CN114461619A - 能源互联网多源数据融合方法、装置、终端及存储介质 - Google Patents
能源互联网多源数据融合方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114461619A CN114461619A CN202111677535.9A CN202111677535A CN114461619A CN 114461619 A CN114461619 A CN 114461619A CN 202111677535 A CN202111677535 A CN 202111677535A CN 114461619 A CN114461619 A CN 114461619A
- Authority
- CN
- China
- Prior art keywords
- sub
- matrix
- fusion
- searchlight
- data
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 120
- 230000004927 fusion Effects 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据处理技术领域，尤其涉及一种能源互联网多源数据融合方法、装置、终端及存储介质，本发明方法其基于探照灯分析能源互联网多源数据对数据进行融合，可以实现能源互联网海量多源数据的融合与处理，减少了数据总量的同时保证了融合后的数据质量。方法步骤简单，针对不同数据内部、不同数据之间进行数据融合，并按照矩阵维度、稀疏性等特征选取不同的探照半径，可以实现能源互联网海量多源数据的高效融合。本发明面向能源互联网多源数据融合，为其数据质量提升提供了一套完整、有效的方法和系统。通过本发明方法的实施，可以改善能源互联网数据冗余等问题，保证了融合后的多源数据质量。
Description
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种能源互联网多源数据融合方法、装置、终端及存储介质。
背景技术
能源互联网是综合运用先进的电力电子技术、信息技术和智能管理技术，将大量由分布式能量采集装置，分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来，以实现能量双向流动的能量对等交换与共享网络。
由于其他能源网络的连接，可再生能源与分布式电源及主动负荷等的大规模接入，电力系统产生了海量数据，其中可能存在大量无关、冗余数据，有可能淹没重要数据，从而导致决策出现偏差。
为减小数据量、降低数据维数以及排除冗余数据干扰，提升数据质量，就需要借助数据融合理论对数据进行辅助分析。
基于此，需要开发设计出一种能源互联网多源数据融合方法。
发明内容
本发明实施方式提供了一种能源互联网多源数据融合方法、装置、终端及存储介质，用于解决现有技术中采用到期轮换易导致资源浪费的问题。
第一方面，本发明实施方式提供了一种能源互联网多源数据融合方法，包括：
获取多源数据以及多个标签，其中，所述多源数据包括多个数据，所述多个标签用于表征所述多源数据中各个数据的属性；
根据所述多个标签对所述多源数据进行分类，获得多个子数据集；
对所述多个子数据集进行预处理，获得多个子探照矩阵；
对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵；
对所述多个融合子矩阵进行构造，获得多源矩阵；
对所述多源矩阵进行探照融合，获得融合数据。
在一种可能实现的方式中，所述对所述多个子数据集进行预处理，获得多个子探照矩阵，包括：
对于每个所述子数据集执行如下步骤：
根据第一公式对所述子数据集进行归一化处理，所述第一公式为：
式中，x'i为子数据集的任意一个元素，xmin为子数据集中最小的元素，xmax为子数据集中最大的元素，xi为归一化后的子数据集的元素；
对归一化后的所述子数据集按照预定的行列数量进行构造，获得子探照矩阵，所述子探照矩阵为：
式中，Xsl为子探照矩阵，l为子数据集元素数量，m为子探照矩阵的列数，n为子探照矩阵的行数，m×n＝l。
在一种可能实现的方式中，所述对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵，包括：
对每个所述子探照矩阵执行如下步骤：
获取探照灯半径；
对所述子探照矩阵定位探照位置；
提取步骤：根据所述探照位置以及所述探照灯半径对所述子探照矩阵进行提取，获得提取矩阵；
根据所述提取矩阵获得探照中心；
将所述探照中心加入新构建的融合子矩阵；
若未对所述子探照矩阵完成全部探照，则按照移动所述探照位置，并跳转至提取步骤。
在一种可能实现的方式中，所述提取矩阵为：
式中，
为所述子探照矩阵的第k个提取矩阵，r为探照半径；
所述根据所述提取矩阵获得探照中心，包括：
根据第二公式以及所述提取矩阵获得探照中心，所述第二公式为：
式中，
为第k个提取矩阵的探照中心，r为探照半径，n为子探照矩阵的行数。
在一种可能实现的方式中，在所述将所述探照中心加入新构建的所述融合子矩阵之后，包括：
根据所述融合子矩阵以及所述子探照矩阵，确定误差平方和；
若所述误差平方和大于阈值，则减小所述探照灯半径，再次对所述子探照矩阵进行探照融合，获得融合子矩阵。
在一种可能实现的方式中，所述误差平方和根据第三公式确定，所述第三公式为：
ε＝(∑X'sl-∑Xsl)T(∑X'sl-∑Xsl)
式中，ε为误差平方和，X'sl为融合子矩阵，Xsl为子探照矩阵。
在一种可能实现的方式中，所述对所述多个融合子矩阵进行构造，获得多源矩阵，包括：
将每个所述融合子矩阵中的各个元素，按照预定顺序依次加入新建的融合多源数据集；
对所述融合多源数据集按照预定的行列数量进行构造，获得多源矩阵。
第二方面，本发明实施方式提供了一种能源互联网多源数据融合装置，包括：
数据获取模块，用于获取多源数据以及多个标签，其中，所述多源数据包括多个数据，所述多个标签用于表征所述多源数据中各个数据的属性；
数据分类模块，用于根据所述多个标签对所述多源数据进行分类，获得多个子数据集；
数据预处理模块，用于对所述多个子数据集进行预处理，获得多个子探照矩阵；
子探照矩阵融合模块，用于对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵；
多源矩阵构造模块，用于对所述多个融合子矩阵进行构造，获得多源矩阵；以及，
融合模块，用于对所述多源矩阵进行探照融合，获得融合数据。
第三方面，本发明实施方式提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是：
本发明实施方式公开了的一种能源互联网多源数据融合方法，其基于探照灯分析能源互联网多源数据对数据进行融合，可以实现能源互联网海量多源数据的融合与处理，减少了数据总量的同时保证了融合后的数据质量。方法步骤简单，针对不同数据内部、不同数据之间进行数据融合，并按照矩阵维度、稀疏性等特征选取不同的探照半径，可以实现能源互联网海量多源数据的高效融合。本发明面向能源互联网多源数据融合，为其数据质量提升提供了一套完整、有效的方法和系统。通过本发明方法的实施，可以改善能源互联网数据冗余等问题，保证了融合后的多源数据质量。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的能源互联网多源数据融合方法的流程图；
图2是本发明实施方式提供的基于探照灯分析的数据融合示意图；
图3是本发明实施方式提供的探照分析示意图；
图4是本发明实施方式提供的不同融合算法下的风电场功率预测对比图；
图5是本发明实施方式提供的能源互联网多源数据融合装置功能框图；
图6是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的能源互联网多源数据融合方法的流程图。
如图1所示，其示出了本发明实施方式提供的能源互联网多源数据融合方法的实现流程图，详述如下：
在步骤101中，获取多源数据以及多个标签，其中，所述多源数据包括多个数据，所述多个标签用于表征所述多源数据中各个数据的属性。
在步骤102中，根据所述多个标签对所述多源数据进行分类，获得多个子数据集。
示例性地，多源数据包括有多个数据以及与多个数据对应的标签。标签用于标识数据的属性，如数据的来源、类型。
因此，基于对于数据处理的第一步为，根据数据来源、类型的不同，对数据进行分类，如多源数据集为X，对其进行划分，得到多个子数据集X1～Xn。划分后的数据表达式为：
X＝(X1,X2,…,Xn)。
在步骤103中，对所述多个子数据集进行预处理，获得多个子探照矩阵。
在一些实施方式中，所述步骤103包括：
对于每个所述子数据集执行如下步骤：
根据第一公式对所述子数据集进行归一化处理，所述第一公式为：
式中，x'i为子数据集的任意一个元素，xmin为子数据集中最小的元素，xmax为子数据集中最大的元素，xi为归一化后的子数据集的元素；
对归一化后的所述子数据集按照预定的行列数量进行构造，获得子探照矩阵，所述子探照矩阵为：
式中，Xsl为子探照矩阵，l为子数据集元素数量，m为子探照矩阵的列数，n为子探照矩阵的行数，m×n＝l。
示例性地，对于如上述多个子集中的任意一个子集Xq，其任意一个元素x'i进行归一化处理：
归一化处理后，我们得到一个包含有经过归一化处理的子数据集，表达式为：
Xq＝[x1 x2 … xl]T
式中l表示该子数据集的数据长度。
选取x1～xn作为子探照矩阵的第一个行向量，n为子探照矩阵的行长度。将第一个行向量右移一个步长n，得到子探照矩阵的第二个行向量，以此类推，得到子探照矩阵Xsl，表达式为：
式中，Xsl为子探照矩阵，l为子数据集元素数量，m为子探照矩阵的列数，n为子探照矩阵的行数，m×n＝l。
实际在选取m和n时应尽量使两者相等。
在步骤104中，对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵。
在一些实施方式中，步骤104包括：
对每个所述子探照矩阵执行如下步骤：
获取探照灯半径。对所述子探照矩阵定位探照位置。
提取步骤：根据所述探照位置以及所述探照灯半径对所述子探照矩阵进行提取，获得提取矩阵。
根据所述提取矩阵获得探照中心。将所述探照中心加入新构建的融合子矩阵。若未对所述子探照矩阵完成全部探照，则按照移动所述探照位置，并跳转至提取步骤。
在一些实施方式中，所述提取矩阵为：
式中，
为所述子探照矩阵的第k个提取矩阵，r为探照半径；
所述根据所述提取矩阵获得探照中心，包括：
根据第二公式以及所述提取矩阵获得探照中心，所述第二公式为：
式中，
为第k个提取矩阵的探照中心，r为探照半径，n为子探照矩阵的行数。
在一些实施方式中，在所述将所述探照中心加入新构建的所述融合子矩阵之后，包括：根据所述融合子矩阵以及所述子探照矩阵，确定误差平方和，若所述误差平方和大于阈值，则减小所述探照灯半径，再次对所述子探照矩阵进行探照融合，获得融合子矩阵。
在一些实施方式中，所述误差平方和根据第三公式确定，所述第三公式为：
ε＝(∑X'sl-∑Xsl)T(∑X'sl-∑Xsl)
式中，ε为误差平方和，X'sl为融合子矩阵，Xsl为子探照矩阵。
示例性地，设探照灯半径为r，对于探照矩阵Xsl，第1次移动探照灯时的探照范围为：
该探照范围为上述中的提取矩阵。探照灯移动方向为：自左向右，自上向下。每次探照灯移动一个步长，当探照矩阵的每个元素被探照到则停止探照。
设当前探照灯范围(第k次探照对应的提取矩阵)为：
则使用下式计算
的探照中心：
使用
代替当前探照矩阵的元素xrn+k+r，构造新的探照矩阵X'sl。
图3示出了通过各次探照提取出提取矩阵，然后，根据提取矩阵计算探照中心，将探照中心构件新探照矩阵的过程。
图4中间虚线框中示出了由子数据集构建子探照矩阵，然后由子探照矩阵构建新探照矩阵的过程。
在获得新的探照矩阵后，通常还会验证新获得的探照矩阵的误差，一种误差验证方式为通过下式确定：
ε＝(∑X'sl-∑Xsl)T(∑X'sl-∑Xsl)
式中，ε为误差平方和，X'sl为融合子矩阵，Xsl为子探照矩阵。
很显然，当误差平方和较大时，则说明融合后的矩阵与之前的矩阵存在较大的偏差，应当予以纠正。
一种纠正方式为减小探照灯的半径。如，在一种实施方式中，起始探照半径为r＝min{m,n}，在经过上述探照融合步骤后，再通过误差验证验证误差超过阈值，此时，可令r＝r-1，再次进行探照融合，经过多次反复后，当误差平方和小于阈值时，取当前探照半径作为最优半径。
在步骤105中，对所述多个融合子矩阵进行构造，获得多源矩阵。
在一些实施方式中，上述步骤105包括：
将每个所述融合子矩阵中的各个元素，按照预定顺序依次加入新建的融合多源数据集；
对所述融合多源数据集按照预定的行列数量进行构造，获得多源矩阵。
在步骤106中，对所述多源矩阵进行探照融合，获得融合数据。
示例性地，对于获得的多个融合子矩阵中的每个融合子矩阵，按照由左到右，由上到下的顺序，将融合子矩阵的元素加入到新建的融合多源数据集，然后，再将融合多源数据集，按照多行多列的形式构造一个多源矩阵。图2虚线框右侧示意出了该过程。
对于这个多源矩阵，通过前述处理子探照矩阵的方式，对多源矩阵进行探照融合，最终获得融合数据。
下面就一种具体的应用，说明与现有技术对比取得的进步：
如图4所示，某风电场2021年8月风机的历史监测数据为例，应用本发明方法对风电场发电功率进行预测分析。针对风电场发电功率预测目标本实验采用标准误差(RMSE)、平均绝对百分误差(MAPE)两个评价标准当作最终结果的评价标准。计算公式分别如下：
式中Yt表示预测值，yt表示实际值，n为预测点的个数。标准误差越小则说明预测效果越精确；平均绝对百分误差值越小说明预测效果越精确。本实施实例中，将分别使用本发明方法与BP神经网络算法进行数据融合后作风电场发电功率预测，对比结果如图4所示。分别计算标准误差，结果如下表：
表1 两种算法的标准误差对比
我们可以看出，本发明方法在该应用场景中，相对采用BP神经网络算法对于发电功率的预测，误差更小，准确度更高。
本发明能源互联网多源数据融合方法实施方式，其基于探照灯分析能源互联网多源数据对数据进行融合，可以实现能源互联网海量多源数据的融合与处理，减少了数据总量的同时保证了融合后的数据质量。方法步骤简单，针对不同数据内部、不同数据之间进行数据融合，并按照矩阵维度、稀疏性等特征选取不同的探照半径，可以实现能源互联网海量多源数据的高效融合。本发明面向能源互联网多源数据融合，为其数据质量提升提供了一套完整、有效的方法和系统。通过本发明方法的实施，可以改善能源互联网数据冗余等问题，保证了融合后的多源数据质量。
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
图5是本发明实施方式提供的能源互联网多源数据融合装置功能框图，参照图5，能源互联网多源数据融合装置5包括：数据获取模块501、数据分类模块502、数据预处理模块503、子探照矩阵融合模块504、多源矩阵构造模块505以及融合模块506。
数据获取模块501，用于获取多源数据以及多个标签，其中，所述多源数据包括多个数据，所述多个标签用于表征所述多源数据中各个数据的属性；
数据分类模块502，用于根据所述多个标签对所述多源数据进行分类，获得多个子数据集；
数据预处理模块503，用于对所述多个子数据集进行预处理，获得多个子探照矩阵；
子探照矩阵融合模块504，用于对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵；
多源矩阵构造模块505，用于对所述多个融合子矩阵进行构造，获得多源矩阵；以及，
融合模块506，用于对所述多源矩阵进行探照融合，获得融合数据。
图6是本发明实施方式提供的终端的功能框图。如图6所示，该实施方式的终端6包括：处理器600、存储器601以及存储在所述存储器601中并可在所述处理器600上运行的计算机程序602。所述处理器600执行所述计算机程序602时实现上述各个能源互联网多源数据融合方法及实施方式中的步骤，例如图1所示的步骤101至步骤106。
示例性的，所述计算机程序602可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器601中，并由所述处理器600执行，以完成本发明。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括，但不仅限于，处理器600、存储器601。本领域技术人员可以理解，图6仅仅是终端6的示例，并不构成对终端6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器601可以是所述终端6的内部存储单元，例如终端6的硬盘或内存。所述存储器601也可以是所述终端6的外部存储设备，例如所述终端6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器601还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器601用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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方式方案的目的。
另外，在本发明各个实施方式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。
所述集成的模块/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，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个能源互联网多源数据融合方法及能源互联网多源数据融合装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，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方式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发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种能源互联网多源数据融合方法，其特征在于，包括：
获取多源数据以及多个标签，其中，所述多源数据包括多个数据，所述多个标签用于表征所述多源数据中各个数据的属性；
根据所述多个标签对所述多源数据进行分类，获得多个子数据集；
对所述多个子数据集进行预处理，获得多个子探照矩阵；
对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵，其中，所示所述对所述多个子探照矩阵进行探照融合为对各个子探照矩阵的部分数据取出，并对所述部分数据获取数据中心的过程；
对所述多个融合子矩阵进行构造，获得多源矩阵；
对所述多源矩阵进行探照融合，获得融合数据。
2.根据权利要求1所述的能源互联网多源数据融合方法，其特征在于，所述对所述多个子数据集进行预处理，获得多个子探照矩阵，包括：
对于每个所述子数据集执行如下步骤：
根据第一公式对所述子数据集进行归一化处理，所述第一公式为：
式中，x′i为子数据集的任意一个元素，xmin为子数据集中最小的元素，xmax为子数据集中最大的元素，xi为归一化后的子数据集的元素；
对归一化后的所述子数据集按照预定的行列数量进行构造，获得子探照矩阵，所述子探照矩阵为：
式中，Xsl为子探照矩阵，l为子数据集元素数量，m为子探照矩阵的列数，n为子探照矩阵的行数，m×n＝l。
3.根据权利要求1所述的能源互联网多源数据融合方法，其特征在于，所述对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵，包括：
对每个所述子探照矩阵执行如下步骤：
获取探照灯半径；
对所述子探照矩阵定位探照位置；
提取步骤：根据所述探照位置以及所述探照灯半径对所述子探照矩阵进行提取，获得提取矩阵；
根据所述提取矩阵获得探照中心；
将所述探照中心加入新构建的融合子矩阵；
若未对所述子探照矩阵完成全部探照，则按照移动所述探照位置，并跳转至提取步骤。
4.根据权利要求3所述的能源互联网多源数据融合方法，其特征在于，所述提取矩阵为：
式中，
为所述子探照矩阵的第k个提取矩阵，r为探照半径；
所述根据所述提取矩阵获得探照中心，包括：
根据第二公式以及所述提取矩阵获得探照中心，所述第二公式为：
式中，
为第k个提取矩阵的探照中心，r为探照半径，n为子探照矩阵的行数。
5.根据权利要求3所述的能源互联网多源数据融合方法，其特征在于，在所述将所述探照中心加入新构建的所述融合子矩阵之后，包括：
根据所述融合子矩阵以及所述子探照矩阵，确定误差平方和；
若所述误差平方和大于阈值，则减小所述探照灯半径，再次对所述子探照矩阵进行探照融合，获得融合子矩阵。
6.根据权利要求5所述的能源互联网多源数据融合方法，其特征在于，所述误差平方和根据第三公式确定，所述第三公式为：
ε＝(∑X′sl-∑Xsl)T(∑X′sl-∑Xsl)
式中，ε为误差平方和，X′sl为融合子矩阵，Xsl为子探照矩阵。
7.根据权利要求1-6任一项所述的能源互联网多源数据融合方法，其特征在于，所述对所述多个融合子矩阵进行构造，获得多源矩阵，包括：
将每个所述融合子矩阵中的各个元素，按照预定顺序依次加入新建的融合多源数据集；
对所述融合多源数据集按照预定的行列数量进行构造，获得多源矩阵。
8.一种能源互联网多源数据融合装置，其特征在于，包括：
数据获取模块，用于获取多源数据以及多个标签，其中，所述多源数据包括多个数据，所述多个标签用于表征所述多源数据中各个数据的属性；
数据分类模块，用于根据所述多个标签对所述多源数据进行分类，获得多个子数据集；
数据预处理模块，用于对所述多个子数据集进行预处理，获得多个子探照矩阵；
子探照矩阵融合模块，用于对所述多个子探照矩阵进行探照融合，获得多个融合子矩阵；
多源矩阵构造模块，用于对所述多个融合子矩阵进行构造，获得多源矩阵；以及，
融合模块，用于对所述多源矩阵进行探照融合，获得融合数据。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677535.9A CN114461619A (zh) | 2021-12-31 | 2021-12-31 | 能源互联网多源数据融合方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677535.9A CN114461619A (zh) | 2021-12-31 | 2021-12-31 | 能源互联网多源数据融合方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114461619A true CN114461619A (zh) | 2022-05-10 |
Family
ID=81408559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111677535.9A Pending CN114461619A (zh) | 2021-12-31 | 2021-12-31 | 能源互联网多源数据融合方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114461619A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574318A (zh) * | 2023-12-12 | 2024-02-20 | 江苏省工商行政管理局信息中心 | 一种基于多源数据的市场监管信息融合平台及其方法 |
-
2021
- 2021-12-31 CN CN202111677535.9A patent/CN114461619A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574318A (zh) * | 2023-12-12 | 2024-02-20 | 江苏省工商行政管理局信息中心 | 一种基于多源数据的市场监管信息融合平台及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE112021004908T5 (de) | Computerbasierte systeme, rechenkomponenten und rechenobjekte, die eingerichtet sind, dynamische ausreisser-verzerrungs-verringerung bei maschinenlernmodellen zu implementieren | |
| US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| CN112231416A (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
| Cocchi et al. | Machine learning methods for short‐term bid forecasting in the renewable energy market: A case study in Italy | |
| CN113657937A (zh) | 基于eemd-cnn+sae-rfr混合算法的日前电价预测方法 | |
| Refaat et al. | Multi-stage dynamic transmission network expansion planning using lshade-spacma | |
| CN111353534B (zh) | 一种基于自适应分数阶梯度的图数据类别预测方法 | |
| CN115862751A (zh) | 基于边特征更新聚合注意力机制的量子化学性质计算方法 | |
| CN113837379A (zh) | 神经网络的训练方法及装置、计算机可读存储介质 | |
| CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
| Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
| Sui et al. | Learning 3-opt heuristics for traveling salesman problem via deep reinforcement learning | |
| CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
| CN112069249A (zh) | 知识图谱关系挖掘方法、装置、计算机设备及存储介质 | |
| CN116978450A (zh) | 蛋白质数据的处理方法、装置、电子设备及存储介质 | |
| CN115545164A (zh) | 光伏发电功率预测方法、系统、设备及介质 | |
| CN116306951A (zh) | 一种量子计算方法和装置、电子设备和存储介质 | |
| CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
| CN114913008A (zh) | 基于决策树的债券价值分析方法、装置、设备及存储介质 | |
| Shi et al. | A full variate Gaussian model-based RM-MEDA without clustering process | |
| CN113673742A (zh) | 配电变压器台区负荷预测方法、系统、装置及介质 | |
| CN115577857B (zh) | 能源系统出力数据预测方法、装置和计算机设备 |
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 |