CN108427742A - 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 - Google Patents
一种基于低秩矩阵的配电网可靠性数据修复方法及系统 Download PDFInfo
- Publication number
- CN108427742A CN108427742A CN201810185507.7A CN201810185507A CN108427742A CN 108427742 A CN108427742 A CN 108427742A CN 201810185507 A CN201810185507 A CN 201810185507A CN 108427742 A CN108427742 A CN 108427742A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- matrix
- reliability data
- network reliability
- low
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 250
- 238000009826 distribution Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011084 recovery Methods 0.000 title claims abstract description 13
- 230000008439 repair process Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 21
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 238000005067 remediation Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003416 augmentation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2365—Ensuring data consistency and integrity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于低秩矩阵的配电网可靠性数据修复方法及系统,所述方法包括:根据配电网停电事件记录信息确定配电网可靠性数据矩阵,根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型,通过所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵;本申请的技术方案利用引入加权方法和高斯噪声约束项的低秩矩阵修复配电网可靠性数据的数据缺失点,在提高数据修复效率的同时,保证配电网可靠性数据的精确性,提高配电网的可靠性数据质量。
Description
技术领域
本发明涉及配电网可靠性数据处理与分析技术领域,具体涉及一种基于低秩矩阵的配电网可靠性数据修复方法及系统。
背景技术
随着经济的发展和人民生活水平的不断提高,用户对电力的需求越来越大,与此同时,对供电可靠性的要求也逐渐提高;目前的电网供电可靠性管理主要依赖于电力可靠性管理系统,该系统运行多年,积累了海量的数据资源,这些数据是电力系统自动化的核心资源,高质量的数据能够切实反映电网情况,可实现决策优化、管理提升的数据可靠性管理与分析技术成为研究热点;但是,由于采集装置、通信等局限,配电网可靠性数据记录往往存在部分属性信息缺失的问题,在数据应用前往往需要做大量的数据修复工作。现有的电网数据修复技术尚未形成成熟的技术体系,大多使用均值插补、同类均值插补,但单值插补方法对电网数据修复的精确度不高。
因此,亟需提供一种完善且精准的配电网可靠性数据修复方法及系统,以确保完成配电网缺失数据修复的同时保障数据精确性。
发明内容
本发明提供一种基于低秩矩阵的配电网可靠性数据修复方法及系统,其目的是通过采用对配电网的低秩矩阵引入加权方法和高斯噪声约束项的方法来修复配电网可靠性数据过程中的数据缺失点,通过增广拉格朗日求解法获取矩阵最优解,在实现可靠性数据修复的同时,有效保证配电网可靠性数据的精确性。
本发明的目的是采用下述技术方案实现的:
一种基于低秩矩阵的配电网可靠性数据修复方法,其改进之处在于,所述方法包括:
根据配电网停电事件记录信息确定配电网可靠性数据矩阵;
根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型;
根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵。
优选地,所述根据配电网停电事件记录信息确定配电网可靠性数据矩阵,包括:
根据所述配电网停电事件记录信息构造M×N维配电网可靠性数据矩阵,其中,M为配电网停电事件的总次数,N为配电网停电事件记录信息的总数。
进一步地,所述配电网停电事件记录信息包括:停电持续时间、户次数、停电技术原因类别、地区特征码、供电站所属部门、设备线次数、设备电容时、设备电容量、设备统计分类标志和供电站所属分类。
优选地,所述根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型,包括:
按下式确定所述配电网可靠性数据矩阵的加权低秩矩阵模型:
式中,D为所述配电网可靠性数据矩阵,L为D的低秩矩阵,S为稀疏矩阵,E为高斯噪声矩阵,n为L矩阵的奇异值权重个数,wL,j为L的第j个奇异值权重,σj为L的第j个奇异值,Ws为S的权重,λ1为约束项||WS·S||1的系数,λ2为约束项的系数,||·||1为1范数,为相应矩阵的弗罗贝尼乌斯范数的平方;
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第一约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第二约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第三约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第四约束项如下:
||D-L-S-E||F≤10-7||D||F
其中, 为D的奇异值阈值算子,当满足X=U∑VT时,U为满足UTU=I的酉矩阵,V为满足VTV=I的酉矩阵,I为单位矩阵,为S的收缩算子,sgn(*)为符号函数,Y为拉格朗日乘子矩阵;μ为误差项的权重;为增广拉格朗日函数的惩罚项;D-L-S-E为约束条件;<Y,D-L-S-E>为Y与D-L-S-E的内积,||·||F为相应矩阵的弗罗贝尼乌斯范数。
优选地,所述根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵,包括:
获取所述配电网可靠性数据矩阵的加权低秩矩阵模型中的最优低秩矩阵,并将所述最优低秩矩阵作为修复后的配电网可靠性数据矩阵。
一种基于低秩矩阵的配电网可靠性数据修复系统,其改进之处在于,所述系统包括:
第一确定模块,用于根据配电网停电事件记录信息确定配电网可靠性数据矩阵;
第二确定模块,用于根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型;
修复模块,用于根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵。
优选地,所述第一确定模块,用于:
根据所述配电网停电事件记录信息构造M×N维配电网可靠性数据矩阵,其中,M为配电网停电事件的总次数,N为配电网停电事件记录信息的总数。
进一步地,所述配电网停电事件记录信息包括:停电持续时间、户次数、停电技术原因类别、地区特征码、供电站所属部门、设备线次数、设备电容时、设备电容量、设备统计分类标志和供电站所属分类。
优选地,所述第二确定模块,用于:
按下式确定所述配电网可靠性数据矩阵的加权低秩矩阵模型:
式中,D为所述配电网可靠性数据矩阵,L为D的完全低秩矩阵,S为稀疏矩阵,E为高斯噪声矩阵,n为L矩阵的奇异值权重个数,wL,j为L的第j个奇异值权重,σj为L的第j个奇异值,Ws为S的权重,λ1为约束项的系数,λ2为约束项的系数,||·||1为1范数,为相应矩阵的弗罗贝尼乌斯范数的平方;
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第一约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第二约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第三约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第四约束项如下:
||D-L-S-E||F≤10-7||D||F
其中, 为D的奇异值阈值算子,当满足X=U∑VT时,U为满足UTU=I的酉矩阵,V为满足VTV=I的酉矩阵,I为单位矩阵,为S的收缩算子,sgn(*)为符号函数,Y为拉格朗日乘子矩阵;μ为误差项的权重;为增广拉格朗日函数的惩罚项;D-L-S-E为约束条件;<Y,D-L-S-E>为Y与D-L-S-E的内积,||·||F为相应矩阵的弗罗贝尼乌斯范数。
优选地,所述修复模块,用于:
获取所述配电网可靠性数据矩阵的加权低秩矩阵模型中的最优低秩矩阵,并将所述最优低秩矩阵作为修复后的配电网可靠性数据矩阵。
与最接近的现有技术相比,本发明还具有如下有益效果:
本发明采用的技术方案根据配电网停电事件记录信息确定配电网可靠性数据矩阵,进一步确定配电网可靠性数据矩阵的加权低秩矩阵模型,通过所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵;本申请的技术方案利用引入加权方法和高斯噪声约束项的低秩矩阵修复配电网可靠性数据的数据缺失点,通过增广拉格朗日求解法获取矩阵最优解,在实现配电网可靠性数据修复的同时,有效保证了修复数据的精确性,提高了配电网的可靠性数据质量,使配电网可靠性数据能更好的反应真实情况,有助于电网的稳定运行。
附图说明
图1是本发明实施例基于低秩矩阵的配电网可靠性数据修复方法的流程图;
图2是本发明实施例基于低秩矩阵的配电网可靠性数据修复系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供了一种基于低秩矩阵的配电网可靠性数据修复方法及系统,下面进行说明。
在配电网停电时间记录信息中,采集的配电网可靠性观测数据具有很强的相关性,低秩矩阵填充算法可以解决配电网可靠性数据填补问题,由于配电网可靠性数据具有缺失点及噪声,所以在传统低秩矩阵模型的基础上,针对以上配电网可靠性数据特点,提出了一种基于低秩矩阵填充理论的配电网可靠性数据修复方法;
图1示出了本发明实施例中基于低秩矩阵的配电网可靠性数据修复方法的流程图,如图1所示,所述方法可以包括:
101.根据配电网停电事件记录信息确定配电网可靠性数据矩阵;
102.根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型;
103.根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵。
其中,所述根据配电网停电事件记录信息确定配电网可靠性数据矩阵,可以包括:根据所述配电网停电事件记录信息构造M×N维配电网可靠性数据矩阵,其中,M为配电网停电事件的总次数,N为配电网停电事件记录信息的总数;其中矩阵每一列表示配电网停电事件记录信息中的一个特征信息,每一行表示一条配电网停电事件记录;
所述根据配电网停电事件记录信息确定配电网可靠性数据矩阵之前可以包括:
获取用户信息、管理信息和设备信息组成的配电网停电事件记录信息,其中这些记录信息转换为数值或编码格式数据;
所述配电网停电事件记录信息通常包括:停电持续时间、户次数、停电技术原因类别、地区特征码、供电站所属部门、设备线次数、设备电容时、设备电容量、设备统计分类标志和供电站所属分类。
所述根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型,可以包括:按下式确定所述配电网可靠性数据矩阵的加权低秩矩阵模型:
式中,D为所述配电网可靠性数据矩阵,为含有噪声和数据缺失的待补数据矩阵,L为D的低秩矩阵,S为稀疏矩阵,E为高斯噪声矩阵,n为L矩阵的奇异值权重个数,wL,j为L的第j个奇异值权重,σj为L的第j个奇异值,Ws为S的权重,λ1为约束项||WS·S||1的系数,λ2为约束项的系数,λ1和λ2决定了各自约束项的强度,||·||1为1范数,即矩阵中所有元素的绝对值之和,为相应矩阵的弗罗贝尼乌斯范数(Euclid)的平方,即矩阵中所有元素平方的和;表示对目标矩阵L、矩阵S和矩阵E的最小化;其中,是高斯噪声约束项,加强了去除噪声的效果。
上述低秩矩阵模型是一个典型的凸优化问题,我们可以使用增广拉格朗日算法对上式进行求解,获得上式的增广拉格朗日形式:
将公式(2)拆分为公式(3)、(4)、(5)三个问题分别进行求解,交替更新L、S、E来优化该子问题:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第一约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第二约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第三约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第四约束项如下:
||D-L-S-E||F≤10-7||D||F (6)
其中, 为D的奇异值阈值算子,当满足X=U∑VT时,U为满足UTU=I的酉矩阵,V为满足VTV=I的酉矩阵,I为单位矩阵,为S的收缩算子,sgn(*)为符号函数,Y为拉格朗日乘子矩阵;μ为误差项的权重;为增广拉格朗日函数的惩罚项;D-L-S-E为约束条件;<Y,D-L-S-E>为Y与D-L-S-E的内积,||·||F为相应矩阵的弗罗贝尼乌斯范数(Euclid);
通过迭代,不断计算公式(3)、(4)、(5)来更新L、S、E,直到满足第四约束项式(6),使得增广拉格朗日乘子算法收敛至最优解,获得完全低秩矩阵L、稀疏矩阵S、高斯噪声矩阵E。
根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵,可以包括:
获取所述配电网可靠性数据矩阵的加权低秩矩阵模型中的最优低秩矩阵,并将所述最优低秩矩阵作为修复后的配电网可靠性数据矩阵。
将低秩矩阵模型应用到了配电网可靠性数据补全中,对缺失点进行填充,在传统低秩矩阵模型基础上引入了高斯噪声约束项,加强了去除噪声的效果,此外为了提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入了加权的低秩矩阵和加权的稀疏矩阵,因此,在保证去噪效果的同时,其大幅度提高了不同类型补全数据的精确度。
图2示出了本发明实施例中基于低秩矩阵的配电网可靠性数据修复系统的结构示意图,如图2所示,所述系统可以包括:
第一确定模块,用于根据配电网停电事件记录信息确定配电网可靠性数据矩阵;
第二确定模块,用于根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型;
修复模块,用于根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵。
其中,所述第一确定模块,用于:根据所述配电网停电事件记录信息构造M×N维配电网可靠性数据矩阵,其中,M为配电网停电事件的总次数,N为配电网停电事件记录信息的总数。
具体地,所述配电网停电事件记录信息可以包括:停电持续时间、户次数、停电技术原因类别、地区特征码、供电站所属部门、设备线次数、设备电容时、设备电容量、设备统计分类标志和供电站所属分类。
所述第二确定模块,用于:按下式确定所述配电网可靠性数据矩阵的加权低秩矩阵模型:
式中,D为所述配电网可靠性数据矩阵,L为D的低秩矩阵,S为稀疏矩阵,E为高斯噪声矩阵,n为L矩阵的奇异值权重个数,wL,j为L的第j个奇异值权重,σj为L的第j个奇异值,Ws为S的权重,λ1为约束项||WS·S||1的系数,λ2为约束项的系数,||·||1为1范数,为相应矩阵的弗罗贝尼乌斯范数的平方;
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第一约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第二约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第三约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第四约束项如下:
||D-L-S-E||F≤10-7||D||F
其中, 为D的奇异值阈值算子,当满足X=U∑VT时,U为满足UTU=I的酉矩阵,V为满足VTV=I的酉矩阵,I为单位矩阵,为S的收缩算子,sgn(*)为符号函数,Y为拉格朗日乘子矩阵;μ为误差项的权重;为增广拉格朗日函数的惩罚项;D-L-S-E为约束条件;<Y,D-L-S-E>为Y与D-L-S-E的内积,||·||F为相应矩阵的弗罗贝尼乌斯范数。
具体地,所述修复模块,用于:获取所述配电网可靠性数据矩阵的加权低秩矩阵模型中的最优低秩矩阵,并将所述最优低秩矩阵作为修复后的配电网可靠性数据矩阵。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于低秩矩阵的配电网可靠性数据修复方法,其特征在于,所述方法包括:
根据配电网停电事件记录信息确定配电网可靠性数据矩阵;
根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型;
根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵。
2.如权利要求1所述的方法,其特征在于,所述根据配电网停电事件记录信息确定配电网可靠性数据矩阵,包括:
根据所述配电网停电事件记录信息构造M×N维配电网可靠性数据矩阵,其中,M为配电网停电事件的总次数,N为配电网停电事件记录信息的总数。
3.如权利要求2所述的方法,其特征在于,所述配电网停电事件记录信息包括:停电持续时间、户次数、停电技术原因类别、地区特征码、供电站所属部门、设备线次数、设备电容时、设备电容量、设备统计分类标志和供电站所属分类。
4.如权利要求1所述的方法,其特征在于,所述根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型,包括:
按下式确定所述配电网可靠性数据矩阵的加权低秩矩阵模型:
式中,D为所述配电网可靠性数据矩阵,L为D的低秩矩阵,S为稀疏矩阵,E为高斯噪声矩阵,n为L矩阵的奇异值权重个数,wL,j为L的第j个奇异值权重,σj为L的第j个奇异值,Ws为S的权重,λ1为约束项||WS·S||1的系数,λ2为约束项的系数,||·||1为1范数,为相应矩阵的弗罗贝尼乌斯范数的平方;
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第一约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第二约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第三约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第四约束项如下:
||D-L-S-E||F≤10-7||D||F
其中, 为D的奇异值阈值算子,当满足X=U∑VT时,U为满足UTU=I的酉矩阵,V为满足VTV=I的酉矩阵,I为单位矩阵,为S的收缩算子,sgn(*)为符号函数,Y为拉格朗日乘子矩阵;μ为误差项的权重;为增广拉格朗日函数的惩罚项;D-L-S-E为约束条件;<Y,D-L-S-E>为Y与D-L-S-E的内积,||·||F为相应矩阵的弗罗贝尼乌斯范数。
5.如权利要求1所述的方法,其特征在于,所述根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵,包括:
获取所述配电网可靠性数据矩阵的加权低秩矩阵模型中的最优低秩矩阵,并将所述最优低秩矩阵作为修复后的配电网可靠性数据矩阵。
6.一种基于低秩矩阵的配电网可靠性数据修复系统,其特征在于,所述系统包括:
第一确定模块,用于根据配电网停电事件记录信息确定配电网可靠性数据矩阵;
第二确定模块,用于根据所述配电网可靠性数据矩阵确定配电网可靠性数据矩阵的加权低秩矩阵模型;
修复模块,用于根据所述配电网可靠性数据矩阵的加权低秩矩阵模型获得修复后的配电网可靠性数据矩阵。
7.如权利要求6所述的系统,其特征在于,所述第一确定模块,用于:
根据所述配电网停电事件记录信息构造M×N维配电网可靠性数据矩阵,其中,M为配电网停电事件的总次数,N为配电网停电事件记录信息的总数。
8.如权利要求7所述的系统,其特征在于,所述配电网停电事件记录信息包括:停电持续时间、户次数、停电技术原因类别、地区特征码、供电站所属部门、设备线次数、设备电容时、设备电容量、设备统计分类标志和供电站所属分类。
9.如权利要求6所述的系统,其特征在于,所述第二确定模块,用于:
按下式确定所述配电网可靠性数据矩阵的加权低秩矩阵模型:
式中,D为所述配电网可靠性数据矩阵,L为D的低秩矩阵,S为稀疏矩阵,E为高斯噪声矩阵,n为L矩阵的奇异值权重个数,wL,j为L的第j个奇异值权重,σj为L的第j个奇异值,Ws为S的权重,λ1为约束项||WS·S||1的系数,λ2为约束项的系数,||·||1为1范数,||·||1为1范数,为相应矩阵的弗罗贝尼乌斯范数的平方;
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第一约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第二约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第三约束项如下:
所述配电网可靠性数据矩阵的加权低秩矩阵模型的第四约束项如下:
||D-L-S-E||F≤10-7||D||F
其中, 为D的奇异值阈值算子,当满足X=U∑VT时,U为满足UTU=I的酉矩阵,V为满足VTV=I的酉矩阵,I为单位矩阵,为S的收缩算子,sgn(*)为符号函数,Y为拉格朗日乘子矩阵;μ为误差项的权重;为增广拉格朗日函数的惩罚项;D-L-S-E为约束条件;<Y,D-L-S-E>为Y与D-L-S-E的内积,||·||F为相应矩阵的弗罗贝尼乌斯范数。
10.如权利要求6所述的系统,其特征在于,所述修复模块,用于:
获取所述配电网可靠性数据矩阵的加权低秩矩阵模型中的最优低秩矩阵,并将所述最优低秩矩阵作为修复后的配电网可靠性数据矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185507.7A CN108427742B (zh) | 2018-03-07 | 2018-03-07 | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185507.7A CN108427742B (zh) | 2018-03-07 | 2018-03-07 | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427742A true CN108427742A (zh) | 2018-08-21 |
CN108427742B CN108427742B (zh) | 2023-12-19 |
Family
ID=63157468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810185507.7A Active CN108427742B (zh) | 2018-03-07 | 2018-03-07 | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427742B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711012A (zh) * | 2018-12-14 | 2019-05-03 | 华北电力大学 | 一种基于奇异谱分析的pmu单通道丢失数据的恢复方法 |
CN110638433A (zh) * | 2019-09-08 | 2020-01-03 | 智能制造研究院(肇庆高要)有限公司 | 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN105279964A (zh) * | 2015-08-07 | 2016-01-27 | 北京工业大学 | 一种基于低秩算法的路网交通数据的补全方法 |
CN107133930A (zh) * | 2017-04-30 | 2017-09-05 | 天津大学 | 基于低秩矩阵重建和稀疏表示的行列缺失图像填充方法 |
-
2018
- 2018-03-07 CN CN201810185507.7A patent/CN108427742B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN105279964A (zh) * | 2015-08-07 | 2016-01-27 | 北京工业大学 | 一种基于低秩算法的路网交通数据的补全方法 |
CN107133930A (zh) * | 2017-04-30 | 2017-09-05 | 天津大学 | 基于低秩矩阵重建和稀疏表示的行列缺失图像填充方法 |
Non-Patent Citations (1)
Title |
---|
VENKAT CHANDRASEKARAN等: "Sparse and Low-Rank Matreix Decompositions", IFAC PROCEEDINGS VOLUMES * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711012A (zh) * | 2018-12-14 | 2019-05-03 | 华北电力大学 | 一种基于奇异谱分析的pmu单通道丢失数据的恢复方法 |
CN110638433A (zh) * | 2019-09-08 | 2020-01-03 | 智能制造研究院(肇庆高要)有限公司 | 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 |
CN110638433B (zh) * | 2019-09-08 | 2022-09-30 | 佛山协智领航科技有限公司 | 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108427742B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170083990A1 (en) | System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium | |
CN102426590A (zh) | 一种质量评价的方法和装置 | |
CN110148435A (zh) | 一种闪存颗粒筛选分级方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN113469266B (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
CN103700030A (zh) | 基于灰色粗糙集的电网建设项目后评价指标赋权方法 | |
CN108427742A (zh) | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 | |
CN109389178A (zh) | 一种维修厂评级方法、系统及电子设备和存储介质 | |
CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
CN114021837A (zh) | 基于混合机器学习和空间地址匹配的区域用电量预测方法 | |
CN112348352B (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
KR20200052432A (ko) | 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법 | |
CN108133485A (zh) | Gis栅格化连片问题区域识别方法、装置、终端和介质 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
Guo | Building Resilient Sponge Communities through Government Interventions: Exploring the Role of Community and Stakeholder Participation in Sustainable Economic and Environmental Development | |
Kamarulzaman et al. | A review on factors for Big Data adoption towards industry 4.0 | |
CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
CN109753990B (zh) | 一种用户电能替代潜力预测方法、系统及存储介质 | |
Xuan et al. | Appearance fault diagnosis of a transformer based on data set optimization and heterogeneous model ensemble | |
CN112001551A (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
CN110175262A (zh) | 基于聚类的深度学习模型压缩方法、存储介质及系统 | |
CN110889614A (zh) | 基于scada大数据的电网系统重要用户供电风险分析方法 | |
CN113780689B (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
Haroonabadi et al. | Generation reliability evaluation in power markets using Monte Carlo simulation and neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |