CN115544126A - 光伏数据的升频重建方法、装置、计算机设备和存储介质 - Google Patents

光伏数据的升频重建方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115544126A
CN115544126A CN202211552691.7A CN202211552691A CN115544126A CN 115544126 A CN115544126 A CN 115544126A CN 202211552691 A CN202211552691 A CN 202211552691A CN 115544126 A CN115544126 A CN 115544126A
Authority
CN
China
Prior art keywords
frequency
low
photovoltaic data
matrix
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
Application number
CN202211552691.7A
Other languages
English (en)
Inventor
李鹏
黄文琦
侯佳萱
戴珍
曹尚
张焕明
白昱阳
习伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211552691.7A priority Critical patent/CN115544126A/zh
Publication of CN115544126A publication Critical patent/CN115544126A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请涉及一种光伏数据的升频重建方法、装置、计算机设备和存储介质。所述方法包括：获取待重建对象的低频光伏数据和参考对象的高频光伏数据；分别对低频光伏数据和高频光伏数据进行重组处理，得到低频矩阵和高频矩阵；对高频光伏数据进行下采样处理，得到拟低频光伏数据，并将拟低频光伏数据进行重组，得到拟低频矩阵；基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型；将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据。采用本方法能够提高光伏数据的升频重建精度。

Description

光伏数据的升频重建方法、装置、计算机设备和存储介质
技术领域
本申请涉及新能源数据处理领域，特别是涉及一种光伏数据的升频重建方法、装置、计算机设备和存储介质。
背景技术
在全球低碳计划不断推进的背景下，分布式光伏的高比例渗透已成为电网建设的一大特点。然而，由于不同光伏场站的数字化水平有所差异，不同光伏机组的数据采集设备的采集频率也各不相同，使得电网当前存在着大量数据颗粒度不一的光伏数据。在实际生产中，按照数据颗粒度的高与低，可将光伏数据简单划分为高频数据与低频数据。但实际上，与低频数据相比，高频数据的数据量更大，蕴含着更丰富的信息，可更清楚地反映光伏机组的运行特性。因此，实现低频数据向高频数据的升频重建是挖掘数据潜在价值和确保数据可用性的支持技术之一。
目前，电网中常用插值方法对光伏数据进行升频重建。然而，这种重建的方式过分依赖相邻数据信息，使得重建结果相对平滑，精度不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高光伏数据的升频重建精度的光伏数据的升频重建方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种光伏数据的升频重建方法，所述方法包括：
获取待重建对象的低频光伏数据和参考对象的高频光伏数据；
分别对所述低频光伏数据和所述高频光伏数据进行重组处理，得到低频矩阵和高频矩阵；
对所述高频光伏数据进行下采样处理，得到拟低频光伏数据，并将所述拟低频光伏数据进行重组，得到拟低频矩阵；
基于所述拟低频矩阵和所述高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型；
将所述低频矩阵输入至所述优化增强型深度残差网络模型，执行对所述低频光伏数据的升频重建处理，得到所述低频光伏数据所对应的拟高频光伏数据。
在其中一个实施例中，所述获取待重建对象的低频光伏数据和参考对象的高频光伏数据，包括：
获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间；
基于所述启动时间和所述关闭时间，确定有效时间；
获取所述待重建对象在所述有效时间内的低频光伏数据，以及所述参考对象在所述有效时间内的高频光伏数据。
在其中一个实施例中，所述对所述高频光伏数据进行下采样处理，得到拟低频光伏数据，包括：
获取所述低频光伏数据的采样频率；
基于所述采样频率，对所述高频光伏数据进行下采样处理，得到与所述低频光伏数据的采样频率相同的拟低频光伏数据。
在其中一个实施例中，所述基于所述拟低频矩阵和所述高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型，包括：
获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型；
将所述拟低频矩阵输入所述增强型深度残差网络模型中，得到所述拟低频矩阵对应的目标矩阵；
基于所述目标矩阵与所述高频矩阵构建损失函数，并计算所述目标矩阵的损失值；
控制所述增强型深度残差网络模型基于所述损失值进行训练，得到优化增强型深度残差网络模型。
在其中一个实施例中，所述增强型深度残差网络模型包括浅层特征提取结构、深层特征提取结构、以及上采样结构；
所述将所述拟低频矩阵输入所述增强型深度残差网络模型中，得到所述拟低频矩阵对应的目标矩阵，包括：
基于所述浅层特征提取结构，提取所述拟低频矩阵中的浅层特征信息，得到浅层特征提取结果；
使用所述深层特征提取结构，对所述浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果；
使用所述上采样结构，对所述深层特征提取结果进行亚像素卷积处理，得到所述拟低频矩阵对应的目标矩阵。
在其中一个实施例中，所述将所述低频矩阵输入至所述优化增强型深度残差网络模型，执行对所述低频光伏数据的升频重建处理，得到所述低频光伏数据所对应的拟高频光伏数据，包括：
将所述低频矩阵输入所述优化增强型深度残差网络模型中，得到拟高频目标矩阵；
将所述拟高频目标矩阵进行重组转化处理，得到所述低频光伏数据升频重建后的拟高频光伏数据。
在其中一个实施例中，所述方法还包括：
基于光伏数据的周期性，将所述拟高频目标矩阵进行逆向重组处理，得到所述待重建对象产生所述低频光伏数据相邻采集周期的拟高频光伏数据。
第二方面，本申请提供了一种光伏数据的升频重建装置，所述装置包括：
光伏数据获取模块，用于获取待重建对象的低频光伏数据和参考对象的高频光伏数据；
数据重组模块，用于分别对所述低频光伏数据和所述高频光伏数据进行重组处理，得到低频矩阵和高频矩阵；
下采样模块，用于对所述高频光伏数据进行下采样处理，得到拟低频光伏数据，并将所述拟低频光伏数据进行重组，得到拟低频矩阵；
模型优化模块，用于基于所述拟低频矩阵和所述高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型；
升频重建模块，用于将所述低频矩阵输入至所述优化增强型深度残差网络模型，执行对所述低频光伏数据的升频重建处理，得到所述低频光伏数据所对应的拟高频光伏数据。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述光伏数据的升频重建方法、装置、计算机设备、存储介质和计算机程序产品，通过将低频光伏数据和高频光伏数据重组为低频矩阵和高频矩阵，有助于增强型深度残差网络模型对光伏数据的处理，使处理的结果出现错误。通过使用下采样处理对高频光伏数据进行采样，可以提升拟低频光伏数据的准确性，从而使得到的拟低频矩阵具有可靠性。通过将低频矩阵输入训练后的优化增强型深度残差网络模型，可以得到精确地拟高频光伏数据，从而提高了光伏数据的升频重建精度。
附图说明
图1为一个实施例中光伏数据的升频重建方法的应用环境图；
图2为一个实施例中光伏数据的升频重建方法的流程示意图；
图3为另一个实施例中光伏数据的升频重建方法的流程示意图；
图4为一个实施例中光伏数据的升频重建装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的光伏数据的升频重建方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104首先对待重建对象进行低频光伏数据的采集，对参考对象进行高频光伏数据的采集。光伏数据采集完毕之后，服务器104再分别对采集到的低频光伏数据和高频光伏数据进行重组转化处理，将一维时间序列数据转换为二维矩阵，从而得到低频光伏数据对应的低频矩阵，和高频光伏数据对应的高频矩阵。然后，服务器104通过将采集得到的高频光伏数据进行下采样处理，可以的高频光伏数据对应的拟低频数据，并将拟低频数据进行重组转化，得到拟低频矩阵。然后，服务器104将拟低频矩阵和高频光伏数据转化的高频矩阵输入至增强型深度残差网络模型中，对模型进行训练，从而可以得到训练后的优化增强型深度残差网络模型。最后，服务器104将低频矩阵输入至优化增强型深度残差网络模型，通过优化增强型深度残差网络模型对低频矩阵进行升频重建处理，从而可以得到低频光伏数据升频重建后的拟高频光伏数据。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种光伏数据的升频重建方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，获取待重建对象的低频光伏数据和参考对象的高频光伏数据。
其中，待重建对象表示安装了低频数据采集设备的光伏机组，参考对象则表示安装了高频数据采集设备的光伏机组。例如，光伏机组A安装了低频数据采集设备，则从光伏机组A就可以采集到低频光伏数据。又例如，光伏机组B安装了高频数据采集设备，则从光伏机组B就可以采集到高频光伏数据。
低频光伏数据和高频光伏数据是相对的概念。例如，间隔15min采集的光伏数据相对于间隔1h采集的光伏数据就为高频光伏数据。
可选地，服务器分别从安装了低频数据采集设备的光伏机组中获取低频光伏数据，从安装了高频数据采集设备的光伏机组中高频光伏数据。
在一个具体应用中，服务器在采集光伏数据时，以15min为采集间隔，从安装了高频数据采集设备的光伏机组中对高频光伏数据进行采集，以1h为采集间隔，从安装了低频数据采集设备的光伏机组中对低频光伏数据进行采集。
步骤204，分别对低频光伏数据和高频光伏数据进行重组处理，得到低频矩阵和高频矩阵。
其中，重组是将采集得到的关于低频光伏数据和高频光伏数据一维时间序列数组，以二维矩阵的形式进行表述。低频矩阵和高频矩阵则表示低频光伏数据和高频光伏数据的二维矩阵表征形式。
可选地，服务器将从安装了高频数据采集设备的光伏机组中采集到的高频光伏数据进行重组处理，得到高频矩阵，将从安装了低频数据采集设备的光伏机组中采集到的低频光伏数据进行重组处理，得到低频矩阵，从而使一维时间序列数组以二维矩阵的形式表述。
在一个具体应用中，服务器获取到长度为n1的低频光伏数据
Figure 235764DEST_PATH_IMAGE004
，以及长度为2n1的高频光伏数据
Figure 469431DEST_PATH_IMAGE006
，则进行重组转换后得到的低频矩阵I L 为：
Figure 4317DEST_PATH_IMAGE008
（1）
其中，l i,j =x i,j ，i=1,2,…,m，j=1,2,…,n 1。而对于高频光伏数据而言，由于高频光伏数据采样频率为低频光伏数据的2倍，为保障升频重建的一致性，其高频矩阵表征的行列大小也应为低频矩阵的2倍。因此重组处理后的高频矩阵I H 如下：
Figure 429351DEST_PATH_IMAGE010
（2）
其中，i=1,2,…,2m，j=1,2,…,2n 1，当i\2=0时，h i,j =0，否则
Figure 416899DEST_PATH_IMAGE012
，\为取余符号。
步骤206，对高频光伏数据进行下采样处理，得到拟低频光伏数据，并将拟低频光伏数据进行重组，得到拟低频矩阵。
其中，下采样表示对一个样值序列间隔几个样值取样一次，得到新序列就是原序列的下采样处理结果，下采样也可以理解为对高频光伏数据的抽取，抽取到的结果就是拟低频光伏数据。下采样处理方式主要包括随机下采样和欠采样等方式。例如，对样值序列[x1,x2,x3,x4,x5,x6]进行随机下采样处理，从而得到下采样后的样值序列为[x1,x3,x5,x6]。拟低频矩阵是拟低频光伏数据的二维矩阵表征形式。
可选地，服务器通过对采集得到的高频光伏数据进行随机取样或者间隔取样等下采样处理方式，从而得到拟低频光伏数据。服务器再通过将拟低频光伏数据进行重组转化，从而得到对应的二维矩阵表征结果，也就是拟低频矩阵。
步骤208，基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型。
其中，增强型深度残差网络模型是在深度残差网络模型的基础上，引入了注意力机制和跳跃连接之后的模型。增强型深度残差网络模型通过深层次的网络，可以实现对图像或者语音的精确识别。优化增强型深度残差网络模型是对增强型深度残差网络模型进行训练后得到的模型，也可以理解为是对增强型深度残差网络模型中的参数等进行调整之后得到的模型。
可选地，服务器将拟低频光伏数据所对应的拟低频矩阵和高频光伏数据所对应的高频矩阵输入至增强型深度残差网络模型中，以执行对增强型深度残差网络模型的模型训练操作，从而得到优化增强型深度残差网络模型。
步骤210，将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据。
其中，升频重建是指将一组低频数据经过处理后，变为高频数据。升频重建后的高频数据具有更丰富的数据特征。
可选地，服务器通过将低频光伏数据重组得到的低频矩阵输入至优化增强型深度残差网络模型，进行信息提取等步骤后，可以得到低频光伏数据所对应的拟高频光伏数据，从而完成低频光伏数据的升频重建。
上述光伏数据的升频重建方法中，通过将低频光伏数据和高频光伏数据重组为低频矩阵和高频矩阵，有助于增强型深度残差网络模型对光伏数据的处理，使处理的结果出现错误。通过使用下采样处理对高频光伏数据进行采样，可以提升拟低频光伏数据的准确性，从而使得到的拟低频矩阵具有可靠性。通过将低频矩阵输入训练后的优化增强型深度残差网络模型，可以得到精确地拟高频光伏数据，从而提高了光伏数据的升频重建精度。
在一个实施例中，获取待重建对象的低频光伏数据和参考对象的高频光伏数据，包括：
获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间。
基于启动时间和关闭时间，确定有效时间。
获取待重建对象在有效时间内的低频光伏数据，以及参考对象在有效时间内的高频光伏数据。
其中，采集周期可以用于将采集得到的数据按照采集的时间进行分类，以处于同一个采集周期的光伏数据为一组。例如，以日为周期对光伏数据进行采集，将第m日采集到的光伏数据确定为一个采集周期的数据，将第m+1日采集到的光伏数据确定为下一个采集周期的数据。
启动时间表示待重建对象和参考对象开始运行的时间，关闭时间表示待重建对象和参考对象停止运行的时间。有效时间表示待重建对象和参考对象从开始运行到停止运行所包含的时刻。
可选地，服务器获取待重建对象和参考对象各自开始运行的时间以及停止运行的时间，以开始运行到停止运行中间经过的时间为有效时间，分别从待重建对象中采集低频光伏数据，从参考对象中采集高频光伏数据，并将采集得到的光伏数据按照采集的具体时间进行分类，将处于同一个采集周期的光伏数据分为一组。
本实施例中，通过采集有效时间内的低频光伏数据和高频光伏数据，可以排除待重建对象和参考对象在未开机时的扰动数据，从而降低低频光伏数据升频重建的错误率。
在一个实施例中，对高频光伏数据进行下采样处理，得到拟低频光伏数据，包括：
获取低频光伏数据的采样频率。
基于采样频率，对高频光伏数据进行下采样处理，得到与低频光伏数据的采样频率相同的拟低频光伏数据。
其中，采样频率也称为采样率，可以理解为计算机单位时间内能够采集多少个信号样本。例如，单位时间X内采集到的样本数为Y，则采样频率就为X/Y。
可选地，服务器首先获取到采集低频光伏数据时的采样频率，再对所采集到的高频光伏数据组成的一维时间序列，按照低频光伏数据的采样频率重新进行下采样处理，最后得到高频光伏数据所对应的拟低频光伏数据。
在一个具体应用中，对于采集到的m天，长度为2n 1的高频光伏数据
Figure 454256DEST_PATH_IMAGE014
，它的采样频率是长度为n 1的待重建对象的1/2，采取间隔采样的方式对高频光伏数据进行下采样，也就是每2个点采样1个，从而可以得到高频光伏数据所对应的拟低频光伏数据，拟低频光伏数据重组后的拟低频矩阵
Figure 578070DEST_PATH_IMAGE016
为：
Figure 191583DEST_PATH_IMAGE018
（3）
其中，i=1,2,…,m，j=1,2,…,n 1，当i\2=0时，
Figure 666427DEST_PATH_IMAGE020
，否则
Figure 507475DEST_PATH_IMAGE022
，\为取余符号。
在本实施例中，通过获取与低频光伏数据的采样频率相同的拟低频光伏数据，可以实现高频光伏数据到拟低频数据的准确创建，从而为提高低频数据的升频重建的精度提供必要帮助。
在一个实施例中，如图3所示，基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型，包括：
步骤302，获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型。
其中，空间注意力机制是定位感兴趣的信息，抑制无用信息，并且得到的结果通常以概率图或者概率特征向量的形式进行表述。例如，在一张具有多个人物图像的照片中，每个人物的人脸是最有用的数据信息，则空间注意力机制的任务就是从照片中检测出每一个人物的人脸。
跳跃连接指跳跃网络模型中的某些层，并将一层的输出作为下一层的输入，主要用于解决因网络层数加深导致的梯度消失和梯度爆炸等问题。
可选地，服务器基于可以定位感兴趣的信息，抑制无用信息的空间注意力机制，和可以跳跃网络模型中的某些层的跳跃连接，以深度残差网络模型为基础，构建增强型深度残差网络模型，并对构建的增强型深度残差网络模型执行获取操作。
步骤304，将拟低频矩阵输入增强型深度残差网络模型中，得到拟低频矩阵对应的目标矩阵。
其中，目标矩阵表示对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型的过程中，所产生的中间量。
步骤306，基于目标矩阵与高频矩阵构建损失函数，并计算目标矩阵的损失值。
其中，损失函数是用于计算每一批次的训练数据送入模型后，输出的预测值和真实值之间的差异值，也就是损失值。
可选地，服务器根据拟低频矩阵升频重建后得到的目标矩阵
Figure 751375DEST_PATH_IMAGE024
和高频光伏数据重组得到的高频矩阵I H ，以最小绝对误差γLAE为损失函数，从而得到增强型深度残差网络模型的损失函数为
Figure 252632DEST_PATH_IMAGE026
。然后，服务器根据γLAE可以计算目标矩阵
Figure DEST_PATH_IMAGE027_61A
和高频矩阵I H 之间的差异值，也就是损失值。
步骤308，控制增强型深度残差网络模型基于损失值进行训练，得到优化增强型深度残差网络模型。
可选地，服务器在得到损失值之后，增强型深度残差网络模型通过反向传播去更新模型中的各个参数，来降低目标矩阵与高频矩阵之间的损失，使得模型生成的目标矩阵往高频矩阵方向靠拢，从而达到学习的目的，得到优化增强型深度残差网络模型。
在本实施例中，通过引入空间注意力机制和跳跃连接，增强了网络模型的局部信息感知能力，从而可以有效地提取有用信息，并且可以避免由于网络层次过深所带来的梯度消失或者梯度爆炸问题。
在一个实施例中，增强型深度残差网络模型包括浅层特征提取结构、深层特征提取结构、以及上采样结构。将拟低频矩阵输入增强型深度残差网络模型中，得到拟低频矩阵对应的目标矩阵，包括：
基于浅层特征提取结构，提取拟低频矩阵中的浅层特征信息，得到浅层特征提取结果。
使用深层特征提取结构，对浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果。
使用上采样结构，对深层特征提取结果进行亚像素卷积处理，得到拟低频矩阵对应的目标矩阵。
其中，浅层特征信息是指和输入数据较接近，包含较多的像素点信息。浅层特征提取结构则是进行浅层特征信息提取这一操作的功能模块。
深层特征信息表示离输出较近，一些粗数据粒度的信息。数据粒度是指数据仓库中数据的细化和综合程度，根据数据粒度细化标准，细化程度越高，粒度越细，细化程度越低，粒度越粗。深层特征提取结构则是进行深层特征信息提取这一操作的功能模块。
亚像素卷积包含两个过程，分别是一个卷积处理过程和排列像素过程。也就是说，最后一层卷积层输出的特征个数需要设置成固定值，即放大倍数r的平方，这样总的像素个数就与要得到的高分辨率图像一致，将像素进行重新排列就能得到高分辨率图。
可选地，在浅层特征提取结构中，选择单个卷积层来提取低频矩阵I L 中的浅层特征信息，计算公式如下：
F 0=H SF （I L ） （4）
公式（4）中，H SF （·）表示浅层特征提取结构计算，等价于单次的卷积运算H conv（·），F 0表示低频矩阵I L 中提取出的浅层特征提取结果。
在深层特征提取结构中，将多个卷积层串行堆叠，进一步挖掘所提取的浅层特征信息F 0的潜在有效信息，同时设计空间注意力机制实现各层信息矩阵中相邻元素关联关系的提取，最终形成多个含有注意力机制的串行的卷积残差块。并对浅层特征提取结果F 0进一步进行信息提取，计算公式如下：
F g =H g,CR(F g-1)=H g,CR(H g-1,CR(···H 1,CR(F 0))···) （5）
公式（5）中，F g 和F g-1分别表示第g个串行卷积残差块和第g-1个串行卷积残差块的输出特征提取结果，H g,CR、H g-1,CR、以及H 1,CR分别表示第g个串行卷积残差块、第g-1个串行卷积残差块、以及第1个串行卷积残差块的运算规则。为进一步说明引入的空间注意力机制，并对运算规则H g,CR（·）进行说明，计算公式如下：
F g =H g,CR(F g-1)=F g-1+W SA ○F g1 （6）
公式（6）中，W SA 表示第g个串行卷积残差块中注意力机制计算出的权重特征，F g1表示第g个串行卷积残差块经过卷积与激活函数进行特征提取的中间特征提取结果；○表示哈达玛积运算，也就是对应元素相乘，计算公式如下：
F g1=H conv(ReLU(H conv(F g-1))) （7）
W SA =σ(H AP (H conv(F g ))) （8）
公式（7）和公式（8）中H conv(·)表示卷积运算，ReLU(·)表示线性整流函数运算，H AP (·)表示平均池化运算，σ(·)表示Sigmoid激活函数运算。
同时，服务器考虑到多层的卷积会使低频光伏数据的原始信息出现丢失，将跳跃连接引入深层特征模块，利用跳跃连接把浅层特征提取结果F 0与串行残差块的最终输出F g 进行加和，得到最终深层特征提取结果F DF ，计算公式如下：
F DF =F g +H g,CR(H g-1,CR(···H 1,CR(F 0))···) （9）
最后，服务器通过控制上采样结构，对得到的深层特征提取结果F DF 进行亚像素卷积处理，得到拟低频矩阵增频重建后的目标矩阵
Figure DEST_PATH_IMAGE029_66A
，计算公式如下：
Figure 90138DEST_PATH_IMAGE002
=H conv(H UP(F DF )) （10）
公式（10）中，
Figure 967833DEST_PATH_IMAGE030
表示拟低频矩阵增频重建后的目标矩阵，H conv表示上采样后的亚像素卷积运算，H UP表示亚像素卷积运算。
本实施例中，通过使用亚像素卷积方式对深层特征提取结果进行卷积处理，可以有效避免卷积过程出现作用区域重叠的情况。
在一个实施例中，将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据，包括：
将低频矩阵输入优化增强型深度残差网络模型中，得到拟高频目标矩阵。
将拟高频目标矩阵进行重组转化处理，得到低频光伏数据升频重建后的拟高频光伏数据。
其中，拟高频目标矩阵是低频光伏数据对应的低频矩阵，经由优化增强型深度残差网络模型进行处理后得到拟高频光伏数据的中间转换量。
可选地，服务器将低频光伏数据对应的低频矩阵I L 输入训练后的优化增强型深度残差网络模型中，得到拟高频光伏数据对应的拟高频目标矩阵I S 为：
Figure 269501DEST_PATH_IMAGE032
（11）
然后，服务器通过对拟高频目标矩阵I S 进行重组转化处理，从而得到低频光伏数据升频重建后的拟高频光伏数据
Figure 505442DEST_PATH_IMAGE034
。其中，当i\2=0时，
Figure 954878DEST_PATH_IMAGE036
，i=1,2,…,2m，j=1,2,…,2n 1。
本实施例中，通过对低频矩阵进行单次卷积计算，使得到浅层特征提取结果保留了大量低频矩阵的原始信息，再合理利用保留的原始信息可有效避免后续由于过多的卷积计算而出现的信息失真现象，从而实现提高光伏数据的升频重建精度。
在一个实施例中，光伏数据的升频重建方法还包括：
基于光伏数据的周期性，将拟高频目标矩阵进行逆向重组处理，得到待重建对象产生低频光伏数据相邻采集周期的拟高频光伏数据。
其中，光伏数据的周期性指的是相邻采集周期内采集到的光伏数据具有相
似性。例如，以天为光伏数据的采集周期，由于第i天早上9点30时的辐照强度与第i+1天早上9点30时的辐照强度是相似的，则在这两天的9点30时分别采集到的光伏数据是相似的。
逆向重组是指将拟高频目标矩阵从二维矩阵表征形式转化为一维时间序列数组形式，从而得到对应的拟高频光伏数据。
可选地，服务器通过将拟高频目标矩阵进行逆向重组处理，并根据相邻采集周期内采集到的光伏数据具有相似性这一特性，可以经过推测得到采集光伏数据的相邻采集周期的低频光伏数据对应的拟高频光伏数据。
本实施例中，通过光伏数据的周期性，可以对采集光伏数据的相邻采集周期的低频光伏数据对应的拟高频光伏数据进行推测计算，从而可以减少工作量，提高模型工作效率。
本申请还提供一种应用场景，该应用场景应用上述的光伏数据的升频重建方法。具体地，该光伏数据的升频重建方法在该应用场景的应用如下：光伏电站的待重建对象和参考对象启动和关闭时间约为上午6:00和下午6:00，对光伏电站2019年至2020年728天的高频光伏数据和低频光伏数据进行采集。
首先，以日为周期进行采样，高频光伏数据的采样间隔为15分钟，低频光伏数据的采样间隔为1小时。考虑到启动和关闭时间受人操作的随机性影响，因此将有效时间设置为5.30am到6:30pm，则第i天的低频光伏数据{x i,1,x i,2,…,x i,13}的长度为13，第i天的高频光伏数据
Figure 324679DEST_PATH_IMAGE038
的长度为52。
在相邻3天的气象条件相对接近的情况下，将每3天的光伏数据使用二维矩阵形式表示，低频矩阵I L 为：
Figure 526859DEST_PATH_IMAGE040
（12）
其中，l i,j =x i,j ，i=1,2,3，j=1,2,…,13。高频矩阵I H 为：
Figure 386231DEST_PATH_IMAGE042
（13）
其中，i=1,2,…,12，j=1,2,…,53，当i\4=0时，h i,j =0，否则
Figure 870433DEST_PATH_IMAGE044
，\为取余符号。
然后，根据采样频率的差别，对高频光伏数据
Figure DEST_PATH_IMAGE045_102A
进行下采样处理。对于3天长度为52的高频光伏数据
Figure DEST_PATH_IMAGE045_103A
而言，其采样间隔为15min/次，是待重建对象60min/次采样低频光伏数据的1/4，采取间隔采样的方式对高频数据进行下采样，也就是每4个高频光伏数据采样1个，再对间隔采样得到的光伏数据进行二维矩阵表征，得到拟低频矩阵
Figure DEST_PATH_IMAGE047_84A
为：
Figure DEST_PATH_IMAGE049_83A
（14）
其中，i=1,2,3，j=1,2,…,13，当i\4=0时，
Figure 610637DEST_PATH_IMAGE050
，否则
Figure DEST_PATH_IMAGE051_62A
，\为取余符号。
再通过将拟低频矩阵I′ L 和高频矩阵I H 输入至增强型深度残差网络模型中，以损失函数γLAE作为目标对各模型进行优化训练，得到优化增强型深度残差网络模型，并将所得待重建对象低频光伏数据的低频矩阵I L 输入训练后的优化增强型深度残差神经网络中，升频重建后所得的拟高频目标矩阵I S 表示如下：
Figure DEST_PATH_IMAGE053_62A
（15）
最后，通过对拟高频目标矩阵I S 进行逆向重组处理，从而可以得到待重建对象第i天升频重建后的拟高频光伏数据
Figure DEST_PATH_IMAGE055_59A
。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的光伏数据的升频重建方法的光伏数据的升频重建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个光伏数据的升频重建装置实施例中的具体限定可以参见上文中对于光伏数据的升频重建方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种光伏数据的升频重建装置，包括：
光伏数据获取模块402，用于获取待重建对象的低频光伏数据和参考对象的高频光伏数据。
数据重组模块404，用于分别对低频光伏数据和高频光伏数据进行重组处理，得到低频矩阵和高频矩阵。
下采样模块406，用于对高频光伏数据进行下采样处理，得到拟低频光伏数据，并将拟低频光伏数据进行重组，得到拟低频矩阵。
模型优化模块408，用于基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型。
升频重建模块410，用于将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据。
在其中一个实施例中，光伏数据数据获取模块包括：
时间确定单元，用于获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间。
有效时间确定单元，用于基于启动时间和关闭时间，确定有效时间。
光伏数据获取单元，用于获取待重建对象在有效时间内的低频光伏数据，以及参考对象在有效时间内的高频光伏数据。
在其中一个实施例中，下采样模块包括：
采样频率获取单元，用于获取低频光伏数据的采样频率。
拟低频光伏数据获取单元，用于基于采样频率，对高频光伏数据进行下采样处理，得到与低频光伏数据的采样频率相同的拟低频光伏数据。
在其中一个实施例中，模型优化模块包括：
模型获取单元，用于获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型。
目标矩阵获取单元，用于将拟低频矩阵输入增强型深度残差网络模型中，得到拟低频矩阵对应的目标矩阵。
损失值计算单元，用于基于目标矩阵与高频矩阵构建损失函数，并计算目标矩阵的损失值。
模型优化单元，用于控制增强型深度残差网络模型基于损失值进行训练，得到优化增强型深度残差网络模型。
在其中一个实施例中，目标矩阵获取单元包括：
浅层特征提取子单元，用于基于浅层特征提取结构，提取拟低频矩阵中的浅层特征信息，得到浅层特征提取结果。
深层特征提取子单元，用于使用深层特征提取结构，对浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果。
目标矩阵获取子单元，用于使用上采样结构，对深层特征提取结果进行亚像素卷积处理，得到拟低频矩阵对应的目标矩阵。
在其中一个实施例中，升频重建模块包括：
拟高频目标矩阵获取单元，用于将低频矩阵输入优化增强型深度残差网络模型中，得到拟高频目标矩阵。
升频重建单元，用于将拟高频目标矩阵进行重组转化处理，得到低频光伏数据升频重建后的拟高频光伏数据。
在其中一个实施例中，光伏数据的升频重建装置还包括：
逆向重组单元，用于基于光伏数据的周期性，将拟高频目标矩阵进行逆向重组处理，得到待重建对象产生低频光伏数据相邻采集周期的拟高频光伏数据。
上述光伏数据的升频重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待重建对象、低频光伏数据、参考对象、高频光伏数据、低频矩阵、高频矩阵、拟低频光伏数据、拟低频矩阵、拟高频光伏数据、有效时间、低频光伏数据的采样频率、浅层特征提取结果、深层特征提取结果、目标矩阵、以及拟高频目标矩阵。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光伏数据的升频重建方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待重建对象的低频光伏数据和参考对象的高频光伏数据。分别对低频光伏数据和高频光伏数据进行重组处理，得到低频矩阵和高频矩阵。对高频光伏数据进行下采样处理，得到拟低频光伏数据，并将拟低频光伏数据进行重组，得到拟低频矩阵。基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型。将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间。基于启动时间和关闭时间，确定有效时间。获取待重建对象在有效时间内的低频光伏数据，以及参考对象在有效时间内的高频光伏数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取低频光伏数据的采样频率。基于采样频率，对高频光伏数据进行下采样处理，得到与低频光伏数据的采样频率相同的拟低频光伏数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型。将拟低频矩阵输入增强型深度残差网络模型中，得到拟低频矩阵对应的目标矩阵。基于目标矩阵与高频矩阵构建损失函数，并计算目标矩阵的损失值。控制增强型深度残差网络模型基于损失值进行训练，得到优化增强型深度残差网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于浅层特征提取结构，提取拟低频矩阵中的浅层特征信息，得到浅层特征提取结果。使用深层特征提取结构，对浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果。使用上采样结构，对深层特征提取结果进行亚像素卷积处理，得到拟低频矩阵对应的目标矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将低频矩阵输入优化增强型深度残差网络模型中，得到拟高频目标矩阵。将拟高频目标矩阵进行重组转化处理，得到低频光伏数据升频重建后的拟高频光伏数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于光伏数据的周期性，将拟高频目标矩阵进行逆向重组处理，得到待重建对象产生低频光伏数据相邻采集周期的拟高频光伏数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待重建对象的低频光伏数据和参考对象的高频光伏数据。分别对低频光伏数据和高频光伏数据进行重组处理，得到低频矩阵和高频矩阵。对高频光伏数据进行下采样处理，得到拟低频光伏数据，并将拟低频光伏数据进行重组，得到拟低频矩阵。基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型。将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间。基于启动时间和关闭时间，确定有效时间。获取待重建对象在有效时间内的低频光伏数据，以及参考对象在有效时间内的高频光伏数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取低频光伏数据的采样频率。基于采样频率，对高频光伏数据进行下采样处理，得到与低频光伏数据的采样频率相同的拟低频光伏数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型。将拟低频矩阵输入增强型深度残差网络模型中，得到拟低频矩阵对应的目标矩阵。基于目标矩阵与高频矩阵构建损失函数，并计算目标矩阵的损失值。控制增强型深度残差网络模型基于损失值进行训练，得到优化增强型深度残差网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于浅层特征提取结构，提取拟低频矩阵中的浅层特征信息，得到浅层特征提取结果。使用深层特征提取结构，对浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果。使用上采样结构，对深层特征提取结果进行亚像素卷积处理，得到拟低频矩阵对应的目标矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将低频矩阵输入优化增强型深度残差网络模型中，得到拟高频目标矩阵。将拟高频目标矩阵进行重组转化处理，得到低频光伏数据升频重建后的拟高频光伏数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于光伏数据的周期性，将拟高频目标矩阵进行逆向重组处理，得到待重建对象产生低频光伏数据相邻采集周期的拟高频光伏数据。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待重建对象的低频光伏数据和参考对象的高频光伏数据。分别对低频光伏数据和高频光伏数据进行重组处理，得到低频矩阵和高频矩阵。对高频光伏数据进行下采样处理，得到拟低频光伏数据，并将拟低频光伏数据进行重组，得到拟低频矩阵。基于拟低频矩阵和高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型。将低频矩阵输入至优化增强型深度残差网络模型，执行对低频光伏数据的升频重建处理，得到低频光伏数据所对应的拟高频光伏数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间。基于启动时间和关闭时间，确定有效时间。获取待重建对象在有效时间内的低频光伏数据，以及参考对象在有效时间内的高频光伏数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取低频光伏数据的采样频率。基于采样频率，对高频光伏数据进行下采样处理，得到与低频光伏数据的采样频率相同的拟低频光伏数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型。将拟低频矩阵输入增强型深度残差网络模型中，得到拟低频矩阵对应的目标矩阵。基于目标矩阵与高频矩阵构建损失函数，并计算目标矩阵的损失值。控制增强型深度残差网络模型基于损失值进行训练，得到优化增强型深度残差网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于浅层特征提取结构，提取拟低频矩阵中的浅层特征信息，得到浅层特征提取结果。使用深层特征提取结构，对浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果。使用上采样结构，对深层特征提取结果进行亚像素卷积处理，得到拟低频矩阵对应的目标矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将低频矩阵输入优化增强型深度残差网络模型中，得到拟高频目标矩阵。将拟高频目标矩阵进行重组转化处理，得到低频光伏数据升频重建后的拟高频光伏数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于光伏数据的周期性，将拟高频目标矩阵进行逆向重组处理，得到待重建对象产生低频光伏数据相邻采集周期的拟高频光伏数据。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种光伏数据的升频重建方法，其特征在于，所述方法包括：
获取待重建对象的低频光伏数据和参考对象的高频光伏数据；
分别对所述低频光伏数据和所述高频光伏数据进行重组处理，得到低频矩阵和高频矩阵；
对所述高频光伏数据进行下采样处理，得到拟低频光伏数据，并将所述拟低频光伏数据进行重组，得到拟低频矩阵；
基于所述拟低频矩阵和所述高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型；
将所述低频矩阵输入至所述优化增强型深度残差网络模型，执行对所述低频光伏数据的升频重建处理，得到所述低频光伏数据所对应的拟高频光伏数据。
2.根据权利要求1所述的方法，其特征在于，所述获取待重建对象的低频光伏数据和参考对象的高频光伏数据，包括：
获取待重建对象和参考对象在光伏数据采集周期的启动时间和关闭时间；
基于所述启动时间和所述关闭时间，确定有效时间；
获取所述待重建对象在所述有效时间内的低频光伏数据，以及所述参考对象在所述有效时间内的高频光伏数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述高频光伏数据进行下采样处理，得到拟低频光伏数据，包括：
获取所述低频光伏数据的采样频率；
基于所述采样频率，对所述高频光伏数据进行下采样处理，得到与所述低频光伏数据的采样频率相同的拟低频光伏数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述拟低频矩阵和所述高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型，包括：
获取基于空间注意力机制和跳跃连接构建的增强型深度残差网络模型；
将所述拟低频矩阵输入所述增强型深度残差网络模型中，得到所述拟低频矩阵对应的目标矩阵；
基于所述目标矩阵与所述高频矩阵构建损失函数，并计算所述目标矩阵的损失值；
控制所述增强型深度残差网络模型基于所述损失值进行训练，得到优化增强型深度残差网络模型。
5.根据权利要求4所述的方法，其特征在于，所述增强型深度残差网络模型包括浅层特征提取结构、深层特征提取结构、以及上采样结构；
所述将所述拟低频矩阵输入所述增强型深度残差网络模型中，得到所述拟低频矩阵对应的目标矩阵，包括：
基于所述浅层特征提取结构，提取所述拟低频矩阵中的浅层特征信息，得到浅层特征提取结果；
使用所述深层特征提取结构，对所述浅层特征提取结果进行深层特征信息提取，得到深层特征提取结果；
使用所述上采样结构，对所述深层特征提取结果进行亚像素卷积处理，得到所述拟低频矩阵对应的目标矩阵。
6.根据权利要求1所述的方法，其特征在于，所述将所述低频矩阵输入至所述优化增强型深度残差网络模型，执行对所述低频光伏数据的升频重建处理，得到所述低频光伏数据所对应的拟高频光伏数据，包括：
将所述低频矩阵输入所述优化增强型深度残差网络模型中，得到拟高频目标矩阵；
将所述拟高频目标矩阵进行重组转化处理，得到所述低频光伏数据升频重建后的拟高频光伏数据。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
基于光伏数据的周期性，将所述拟高频目标矩阵进行逆向重组处理，得到所述待重建对象产生所述低频光伏数据相邻采集周期的拟高频光伏数据。
8.一种光伏数据的升频重建装置，其特征在于，所述装置包括：
光伏数据获取模块，用于获取待重建对象的低频光伏数据和参考对象的高频光伏数据；
数据重组模块，用于分别对所述低频光伏数据和所述高频光伏数据进行重组处理，得到低频矩阵和高频矩阵；
下采样模块，用于对所述高频光伏数据进行下采样处理，得到拟低频光伏数据，并将所述拟低频光伏数据进行重组，得到拟低频矩阵；
模型优化模块，用于基于所述拟低频矩阵和所述高频矩阵，对增强型深度残差网络模型进行训练，得到优化增强型深度残差网络模型；
升频重建模块，用于将所述低频矩阵输入至所述优化增强型深度残差网络模型，执行对所述低频光伏数据的升频重建处理，得到所述低频光伏数据所对应的拟高频光伏数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202211552691.7A 2022-12-05 2022-12-05 光伏数据的升频重建方法、装置、计算机设备和存储介质 Pending CN115544126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211552691.7A CN115544126A (zh) 2022-12-05 2022-12-05 光伏数据的升频重建方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211552691.7A CN115544126A (zh) 2022-12-05 2022-12-05 光伏数据的升频重建方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115544126A true CN115544126A (zh) 2022-12-30

Family

ID=84722475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211552691.7A Pending CN115544126A (zh) 2022-12-05 2022-12-05 光伏数据的升频重建方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115544126A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345476A (zh) * 2018-09-19 2019-02-15 南昌工程学院 基于深度残差网络的高光谱图像超分辨率重建方法及装置
WO2021253722A1 (zh) * 2020-06-19 2021-12-23 中国科学院深圳先进技术研究院 医学图像重建技术的方法、装置、存储介质和电子设备
CN114419339A (zh) * 2022-03-30 2022-04-29 南方电网数字电网研究院有限公司 基于电力肖像的数据重建模型训练的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345476A (zh) * 2018-09-19 2019-02-15 南昌工程学院 基于深度残差网络的高光谱图像超分辨率重建方法及装置
WO2021253722A1 (zh) * 2020-06-19 2021-12-23 中国科学院深圳先进技术研究院 医学图像重建技术的方法、装置、存储介质和电子设备
CN114419339A (zh) * 2022-03-30 2022-04-29 南方电网数字电网研究院有限公司 基于电力肖像的数据重建模型训练的方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WENQI HUANG等: "Research on frequency rise of photovoltaic data based on improved Enhanced Deep Residual Networks", 《2022 4TH INTERNATIONAL CONFERENCE ON INTELLIGENT CONTROL, MEASUREMENT AND SIGNAL PROCESSING (ICMSP)》 *
吴毓峰等: "基于残差双重注意机制网络的电力数据压缩与高精度重建", 《电网技术》 *
李富盛等: "基于改进生成式对抗网络的电气数据升频重建方法", 《电力系统自动化》 *
石颖等: "最小加权范数插值与调制升频结合的地震数据重建研究", 《地震学报》 *

Similar Documents

Publication Publication Date Title
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
WO2021081445A1 (en) System and method with federated learning model for geotemporal data associated medical prediction applications
CN111951167B (zh) 超分辨率图像重建方法、装置、计算机设备和存储介质
CN110533591B (zh) 基于编解码器结构的超分辨图像重建方法
CN113421187B (zh) 一种超分辨率重建方法、系统、存储介质、设备
He et al. Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks
CN113793286B (zh) 一种基于多阶注意力神经网络的媒体图像水印移除方法
CN114913094A (zh) 图像修复方法、装置、计算机设备、存储介质和程序产品
CN115147284A (zh) 视频处理方法、装置、计算机设备和存储介质
CN111951165A (zh) 图像处理方法、装置、计算机设备和计算机可读存储介质
Zhang et al. Removing cloud cover interference from Sentinel-2 imagery in Google Earth Engine by fusing Sentinel-1 SAR data with a CNN model
CN114494022A (zh) 模型训练方法、超分辨率重建方法、装置、设备及介质
CN115660979A (zh) 一种基于注意力机制的双判别器图像修复方法
Li et al. Fine-grained urban flow inference with incomplete data
CN115272082A (zh) 模型训练、视频质量提升方法、装置和计算机设备
CN113344779B (zh) 基于卡通纹理分解和深度学习的sar图像超分辨方法及系统
CN117934286A (zh) 一种轻量级图像超分辨率方法、装置及其电子设备
Zeng et al. Densely connected transformer with linear self-attention for lightweight image super-resolution
CN111223046B (zh) 一种图像超分辨率重建方法及装置
CN115544126A (zh) 光伏数据的升频重建方法、装置、计算机设备和存储介质
Li et al. Using GAN neural networks for super-resolution reconstruction of temperature fields
CN116681298A (zh) 风电场选址方法、装置、计算机设备、存储介质和产品
CN115424038A (zh) 多尺度图像处理方法、系统、装置和计算机设备
CN113658046B (zh) 基于特征分离的超分辨率图像生成方法、装置、设备和介质
CN114897702A (zh) 图像重构方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221230