3.如权利要求1所述的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，与所述计量数据影响特征集合相似度最高的目标电量的获取方法包括：

对计量数据影响特征集合进行标准化处理；

遍历历史计量数据信息，计算每个历史计量数据与当前计量数据影响特征集合的相似度；

将计算得到的相似度按照降序排列；

选取相似度最高的历史计量数据，选取其计量电量作为“目标电量”。

4.如权利要求1所述的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，所述厂站关口计量设备故障集合的获取方法包括：

利用计量数据缺失特征向量作为筛选条件，其中数据缺失拓扑范围限定数据缺失发生的具体位置，数据缺失时间范围则限定数据缺失的起止时刻；

根据筛选条件，在计量设备故障记录数据库中进行查询过滤，过滤出发生在数据缺失时间范围和数据缺失拓扑范围内的故障记录；

对过滤出的故障记录进行统计分析，识别设备发生的故障类型及其故障持续时长，生成厂站关口计量设备故障集合；厂站关口计量设备故障集合包括在数据缺失时间范围和数据缺失拓扑范围内发生的故障类型和故障持续时长。

5.如权利要求4所述的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，所述计量设备故障记录数据库包括：

设备基本信息表：用于记录每台计量设备的基本信息，包括设备ID、型号、安装位置、所属厂站和安装日期；

故障记录表：用于记录每次故障事件的详细信息，包括故障ID、关联设备ID、故障开始时间、结束时间、故障类型、故障描述、处理措施和处理结果；

数据缺失特征表：用于存储与故障设备相关的计量数据缺失特征向量，包括特征ID、关联故障记录ID、数据缺失时间段、缺失数据类型和数据波动特征。

6.如权利要求1所述的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中的方法包括：

将目标电量与计量数据缺失校正系数相乘，获得拟合电量；

对拟合电量及其相邻的实际测量值进行时间序列平滑处理；

将经过平滑处理的拟合电量，按照其对应的时间戳，填入原始数据集中的缺失位置；

对于填充的数据点，在数据库中标记其为“拟合值”，以区别于直接测量值。

7.如权利要求1所述的基于历史数据分析的厂站关口计量数据缺失拟合优化方法，其特征在于，所述计量数据影响特征集合包括负荷特性、气象特征以及节假日效应；

负荷特性包括日负荷曲线、周负荷模式以及季节性负荷变化；

气象特征包括温度、湿度、风速、降雨量和日照时长；

节假日效应包括在工作日、周末和法定假期负荷总量的变化值以及负荷曲线形状的改变。

8.一种基于历史数据分析的厂站关口计量数据缺失拟合优化系统，其特征在于，所述系统包括：

数据采集模块，用于获取厂站关口计量数据信息以及厂站关口计量设备故障记录信息；

特征提取模块，用于将厂站关口计量数据信息输入至预先构建的计量数据缺失特征提取模型中，获得计量数据缺失特征向量；所述计量数据缺失特征向量包括数据缺失拓扑范围和数据缺失时间范围；

影响特征集合获取模块，用于获取与所述计量数据缺失特征向量相同维度下的计量数据影响特征集合；

历史数据分析模块，根据计量数据影响特征集合，遍历预先收集的厂站关口历史计量数据信息，获取与所述计量数据影响特征集合相似度最高的目标电量；

故障影响分析模块，基于计量数据缺失特征向量，对厂站关口计量设备故障记录信息进行筛选，统计在计量数据缺失特征向量限定条件下发生故障的厂站关口计量设备，生成厂站关口计量设备故障集合；

校正系数计算模块，将厂站关口计量设备故障集合输入至预先构建的目标电量校正分析模型中，获得计量数据缺失校正系数；

拟合电量计算与填充模块，基于所述目标电量和计量数据缺失校正系数，计算得到厂站关口计量数据缺失的拟合电量，并将其填充回厂站关口计量数据信息中。

9.一种基于历史数据分析的厂站关口计量数据缺失拟合优化电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。

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如权利要求1-7中任一项所述方法中的步骤。