CN115599598B - 一种电力负荷传感数据恢复方法和装置 - Google Patents
一种电力负荷传感数据恢复方法和装置 Download PDFInfo
- Publication number
- CN115599598B CN115599598B CN202211219931.1A CN202211219931A CN115599598B CN 115599598 B CN115599598 B CN 115599598B CN 202211219931 A CN202211219931 A CN 202211219931A CN 115599598 B CN115599598 B CN 115599598B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- matrix
- space
- recovery
- 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.)
- Active
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 121
- 238000013500 data storage Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 2
- 238000009499 grossing Methods 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1458—Management of the backup or restore process
- G06F11/1469—Backup restoration techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (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)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种电力负荷传感数据恢复方法和装置，方法与装置相结合相辅相成，专门作用于不完备的电力数据,能够针对不同指标的电力负荷数据提取隐特征,最后进行数据恢复,能够解决现代电网电力系统中的电力负荷数据的高效高准确度的数据恢复问题；在电力负荷数据建模时，融入时空关系可极大地提升数据恢复精度；现实的电力数据集中，电力负荷数据往往是平滑的，因此，电力负荷数据平滑图的重构可以被表述为一个凸优化问题，其目标函数可以促进其平滑性，并惩罚已知样本的重建误差；深度挖掘数据中的潜在信息，揭示负荷内在结构和时空规律，建立恢复模型有效提升电网企业管理水平，避免失去数据，是促进电网精细化管理的必然要求。
Description
技术领域
本发明涉及电网不完备电力数据恢复领域，具体为一种电力负荷传感数据恢复方法和装置。
背景技术
随着配电自动化、用电信息自动采集、自动气象监测设备等的推广应用，数据的产生呈指爆炸式增长，为了减轻数据存储的负担以及监测的费用，需要对监测数据的传感器进行一定算法的启用和关闭，同时由于自动化监测水平不一、监测设备故障、数据隐私安全、甚至是人为因素等原因，致使数据通常具有缺失情况；因此，电网电力相关数据具备不完备性特性。
由于电力负荷数据采样明显存在地理位置因素，源自真实应用场景的数据一般具备空间相关性。同时，大部分时间序列可由有限的模式生成，且在某个时隙上和其相邻的数据表现出强相关性，电力负荷数据具备时间相关性。探例如，某个电网传感器附近的测量数值往往比相距较远的数值更相似，这里的"附近"是指在空间和时间上都很接近。也就是说，空间-时间信号通常是冗余的，具有很强的相关性。
1)全局相关性。在观察点集合的空间结构固定的情况下，电力负荷数据通常在全局意义上是相关的。这种全局相关性可以表现为时间序列由有限的模式产生，或者换句话说，这些数据是近似低秩的。
2)局部相关。更具体地说，某个传感器在某个时间瞬间的观测，通常在空间和时间方向上都与它的邻居密切相关。
发明内容
针对现有技术的不足，本发明提供了一种电力负荷传感数据恢复方法和装置，以解决上述问题。
为实现以上目的，本发明通过以下技术方案予以实现。
一种电力负荷传感数据恢复的方法,包括以下步骤
S1：电力数据接收模块接收电力数据采集设备的采集的原始不完备电力数据，并存入电力数据模块的电力数据存储单元；
S2:数据恢复模块接收恢复不完备电力数据的指令；
S3:数据恢复模块的初始化单元对不完备电力数据恢复过程中涉及的相关参数进行初始化；
S4:时空特征提取模块针对电力数据的监测传感器,根据其物理坐标计算电力数据的时空特征相关矩阵；
S5:数据恢复模块结合时空特征计算不完备电力数据的隐特征,提取不完备电力数据的隐特征,最后用提取到的隐特征还原数据，将还原后的数据存入电力数据模块的恢复数据存储单元，方法与装置相结合相辅相成，专门作用于不完备的电力数据,能够针对不同指标的电力负荷数据提取隐特征,最后进行数据恢复,能够解决现代电网电力系统中的电力负荷数据的高效高准确度的数据恢复问题，在电力负荷数据建模时，融入时空关系可极大地提升数据恢复精度；现实的电力数据集中，电力负荷数据往往是平滑的，因此，电力负荷数据平滑图的重构可以被表述为一个凸优化问题，其目标函数可以促进其平滑性，并惩罚已知样本的重建误差，在大数据时代，电力负荷数据要求与之前相比更为严格，深度挖掘数据中的潜在信息，揭示负荷内在结构和时空规律，建立恢复模型，能够有效提升电网企业管理水平，避免失去数据所造成的不良影响，是促进电网精细化管理的必然要求。
优选的，所述步骤S3中所述不完备电力数据恢复过程中涉及的相关参数包括恢复的数据矩阵X、行隐特征矩阵P、列隐特征矩阵Q、矩阵空间维数f、迭代轮数t、矩阵分解迭代次数上限T、正则化惩罚项因子λ、迭代收敛终止门限τ。
优选的，所述步骤S4中时空特征提取模块针对电力数据的监测传感器,根据其物理坐标计算电力数据的时空特征相关矩阵，包括
S41:时空特征提取模块收计算时空特征相关矩阵指令；
S42:时空特征提取模块从接收模块中读取电力传感器的物理坐标；
S43:时空特征提取模块根据传感器的物理坐标计算空间特征,首先计算传感器坐标之间的欧式距离，构造距离矩阵F，根据KNN算法，选取每个传感器的5个距离最近的传感器距离构成距离矩阵F，其余位置上数值置为0，根据距离矩阵F计算权重矩阵W,权重矩阵计算函数为：
其中fi,j代表F矩阵中第i个传感器与第j个传感器之间的欧氏距离，
S44:根据权重矩阵计算拉普拉斯矩阵，拉普拉斯矩阵形式如下：
其中，sum(wi,.),i∈{1,2,...,M},表示权重矩阵第i行的和，M为传感器的数量，
S45:构造时间特征关系，差分矩阵D形式如下：
其中，N为电力数据的时序数。
优选的，所述步骤S5中数据恢复模块结合时空特征计算不完备电力数据的隐特征,提取不完备电力数据的隐特征,最后用提取到的隐特征还原数据，将还原后的数据存入电力数据模块的恢复数据存储单元，包括S51：数据恢复模块根据电力数据的目标矩阵R的已知数据集合Rk,并结合时空特征关系,构造目标损失函数ε如下:
其中，z是控制时空平滑度的超参数，ru,i指的是目标矩阵R中的第u行第i列数据,sl是控制约束函数的阈值，Δu,i＝ru,i-Pu,iQu,i，
S52:判断迭代轮数t是否已达上限T,若已达到上限T则进行S55,若未达上限T则进行步骤S53；
S53：根据迭代收敛终止门限τ判断目标损失函数ε是否收敛，若不收敛则进行步骤S54，若收敛则进行步骤S55；
S54:用随机梯度下降法对目标损失函数ε进行迭代优化,并回到步骤S52进行判断,迭代公式如下:
I:时，
I I:时，
III:时，
其中，η为学习速率，为训练轮数为t时的P矩阵第i行向量，/>为训练轮数为t时的Q矩阵第j列向量，
S55:数据恢复模块提取隐特征矩阵P和列隐特征矩阵Q,并选取分解精度最高的隐特征矩阵P和列隐特征矩阵Q,输出恢复的矩阵X＝PQ至电力数据模块的恢复数据存储单元。
一种电力负荷传感数据恢复装置，包括电力数据接收模块，时空特征提取模块，电力数据模块，数据恢复模块，所述电力数据模块包括电力数据存储单元、时空关系存储单元、恢复数据存储单元。
优选的，所述电力数据接收模块，用于接收和管理导入的电网中的不完备电力负荷数据，指示电力数据模块存储导入不完备数据。
优选的，所述时空特征提取模块，根据导入传感器物理坐标，计算电力数据的时空关系矩阵，并将得到的时空关系矩阵存入电力数据模块中的时空关系存储单元。
优选的，所述电力数据模块，用于存储由数据接收模块接收的不完备电力负荷数据，计算的时空特征关系的矩阵以及恢复的电力数据，所述电力数据存储单元用于存储导入的不完备电力数据；所述时空关系存储单元用于存储计算时空关系特征相关矩阵；所述恢复数据存储单元用于存储装置最后的恢复数据，以备用。
优选的，所述数据恢复模块，结合时空特征关系矩阵，执行电网不完备电力负荷数据恢复过程，并将所恢复的恢复数据存入电力数据模块中的恢复数据存储单元。
优选的，所述数据恢复模块包括初始化单元、训练单元、输出单元，
初始化单元，用于初始化不完备电力负荷数据恢复过程中涉及的相关参数，恢复原始的电力数据；
训练单元，用于电力数据存储单元存储的不完备电力数据和时空关系存储单元存储时空关系特征相关矩阵，结合初始化单元初始化的参数，恢复融入了时空关系下的不完备电力数据；
输出单元，提取迭代轮数完结或者收敛完结的恢复数据结果，存储至电力数据模块中的恢复数据存储单。
相比于现有技术而言，本发明公开了一种电力负荷传感数据恢复方法和装置，方法与装置相结合相辅相成，并且根据其物理坐标计算电力数据的时空特征相关矩阵、相关函数、迭代公式等等的计算公式应用，使得专门作用于不完备的电力数据,能够针对不同指标的电力负荷数据提取隐特征,最后进行数据恢复,能够解决现代电网电力系统中的电力负荷数据的高效高准确度的数据恢复问题；
在电力负荷数据建模时，融入时空关系可极大地提升数据恢复精度；
现实的电力数据集中，电力负荷数据往往是平滑的，因此，电力负荷数据平滑图的重构可以被表述为一个凸优化问题，其目标函数可以促进其平滑性，并惩罚已知样本的重建误差；
总之，在大数据时代，电力负荷数据要求与之前相比更为严格，深度挖掘数据中的潜在信息，揭示负荷内在结构和时空规律，建立恢复模型，能够有效提升电网企业管理水平，避免失去数据所造成的不良影响，是促进电网精细化管理的必然要求。
附图说明
图1为本发明电力负荷传感数据恢复装置的结构示意图；
图2为本电力负荷传感数据恢复装置从接收数据恢复的指令后的细化流程示意图；
图3为本发明电力数据进行数据恢复的准确度对比示意图；
图4为本发明电力负荷传感数据恢复的方法的步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
一种电力负荷传感数据恢复方法和装置，包括以下步骤：
S1：电力数据接收模块110接收电力数据采集设备的采集的原始不完备电力数据，并存入电力数据模块130的电力数据存储单元131；
S2:数据恢复模块140接收恢复不完备电力数据的指令；
S3:数据恢复模块140的初始化单元141对不完备电力数据恢复过程中涉及的相关参数进行初始化；
S4:时空特征提取模块120针对电力数据的监测传感器,根据其物理坐标计算电力数据的时空特征相关矩阵；
S5:数据恢复模块140结合时空特征计算不完备电力数据的隐特征,提取不完备电力数据的隐特征,最后用提取到的隐特征还原数据，将还原后的数据存入电力数据模块130的恢复数据存储单元133。
所述步骤S3中所述不完备电力数据恢复过程中涉及的相关参数包括恢复的数据矩阵X、行隐特征矩阵P、列隐特征矩阵Q、矩阵空间维数f、迭代轮数t、矩阵分解迭代次数上限T、正则化惩罚项因子λ、迭代收敛终止门限τ。
所述步骤S4中时空特征提取模块120针对电力数据的监测传感器,根据其物理坐标计算电力数据的时空特征相关矩阵，包括
S41:时空特征提取模块120收计算时空特征相关矩阵指令；
S42:时空特征提取模块120从接收模块中读取电力传感器的物理坐标；
S43:时空特征提取模块120根据传感器的物理坐标计算空间特征,首先计算传感器坐标之间的欧式距离，构造距离矩阵F，根据KNN算法，选取每个传感器的5个距离最近的传感器距离构成距离矩阵F，其余位置上数值置为0，根据距离矩阵F计算权重矩阵W,权重矩阵计算函数为：
其中fi,j代表F矩阵中第i个传感器与第j个传感器之间的欧氏距离，
S44:根据权重矩阵计算拉普拉斯矩阵，拉普拉斯矩阵形式如下：
其中，sum(wi,.),i∈{1,2,...,M},表示权重矩阵第i行的和，M为传感器的数量，
S45:构造时间特征关系，差分矩阵D形式如下：
其中，N为电力数据的时序数。
所述步骤S5中数据恢复模块140结合时空特征计算不完备电力数据的隐特征,提取不完备电力数据的隐特征,最后用提取到的隐特征还原数据，将还原后的数据存入电力数据模块130的恢复数据存储单元133，包括S51：数据恢复模块140根据电力数据的目标矩阵R的已知数据集合Rk,并结合时空特征关系,构造目标损失函数ε如下:
其中，z是控制时空平滑度的超参数，ru,i指的是目标矩阵R中的第u行第i列数据,sl是控制约束函数的阈值，Δu,i＝ru,i-Pu,iQu,i，
S52:判断迭代轮数t是否已达上限T,若已达到上限T则进行S55,若未达上限T则进行步骤S53；
S53：根据迭代收敛终止门限τ判断目标损失函数ε是否收敛，若不收敛则进行步骤S54，若收敛则进行步骤S55；
S54:用随机梯度下降法对目标损失函数ε进行迭代优化,并回到步骤S52进行判断,迭代公式如下:
I:时，
II:时，
III:时，
其中，η为学习速率，为训练轮数为t时的P矩阵第i行向量，/>为训练轮数为t时的Q矩阵第j列向量，
S55:数据恢复模块140提取隐特征矩阵P和列隐特征矩阵Q,并选取分解精度最高的隐特征矩阵P和列隐特征矩阵Q,输出恢复的矩阵X＝PQ至电力数据模块130的恢复数据存储单元133。
一种电力负荷传感数据恢复装置，包括电力数据接收模块110、时空特征提取模块120、电力数据模块130、数据恢复模块140，所述电力数据模块130包括电力数据存储单元131、时空关系存储单元132、恢复数据存储单元133。
所述电力数据接收模块110，用于接收和管理导入的电网中的不完备电力负荷数据，指示电力数据模块130存储导入不完备数据。
所述时空特征提取模块120，根据导入传感器物理坐标，计算电力数据的时空关系矩阵，并将得到的时空关系矩阵存入电力数据模块130中的时空关系存储单元132。
所述电力数据模块130，用于存储由数据接收模块接收的不完备电力负荷数据，计算的时空特征关系的矩阵以及恢复的电力数据，所述电力数据存储单元131用于存储导入的不完备电力数据；所述时空关系存储单元132用于存储计算时空关系特征相关矩阵；所述恢复数据存储单元133用于存储装置最后的恢复数据，以备用。
所述数据恢复模块140，结合时空特征关系矩阵，执行电网不完备电力负荷数据恢复过程，并将所恢复的恢复数据存入电力数据模块130中的恢复数据存储单元133。
所述数据恢复模块140包括初始化单元141、训练单元142、输出单元143，
初始化单元141，用于初始化不完备电力负荷数据恢复过程中涉及的相关参数，恢复原始的电力数据；
训练单元142，用于电力数据存储单元131存储的不完备电力数据和时空关系存储单元132存储时空关系特征相关矩阵，结合初始化单元141初始化的参数，恢复融入了时空关系下的不完备电力数据；
输出单元143，提取迭代轮数完结或者收敛完结的恢复数据结果，存储至电力数据模块130中的恢复数据存储单。
一种电力负荷传感数据恢复装置(以下简称装置)从接收数据恢复的指令后的细化流程示意图。参见图2，该流程包括：
①装置接收数据恢复的指令。
②装置根据传感器的物理坐标，计算获取的电力负荷数据的时空特征，装置从电力数据接收模块110中读取对监测电力数据传感器的物理坐标，得到时空特征关系，包括传感器之间的距离矩阵F、权重矩阵W、拉普拉斯矩阵L和差分矩阵D，存储在电力数据模块130中的时空关系存储单元132。
③装置初始化相关参数，装置需要初始化的参数包括：包括，恢复数据X，行隐特征矩阵P、列隐特征矩阵Q，初始化隐特征空间维数f、初始化迭代轮式t、初始化迭代上限T、学习速率为η、正则化因子λ，收敛终止阈值为τ，其中：恢复数据矩阵X是根据R的行数M，和N,建立的M行，N列的矩阵，初始矩阵内值为0。隐特征空间维数f是输出的隐特征维数的变量，初始值为正整数，如20。行隐特征矩阵P是根据R的行数M，和d，建立的M行，d列的矩阵，其中每个元素初始化为开区间(0,0.05)内的随机数。列隐特征矩阵Q是根据行数d，和R的列数N，建立的d行，N列的矩阵，其中每个元素初始化为开区间(0,0.05)内的随机数。初始化迭代轮式t是控制迭代过程的变量；初始化迭代轮式t，初始化为0。迭代上限是控制迭代过程中，迭代次数上限的变量，初始化为正整数，如400。学习速率为η是控制迭代过程中，对P和Q进行优化训练的步长的常数，初始化为小于0.1的正数，如0.05。正则化因子λ是控制迭代过程中，对应P和Q相关元素的正则化项的正则化效应的常数，初始化为小于0.1的正数，如0.02。收敛终止阈值为τ是判断迭代过程是否已收敛的阈值参数，初始化为极小正数，如0.001。
④装置对电力数据的目标矩阵R的已知数据集合Rk，结合时空特征关系，构造目标损失函数ε，目标损失函数ε以下式表示：
使用结合时空特征的行隐特征矩阵P和列隐特征矩阵Q的内积对其进行逼近；选用Smooth L1-norm作为约束函数，提升最终的恢复效果。
⑤装置判断迭代轮数t已达到上限T，装置首先在迭代轮数t上累加1，然后判断迭代轮数t是否大于迭代上限T。
⑥装置判断目标损失函数ε是否收敛，装置判断目标损失函数ε收敛的依据为，本轮迭代开始前，目标损失函数ε的数值，对比上轮迭代开始前，其差的绝对值是否小于收敛判定阈值τ；如果小于，则判定为已收敛，反之，则判定为未收敛。
⑦装置使用随机梯度下降法，关于P和Q对目标损失函数ε进行迭代优化，训练迭代的如下公式所示，
I:时，
II:时，
III:时，
在一轮迭代中，使用随机梯度下降法进行训练，以使目标损失函数ε的值最小化。
⑧装置将提取得到的分解精度最高的的行隐特征矩阵P和列隐特征矩阵Q内积结果恢复矩阵X输出，存至恢复数据存储单元133。
为了验证上述电力负荷传感数据恢复装置和方法的性能，在服务器上(配置:Intel Xeon E5-2630v4,2.2GHz处理器,256G内存)安装了本装置,并运行仿真实验进行实例分析。在实例分析中,采用的电力负荷数据来源于某地区数据。实例分析使用均方误差RMSE作为数据恢复准确度的评价指标，RMSE越低,数据恢复准确度越高。
图3为应用本发明实施例前后,对电力数据进行数据恢复的准确度对比。应用本发明实施例后,进行数据恢复时,不同的距离目标函数会得到不同维的隐特征结果,从而导致不同的恢复准确度。其中第一种情况表示普通欧式距离目标函数下恢复数据的结果,第二种情况表示应用本实施发明后,基于时空特征下数据恢复的结果。采样率设定为0.5，测试集为江苏省镇江市2015年12个月月度不同片区电力负荷消耗数据集。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种电力负荷传感数据恢复的方法，其特征在于：包括以下步骤
S1：电力数据接收模块(110)接收电力数据采集设备的采集的原始不完备电力数据，并存入电力数据模块(130)的电力数据存储单元(131)；
S2:数据恢复模块(140)接收恢复不完备电力数据的指令；
S3:数据恢复模块(140)的初始化单元(141)对不完备电力数据恢复过程中涉及的相关参数进行初始化；
S4:时空特征提取模块(120)针对电力数据的监测传感器,根据其物理坐标计算电力数据的时空特征相关矩阵；
S5:数据恢复模块(140)结合时空特征计算不完备电力数据的隐特征,提取不完备电力数据的隐特征,最后用提取到的隐特征还原数据，将还原后的数据存入电力数据模块(130)的恢复数据存储单元(133)，步骤S3中所述不完备电力数据恢复过程中涉及的相关参数包括恢复的数据矩阵X、行隐特征矩阵P、列隐特征矩阵Q、矩阵空间维数f、迭代轮数t、矩阵分解迭代次数上限T、正则化惩罚项因子λ、迭代收敛终止门限τ。
2.根据权利要求1所述的电力负荷传感数据恢复的方法，其特征在于：所述步骤S4中时空特征提取模块(120)针对电力数据的监测传感器,根据其物理坐标计算电力数据的时空特征相关矩阵，包括
S41:时空特征提取模块(120)接收计算时空特征相关矩阵指令；
S42:时空特征提取模块(120)从接收模块中读取电力传感器的物理坐标；
S43:时空特征提取模块(120)根据传感器的物理坐标计算空间特征,首先计算传感器坐标之间的欧式距离，构造距离矩阵F，根据KNN算法，选取每个传感器的5个距离最近的传感器距离构成距离矩阵F，其余位置上数值置为0，根据距离矩阵F计算权重矩阵W,权重矩阵计算函数为：
其中fi,j代表F矩阵中第i个传感器与第j个传感器之间的欧氏距离，
S44:根据权重矩阵计算拉普拉斯矩阵，拉普拉斯矩阵形式如下：
其中，sum(wi,.),i∈{1,2,...,M},表示权重矩阵第i行的和，M为传感器的数量，
S45:构造时间特征关系，差分矩阵D形式如下：
其中，N为电力数据的时序数。
3.根据权利要求2所述的电力负荷传感数据恢复的方法，其特征在于：
根据步骤5中数据恢复模块(140)结合时空特征计算不完备电力数据的隐特征，包括如下步骤：
S51：数据恢复模块(140)根据电力数据的目标矩阵R的已知数据集合Rk,并结合时空特征关系,构造目标损失函数ε如下:
其中，z是控制时空平滑度的超参数，ru,i指的是目标矩阵R中的第u行第i列数据,sl是控制约束函数的阈值，Δu,i＝ru,i-Pu,iQu,i；
S52:判断迭代轮数t是否已达上限T,若已达到上限T则进行S55,若未达上限T则进行步骤S53；
S53：根据迭代收敛终止门限τ判断目标损失函数ε是否收敛，若不收敛则进行步骤S54，若收敛则进行步骤S55；
S54:用随机梯度下降法对目标损失函数ε进行迭代优化,并回到步骤S52进行判断,迭代公式如下:
I:时，
II:时，
III:时，
其中，η为学习速率，为训练轮数为t时的P矩阵第i行向量，/>为训练轮数为t时的Q矩阵第j列向量，
S55:数据恢复模块(140)提取隐特征矩阵P和列隐特征矩阵Q,并选取分解精度最高的隐特征矩阵P和列隐特征矩阵Q,输出恢复的矩阵X＝PQ至电力数据模块(130)的恢复数据存储单元(133)。
4.基于权利要求1～3任意一项所述电力负荷传感数据恢复方法的电力负荷传感数据恢复装置，其特征在于：包括电力数据接收模块(110)、时空特征提取模块(120)、电力数据模块(130)、数据恢复模块(140)，所述电力数据模块(130)包括电力数据存储单元(131)、时空关系存储单元(132)、恢复数据存储单元(133)。
5.根据权利要求4所述的电力负荷传感数据恢复装置，其特征在于：所述电力数据接收模块(110)，用于接收和管理导入的电网中的不完备电力负荷数据，指示电力数据模块(130)存储导入不完备数据。
6.根据权利要求4所述的电力负荷传感数据恢复装置，其特征在于：所述时空特征提取模块(120)，根据导入传感器物理坐标，计算电力数据的时空关系矩阵，并将得到的时空关系矩阵存入电力数据模块(130)中的时空关系存储单元(132)。
7.根据权利要求4所述的电力负荷传感数据恢复装置，其特征在于：所述电力数据模块(130)，用于存储由数据接收模块接收的不完备电力负荷数据，计算的时空特征关系的矩阵以及恢复的电力数据，所述电力数据存储单元(131)用于存储导入的不完备电力数据；所述时空关系存储单元(132)用于存储计算时空关系特征相关矩阵；所述恢复数据存储单元(133)用于存储装置最后的恢复数据，以备用。
8.根据权利要求4所述的电力负荷传感数据恢复装置，其特征在于：所述数据恢复模块(140)，结合时空特征关系矩阵，执行电网不完备电力负荷数据恢复过程，并将所恢复的恢复数据存入电力数据模块(130)中的恢复数据存储单元(133)。
9.根据权利要求8所述的电力负荷传感数据恢复装置，其特征在于：所述数据恢复模块(140)包括初始化单元(141)、训练单元(142)、输出单元(143)，
初始化单元(141)，用于初始化不完备电力负荷数据恢复过程中涉及的相关参数，恢复原始的电力数据；
训练单元(142)，用于电力数据存储单元(131)存储的不完备电力数据和时空关系存储单元(132)存储时空关系特征相关矩阵，结合初始化单元(141)初始化的参数，恢复融入了时空关系下的不完备电力数据；
输出单元(143)，提取迭代轮数完结或者收敛完结的恢复数据结果，存储至电力数据模块(130)中的恢复数据存储单元(133)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211219931.1A CN115599598B (zh) | 2022-10-08 | 2022-10-08 | 一种电力负荷传感数据恢复方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211219931.1A CN115599598B (zh) | 2022-10-08 | 2022-10-08 | 一种电力负荷传感数据恢复方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115599598A CN115599598A (zh) | 2023-01-13 |
| CN115599598B true CN115599598B (zh) | 2023-08-15 |
Family
ID=84844023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211219931.1A Active CN115599598B (zh) | 2022-10-08 | 2022-10-08 | 一种电力负荷传感数据恢复方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115599598B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977807B (zh) * | 2024-02-02 | 2024-07-16 | 重庆千信新能源有限公司 | 远程光伏电力系统实时监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069741A (zh) * | 2015-09-07 | 2015-11-18 | 深圳市万佳安物联科技股份有限公司 | 一种损坏图像非负隐特征提取装置和方法 |
| CN107808163A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院重庆绿色智能技术研究院 | 一种视频数据线性偏差主特征提取装置和方法 |
| WO2018119807A1 (zh) * | 2016-12-29 | 2018-07-05 | 浙江工商大学 | 一种基于卷积神经网络的时空一致性深度图序列的生成方法 |
| CN110260914A (zh) * | 2019-05-06 | 2019-09-20 | 河海大学 | 一种基于测点时空特征的工程安全监测系统区域划分方法 |
| CN111159638A (zh) * | 2019-12-26 | 2020-05-15 | 华南理工大学 | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 |
| CN111625399A (zh) * | 2020-05-19 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 一种计量数据恢复方法及系统 |
| CN112116543A (zh) * | 2020-09-25 | 2020-12-22 | 中国科学院自动化研究所 | 基于检测式生成框架的图像修复方法、系统及装置 |
| CN112214668A (zh) * | 2020-09-28 | 2021-01-12 | 深圳市万佳安物联科技股份有限公司 | 一种基于大数据的个性化金融服务推荐装置和方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103064882B (zh) * | 2012-12-03 | 2016-05-04 | 国家电网公司 | 适用于电力调度自动化系统的商用库故障隔离方法 |
| US11348237B2 (en) * | 2019-05-16 | 2022-05-31 | Retrace Labs | Artificial intelligence architecture for identification of periodontal features |
-
2022
- 2022-10-08 CN CN202211219931.1A patent/CN115599598B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069741A (zh) * | 2015-09-07 | 2015-11-18 | 深圳市万佳安物联科技股份有限公司 | 一种损坏图像非负隐特征提取装置和方法 |
| WO2018119807A1 (zh) * | 2016-12-29 | 2018-07-05 | 浙江工商大学 | 一种基于卷积神经网络的时空一致性深度图序列的生成方法 |
| CN107808163A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院重庆绿色智能技术研究院 | 一种视频数据线性偏差主特征提取装置和方法 |
| CN110260914A (zh) * | 2019-05-06 | 2019-09-20 | 河海大学 | 一种基于测点时空特征的工程安全监测系统区域划分方法 |
| CN111159638A (zh) * | 2019-12-26 | 2020-05-15 | 华南理工大学 | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 |
| CN111625399A (zh) * | 2020-05-19 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 一种计量数据恢复方法及系统 |
| CN112116543A (zh) * | 2020-09-25 | 2020-12-22 | 中国科学院自动化研究所 | 基于检测式生成框架的图像修复方法、系统及装置 |
| CN112214668A (zh) * | 2020-09-28 | 2021-01-12 | 深圳市万佳安物联科技股份有限公司 | 一种基于大数据的个性化金融服务推荐装置和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的人群移动轨迹表示学习及预测模型研究;胡渲;博士电子期刊;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115599598A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016734B (zh) | 基于lstm栈式自编码多模型荷预测方法及系统 | |
| CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN108734360B (zh) | 一种基于修正的elm预测模型多维遥测数据智能判读方法 | |
| CN109214605A (zh) | 电力系统短期负荷概率预测方法、装置及系统 | |
| CN111538076B (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
| CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
| CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
| KR20220117336A (ko) | 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체 | |
| CN112149898B (zh) | 故障率预测模型的训练、故障率预测方法及相关装置 | |
| CN117076931B (zh) | 一种基于条件扩散模型的时间序列数据预测方法和系统 | |
| CN111754026A (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
| CN115599598B (zh) | 一种电力负荷传感数据恢复方法和装置 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN112241802A (zh) | 一种风电功率的区间预测方法 | |
| CN108594079A (zh) | 一种配电网故障定位方法、装置和计算机可读介质 | |
| CN116565864A (zh) | 一种基于pca-rbf算法的光伏发电功率预报方法 | |
| CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
| CN117040048A (zh) | 风光发电储能管理方法及系统 | |
| CN117810987A (zh) | 一种住宅净负荷区间的预测方法、装置、终端和存储介质 | |
| CN115759483B (zh) | 光伏电场太阳辐照度预测方法、电子设备及存储介质 | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
| CN116960954A (zh) | 短期风电功率预测方法、装置、存储介质及计算机设备 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| El Marghichi | A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps | |
| Xie et al. | Imputation of missing wind speed data based on low-rank matrix approximation |
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 |