1.考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，包括以下步骤：S1 .分别对各个节点的电压时序数据 和功率时序数据进行初步的异常数据点筛选，得到异常时序数据簇，其中，节点包括台区用户节点、光伏节点以及充电桩节点； 为单个节点时间序列长度，为配电台区拓扑节点数；

S2.对S1中标记的异常时序数据簇通过关联规则挖掘进行关联性分析，得到异常时序数据簇中强相关节点，若强相关节点在同一时刻仅有一个节点的电压时序数据或功率时序数据被标为异常数据，则判定被标记的该异常数据为数据质量异常数据；

S3.基于条件扩散模型对被标记的数据质量异常数据进行修复，得到修复后的电压时序数据和功率时序数据；

S4.对修复后的电压时序数据和功率时序数据进行编码转换得到各节点的电压时序图与功率时序图，提取电压时序图与功率时序图特征并进行多图像融合，得到节点时序融合图像 ；

S5.将节点时序融合图像 输入训练后的违规用电识别模型进行图像异常点检测，得到异常像素点，并将其映射回节点电压时序数据与节点功率时序数据，实现配电台区违规用电的溯源定位；

S1的具体内容包括：

S11 .获取各个节点的电压时序数据 与功率时序数据；

S12.通过滑动窗口法检测电压时序数据与功率时序数据中的重复数据，并标记重复率大于预设重复阈值的数据点为异常数据点；

S13.基于局部异常因子算法对电压时序数据与功率时序数据进行离群点检测，并标记异常因子大于预设异常阈值的数据点为异常数据点；

S14.将所有异常数据点初步标记为异常时序数据簇。

2.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，S12的具体内容包括：选择滑动窗口大小为 ，从电压时序数据或功率时序数据的开始位置滑动窗口，每次向前一步；当滑动窗口选中的时序数据中重复数据出现次数超过滑动窗口大小的预设重复阈值时，则所选中的时序中第一次出现重复的数据点为异常数据；

S13的具体内容包括：

根据 与 的数据密度情况，计算 与 中每个数据点的局部可达性密度，对局部可达性密度进一步计算得到数据点的异常因子大小，异常因子大小表示每个数据点的离群程度，并标记异常因子大于预设异常阈值的数据点为异常数据点，其中局部可达性密度和异常因子为：，

式中，表示采样时刻点； 、 表示电压、功率时序数据点 的局部可达性密度； 为数据点 的第 邻域，表示与数据点 相距第 距离内所有时序数据点的集合； 表示第 邻域内的数据点个数；

为时序数据点 到时序数据点 的第 距离；

为节点时序数据点 的异常因子大小。

3.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，通过关联规则挖掘进行关联性分析的具体内容包括：计算所有电压时序数据之间以及功率时序数据之间的关联度与置信度，当两个节点的电压时序数据和功率时序数据的关联度和置信度均满足预设的最小阈值时，则认为这两个节点的时间序列存在强相关性，否则认为这两个节点的时间序列无关。

4.根据权利要求3所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，计算关联度与置信度的具体内容包括：分别采用长度为L的滑动窗口将要进行关联性分析的电压时序数据与功率时序数据截取为M个时序子序列和M个功率子序列，并对电压子序列和功率子序列分别进行线性拟合，使每个子序列斜率的数值区间为[‑1,1]并将其分为各个斜率分段，并对每个斜率分段进行符号化表示；

电压子序列或功率子序列的每段斜率均组成一个完整的事件集；

将所有电压时序数据 或功率时序数据 的子序列所组成事件数据库记为E，事件库内各个子序列的个数记为 ；

将 来表示第k‑1个节点与第k个节点之间的电压时序数据或功率时序数据之间的相关度， 和 分别为第k‑1个节点和第k个节点的电压子序列或功率子序列，表示 在数据库E中出现的个数；相关度越接近1则表示第k‑1个节点和第k个节点的电压时序数据或功率时序数据的关联程度越高；

，

式中， 为第k‑1个节点与第k个节点的电压子序列或功率子序列即 和 之间的相关度； 为 和 之间的置信度， 表示数据库E中同时包含也包含 的概率； 表示 与 间的关联度大小 或 与间的关联度大小 ； 表示 与 间的置信度

或 与 间的置信度 ；n为满足最小支持度的关联子序列数量；

分别求得 、 、 和 。

5.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，S3的具体内容包括：（1）利用强相关节点潮流计算生成数据质量异常数据的推算时序数据，并定义去除数据质量异常数据所对应的时序片段后所剩余的时序数据为剩余可监测时序数据，以剩余可监测时序数据作为正常时序数据；其中正常时序数据包括正常电压时序数据或正常功率时序数据；

（2）对数据质量异常数据添加噪声，得到当前扩散步对应的有掩码异常时序数据，以正常时序数据与推算时序数据为指导计算出当前扩散步对应的预估噪声值；

（3）计算预估噪声值 与当前扩散步对应的实际添加的噪声 之间的差值，通过梯度下降法对差值 进行最小化；

基于条件扩散模型修复异常电压时序数据的优化目标为：，

式中， 表示模型的去噪部分； 为扩散步 中添加噪声后得到的有掩码异常电压时序数据；为高斯噪声， 为正常电压时序数据； 为推算电压时序数据，预估噪声值 且； 表示对正常电压时序数据与高斯噪声的概率分布取平均；

基于条件扩散模型修复异常功率时序数据的优化目标为：，

式中， 为扩散步 中添加噪声后得到的有掩码异常功率时序数据； 为正常功率时序数据； 为推算功率时序数据，预估噪声值 且 ；

表示对正常功率时序数据与高斯噪声的概率分布取平均。

6.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，S4的具体内容包括：将修复后的电压时序数据 与功率时序数据 进行余弦值极坐标变换，其中时间序列的时间戳转化为半径R，余弦值转化为对应的角度值 ，转化过程为：，

式中， 和 表示修复后节点k的电压和功率时序数据点； 和 表示节点k在t时刻电压和功率时序数据点对应极坐标下的角度值；表示极坐标下的半径值；表示对应时序数据的时间戳，并将时间戳区间分成Z等份使极坐标跨度正则化，为时间戳 的集合；

基于格拉姆角场图像化算法将余弦值极坐标变换后的电压时序数据与功率时序数据编码成二维图像矩阵 与 ：，

，

式中， 为修复后的电压时序数据 的转置； 为修复后的电压时序数据 的转置；

是单位 和 对应极坐标下的角度；

将 与 转换为二维图像，即得到节点电压时序图 与功率时序图，其中每个时序图像的张量为 ，G与F是节点时序图的空间分辨率，

1表示节点时序图为单通道图像；

采用卷积神经网络提取每幅时序图的特征 ：

，

式中， 的张量均为 ，将所有的时序图的特征图按照通道进行拼接，形成一个节点时序特征矩阵 ，拼接后特征矩阵 的大小为 ；

计算节点时序特征矩阵 的均值 ，并将其从所有节点时序特征图中减去以消除均值的影响：，

式中， 表示去中心化后的节点时序特征矩阵； 表示节点时序特征矩阵在第k个节点、第j个特征上的元素；

计算 的协方差矩阵 ，对 进行特征值分解得到相应的特征值 与特征向量 ；

根据特征向量 获取投影矩阵 ，使用投影矩阵将去中心化后的节点时序特征矩阵 投影到特征空间以得到投影特征矩阵 ；

对融合后的投影特征矩阵 进行逆变换将其重建为特征图 ，并将特征图 转换为图像的空间表示得到最终的节点时序融合图像 ：。

7.根据权利要求1所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，S5的具体内容包括：将节点时序融合图像 输入训练后的违规用电识别模型进行图像异常点检测，输出图像 ，使用逐像素差异法计算两个图像每个像素点的差异分值：，

基于差异分值的统计数据的阈值P为：

，

式中， 为 的均值， 为 的标准差，为调整系数；

将当前差异分值大于阈值P的像素点标记为违规用电特征点，并将其映射回节点电压时序数据与节点功率时序数据，实现配电台区违规用电的溯源定位。

8.根据权利要求7所述的考虑多源量测数据质量的配电台区违规用电智能识别方法，其特征在于，训练违规用电识别模型的具体内容包括：训练违规用电识别模型包括判别器和生成器，判别器和生成器的中间层加入自注意力机制以提高图像的生成能力；训练过程包括对判别器的训练和生成器的训练：判别器的训练过程包括：

将当前批次的节点时序融合图像 与节点生成图像 同时输入至判别器中，生成对应的时序特征图并对其进行一层卷积操作，计算判别器损失并进行参数更新：，

式中， 表示判别器对节点时序融合特征图的预测概率； 表示判别器对节点生成时序特征图的预测概率；为0‑1变量，对于节点时序融合特征图时为1，对于节点生成时序特征图为0；

生成器的训练过程包括：

将得到的节点时序融合图像 通过编码器生成时序特征向量e，接着将时序特征向量e输入解码器中进行解码得到节点生成图像 ，将节点生成图像 再次输入编码器中得到时序生成向量 ，计算生成器的整体损失并进行参数更新。