基于电力大数据清洗模型的异常数据识别方法

• 作者: 许文婧
• 来源期刊: 新一代信息技术
• 学科: 教育
• 关键词: 电力大数据清洗模型 异常数据 识别 清洗
• 年，卷（期）: 2019,（17）
• 所属期刊栏目: 数据分析与设计
• 页码范围: 41-46
• 页数: 6页
• 分类号: G640
• 字数: 3328字
• 语种: 中文

摘要

为了解决现有异常数据识别方法异常数据误识率较高、清洗时间较长的问题,提出基于电力大数据清洗模型的异常数据识别方法研究.在分布式文件系统上读取电力大数据,采用并行CURE聚类算法获取正常电力大数据,以此为基础,通过正常电力大数据边界特点分析,选择正常电力大数据边界样本,以选择的正常电力大数据边界样本为异常数据识别依据,设置异常数据识别规则,执行异常数据识别算法,利用电力大数据清洗模型清洗上述识别的异常数据,得到精确的电力大数据,实现了异常数据的识别.测试结果显示,与现有两种异常数据识别方法相比较,提出的异常数据识别方法降低了异常数据误识率,减少了异常数据清洗时间,充分说明提出的异常数据识别方法具备更好的识别性能.