CN110532444A - 一种高维电力大数据可视化方法及系统 - Google Patents
一种高维电力大数据可视化方法及系统 Download PDFInfo
- Publication number
- CN110532444A CN110532444A CN201910665135.2A CN201910665135A CN110532444A CN 110532444 A CN110532444 A CN 110532444A CN 201910665135 A CN201910665135 A CN 201910665135A CN 110532444 A CN110532444 A CN 110532444A
- Authority
- CN
- China
- Prior art keywords
- data
- electric power
- dimension
- big data
- power big
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012800 visualization Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 17
- 238000013506 data mapping Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000013079 data visualisation Methods 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009412 basement excavation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种高维电力大数据可视化方法及系统,包括:采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;基于流形学习的局部线性嵌入LLE算法对所述高维电力大数据集进行降维处理;将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。解决了高维电力大数据可视化的图元密集和图形重叠的问题,将数据清晰地展现。
Description
技术领域
本发明涉及配用电全局全量数据可视化的方法,具体涉及一种高维电力大数据可视化方法及系统。
背景技术
目前信息与数据可视化方法的主要分类有:文本可视化、网络图可视化、时空数据可视化和多维数据可视化,其中时空数据和多维数据的特点与大数据较为接近。典型的时空数据可视化方法包括流式地图(flow map),它融合了时间事件流和地图;时空立方体(space-time cube)以三维方式直观展现时间、空间及事件。另一类方式是Tominski引入的堆积图(stack graph),它对二维和三维进行融合,在时空立方体中拓展空间用于显示多维属性;散点图(scatter plot)是最常见的多维可视化方法,它仅适合对数量有限的某几个维度进行可视化,对于需要同时展示所有维度的情景不适用。散点图的维度有限问题是诸多优化方法的研究重点。平行坐标(parallel coordinates)是研究和应用最为广泛的一种可视化技术,对于多维属性尤为有效。它将维度与坐标轴建立映射,在若干条平行轴之间以直线线段映射多维数据。近年来,有研究者将平行坐标图与散点图以及其他可视化技术进行集成,设计了平行坐标散点图(parallel coordinate plots,PCP),在三维空间扩展了散点图。在大数据环境下,基于平行坐标的一系列可视化方法面临一个主要问题,即大规模数据项会造成线条密集与重叠覆盖,数据维度高,可视化难度大。
高维电力大数据是电网系统运行时产生的多类型的数据融合,高维电力大数据是指配用电全局全量数据,配用电全局全量数据主要包括配用电系统规划、运行、管理和经营过程中产生或需要的数据,其中包括配电数据、用电数据、以及外部数据(如经济、社会、气象数据)等全要素数据。
发明内容
本发明提供的技术方案是:
一种高维电力大数据可视化方法,包括:
采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
基于流形学习的局部线性嵌入LLE算法对所述高维电力大数据集进行降维处理;
将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
优选的,所述配用电全局全量数据,包括:基于数据采集系统采集的电网运行实施数据、与电网运行相关的数据;
其中,所述电网运行相关的数据包括:电力用户数据、与电网运行相关的经济数据、社会数据和气象数据。
优选的,所述基于流形学习的LLE算法对所述高维电力大数据集进行降维处理,包括:
基于高维电力大数据找出每一个数据的临近点;
使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值;
在保持权值不变,且使低维空间重构误差最小在低维空间中重构原始数据点,基于所有在低维空间重构的原始数据点,得到降维处理后的电力大数据。
优选的,所述使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值,包括:
由每个数据的近邻点计算所述数据的局部重建权值矩阵,使重构误差函数达到最小,得到每个数据的权值。
优选的,所述重构误差函数如下式所示:
式中,xi和xj不是近邻数据点;wij为xi与xij线性表示的权值。
优选的,所述权值wij如下式计算:
其中,
式中,ηi和ηk是xi的近邻点,为构建的协方差矩阵。
优选的,所述低维空间重构误差按下式计算:
式中,yi为低维空间中最优构造点;yj为yi的第j个近邻点;
其中yi满足:
式中,I是d×d单位阵,d是数据降维后的维数且满足约束条件,1≤d≤log2N,N为电力数据个数。
一种高维电力大数据可视化系统,包括:数据处理模块、降维模块和映射模块;
所述数据处理模块:用于采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
所述降维模块:用于基于流形学习的LLE算法对所述高维电力大数据集进行降维处理;
所述映射模块:用于将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
优选的,所述降维模块,具体包括:
基于高维电力大数据找出每一个数据的临近点;
使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值;
在保持权值不变,且使低维空间重构误差最小在低维空间中重构原始数据点,
基于所有在低维空间重构的原始数据点,得到降维处理后的电力大数据。
优选的,所述降维模块,包括:计算单元、重构误差函数和低维空间重构误差;
所述计算单元:用于由每个数据的近邻点计算所述数据的局部重建权值矩阵,使重构误差函数达到最小,得到每个数据的权值;
所述重构误差函数如下式所示:
式中,xi和xj不是近邻数据点;wij为xi与xij线性表示的权值;
所述wij如下式计算:
其中,
式中,ηi和ηk是xi的近邻点,为构建的协方差矩阵;
所述低维空间重构误差按下式计算:
式中,yi为低维空间中最优构造点;yj为yi的第j个近邻点;
其中yi满足:
式中,I是d×d单位阵,d是数据降维后的维数且满足约束条件,1≤d≤log2N,N为电力数据个数。
与现有技术相比,本发明的有益效果为:
一种高维电力大数据可视化方法,包括:采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;基于流形学习的局部线性嵌入LLE算法对所述高维电力大数据集进行降维处理;将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。解决了高维电力大数据可视化的图元密集和图形重叠的问题,将数据清晰地展现。
附图说明
图1为本发明的一种高维电力大数据可视化方法流程图;
图2为本发明的基于流形学习的高维电力大数据可视化系统结构示意图;
图3为本发明的基于流形学习的LEE算法流程图示意图;
图4为本发明的基于流形学习的高维电力大数据可视化系统实施框架图。
图5为本发明的实施例高维电力大数据可视化方法流程图
图6为本发明的局部线性嵌入LLE算法示意图
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本发明提出一种高维电力大数据可视化方法,其具体过程如图5所示。首先对电网运行时电力设备产生的实时数据进行采集,将这些元数据进行数据序列化产生高维电力大数据,利用流形学习的LLE算法对高维电力大数据进行降维分析处理,将分析结果集合通过数据映射发送至可视化平台,从而实现高维电力大数据的可视化。
本发明将高维电力大数据利用流形学习的方法进行降维处理,采用流形学习中的局部线性嵌入(LLE)的非线性降维算法,保留了原数据的局部几何特征和数据质量,降低了数据的复杂性。LLE的核心思想是高维空间数据集的邻域关系与嵌入在高维空间的低维流形上的对应数据集的邻域关系保持不变。
LLE算法示意图如图6所示。算法首先找出每一个点xi的近邻点,一般采用k近邻或者ε邻域,计算复杂度为O(DN2);进一步计算权值Wij,使把xi用它的k个近邻点xj线性表示的误差最小,即通过最小化权值误差矩阵||Xi-WijXj||来求出Wij,此过程具有O(DNK3)的计算复杂度;最后在保持权值Wij不变,求xi在低维空间的象yi,使得数据在低维重构误差最小,这里的计算复杂度为O(dN2)。
一种高维电力大数据可视化方法如图1所示,包括:
S1采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
S2基于流形学习的LLE算法对所述高维电力大数据集进行降维处理;
S3将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
S1采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
(1)数据采集阶段
步骤1:对电网运行的配用电全局全量数据进行采集;
步骤2:将采集的元数据进行数据序列化处理,产生高维电力大数据;
步骤3:采用流形学习的LLE算法对高维电力大数据进行降维分析处理。
S2基于流形学习的LLE算法对所述高维电力大数据集进行降维处理;
(2)数据处理阶段(LLE算法降维处理)
步骤1:在高维电力大数据集中,寻找每个样本点xi的k个近邻点。近邻点的选择一般采用欧式距离来衡量,记样本点xi的第j个近邻点为xj(j=1,2,3,......,k);
步骤2:由每个样本点xi的近邻点计算该样本的局部重建权值矩阵W,使重构误差函数g(W)达到最小;若xi和xj不是近邻点,则Wij=0且∑iwij=1
用最小二乘法最小化重构成本函数解得
式中ηi和ηk是xi的近邻点。
步骤3:在低维空间中重构原始数据点,得到低维空间Y中最优构造点yi,使低维空间重构误差Φ(Y)达到最小,即
式中yj(j=1,2,3,......,k)是yi的第j个近邻点。需要满足: I是d×d单位阵,d是数据降维后的维数。这一步的优化问题可以通过对矩阵M=(I-W)T(I-W)的特征值分解得到。
LLE的本征维数估计,在固定样本容量N的条件下,本征维数估计d应该满足约束条件,1≤d≤log2N。
S3将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
(3)数据可视化阶段
步骤一:将处理分析后的电力大数据集合映射到可视化平台;
步骤二:利用可视化平台将数据进行可视化展现,进而对数据进行挖掘和分析。
实施例2:
如附图2所示,基于流形学习的高维电力大数据可视化系统,包括数据采集阶段、数据处理阶段和数据可视化阶段。所述数据采集阶段需要数据采集系统对电网实时运行数据、外部数据(包括社会、经济和气象等数据)和其他数据(如电力用户数据等)的配电网全局全量数据进行采集,然后存储在数据存储系统中;数据处理阶段需要将配电网全局全量数据进行序列化处理送入基于流形学习的LLE算法系统中进行降维处理;数据可视化阶段需要将降维处理后的数据传输到可视化平台,进行深度的挖掘和分析。
该过程的核心技术是通过流形学习的LLE算法对高维电力大数据进行降维处理,保留了原数据的局部几何特征和数据质量,降低了数据的复杂性。因为LLE的核心思想是高维空间数据集的邻域关系与嵌入在高维空间的低维流形上的对应数据集的邻域关系保持不变。
如附图3所示,基于流形学习的LEE算法流程包括三个步骤,首先找出每一个点xi的近邻点,一般采用k近邻或者ε邻域;进一步计算权值Wij,使把xi用它的k个近邻点xj线性表示的误差最小,即通过最小化权值误差矩阵||Xi-WijXj||来求出Wij;最后在保持权值Wij不变,求xi在低维空间的象yi,使得数据在低维重构误差最小。
如附图4所示,基于流形学习的高维电力大数据可视化系统实施,该系统包括数据源层,数据的采集、存储和传输层,电力大数据处理层,可视化层和数据的挖掘和分析层。所述的数据源层包括电网运行实时数据,外部数据(社会、经济和气象等数据)和电力用户数据及其他数据组成的配电网全局全量数据。将这些数据通过通信接口机送入信息内网,然后传输到数据库管理系统中;数据库管理系统包括数据传输控制、数据分类控制和数据存储控制,完成对元数据的传输分类和存储;电力大数据处理层是基于流形学习的电力大数据降维算法系统,该系统通过LLE非线性降维算法将高维电力大数据进行降维处理;可视化层包括应用服务器、数据库服务器和对外数据接口等对降维后的电力数据进行展现;数据的挖掘和分析层首先对数据进行一个预处理,具体包括数据集成、数据清洗和特征选择,然后在对数据进行深度的挖掘和分析。实施例3:
实施例3
基于同一种发明构思,本发明还提供了一种高维电力大数据可视化系统,包括:数据处理模块、降维模块和映射模块;
所述数据处理模块:用于采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
所述降维模块:用于基于流形学习的LLE算法对所述高维电力大数据集进行降维处理;
所述映射模块:用于将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
所述降维模块,具体包括:
基于高维电力大数据找出每一个数据的临近点;
使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值;
在保持权值不变,且使低维空间重构误差最小在低维空间中重构原始数据点,
基于所有在低维空间重构的原始数据点,得到降维处理后的电力大数据。
所述降维模块,包括:计算单元、重构误差函数和低维空间重构误差;
所述计算单元:用于由每个数据的近邻点计算所述数据的局部重建权值矩阵,使重构误差函数达到最小,得到每个数据的权值;
所述重构误差函数如下式所示:
式中,xi和xj不是近邻数据点;wij为xi与xij线性表示的权值;
所述wij如下式计算:
其中,
式中,ηi和ηk是xi的近邻点,为构建的协方差矩阵;
所述低维空间重构误差按下式计算:
式中,yi为低维空间中最优构造点;yj为yi的第j个近邻点;
其中yi满足:
式中,I是d×d单位阵,d是数据降维后的维数且满足约束条件,1≤d≤log2N,N为电力数据个数。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种高维电力大数据可视化方法,其特征在于,包括:
采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
基于流形学习的局部线性嵌入LLE算法对所述高维电力大数据集进行降维处理;
将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
2.如权利要求1所述的高维电力大数据可视化方法,其特征在于,所述配用电全局全量数据,包括:基于数据采集系统采集的电网运行实施数据、与电网运行相关的数据;
其中,所述电网运行相关的数据包括:电力用户数据、与电网运行相关的经济数据、社会数据和气象数据。
3.如权利要求1所述的高维电力大数据可视化方法,其特征在于,所述基于流形学习的LLE算法对所述高维电力大数据集进行降维处理,包括:
基于高维电力大数据找出每一个数据的临近点;
使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值;
在保持权值不变,且使低维空间重构误差最小在低维空间中重构原始数据点,
基于所有在低维空间重构的原始数据点,得到降维处理后的电力大数据。
4.如权利要求3所述的高维电力大数据可视化方法,其特征在于,所述使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值,包括:
由每个数据的近邻点计算所述数据的局部重建权值矩阵,使重构误差函数达到最小,得到每个数据的权值。
5.如权利要求4所述的高维电力大数据可视化方法,其特征在于,所述重构误差函数如下式所示:
式中,xi和xj不是近邻数据点;wij为xi与xij线性表示的权值。
6.如权利要求5所述的高维电力大数据可视化方法,其特征在于,所述权值wij如下式计算:
其中,
式中,ηi和ηk是xi的近邻点,为构建的协方差矩阵。
7.如权利要求3所述的高维电力大数据可视化方法,其特征在于,所述低维空间重构误差按下式计算:
式中,yi为低维空间中最优构造点;yj为yi的第j个近邻点;
其中yi满足:
式中,I是d×d单位阵,d是数据降维后的维数且满足约束条件,1≤d≤log2N,N为电力数据个数。
8.一种高维电力大数据可视化系统,其特征在于,包括:数据处理模块、降维模块和映射模块;
所述数据处理模块:用于采集电网运行的配用电全局全量数据并进行序列化处理,得到高维电力大数据集;
所述降维模块:用于基于流形学习的局部线性嵌入LLE算法对所述高维电力大数据集进行降维处理;
所述映射模块:用于将降维处理后的电力大数据进行数据映射后通过发送至可视化平台实现高维电力大数据的可视化。
9.如权利要求8所述的高维电力大数据可视化系统,其特征在于,所述降维模块,具体包括:
基于高维电力大数据找出每一个数据的临近点;
使每一个数据和每一个数据的近邻点线性表示的误差最小,得到每个数据的权值;
在保持权值不变,且使低维空间重构误差最小在低维空间中重构原始数据点,
基于所有在低维空间重构的原始数据点,得到降维处理后的电力大数据。
10.如权利要求9所述的高维电力大数据可视化系统,其特征在于,所述降维模块,包括:计算单元、重构误差函数和低维空间重构误差;
所述计算单元:用于由每个数据的近邻点计算所述数据的局部重建权值矩阵,使重构误差函数达到最小,得到每个数据的权值;
所述重构误差函数如下式所示:
式中,xi和xj不是近邻数据点;wij为xi与xij线性表示的权值;
所述wij如下式计算:
其中,
式中,ηi和ηk是xi的近邻点,为构建的协方差矩阵;
所述低维空间重构误差按下式计算:
式中,yi为低维空间中最优构造点;yj为yi的第j个近邻点;
其中yi满足:
式中,I是d×d单位阵,d是数据降维后的维数且满足约束条件,1≤d≤log2N,N为电力数据个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665135.2A CN110532444A (zh) | 2019-07-22 | 2019-07-22 | 一种高维电力大数据可视化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665135.2A CN110532444A (zh) | 2019-07-22 | 2019-07-22 | 一种高维电力大数据可视化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532444A true CN110532444A (zh) | 2019-12-03 |
Family
ID=68661730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665135.2A Pending CN110532444A (zh) | 2019-07-22 | 2019-07-22 | 一种高维电力大数据可视化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532444A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382949A (zh) * | 2020-03-18 | 2020-07-07 | 广东电网有限责任公司计量中心 | 一种电力资源分配方法、系统以及设备 |
CN111652479A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 一种针对电力系统动态安全评估的数据驱动方法 |
CN111950651A (zh) * | 2020-08-21 | 2020-11-17 | 中国科学院计算机网络信息中心 | 高维数据处理方法及装置 |
CN112016050A (zh) * | 2020-08-07 | 2020-12-01 | 汉威科技集团股份有限公司 | 一种基于流形学习的cems系统异常数据监控方法 |
CN115600268A (zh) * | 2022-04-19 | 2023-01-13 | 南京天洑软件有限公司(Cn) | 高维数据集可视化方法及装置、电子设备、存储介质 |
CN116126931A (zh) * | 2022-12-08 | 2023-05-16 | 湖北华中电力科技开发有限责任公司 | 一种配电台区用电数据挖掘方法、装置、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091152A1 (en) * | 2002-11-12 | 2004-05-13 | Brand Matthew E. | Method for mapping high-dimensional samples to reduced-dimensional manifolds |
CN106227919A (zh) * | 2016-07-11 | 2016-12-14 | 国家电网公司 | 基于流形学习的电力系统动态仿真可视化方法 |
CN106547862A (zh) * | 2016-10-31 | 2017-03-29 | 中原智慧城市设计研究院有限公司 | 基于流形学习的交通大数据降维处理方法 |
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
-
2019
- 2019-07-22 CN CN201910665135.2A patent/CN110532444A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091152A1 (en) * | 2002-11-12 | 2004-05-13 | Brand Matthew E. | Method for mapping high-dimensional samples to reduced-dimensional manifolds |
CN106227919A (zh) * | 2016-07-11 | 2016-12-14 | 国家电网公司 | 基于流形学习的电力系统动态仿真可视化方法 |
CN106547862A (zh) * | 2016-10-31 | 2017-03-29 | 中原智慧城市设计研究院有限公司 | 基于流形学习的交通大数据降维处理方法 |
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382949A (zh) * | 2020-03-18 | 2020-07-07 | 广东电网有限责任公司计量中心 | 一种电力资源分配方法、系统以及设备 |
CN111652479A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 一种针对电力系统动态安全评估的数据驱动方法 |
CN112016050A (zh) * | 2020-08-07 | 2020-12-01 | 汉威科技集团股份有限公司 | 一种基于流形学习的cems系统异常数据监控方法 |
CN112016050B (zh) * | 2020-08-07 | 2023-11-21 | 汉威科技集团股份有限公司 | 一种基于流形学习的cems系统异常数据监控方法 |
CN111950651A (zh) * | 2020-08-21 | 2020-11-17 | 中国科学院计算机网络信息中心 | 高维数据处理方法及装置 |
CN111950651B (zh) * | 2020-08-21 | 2024-02-09 | 中国科学院计算机网络信息中心 | 高维数据处理方法及装置 |
CN115600268A (zh) * | 2022-04-19 | 2023-01-13 | 南京天洑软件有限公司(Cn) | 高维数据集可视化方法及装置、电子设备、存储介质 |
CN116126931A (zh) * | 2022-12-08 | 2023-05-16 | 湖北华中电力科技开发有限责任公司 | 一种配电台区用电数据挖掘方法、装置、系统及存储介质 |
CN116126931B (zh) * | 2022-12-08 | 2024-02-13 | 湖北华中电力科技开发有限责任公司 | 一种配电台区用电数据挖掘方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532444A (zh) | 一种高维电力大数据可视化方法及系统 | |
Stojanovic et al. | Towards the generation of digital twins for facility management based on 3D point clouds | |
Kehrer et al. | Visualization and visual analysis of multifaceted scientific data: A survey | |
CN106898047B (zh) | 倾斜模型和多元模型动态融合的自适应网络可视化方法 | |
CN103995861B (zh) | 一种基于空间关联的分布式数据装置、方法及系统 | |
CN111862292B (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
CN107193911A (zh) | 一种基于bim模型的三维可视化引擎及web应用程序调用方法 | |
CN105069690A (zh) | 一种电网运行数据处理方法 | |
Linsen et al. | Surface extraction from multi-field particle volume data using multi-dimensional cluster visualization | |
CN113628331B (zh) | 一种虚幻引擎中摄影测量模型的数据组织和调度方法 | |
Zellmann et al. | Accelerating force-directed graph drawing with RT cores | |
Harrison | Data-parallel mesh connected components labeling and analysis | |
Guo et al. | A spatially adaptive decomposition approach for parallel vector data visualization of polylines and polygons | |
CN111339599B (zh) | 一种bim模型到gis模型的转换方法 | |
CN112380302A (zh) | 基于轨迹数据的热力图生成方法、装置、电子设备以及存储介质 | |
Zhang et al. | Machine learning aided 2D-3D architectural form finding at high resolution | |
Nguyen et al. | B-EagleV: visualization of big point cloud datasets in civil engineering using a distributed computing solution | |
Arendt et al. | SVEN: Informative visual representation of complex dynamic structure | |
Shan et al. | Interactive visual exploration of halos in large-scale cosmology simulation | |
Cheng et al. | Fast visualization of 3D massive data based on improved Hilbert R-tree and stacked LSTM models | |
Yu et al. | An SDOG-based intrinsic method for three-dimensional modelling of large-scale spatial objects | |
Franke et al. | Visual Analysis of Spatio‐temporal Phenomena with 1D Projections | |
Li et al. | A Framework for Interactive Online 3D Visualization of Electric Information | |
Gou et al. | Limofilling: Local information guide hole-filling and sharp feature recovery for manifold meshes | |
Fecher et al. | Optimizing spatiotemporal analysis using multidimensional indexing with geowave |
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 |