CN111368259A - 一种配网电压数据缺失填补方法及相关装置 - Google Patents
一种配网电压数据缺失填补方法及相关装置 Download PDFInfo
- Publication number
- CN111368259A CN111368259A CN202010158581.7A CN202010158581A CN111368259A CN 111368259 A CN111368259 A CN 111368259A CN 202010158581 A CN202010158581 A CN 202010158581A CN 111368259 A CN111368259 A CN 111368259A
- Authority
- CN
- China
- Prior art keywords
- voltage data
- historical
- attribute data
- data
- correlation coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配网电压数据缺失填补方法及相关装置,方法包括:对获取的不完整电压数据进行预处理操作,得到属性数据集;通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;将互相关系数满足预置强相关条件的对应属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;在历史电压数据集中,通过相似度阈值选择多个历史时间序列;根据每个历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;通过根据第一加权序列选取的最优的第二加权序列对应的历史电压数据填补不完整电压数据。本申请解决了现有缺失填补技术太复杂导致计算量较大,且没有考虑实际数据之间的关联性,不能满足电网发展需求的技术问题。
Description
技术领域
本申请涉及电网技术领域,尤其涉及一种配网电压数据缺失填补方法及相关装置。
背景技术
近年来,世界各地掀起了大数据的研究热潮,大数据技术为智能电网的发展注入了新鲜的血液,并取得了一定的成绩,数据库技术也趋于完善,但由于人工录入的问题或机器发生故障,数据库中不可避免会有数据缺失的现象。
当前的电网中的数据缺失,尤其是电压数据的缺失多是采用传统机器学习的方法,构造复杂的经验模型或者核函数,方法复杂导致计算量大,并且没有考虑实际数据之间的关联性,不能满足电网的发展需求。
发明内容
本申请提供了一种配网电压数据缺失填补方法及相关装置,用于解决现有的电网中电压数据的缺失填补技术太复杂导致计算量较大,且没有考虑实际数据之间的关联性,不能满足电网发展需求的技术问题。
有鉴于此,本申请第一方面提供了一种配网电压数据缺失填补方法,包括:
对获取的不完整电压数据进行预处理操作,得到属性数据集;
通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;
将所述互相关系数满足预置强相关条件的对应所述属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;
在历史电压数据集中,通过相似度阈值选择多个历史时间序列;
根据每个所述历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;
通过根据所述第一加权序列选取的最优的所述第二加权序列对应的历史电压数据填补所述不完整电压数据。
优选地,所述对获取的不完整电压数据进行预处理操作,得到属性数据集,包括:
对获取的不完整电压数据的不同指标逐一进行校核处理,得到属性数据集,所述指标包括电压值、母线平衡度、约束范围、比例和初始潮流精度。
优选地,所述通过改进的皮尔逊相关系数法计算属性数据间的互相关系数,包括:
通过改进的皮尔逊相关系数公式计算属性数据间的互相关系数,所述皮尔逊相关系数公式为:
其中,Xk和Yk为不同的两种所述属性数据,Cov(Xk,Yk)为Xk和Yk的协方差,Var[Xk]和Var[Yk]分别是Xk的方差和Yk的方差。
优选地,所述将所述互相关系数满足预置强相关条件的对应所述属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列,包括:
将所述互相关系数大于预置强相关系数的对应所述属性数据与预置权重通过加权公式进行计算,得到第一加权值,并生成第一加权序列,所述加权公式为:
SX=W1S1+W2S2+...WiSi...+WnSn
其中,SX为所述第一加权值,Wi(i=1...n)为每个所述属性数据的所述预置权重,Si(i=1...n)为每个所述属性数据。
优选地,所述在历史电压数据集中,通过相似度阈值选择多个历史时间序列,包括:
在历史电压数据集中,设置所述历史电压数据的所述历史时间序列;
计算所述历史时间序列和所述不完整电压数据对应的缺失时间序列之间的相似度;
择取出所述相似度大于相似度阈值的所述历史时间序列。
本申请第二方面提供了一种配网电压数据缺失填补装置,包括:
预处理模块,用于对获取的不完整电压数据进行预处理操作,得到属性数据集;
第一计算模块,用于通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;
第二计算模块,用于将所述互相关系数满足预置强相关条件的对应所述属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;
选择模块,用于在历史电压数据集中,通过相似度阈值选择多个历史时间序列;
第三计算模块,用于根据每个所述历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;
缺失填补模块,用于通过根据所述第一加权序列选取的最优的所述第二加权序列对应的历史电压数据填补所述不完整电压数据。
优选地,所述预处理模块具体用于:
对获取的不完整电压数据的不同指标逐一进行校核处理,得到属性数据集,所述指标包括电压值、母线平衡度、约束范围、比例和初始潮流精度。
优选地,所述第一计算模块具体用于:
通过改进的皮尔逊相关系数公式计算属性数据间的互相关系数,所述皮尔逊相关系数公式为:
其中,Xk和Yk为不同的两种所述属性数据,Cov(Xk,Yk)为Xk和Yk的协方差,Var[Xk]和Var[Yk]分别是Xk的方差和Yk的方差。
优选地,所述第二计算模块具体用于:
将所述互相关系数大于预置强相关系数的对应所述属性数据与预置权重通过加权公式进行计算,得到第一加权值,并生成第一加权序列,所述加权公式为:
SX=W1S1+W2S2+...WiSi…+WnSn
其中,SX为所述第一加权值,Wi(i=1…n)为每个所述属性数据的所述预置权重,Si(i=1…n)为每个所述属性数据。
优选地,所述选择模块包括:
设置子模块,用于在历史电压数据集中,设置所述历史电压数据的所述历史时间序列;
计算子模块,用于计算所述历史时间序列和所述不完整电压数据对应的缺失时间序列之间的相似度;
选择子模块,用于择取出所述相似度大于相似度阈值的所述历史时间序列。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种配网电压数据缺失填补方法,包括:对获取的不完整电压数据进行预处理操作,得到属性数据集;通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;将互相关系数满足预置强相关条件的对应属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;在历史电压数据集中,通过相似度阈值选择多个历史时间序列;根据每个历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;通过根据第一加权序列选取的最优的第二加权序列对应的历史电压数据填补不完整电压数据。
本申请提供的配网电压数据缺失填补方法,对于获取的不完整电压数据即为需要进行缺失填补的目标,将不完整电压数据进行处理,得到其属性数据集,属性数据之间其实存在一些关联性,通过改进的皮尔逊相关系数法就能够求得所有属性数据之间的互相关系数,通过预置强相关条件对属性数据进行筛选,选择满足条件的属性数据参与后续计算,使得缺填补的数据更加可靠;通过相似度可以在历史数据中选出时间相关的序列,这些序列与缺失的数据再时间上存在对应性,相似度越高,越能代替缺失的数据;为了便于最优数据的选择,需要求取历史时间序列的第二加权序列,然后根据第一加权序列在第二加权序列中进行选择,找出与第一加权序列最接近的第二加权序列,此序列对应的历史时间序列中每个时刻对应的电压值与不完整电压数据最为接近,可以进行缺失值填补;本申请对数据的处理和计算相对于机器学习或者经验模型更加简单,易实现且计算量较小。因此,本申请提供的配网电压数据缺失填补方法能够解决现有的电网中电压数据的缺失填补技术太复杂导致计算量较大,且没有考虑实际数据之间的关联性,不能满足电网发展需求的技术问题。
附图说明
图1为本申请实施例提供的一种配网电压数据缺失填补方法的一个流程示意图;
图2为本申请实施例提供的一种配网电压数据缺失填补方法的另一个流程示意图;
图3为本申请实施例提供的一种配网电压数据缺失填补装置的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种配网电压数据缺失填补方法的实施例一,包括:
步骤101、对获取的不完整电压数据进行预处理操作,得到属性数据集。
需要说明的是,不完整电压数据就是需要进行缺失填补的数据,对不完整电压数据进行预处理操作,用属性数据反映这些不完整数据的特性,便于后续分析这些数据间存在的关联特性。
步骤102、通过改进的皮尔逊相关系数法计算属性数据间的互相关系数。
需要说明的是,皮尔逊相关系数用于度量两个变量之间的相关程度,其值介于-1与1之间,在本实施例中,采用皮尔逊相关系数法计算属性数据两两之间的互相关系数,从而分析属性数据之间的关联性,而属性数据之间的关联性又可以反映出不完整电压数据之间的关联程度。
步骤103、将互相关系数满足预置强相关条件的对应属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列。
需要说明的是,设置强相关条件是为了通过属性数据之间的互相关系数筛选属性数据,得到相关性较强的属性数据参与填补数据的计算,属性数据为多个,采用求取加权值的方法得到属性表达值,加权计算中各属性的权重可以通过熵权法求得,每一个属性都可以求得一个第一加权值,将根据属性数据求得的全部第一加权值组合,可以得到第一加权序列。
步骤104、在历史电压数据集中,通过相似度阈值选择多个历史时间序列。
需要说明的是,历史电压数据集中在时间层面上与当前缺失数据存在对应性,因此,可以建立相同的时间序列,计算时间序列的相似度,挑选出最相似的历史数据,进行填补数据的计算,满足条件的历史时间序列有多个,需要进一步地进行分析,并挑选。
步骤105、根据每个历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列。
需要说明的是,将选择的多个历史时间序列对应的历史电压数据的相关历史属性数据获取到,然后,通过上述计算第一加权值的方法计算历史属性数据的第二加权值,得到多个第二加权序列。
步骤106、通过根据第一加权序列选取的最优的第二加权序列对应的历史电压数据填补不完整电压数据。
需要说明的是,根据第一加权序列的最优的第二加权序列即为与不完整电压数据最接近的历史数据,选择的历史数据最具可靠性,填补电压数据更加科学、准确。本实施例中的电压缺失数据填补方法不仅强调了数据间的相关性,还兼顾了历史数据的相似性,得到了更加适用于实际电压缺失数据填补的方法。
本实施例提供的配网电压数据缺失填补方法,对于获取的不完整电压数据即为需要进行缺失填补的目标,将不完整电压数据进行处理,得到其属性数据集,属性数据之间其实存在一些关联性,通过改进的皮尔逊相关系数法就能够求得所有属性数据之间的互相关系数,通过预置强相关条件对属性数据进行筛选,选择满足条件的属性数据参与后续计算,使得缺填补的数据更加可靠;通过相似度可以在历史数据中选出时间相关的序列,这些序列与缺失的数据再时间上存在对应性,相似度越高,越能代替缺失的数据;为了便于最优数据的选择,需要求取历史时间序列的第二加权序列,然后根据第一加权序列在第二加权序列中进行选择,找出与第一加权序列最接近的第二加权序列,此序列对应的历史时间序列中每个时刻对应的电压值与不完整电压数据最为接近,可以进行缺失值填补;本申请对数据的处理和计算相对于机器学习或者经验模型更加简单,易实现且计算量较小。因此,本实施例提供的配网电压数据缺失填补方法能够解决现有的电网中电压数据的缺失填补技术太复杂导致计算量较大,且没有考虑实际数据之间的关联性,不能满足电网发展需求的技术问题。
为了便于理解,请参阅图2,本申请实施例中提供了一种配网电压数据缺失填补方法的实施例二,包括:
步骤201、对获取的不完整电压数据的不同指标逐一进行校核处理,得到属性数据集。
需要说明的是,指标包括电压值、母线平衡度、约束范围、比例和初始潮流精度。预处理操作是需要确定需要填补的电压数据是属于不正常或者超出正常范围的值,首先是电压值的校核,是对可能出现错误的电压数据进行校验,如果出现电压值与电压等级严重不匹配或者电压为负值的情况,就需要进行母线平衡度的校验,否则,就不需要继续校验;母线平衡度的校验方法是计算流入和流出母线的总的有功功率和无功功率之和是否为零,如果为零,则说明母线是平衡的,则需要进入约束范围的校验,否则,就不需要继续校验;约束范围的校验是考虑到对变量约束范围的录入有可能产生人为的错误或者机器发生故障,需要对变量的约束范围进行检验,其中包括电压约束范围、功率因数约束范围等,电压的约束范围不应超过国家规定的各个电压等级的约束上下线范围,功率因数的约束范围在[0.7,1]之间,视在功率的约束范围不超过额定容量的120%,功率因数cosθ的绝对值有效范围不大于1,如果约束范围的校验均合格,则转入比例的校验,否则,不需要继续校验;比例的校验主要考虑的是全网的有功处理的比例值是否小于1,变压器变比是否在正常范围0.85-1.25之内,如果均正常就进行初始潮流精度的校验,否则,就不需要继续校验;初始潮流精度的校验是在进行无功优化计算前对获取数据的可靠性进行校验,采用对比潮流计算前后的节点电压差的方法校验初始潮流精度,具体的计算公式如下:
其中,n为电网的节点个数,为第i个节点潮流计算前的节点电压标幺值,为第i个节点潮流计算后的节点电压标幺值,当F<1.5时,则说明初始潮流精度达标,则全部的校验结束,完成预处理操作,否则直接结束预处理操作,不在进行校验。
步骤202、通过改进的皮尔逊相关系数公式计算属性数据间的互相关系数。
需要说明的是,皮尔逊相关系数公式为:
其中,Xk和Yk为不同的两种属性数据,Cov(Xk,Yk)为Xk和Yk的协方差,Var[Xk]和Var[Yk]分别是Xk的方差和Yk的方差。其中的Xk和Yk可以分别表示为:
其中k为每种属性数据的总数据量,xi和xi为两个不同的属性数据。对于Cov(Xk,Yk)可以通过如下公式求得:
Cov(Xk,Yk)=E(XkYk)-E(Xk)E(Yk)
其中,E(Xk,Yk)为Xk和Yk的联合期望,E(Xk)为Xk的期望,E(Yk)为Yk的期望。
步骤203、将互相关系数大于预置强相关系数的对应属性数据与预置权重通过加权公式进行计算,得到第一加权值,并生成第一加权序列。
需要说明的是,计算的互相关系数为R(Xk,Yk),预置的强相关系数为α,该系数可根据实际情况设定,不作具体限制,当R(Xk,Yk)>α时,选择互相关系数对应的属性数据进行后续计算,预置强相关系数的设置用于筛选属性数据,得到的属性数据之间的相关性更强,更能作为不完整数据的代表。其中,加权公式为:
SX=W1S1+W2S2+…WiSi…+WnSn
其中,SX为第一加权值,Wi(i=1…n)为每个属性数据的预置权重,Si(i=1…n)为每个属性数据。
步骤204、在历史电压数据集中,设置历史电压数据的历史时间序列。
步骤205、计算历史时间序列和不完整电压数据对应的缺失时间序列之间的相似度。
步骤206、择取出相似度大于相似度阈值的历史时间序列。
需要说明的是,不完整数据对应有时间上的缺失时间序列,而历史电压数据集中同样存在与不完整数据相同时间上的历史时间序列,可以找到与不完整数据最相似的时间序列,可以选择出来参与填补数据的计算,选择的机制就是两种时间序列之间的相似度,具体的选择过程如下:令不完整电压数据对应的缺失时间序列为X={x1,x2,……,xm},历史时间序列为Y={y1,y2,……,yn},其中m,n分别表示两个序列中的元素个数,构建一个m×n的距离平方矩阵如下:
其中d(xi,yi)=(xi-yi)2,即序列点xi和yi的距离的平方值;用l={l1,l2,…,lk,...,lw}表示一条弯曲距离路径,w是序列中的元素个数,满足条件的弯曲距离路径不止一条,可以定义两个弯曲距离路径序列,即序列V和序列U,两个弯曲距离路径序列的新型DTW距离可以表示为:
其中,lk表示弯曲距离路径中第k个元素。另外,弯曲距离路径l满足如下约束条件:
(1)边界性:l1=d(x1,y1)表示路径l的起点,ls=d(xm,yn)表示路径l的终点;
(2)单调性:对于起点和终点外的任意元素lα=d(xi,yj),其前一个元素lα-1=d(xa,yb)满足i≥a,j≥b;
(3)连续性:i-a≤1,j-b≤1。
需要说明的是,择取出相似度大于相似度阈值的历史时间序列,选择过程为:当得到的DTW最小的时候,说明相似度最高,然后根据实际情况设定一个相似度阈值,再次进行筛选,将大于相似度阈值的序列挑选出来,这个过程放在具体的计算过程中就是设定距离阈值,将小于距离阈值的时间序列挑选出来,就可以得到符合要求的历史时间序列。本实施例从配网数据库中的历史数据出发,充分利用历史数据之间的相关性,通过动态时间弯曲距离来衡量缺失时刻数据与历史数据的相似程度,从而挑选出适合进行电压缺失数据填补计算的历史时间序列。
步骤207、根据每个历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列。
需要说明的是,获取历史时间序列对应的历史属性数据,通过上述计算第一加权值的方法计算历史属性数据的第二加权值,得到多个第二加权序列。将填补数据与缺失数据处理成同样类型的序列,便于比对挑选,得到最终可进行数据填补的序列。
步骤208、通过根据第一加权序列选取的最优的第二加权序列对应的历史电压数据填补不完整电压数据。
需要说明的是,最优的第二加权序列就是通过比对第二加权序列和第一加权序列,挑出最接近的第二加权序列,具体的最接近与最优的判断标准可以是距离值最小,挑选出的加权序列对应的历史数据就可以用于填补不完整的电压数据。
为了便于理解,请参与图3,本申请中还提供了一种配网电压数据缺失填补装置的实施例,包括:
预处理模块301,用于对获取的不完整电压数据进行预处理操作,得到属性数据集;
第一计算模块302,用于通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;
第二计算模块303,用于将互相关系数满足预置强相关条件的对应属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;
选择模块304,用于在历史电压数据集中,通过相似度阈值选择多个历史时间序列;
第三计算模块305,用于根据每个历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;
缺失填补模块306,用于通过根据第一加权序列选取的最优的第二加权序列对应的历史电压数据填补不完整电压数据。
进一步地,预处理模块301具体用于:
对获取的不完整电压数据的不同指标逐一进行校核处理,得到属性数据集,指标包括电压值、母线平衡度、约束范围、比例和初始潮流精度。
进一步地,第一计算模块302具体用于:
通过改进的皮尔逊相关系数公式计算属性数据间的互相关系数,皮尔逊相关系数公式为:
其中,Xk和Yk为不同的两种属性数据,Cov(Xk,Yk)为Xk和Yk的协方差,Var[Xk]和Var[Yk]分别是Xk的方差和Yk的方差。
进一步地,第二计算模块303具体用于:
将互相关系数大于预置强相关系数的对应属性数据与预置权重通过加权公式进行计算,得到第一加权值,并生成第一加权序列,加权公式为:
SX=W1S1+W2S2+…WiSi...+WnSn
其中,SX为第一加权值,Wi(i=1...n)为每个属性数据的预置权重,Si(i=1...n)为每个属性数据。
进一步地,选择模块304包括:
设置子模块3041,用于在历史电压数据集中,设置历史电压数据的历史时间序列;
计算子模块3042,用于计算历史时间序列和不完整电压数据对应的缺失时间序列之间的相似度;
选择子模块3043,用于择取出相似度大于相似度阈值的历史时间序列。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种配网电压数据缺失填补方法,其特征在于,包括:
对获取的不完整电压数据进行预处理操作,得到属性数据集;
通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;
将所述互相关系数满足预置强相关条件的对应所述属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;
在历史电压数据集中,通过相似度阈值选择多个历史时间序列;
根据每个所述历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;
通过根据所述第一加权序列选取的最优的所述第二加权序列对应的历史电压数据填补所述不完整电压数据。
2.根据权利要求1所述的配网电压数据缺失填补方法,其特征在于,所述对获取的不完整电压数据进行预处理操作,得到属性数据集,包括:
对获取的不完整电压数据的不同指标逐一进行校核处理,得到属性数据集,所述指标包括电压值、母线平衡度、约束范围、比例和初始潮流精度。
4.根据权利要求1所述的配网电压数据缺失填补方法,其特征在于,所述将所述互相关系数满足预置强相关条件的对应所述属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列,包括:
将所述互相关系数大于预置强相关系数的对应所述属性数据与预置权重通过加权公式进行计算,得到第一加权值,并生成第一加权序列,所述加权公式为:
SX=W1S1+W2S2+...WiSi...+WnSn
其中,SX为所述第一加权值,Wi(i=1...n)为每个所述属性数据的所述预置权重,Si(i=1...n)为每个所述属性数据。
5.根据权利要求1所述的配网电压数据缺失填补方法,其特征在于,所述在历史电压数据集中,通过相似度阈值选择多个历史时间序列,包括:
在历史电压数据集中,设置所述历史电压数据的所述历史时间序列;
计算所述历史时间序列和所述不完整电压数据对应的缺失时间序列之间的相似度;
择取出所述相似度大于相似度阈值的所述历史时间序列。
6.一种配网电压数据缺失填补装置,其特征在于,包括:
预处理模块,用于对获取的不完整电压数据进行预处理操作,得到属性数据集;
第一计算模块,用于通过改进的皮尔逊相关系数法计算属性数据间的互相关系数;
第二计算模块,用于将所述互相关系数满足预置强相关条件的对应所述属性数据与预置权重进行计算,得到第一加权值,并生成第一加权序列;
选择模块,用于在历史电压数据集中,通过相似度阈值选择多个历史时间序列;
第三计算模块,用于根据每个所述历史时间序列计算对应的历史属性数据的第二加权值,得到多个第二加权序列;
缺失填补模块,用于通过根据所述第一加权序列选取的最优的所述第二加权序列对应的历史电压数据填补所述不完整电压数据。
7.根据权利要求6中所述的配网电压数据缺失填补装置,其特征在于,所述预处理模块具体用于:
对获取的不完整电压数据的不同指标逐一进行校核处理,得到属性数据集,所述指标包括电压值、母线平衡度、约束范围、比例和初始潮流精度。
9.根据权利要求6中所述的配网电压数据缺失填补装置,其特征在于,所述第二计算模块具体用于:
将所述互相关系数大于预置强相关系数的对应所述属性数据与预置权重通过加权公式进行计算,得到第一加权值,并生成第一加权序列,所述加权公式为:
SX=W1S1+W2S2+...WiSi...+WnSn
其中,SX为所述第一加权值,Wi(i=1...n)为每个所述属性数据的所述预置权重,Si(i=1...n)为每个所述属性数据。
10.根据权利要求6中所述的配网电压数据缺失填补装置,其特征在于,所述选择模块包括:
设置子模块,用于在历史电压数据集中,设置所述历史电压数据的所述历史时间序列;
计算子模块,用于计算所述历史时间序列和所述不完整电压数据对应的缺失时间序列之间的相似度;
选择子模块,用于择取出所述相似度大于相似度阈值的所述历史时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158581.7A CN111368259B (zh) | 2020-03-09 | 2020-03-09 | 一种配网电压数据缺失填补方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158581.7A CN111368259B (zh) | 2020-03-09 | 2020-03-09 | 一种配网电压数据缺失填补方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368259A true CN111368259A (zh) | 2020-07-03 |
CN111368259B CN111368259B (zh) | 2023-05-12 |
Family
ID=71208825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010158581.7A Active CN111368259B (zh) | 2020-03-09 | 2020-03-09 | 一种配网电压数据缺失填补方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368259B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672871A (zh) * | 2021-08-23 | 2021-11-19 | 广东电网有限责任公司 | 一种高比例缺失数据填补方法及相关装置 |
CN114065878A (zh) * | 2022-01-17 | 2022-02-18 | 国网山东省电力公司泰安供电公司 | 一种基于多参量物联融合技术的电量缺失值填补方法 |
CN115952859A (zh) * | 2023-03-01 | 2023-04-11 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116683452A (zh) * | 2023-08-03 | 2023-09-01 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清缺失电量的修复方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7979330B2 (en) * | 2003-06-10 | 2011-07-12 | Andrew Cumming | Conditional rate modelling |
CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
CN107229602A (zh) * | 2017-05-22 | 2017-10-03 | 湘潭大学 | 一种智能楼宇微网用电行为的识别方法 |
CN110781449A (zh) * | 2019-11-05 | 2020-02-11 | 国网冀北电力有限公司智能配电网中心 | 用于台区线损计算的用户数据缺失的估计方法 |
-
2020
- 2020-03-09 CN CN202010158581.7A patent/CN111368259B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7979330B2 (en) * | 2003-06-10 | 2011-07-12 | Andrew Cumming | Conditional rate modelling |
CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
CN107229602A (zh) * | 2017-05-22 | 2017-10-03 | 湘潭大学 | 一种智能楼宇微网用电行为的识别方法 |
CN110781449A (zh) * | 2019-11-05 | 2020-02-11 | 国网冀北电力有限公司智能配电网中心 | 用于台区线损计算的用户数据缺失的估计方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672871A (zh) * | 2021-08-23 | 2021-11-19 | 广东电网有限责任公司 | 一种高比例缺失数据填补方法及相关装置 |
CN114065878A (zh) * | 2022-01-17 | 2022-02-18 | 国网山东省电力公司泰安供电公司 | 一种基于多参量物联融合技术的电量缺失值填补方法 |
CN115952859A (zh) * | 2023-03-01 | 2023-04-11 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116683452A (zh) * | 2023-08-03 | 2023-09-01 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清缺失电量的修复方法及系统 |
CN116683452B (zh) * | 2023-08-03 | 2023-11-10 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清缺失电量的修复方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111368259B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368259A (zh) | 一种配网电压数据缺失填补方法及相关装置 | |
CN111563077B (zh) | 一种电网电压数据缺失填补方法、系统、终端及存储介质 | |
CN110705879A (zh) | 一种高比例可再生能源接入下的电网脆弱性评估方法 | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN104701858A (zh) | 计及分区动态无功储备的无功电压控制方法 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN112287556A (zh) | 电缆绝缘状态的确定方法及装置 | |
CN110309979A (zh) | 基于回声状态网络的电力负荷预测方法、装置及设备 | |
CN104102840A (zh) | 配电网对光伏电源接纳能力的测评方法 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
CN112821420A (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统 | |
CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN112688341B (zh) | 一种直流受端电网无功补偿设备配置站点选择方法和装置 | |
CN111310123B (zh) | 一种电化学储能电站多维度评价方法和系统 | |
CN113627655A (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN113283205A (zh) | 一种基于机会约束的配变最大运行寿命估算方法及装置 | |
CN112653121A (zh) | 一种新能源微电网参与电网调频能力的评估方法及装置 | |
CN112488550A (zh) | 基于深度学习的不确定性电网静态安全分析方法及系统 | |
CN118157162B (zh) | 基于神经网络的新型电力系统等效惯量评估方法及装置 | |
CN117371300A (zh) | 含风电的电力系统可靠性测试方法、装置及电子设备 | |
CN117491912A (zh) | 一种基于融合算法的三相三线电能表错接线诊断方法 | |
CN117952445A (zh) | 一种基于改进并合规则的不同数量混合储能方案评估方法 | |
CN115021294A (zh) | 电池储能系统配置方法、装置、电子设备及存储介质 |
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 |