CN114238045A - 一种电网多源量测数据完整性判断及自动修复系统和方法 - Google Patents
一种电网多源量测数据完整性判断及自动修复系统和方法 Download PDFInfo
- Publication number
- CN114238045A CN114238045A CN202111370157.XA CN202111370157A CN114238045A CN 114238045 A CN114238045 A CN 114238045A CN 202111370157 A CN202111370157 A CN 202111370157A CN 114238045 A CN114238045 A CN 114238045A
- Authority
- CN
- China
- Prior art keywords
- data
- measurement data
- power distribution
- source measurement
- utilization
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 250
- 238000001514 detection method Methods 0.000 claims description 126
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 33
- 238000013450 outlier detection Methods 0.000 claims description 25
- 230000008439 repair process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000000903 blocking effect Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电网多源量测数据完整性判断及自动修复系统和方法，包括：多个配用电多源量测装置和电网业务资源中台；所述多个配用电多源量测装置分别与电网业务资源中台相连接，用于将配用电多源量测数据输出至电网业务资源中台；所述电网业务资源中台用于将配用电多源量测装置上传的配用电多源量测数据进行完整性判断及自动修复后上传至总站。本发明通过深入研究面向配用电多源业务量测数据的完整性，对缺失数据进行精准有效地修复。
Description
技术领域
本发明属于数据完整性判断及修复技术领域，涉及电网多源量测数据完整性判断及自动修复系统及方法，尤其是一种电网多源量测数据完整性判断及自动修复系统和方法。
背景技术
由于配用电数据结构复杂、体量大、多源的特性，难以进行统一化存储，需要深入研究配用电量测数据分类和标识技术，打通“营-配”壁垒，以满足对用户侧精细化的管理。
国家电网有限公司提出加快打造具有全球竞争力的世界一流能源互联网企业的战略部署。即以数据中台为转型抓手，逐步加快电网智能化和向能源互联网转型的建设步伐。中台战略是一项包含企业组织架构、业务架构和技术架构的整体性战略，“以客户为中心用洞察驱动企业稳健行动、以数据为基础支持大规模商业模式创新、盘活全量数据构筑坚实壁垒以持续领先”为数据中台强力推进电网智能化、数字化转型的三个重要方向，“数据整合和管理、数据提炼和分析加工、数据资产化服务、业务价值变现”为数据中台技术应具备的四个核心能力。国家电网公司作为超大型央企，管理资产超过万亿，员工数超过百万，人财物高度集约化，规划、建设、运行、检修、营销等业务也都垂直一体化管理，无法像互联网企业直接调整组织架构、迭代式地实施中台战略。
现有技术中，四川大学提出基于双线性对的数据完整性检测方法，应用动态检测函数对相邻数据信号覆盖，根据完整性数据检测清洗结果，划分稳态网络的动态数据检测终端，但缺少验证动态数据完整性的均衡性等式。黄蓉提出通过限制无线网络动态数据的运行风险，以此保障无线网络动态信息数据的完整性，并针对数据完整性存储技术阐述，但缺少对影响计算机数据安全的相关因素阐述。天津工业大学提出基于机器学习的数据智能检测方法，利用时延传输对物联网的多切片网络架构组建，并应用隔离框架切片动态数据异构，通过强化机器学习方法，对无线网络动态数据的完整性求解，但缺少具体的动态数据完整性检测指标。广州电网提出基于次序依赖的电力数据缺失自动修复方法，提升了数据修复的准确率，但是未判断电力数据的完整性，无法判断数据修复的必要性和结果完整性。
经检索，未发现与本发明相同或相近似的现有技术的文献。
发明内容
本发明的目的在于克服现有技术的不足，提出一种电网多源量测数据完整性判断及自动修复系统和方法，通过深入研究面向配用电多源业务量测数据的完整性，对缺失数据进行精准有效地修复。
本发明解决其现实问题是采取以下技术方案实现的：
一种电网多源量测数据完整性判断及自动修复系统，包括：多个配用电多源量测装置和电网业务资源中台；所述多个配用电多源量测装置分别与电网业务资源中台相连接，用于将配用电多源量测数据输出至电网业务资源中台；所述电网业务资源中台用于将配用电多源量测装置上传的配用电多源量测数据进行完整性判断及自动修复后上传至总站。
而且，所述电网业务资源中台包括人机交互界面和操作平台模块、数据预处理模块、完整性判断模块和自动修复模块；所述人机交互界面和操作平台模块用于对各电网量测装置上传的多源数据进行可视化和分析；所述数据预处理模块用于对多源量测数据进行预处理；所述完整性判断模块用于对多源量测数据进行完整性判断；所述自动修复模块用于对多源量测数据进行自我修复。
一种基于电网业务资源中台的配用电多源量测数据完整性判断及自动修复方法，包括以下步骤：
S1：设计离群点检测算法多源量测数据生成层的数据组结构，据此得到机器计量数据学习离群点，根据数据学习离群点位置，计算多源量测数据完整性检测指标，进而构建多源量测数据完整性检测算法，完成多源量测数据完整性检测；
S2：基于S1获得的多源量测数据完整性检测结果，对多源量测数据次序属性进行分析，依据互信息，按照最大相关准则与最小冗余准则对多源量测数据次序属性特征进行提取，依据特征提取结果，通过RBF神经网络模型建立多源量测数据的次序依赖关系，从而实现对缺失量测数据的自动修复。
而且，所述S1的的具体步骤包括：
S1-1：设定机器计量数据学习离群点，首先要对电网业务资源中台的配用电多源量测数据进行转化，并利用离群点检测算法记录量测数据转化生成层中的数据信息；
S1-2：根据数据学习离群点位置，计算配用电多源量测数据完整性检测指标，通过数据监督层中的学习离群点匹配度对比，针对电网业务资源中台的配用电多源量测数据的完整性测试指标分析；
S1-3：根据配用电多源量测数据完整性检测指标的计算结果，构建电网业务资源中台的配用电多源量测数据完整性检测算法；
S1-4：完成对基于离群点检测算法的配用电多源量测数据完整性检测。
而且，所述S1-1的具体步骤包括：
(1)设立数据组A对配用电多源量测数据统一归纳，据此建立微量数据矩阵{a1,a2,a3,…,an}，针对转化结果对量测数据的信息表述；据此，对微量数据矩阵与数据组A建立连接关系，公式如下：
其中，ai代表第i个数据。
(2)通过数据组之间的连接关系，设计离群点检测算法的配用电多源量测数据生成层数据组结构；
(3)根据配用电多源量测数据离群点生成层的数据组结构，转化配用电多源量测数据生成层，并实时复制配用电多源量测数据离群点的初级监督层，在固定的间隔时间差中设定数据学习离群点的逻辑推理规律，通过配用电多源量测数据生成层转化检测判定结果，结合监督层辅助规律，设定数据学习离群点，以机器计量为标准制定学习离群点逻辑推导公式，计算公式如下：
(a1+b1)(a2+b2)＝a1a2+a1b2+a2b1+b1b2
其中，a1、a2和b1、b2分别为数据组A与数据组B中的配用电多源量测数据，根据学习离群点逻辑推导公式，对所有初级监督层得到的配用电多源量测数据组离群点进行归纳；并利用规律逻辑判断学习离群点的规律是否符合，剔除不符合逻辑规律的配用电多源量测数据组，针对完整的配用电多源量测数据生成层监督辅助；
(4)根据数据组结构中学习离群点的位置，对配用电多源量测数据传输层中的数据组A和数据组B进行识别，通过分析对应数据组中微量数据的值，对比中级监督数据组中数据学习离群点的匹配度，计算公式如下：
其中，n为数据学习离群点的设定数，当匹配度结果在区间[0,0.5]中，则代表数据学习离群点的设定与数据检测的完整性相差较大，应当修改。当匹配度结果在区间[0.5,1.0]中，则代表数据学习离群点的设定与数据检测的完整性相适应，通过参考匹配度，重新对数据监督层中的学习离群点位置设定，根据数据学习离群点的设定规律，计算配用电多源量测数据完整性检测指标的大小。
而且，所述步骤S1-2的具体步骤包括：
为了避免配用电多源量测数据的检测内容过于模糊，计算检测描述变量，针对配用电多源量测数据块mi,j(i≤n,j≤k)结构对应的标签信息设定，公式如下：
Ti＝ei＝n,j＝cmi,j i＝1,j＝1
其中，n为数据集合群数量，c为变迁信息和并关联数据块的数量，通过计算配用电多源量测数据集合群，对并关联数据块mi和变迁信息Ti分离，对第i个数据块中的配用电多源量测数据检测特征内容判断，据此得到配用电多源量测数据块的标签特征ηi(T)，计算公式如下：:
其中，fi(t)为配用电多源量测数据集合群函数，wi(t)为数据块中的标签信息函数，Pi(t)为配用电多源量测数据集合群函数的特征信息内容，T为配用电多源量测数据信息变迁的时间；利用离群点检测算法计算配用电多源量测数据离散调度信息流，计算公式如下：
其中，K为离群点检测算法随机素数，t为配用电多源量测数据信息流的数据，t0为数据信息流的初始数据；为保证计算配用电多源量测数据完整性检测指标的代数映射在合理范围内，要先根据映射结构推导电网业务资源中台的配用电多源量测数据检测结构，并遵循映射原理
X→Y，由此得到计算公式如下：
其中，
为配用电多源量测数据检测结构的映射函数，
为电网业务资源中台的配用电多源量测数据的映射初始函数。据此，制定学习随机同态指标，并在任意的配用电多源量测数据间指标同步，并统一标签格式，利用相等的素数对配用电多源量测数据随机规制，并根据规制结果推导配用电多源量测数据完整性的检测指标，计算公式如下：
通过配用电多源量测数据完整性检测指标的计算，构建电网业务资源中台的配用电多源量测数据完整性检测算法。
而且，所述步骤S1-3的具体步骤包括：
通过配用电多源量测数据完整性检测算法运算结构，对随机生成的配用电多源量测数据集合α进行分块化处理，并设定配用电多源量测数据分块化处理集合F＝(m1,m2,…,mn)，对数据集合G中的元素进行标记，连接分块数及随机元素的标识名称，求解配用电多源量测数据块的指标信息，计算公式如下：
其中，F(mi)为数据分块化处理集合中的随机数，u为配用电多源量测数据块指标信息的常量。利用公式中的指标信息面，对检测内容的集合组建，公式如下：
其中，i为配用电多源量测数据分块化处理集合中的随机变量，集合中的构建配用电多源量测数据检测内容，计算公式如下：
其中，s1、sc分别为对应配用电多源量测数据元素集合中的初始值和末尾值；根据配用电多源量测数据检测内容对配用电多源量测数据检测内容区分；通过概率元素随机数据检测结果判断配用电多源量测数据完整性的量级，按照升序排列结合元素的验证检索内容，根据验证内容的重复性确定配用电多源量测数据的完整性。
而且，所述步骤S1-4的具体方法为：
根配用电多源量测数据完整性检测算法确定配用电多源量测数据的检测元素范围，设第C个监测元素的取值范围在1～n之间，传递配用电多源量测数据集合B中的元素检测信息，利用单个完整性的验证内容检测信号置换，通过数据块索引完整性数据存储；设置配用电多源量测数据的随机元素uk←G针对数据块指标区别，并利用随机元素配用电多源量测数据信息定位，针对数据块mi,j定位计算，计算公式如下：
其中，hx代表数据横坐标，hy代表数据纵坐标。
根据配用电多源量测数据信息的检测定位验证检测的附属路径，并针对未修改数据块的类型划分，同时对数据持有更新内容发送，结合数据块的集中信息算法检测，对配用电多源量测数据的相关元数据整理，通过辅助定位检测算法运算结构，并利用替换数据块指标更新，对新的根节点检测信息进行汇总，如图4所示。至此，完成对基于离群点检测算法的配用电多源量测数据完整性检测。
而且，所述S2的具体步骤包括：
S2.1：对配用电多源量测数据次序属性进行分析，为提取次序属性特征提供依据；
S2.2：配用电多源量测数据次序属性特征提取：在选择特征提取技术时，互信息为代表变量间关联紧密程度，可依据互信息对配用电多源量测数据次序属性特征进行提取；
S2.3：配用电多源量测数据缺失自动修复：依据配用电多源量测数据次序属性特征提取结果，通过RBF训练的网络模型实现配用电多源量测数据缺失自动修复。
而且，所述步骤S2.3的具体步骤包括：
将次序依赖关联点集{Uij∈R}作为对象，建立{U0 i∈{Gt}}与{Ut i∈{Gt}}的RBF训练关系，将提取的配用电多源量测数据次序属性特征作为输入，通过三维RBF径向基神经网络对配用电多源量测数据进行训练，径向基函数权值用ω进行描述，训练方式如下：
f(u)＝∑ωiY(||u-uj||)+Q(u)
上式中，uj代表插值中心，γ()代表径向基函数，多项式Q(u)主要用于提高RBF神经网络训练精度，实质上可看作多维仿射变换。
在RBF神经网络中，径向基函数的选择非常重要，选用整体性能优的逆-MultiQuadric基函数：
针对所有选择的基函数，可通过此刻标识点与其最相邻标志点间的间隔l进行计算，也就是：
I＝min||ui-uj||
利用上式所示的训练方式，对RBF训练网络进行建立，则有：
通过上式计算RBF神经网络参数矩阵，结果用下式进行描述：
W＝[ω0,ω1,...,ωn-1]T
建立RBF神经网络后，将提取的配用电多源量测数据次序属性特征作为输入，经RBF神经网络训练，获取缺失配用电多源量测数据位置，在此基础上输出配用电多源量测数据的自动修复结果。
对缺失配用电多源量测数据进行修复时，假设缺失配用电多源量测数据集用{Bi}进行描述，则需要修复的配用电多源量测数据就是{Bi}中的元素。针对属于缺失配用电多源量测数据集{Bi}中的数据，假设t时刻为缺失配用电多源量测数据，则有:
本发明的优点和有益效果：
1、本发明在步骤S1中设计基于离群点检测算法的配用电多源量测数据完整性检测算法，验证了配用电多源量测数据检测的集群环境，针对多源量测数据目录梳理，提高了多源量测数据检定信号的置换率。
2、本发明在步骤S2中针对配用电多源量测数据特点，提出一种基于次序依赖的配用电多源量测数据缺失自动修复方法，具备很高的修复准确率，修复后数据与原始健全数据一致性较高，在加速比方面有显著优势。
3、本发明通过综合使用步骤S1和步骤S2深入研究面向配用电多源业务量测数据的完整性，对缺失数据进行精准有效地修复，有效改善数据质量，提高从海量、异构数据中挖掘其中的潜在信息的能力，从而提升后续采用人工智能等技术建模进行配用电多源业务大数据分析的精准度，更好地为电网业务的开拓与升级提供完备的基础数据。
附图说明
图1是本发明的离群点检测算法配用电多源量测数据生成层的数据组结构图；
图2是本发明的数据组结构中学习离群点的位置示意图；
图3是本发明的多源量测数据的完整性检测算法运算结构图；
图4是本发明的汇总配用电多源量测数据根节点检测信息图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种电网多源量测数据完整性判断及自动修复系统，包括：多个配用电多源量测装置和电网业务资源中台；
所述多个配用电多源量测装置分别与电网业务资源中台相连接，用于将配用电多源量测数据输出至电网业务资源中台；所述电网业务资源中台用于将配用电多源量测装置上传的配用电多源量测数据进行完整性判断及自动修复后上传至总站。
所述电网业务资源中台包括人机交互界面和操作平台模块、数据预处理模块、完整性判断模块和自动修复模块；所述人机交互界面和操作平台模块用于对各电网量测装置上传的多源数据进行可视化和分析；所述数据预处理模块用于对多源量测数据进行预处理；所述完整性判断模块用于对多源量测数据进行完整性判断；所述自动修复模块用于对多源量测数据进行自我修复。
在本实施例中，通过电网业务资源中台通过通信网络对各配用电多源量测装置上传的数据进行汇总、处理、存储和智能计算等，并具有友好的人机交互界面和操作平台，能够对多源配用电量测数据进行进一步的全局分析和运算，对多源量测数据进行完整性判断，还能够对对多源量测数据进行自我修复。
一种基于电网业务资源中台的配用电多源量测数据完整性判断及自动修复方法，如图1、图2、图3和图4所示，包括以下步骤：
S1：设计离群点检测算法多源量测数据生成层的数据组结构，据此得到机器计量数据学习离群点，根据数据学习离群点位置，计算多源量测数据完整性检测指标，进而构建多源量测数据完整性检测算法，完成多源量测数据完整性检测；
所述S1的的具体步骤包括：
S1-1：设定机器计量数据学习离群点，首先要对电网业务资源中台的配用电多源量测数据进行转化，并利用离群点检测算法记录量测数据转化生成层中的数据信息；
在本实施例中，所述S1-1的具体步骤包括：
(1)设立数据组A对配用电多源量测数据统一归纳，据此建立微量数据矩阵{a1,a2,a3,…,an}，针对转化结果对量测数据的信息表述；据此，对微量数据矩阵与数据组A建立连接关系，公式如下：
其中，ai代表第i个数据。
(2)通过数据组之间的连接关系，设计离群点检测算法的配用电多源量测数据生成层数据组结构，如图1所示。
(3)根据配用电多源量测数据离群点生成层的数据组结构，转化配用电多源量测数据生成层，并实时复制配用电多源量测数据离群点的初级监督层，在固定的间隔时间差中设定数据学习离群点的逻辑推理规律，通过配用电多源量测数据生成层转化检测判定结果，结合监督层辅助规律，设定数据学习离群点，以机器计量为标准制定学习离群点逻辑推导公式，计算公式如下：
(a1+b1)(a2+b2)＝a1a2+a1b2+a2b1+b1b2
其中，a1、a2和b1、b2分别为数据组A与数据组B中的配用电多源量测数据，根据学习离群点逻辑推导公式，对所有初级监督层得到的配用电多源量测数据组离群点进行归纳。并利用规律逻辑判断学习离群点的规律是否符合，剔除不符合逻辑规律的配用电多源量测数据组，针对完整的配用电多源量测数据生成层监督辅助。
针对符合规律的逻辑学习离群点，为了避免学习离群点的设定在过程中发生遗失，判断数据组的复制与检测内容，并及时对监督层的离群点进行校正和填补，通过检测配用电多源量测数据的填补阶段，判断学习离群点监督层。通过离群点检测算法设定数据组结构中学习离群点的位置，如图2所示。
(4)根据数据组结构中学习离群点的位置，对配用电多源量测数据传输层中的数据组A和数据组B进行识别，通过分析对应数据组中微量数据的值，对比中级监督数据组中数据学习离群点的匹配度，计算公式如下：
其中，n为数据学习离群点的设定数，当匹配度结果在区间[0,0.5]中，则代表数据学习离群点的设定与数据检测的完整性相差较大，应当修改。当匹配度结果在区间[0.5,1.0]中，则代表数据学习离群点的设定与数据检测的完整性相适应。通过参考匹配度，重新对数据监督层中的学习离群点位置设定，根据数据学习离群点的设定规律，计算配用电多源量测数据完整性检测指标的大小。
S1-2：根据数据学习离群点位置，计算配用电多源量测数据完整性检测指标，通过数据监督层中的学习离群点匹配度对比，针对电网业务资源中台的配用电多源量测数据的完整性测试指标分析。
在本实施例中，所述步骤S1-2的具体步骤包括：
为了避免配用电多源量测数据的检测内容过于模糊，计算检测描述变量，针对配用电多源量测数据块mi,j(i≤n,j≤k)结构对应的标签信息设定，公式如下：
Ti＝ei＝n,j＝cmi,j i＝1,j＝1
其中，n为数据集合群数量，c为变迁信息和并关联数据块的数量，通过计算配用电多源量测数据集合群，对并关联数据块mi和变迁信息Ti分离，对第i个数据块中的配用电多源量测数据检测特征内容判断，据此得到配用电多源量测数据块的标签特征ηi(T)，计算公式如下：:
其中，fi(t)为配用电多源量测数据集合群函数，wi(t)为数据块中的标签信息函数，Pi(t)为配用电多源量测数据集合群函数的特征信息内容，T为配用电多源量测数据信息变迁的时间；利用离群点检测算法计算配用电多源量测数据离散调度信息流，计算公式如下：
其中，K为离群点检测算法随机素数，t为配用电多源量测数据信息流的数据，t0为数据信息流的初始数据；为保证计算配用电多源量测数据完整性检测指标的代数映射在合理范围内，要先根据映射结构推导电网业务资源中台的配用电多源量测数据检测结构，并遵循映射原理
X→Y，由此得到计算公式如下：
其中，
为配用电多源量测数据检测结构的映射函数，
为电网业务资源中台的配用电多源量测数据的映射初始函数。据此，制定学习随机同态指标，并在任意的配用电多源量测数据间指标同步，并统一标签格式，利用相等的素数对配用电多源量测数据随机规制，并根据规制结果推导配用电多源量测数据完整性的检测指标，计算公式如下：
通过配用电多源量测数据完整性检测指标的计算，构建电网业务资源中台的配用电多源量测数据完整性检测算法。
S1-3：根据配用电多源量测数据完整性检测指标的计算结果，构建电网业务资源中台的配用电多源量测数据完整性检测算法；
在本实施例中，所述步骤S1-3的具体步骤包括：
设定电网业务资源中台的配用电多源量测数据的完整性检测算法运算结构，如图3所示。
通过配用电多源量测数据完整性检测算法运算结构，对随机生成的配用电多源量测数据集合α进行分块化处理，并设定配用电多源量测数据分块化处理集合F＝(m1,m2,…,mn)，对数据集合G中的元素进行标记，连接分块数及随机元素的标识名称，求解配用电多源量测数据块的指标信息，计算公式如下：
其中，F(mi)为数据分块化处理集合中的随机数，u为配用电多源量测数据块指标信息的常量。利用公式中的指标信息面，对检测内容的集合组建，公式如下：
其中，i为配用电多源量测数据分块化处理集合中的随机变量，集合中的构建配用电多源量测数据检测内容，计算公式如下：
其中，s1、sc分别为对应配用电多源量测数据元素集合中的初始值和末尾值。根据配用电多源量测数据检测内容对配用电多源量测数据检测内容区分。通过概率元素随机数据检测结果判断配用电多源量测数据完整性的量级，按照升序排列结合元素的验证检索内容，根据验证内容的重复性确定配用电多源量测数据的完整性。
S1-4：完成对基于离群点检测算法的配用电多源量测数据完整性检测；
在本实施例中，所述步骤S1-4的具体方法为：
根配用电多源量测数据完整性检测算法确定配用电多源量测数据的检测元素范围，设第C个监测元素的取值范围在1～n之间，传递配用电多源量测数据集合B中的元素检测信息，利用单个完整性的验证内容检测信号置换，通过数据块索引完整性数据存储。设置配用电多源量测数据的随机元素uk←G针对数据块指标区别，并利用随机元素配用电多源量测数据信息定位，针对数据块mi,j定位计算，计算公式如下：
其中，hx代表数据横坐标，hy代表数据纵坐标。
根据配用电多源量测数据信息的检测定位验证检测的附属路径，并针对未修改数据块的类型划分，同时对数据持有更新内容发送，结合数据块的集中信息算法检测，对配用电多源量测数据的相关元数据整理，通过辅助定位检测算法运算结构，并利用替换数据块指标更新，对新的根节点检测信息进行汇总，如图4所示。至此，完成对基于离群点检测算法的配用电多源量测数据完整性检测。
S2：基于S1获得的多源量测数据完整性检测结果，对多源量测数据次序属性进行分析，依据互信息，按照最大相关准则与最小冗余准则对多源量测数据次序属性特征进行提取，依据特征提取结果，通过RBF神经网络模型建立多源量测数据的次序依赖关系，从而实现对缺失量测数据的自动修复。
所述S2的具体步骤包括：
S2.1：对配用电多源量测数据次序属性进行分析，为提取次序属性特征提供依据；
在本实施例中，所述步骤S2.1的具体方法为：
针对关系模式R(C1,…,Cm)，用Cj用于描述R上的单属性，针对R的实例r，tr、ar用于描述r上的元组。tr[C]代表r上元组t的属性C，通过val(tr[C])对该单元值进行描述。在r明确的情况下，可将tr i记作ti。
次序依赖与传统依赖最大的区别为次序依赖是以属性列表为基础，而传统依赖关系一般以属性集合为基础。
为了便于分析，针对一些符号进行下述分析:
(1)通过u与v对关系模式R上的属性集合进行描述，用于对上的属性列表进行描述，通过[]代表空的属性列表；
(2)通常情况下，一个非空列表U可描述成[C|V]，其中首属性C实际上为单属性，同时处于U的初始位置，尾部V是把C从U中删除后获取的剩余列表；
(3)针对属性列表U，通过集合U对U中属性组成的集合进行描述，通过t[U]描述元组t在属性集U上的映射结果。
针对元组t、a与属性列表U，在下述关系成立的情况下，有t≤ua。
(1)U＝[]；
(2)U＝[C|V]且(c)val(t[C])<Cval(a[C])。
上述关系式中，<C为定义在属性C值域上的次序符号，也可被定义于数字、字符串以及日期等属性上。
下面对次序依赖属性进行分析：
针对R上的两个属性列U与V，U→V用于描述次序依赖，U的序直接决定了V的序。
一个R上的实例r符合次序依赖δ＝U→V，用r|δ进行描述，那么针对r上的两条元组t、a，在t≤ua的情况下，t≤va。
S2.2：配用电多源量测数据次序属性特征提取：在选择特征提取技术时，互信息为代表变量间关联紧密程度，可依据互信息对配用电多源量测数据次序属性特征进行提取。
在选择特征提取技术时，互信息为代表变量间关联紧密程度，可依据互信息对配用电多源量测数据次序属性特征进行提取，则有:
采用互信息对配用电多源量测数据次序依赖属性特征进行提取时，需满足最大相关性准则与最小冗余性准则。
最大相关性准则即从包含n个特征的全部可能集合中，获取可符合下式的集合Zn：
由上式可以看出，最大相关性准则即获取一个集合Zn，同时保证该集合中所有特征变量Ui与目标变量D的互信息和均值最高。
最小冗余性准则即从含n个特征的全部可能集合中获取一个集合Zn，该集合中所有特征间是相互最小相似的，也就是相互最大不相似，那么有:
下面综合考虑最大相关性准则与最小冗余性准则对配用电多源量测数据次序属性特征进行提取，从含有n个次序特征的全部可能集合中，获取同时符合上述两种准则的集合Zn，则有：
依据最大相关准则与最小冗余准则，针对配用电多源量测数据对下式进行计算，其中Ui代表配用电多源量测数据次序中在前面的数据：
对上式进行计算得到的值越大，认为相应特征越能体现配用电多源量测数据的次序依赖属性。其中|πi|用于描述满足次序属性的配用电多源量测数据集。
S2.3：配用电多源量测数据缺失自动修复：依据配用电多源量测数据次序属性特征提取结果，通过RBF训练的网络模型实现配用电多源量测数据缺失自动修复。
在本实施例中，所述步骤S2.3的具体步骤包括：
RBF也就是径向基方法，是通过RBF神经网络训练建立的插值方法，通过训练得到的神经网络模型建立配用电多源量测数据的次序依赖关系，从而实现对缺失配用电多源量测数据的修复。
将次序依赖关联点集{Uij∈R}作为对象，建立{U0 i∈{Gt}}与{Ut i∈{Gt}}的RBF训练关系，将提取的配用电多源量测数据次序属性特征作为输入，通过三维RBF径向基神经网络对配用电多源量测数据进行训练，径向基函数权值用ω进行描述，训练方式如下：
f(u)＝∑ωiY(||u-uj||)+Q(u)
上式中，uj代表插值中心，γ()代表径向基函数，多项式Q(u)主要用于提高RBF神经网络训练精度，实质上可看作多维仿射变换。
在RBF神经网络中，径向基函数的选择非常重要，选用整体性能优的逆-MultiQuadric基函数：
针对所有选择的基函数，可通过此刻标识点与其最相邻标志点间的间隔l进行计算，也就是：
I＝min||ui-uj||
利用上式所示的训练方式，对RBF训练网络进行建立，则有：
通过上式计算RBF神经网络参数矩阵，结果用下式进行描述：
W＝[ω0,ω1,...,ωn-1]T
建立RBF神经网络后，将提取的配用电多源量测数据次序属性特征作为输入，经RBF神经网络训练，获取缺失配用电多源量测数据位置，在此基础上输出配用电多源量测数据的自动修复结果。
对缺失配用电多源量测数据进行修复时，假设缺失配用电多源量测数据集用{Bi}进行描述，则需要修复的配用电多源量测数据就是{Bi}中的元素。针对属于缺失配用电多源量测数据集{Bi}中的数据，假设t时刻为缺失配用电多源量测数据，则有:
综上所述，本发明首先设计离群点检测算法多源量测数据生成层的数据组结构，据此得到机器计量数据学习离群点，根据数据学习离群点位置，计算多源量测数据完整性检测指标。构建多源量测数据完整性检测算法，完成多源量测数据完整性检测；然后对多源量测数据次序属性进行分析，依据互信息，按照最大相关准则与最小冗余准则对多源量测数据次序属性特征进行提取。依据特征提取结果，通过RBF神经网络模型建立多源量测数据的次序依赖关系，从而实现对缺失量测数据的自动修复。
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (10)
1.一种电网多源量测数据完整性判断及自动修复系统，其特征在于：包括：多个配用电多源量测装置和电网业务资源中台；所述多个配用电多源量测装置分别与电网业务资源中台相连接，用于将配用电多源量测数据输出至电网业务资源中台；所述电网业务资源中台用于将配用电多源量测装置上传的配用电多源量测数据进行完整性判断及自动修复后上传至总站。
2.根据权利要求1所述的一种电网多源量测数据完整性判断及自动修复系统，其特征在于：所述电网业务资源中台包括人机交互界面和操作平台模块、数据预处理模块、完整性判断模块和自动修复模块；所述人机交互界面和操作平台模块用于对各电网量测装置上传的多源数据进行可视化和分析；所述数据预处理模块用于对多源量测数据进行预处理；所述完整性判断模块用于对多源量测数据进行完整性判断；所述自动修复模块用于对多源量测数据进行自我修复。
3.一种电网多源量测数据完整性判断及自动修复方法，其特征在于：包括以下步骤：
S1：设计离群点检测算法多源量测数据生成层的数据组结构，据此得到机器计量数据学习离群点，根据数据学习离群点位置，计算多源量测数据完整性检测指标，进而构建多源量测数据完整性检测算法，完成多源量测数据完整性检测；
S2：基于S1获得的多源量测数据完整性检测结果，对多源量测数据次序属性进行分析，依据互信息，按照最大相关准则与最小冗余准则对多源量测数据次序属性特征进行提取，依据特征提取结果，通过RBF神经网络模型建立多源量测数据的次序依赖关系，从而实现对缺失量测数据的自动修复。
4.根据权利要求3所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述S1的具体步骤包括：
S1-1：设定机器计量数据学习离群点，首先要对电网业务资源中台的配用电多源量测数据进行转化，并利用离群点检测算法记录量测数据转化生成层中的数据信息；
S1-2：根据数据学习离群点位置，计算配用电多源量测数据完整性检测指标，通过数据监督层中的学习离群点匹配度对比，针对电网业务资源中台的配用电多源量测数据的完整性测试指标分析；
S1-3：根据配用电多源量测数据完整性检测指标的计算结果，构建电网业务资源中台的配用电多源量测数据完整性检测算法；
S1-4：完成对基于离群点检测算法的配用电多源量测数据完整性检测。
5.根据权利要求4所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述S1-1的具体步骤包括：
(1)设立数据组A对配用电多源量测数据统一归纳，据此建立微量数据矩阵{a1,a2,a3,…,an}，针对转化结果对量测数据的信息表述；据此，对微量数据矩阵与数据组A建立连接关系，公式如下：
其中，ai代表第i个数据。
(2)通过数据组之间的连接关系，设计离群点检测算法的配用电多源量测数据生成层数据组结构；
(3)根据配用电多源量测数据离群点生成层的数据组结构，转化配用电多源量测数据生成层，并实时复制配用电多源量测数据离群点的初级监督层，在固定的间隔时间差中设定数据学习离群点的逻辑推理规律，通过配用电多源量测数据生成层转化检测判定结果，结合监督层辅助规律，设定数据学习离群点，以机器计量为标准制定学习离群点逻辑推导公式，计算公式如下：
(a1+b1)(a2+b2)＝a1a2+a1b2+a2b1+b1b2
其中，a1、a2和b1、b2分别为数据组A与数据组B中的配用电多源量测数据，根据学习离群点逻辑推导公式，对所有初级监督层得到的配用电多源量测数据组离群点进行归纳；并利用规律逻辑判断学习离群点的规律是否符合，剔除不符合逻辑规律的配用电多源量测数据组，针对完整的配用电多源量测数据生成层监督辅助；
(4)根据数据组结构中学习离群点的位置，对配用电多源量测数据传输层中的数据组A和数据组B进行识别，通过分析对应数据组中微量数据的值，对比中级监督数据组中数据学习离群点的匹配度，计算公式如下：
其中，n为数据学习离群点的设定数，当匹配度结果在区间[0,0.5]中，则代表数据学习离群点的设定与数据检测的完整性相差较大，应当修改；当匹配度结果在区间[0.5,1.0]中，则代表数据学习离群点的设定与数据检测的完整性相适应，通过参考匹配度，重新对数据监督层中的学习离群点位置设定，根据数据学习离群点的设定规律，计算配用电多源量测数据完整性检测指标的大小。
6.根据权利要求4所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述步骤S1-2的具体步骤包括：
为了避免配用电多源量测数据的检测内容过于模糊，计算检测描述变量，针对配用电多源量测数据块mi,j(i≤n,j≤k)结构对应的标签信息设定，公式如下：
Ti＝ei＝n,j＝cmi,j i＝1,j＝1
其中，n为数据集合群数量，c为变迁信息和并关联数据块的数量，通过计算配用电多源量测数据集合群，对并关联数据块mi和变迁信息Ti分离，对第i个数据块中的配用电多源量测数据检测特征内容判断，据此得到配用电多源量测数据块的标签特征ηi(T)，计算公式如下：:
其中，fi(t)为配用电多源量测数据集合群函数，wi(t)为数据块中的标签信息函数，Pi(t)为配用电多源量测数据集合群函数的特征信息内容，T为配用电多源量测数据信息变迁的时间；利用离群点检测算法计算配用电多源量测数据离散调度信息流，计算公式如下：
其中，K为离群点检测算法随机素数，t为配用电多源量测数据信息流的数据，t0为数据信息流的初始数据；为保证计算配用电多源量测数据完整性检测指标的代数映射在合理范围内，要先根据映射结构推导电网业务资源中台的配用电多源量测数据检测结构，并遵循映射原理
由此得到计算公式如下：
其中，
为配用电多源量测数据检测结构的映射函数，
为电网业务资源中台的配用电多源量测数据的映射初始函数；据此，制定学习随机同态指标，并在任意的配用电多源量测数据间指标同步，并统一标签格式，利用相等的素数对配用电多源量测数据随机规制，并根据规制结果推导配用电多源量测数据完整性的检测指标，计算公式如下：
通过配用电多源量测数据完整性检测指标的计算，构建电网业务资源中台的配用电多源量测数据完整性检测算法。
7.根据权利要求4所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述步骤S1-3的具体步骤包括：
通过配用电多源量测数据完整性检测算法运算结构，对随机生成的配用电多源量测数据集合α进行分块化处理，并设定配用电多源量测数据分块化处理集合F＝(m1,m2,…,mn)，对数据集合G中的元素进行标记，连接分块数及随机元素的标识名称，求解配用电多源量测数据块的指标信息，计算公式如下：
其中，F(mi)为数据分块化处理集合中的随机数，u为配用电多源量测数据块指标信息的常量；利用公式中的指标信息面，对检测内容的集合组建，公式如下：
其中，i为配用电多源量测数据分块化处理集合中的随机变量，集合中的构建配用电多源量测数据检测内容，计算公式如下：
其中，s1、sc分别为对应配用电多源量测数据元素集合中的初始值和末尾值；根据配用电多源量测数据检测内容对配用电多源量测数据检测内容区分；通过概率元素随机数据检测结果判断配用电多源量测数据完整性的量级，按照升序排列结合元素的验证检索内容，根据验证内容的重复性确定配用电多源量测数据的完整性。
8.根据权利要求4所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述步骤S1-4的具体方法为：
根配用电多源量测数据完整性检测算法确定配用电多源量测数据的检测元素范围，设第C个监测元素的取值范围在1～n之间，传递配用电多源量测数据集合B中的元素检测信息，利用单个完整性的验证内容检测信号置换，通过数据块索引完整性数据存储；设置配用电多源量测数据的随机元素uk←G针对数据块指标区别，并利用随机元素配用电多源量测数据信息定位，针对数据块mi,j定位计算，计算公式如下：
其中，hx代表数据横坐标，hy代表数据纵坐标。
根据配用电多源量测数据信息的检测定位验证检测的附属路径，并针对未修改数据块的类型划分，同时对数据持有更新内容发送，结合数据块的集中信息算法检测，对配用电多源量测数据的相关元数据整理，通过辅助定位检测算法运算结构，并利用替换数据块指标更新，对新的根节点检测信息进行汇总，如图4所示。至此，完成对基于离群点检测算法的配用电多源量测数据完整性检测。
9.根据权利要求3所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述S2的具体步骤包括：
S2.1：对配用电多源量测数据次序属性进行分析，为提取次序属性特征提供依据；
S2.2：配用电多源量测数据次序属性特征提取：在选择特征提取技术时，互信息为代表变量间关联紧密程度，可依据互信息对配用电多源量测数据次序属性特征进行提取；
S2.3：配用电多源量测数据缺失自动修复：依据配用电多源量测数据次序属性特征提取结果，通过RBF训练的网络模型实现配用电多源量测数据缺失自动修复。
10.根据权利要求9所述的一种电网多源量测数据完整性判断及自动修复方法，其特征在于：所述步骤S2.3的具体步骤包括：
将次序依赖关联点集{Uij∈R}作为对象，建立{U0 i∈{Gt}}与{Ut i∈{Gt}}的RBF训练关系，将提取的配用电多源量测数据次序属性特征作为输入，通过三维RBF径向基神经网络对配用电多源量测数据进行训练，径向基函数权值用ω进行描述，训练方式如下：
f(u)＝∑ωiY(||u-uj||)+Q(u)
上式中，uj代表插值中心，γ()代表径向基函数，多项式Q(u)主要用于提高RBF神经网络训练精度，实质上可看作多维仿射变换；
在RBF神经网络中，径向基函数的选择非常重要，选用整体性能优的逆-MultiQuadric基函数：
针对所有选择的基函数，可通过此刻标识点与其最相邻标志点间的间隔l进行计算，也就是：
I＝min||ui-uj||
利用上式所示的训练方式，对RBF训练网络进行建立，则有：
通过上式计算RBF神经网络参数矩阵，结果用下式进行描述：
W＝[ω0,ω1,...,ωn-1]T
建立RBF神经网络后，将提取的配用电多源量测数据次序属性特征作为输入，经RBF神经网络训练，获取缺失配用电多源量测数据位置，在此基础上输出配用电多源量测数据的自动修复结果；
对缺失配用电多源量测数据进行修复时，假设缺失配用电多源量测数据集用{Bi}进行描述，则需要修复的配用电多源量测数据就是{Bi}中的元素；针对属于缺失配用电多源量测数据集{Bi}中的数据，假设t时刻为缺失配用电多源量测数据，则有:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370157.XA CN114238045A (zh) | 2021-11-18 | 2021-11-18 | 一种电网多源量测数据完整性判断及自动修复系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370157.XA CN114238045A (zh) | 2021-11-18 | 2021-11-18 | 一种电网多源量测数据完整性判断及自动修复系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114238045A true CN114238045A (zh) | 2022-03-25 |
Family
ID=80749967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111370157.XA Pending CN114238045A (zh) | 2021-11-18 | 2021-11-18 | 一种电网多源量测数据完整性判断及自动修复系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114238045A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594795A (zh) * | 2023-03-03 | 2023-08-15 | 齐鲁工业大学(山东省科学院) | 面向数据中台的错误检测和修复方法 |
-
2021
- 2021-11-18 CN CN202111370157.XA patent/CN114238045A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594795A (zh) * | 2023-03-03 | 2023-08-15 | 齐鲁工业大学(山东省科学院) | 面向数据中台的错误检测和修复方法 |
| CN116594795B (zh) * | 2023-03-03 | 2024-01-26 | 齐鲁工业大学(山东省科学院) | 面向数据中台的错误检测和修复方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103336790B (zh) | 基于Hadoop的邻域粗糙集快速属性约简方法 | |
| CN111552813A (zh) | 一种基于电网全业务数据的电力知识图谱构建方法 | |
| CN103336791B (zh) | 基于Hadoop的粗糙集快速属性约简方法 | |
| CN114416855A (zh) | 一种基于电力大数据的可视化平台及方法 | |
| CN107749638B (zh) | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 | |
| CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
| CN115576998B (zh) | 一种基于多维信息融合的配电网数据整合方法及系统 | |
| CN113806560A (zh) | 一种电力数据知识图生成方法及系统 | |
| CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
| Mohamed et al. | A review on big data management and decision-making in smart grid | |
| CN114238045A (zh) | 一种电网多源量测数据完整性判断及自动修复系统和方法 | |
| CN111159152A (zh) | 基于大数据处理技术的二次运维数据融合方法 | |
| CN118017509A (zh) | 基于数字孪生空间的大规模配电网并行优化方法 | |
| CN114493535A (zh) | 一种基于资产模型的数据驱动用数据中台系统 | |
| CN110826845B (zh) | 一种多维组合成本分摊装置及方法 | |
| CN117171686A (zh) | 一种基于联邦学习的智能电网异常数据的检测方法及系统 | |
| Xiong et al. | PSO algorithm‐based scenario reduction method for stochastic unit commitment problem | |
| CN114676931A (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN111626792A (zh) | 一种对配网内综合能源源荷储精准画像技术 | |
| CN109816228A (zh) | 一种企业bim技术应用能力量化评估系统及方法 | |
| Ding et al. | Power Distribution Multi-source Measurement Data Integrity Judgment and Automatic Repair System and Method Based on Power Grid business Resources | |
| CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
| CN116089502B (zh) | 一种基于自适应模型的订单检索分析系统及方法 | |
| CN115859911B (zh) | 适应数据动态变化下的标签自动生成演进方法、装置 | |
| CN117934209B (zh) | 一种基于知识图谱的区域电力系统碳排放大数据分析方法 |
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 |