基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法.首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择.其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法.根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间.在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构.采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值.