CN117494046A - 一种自适应电力通信网数据融合方法及装置 - Google Patents
一种自适应电力通信网数据融合方法及装置 Download PDFInfo
- Publication number
- CN117494046A CN117494046A CN202311462859.XA CN202311462859A CN117494046A CN 117494046 A CN117494046 A CN 117494046A CN 202311462859 A CN202311462859 A CN 202311462859A CN 117494046 A CN117494046 A CN 117494046A
- Authority
- CN
- China
- Prior art keywords
- communication network
- power communication
- network data
- data
- current task
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 387
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 29
- 230000035945 sensitivity Effects 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims description 44
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000014616 translation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明涉及电力通信领域，具体涉及本发明提供了自适应电力通信网数据融合方法及装置，该方法包括：获取多个电力通信网数据，获取当前任务对所述多个电力通信网数据的敏感度，获取每个电力通信网数据在当前任务中的可信度，获取每个电力通信网数据在当前任务中的模糊度，根据敏感度对可信度进行修正，以得到修正后的可信度，根据修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重，根据权重，将多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。通过每个电力通信网数据的模糊度和修正后的可信度计算权重，提高了计算权重的准确度，且无需采用特别繁复的规则、参数或模型模板，提高了数据融合时的便捷性。
Description
技术领域
本发明涉及电力通信技术领域，尤其是一种自适应电力通信网数据融合方法及装置。
背景技术
电力通信网通常涉及多个设备、传感器和系统，它们分布在不同的地点，负责监测和控制电力系统的运行。这些设备和系统产生大量的数据，比如电流、电压、负载等。然而，由于设备和系统之间存在差异，数据的采集和处理方式也有所不同，导致数据的格式、精度和频率存在差异。为了利用这些数据进行系统监测、故障检测和预测，以及优化电力系统的运行，因此需要将这些数据进行融合，从而整合和合并来自不同传感器、设备和系统的数据，以提高信息完整性、数据准确性和一致性，并提供全局视角，以支持故障检测和预测、优化能源利用和提高系统的可靠性。
然而，现有技术中通常采用加权平均法、模型融合法和决策融合法将这些数据进行融合，加权平均法是将多个传感器或系统的测量值进行加权平均，以得到一个整体的估计值，但缺点是需要事先确定权重，权重选择不当可能导致结果偏差。模型融合法利用不同的模型对数据进行建模和预测，然后将模型结果进行组合，这种方法可以提高预测精度和鲁棒性，但需要选择合适的模型和模型组合方式。决策融合法将不同传感器或系统的决策结果进行逻辑或统计规则的组合，以得到最终的决策，决策融合法也需要选择合适的规则和决策策略。由于电力通信网网络结构复杂、传感器类型多，导致这些设备数据的格式各不相同，若采用现有技术进行数据融合，会需要特别繁复的规则、参数或模型模板，无法便捷的将数据进行融合。另外，由于通信网本身就是不断变化的，因此采用现有技术将会导致数据融合的不准确性。
发明内容
为解决上述现有技术问题，本发明提供的自适应电力通信网数据融合方法及装置，解决了现有技术中采用特别繁复的规则、参数或模型模板导致数据融合时的不便捷性以及采用现有技术导致数据融合的不准确性。
本发明的一方面，提供了一种自适应电力通信网数据融合方法，包括：
获取多个电力通信网数据；
获取当前任务对所述多个电力通信网数据的敏感度；其中，所述敏感度表示所述多个电力通信网数据在所述当前任务中的重要程度；
获取每个所述电力通信网数据在当前任务中的可信度；其中，所述可信度表示所述多个电力通信网数据在所述当前任务中的可信程度；
获取每个所述电力通信网数据在所述当前任务中的模糊度；其中，所述模糊度表示所述多个电力通信网数据在所述当前任务中产生的不确定性程度；
根据所述敏感度对所述可信度进行修正，以得到修正后的可信度；
根据所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重；
根据所述权重，将所述多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。
在一实施例中，所述根据所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重包括：
获取每个所述电力通信网数据的基础概率分配值；其中，所述基础概率分配值表示每个所述电力通信网数据在所述当前任务的可用程度；
根据所述修正后的可信度、所述模糊度以及所述基础概率分配值，获取在所述当前任务中每个所述电力通信网数据对应的权重。
在一实施例中，所述根据所述修正后的可信度、所述模糊度以及所述基础概率分配值，获取在所述当前任务中每个所述电力通信网数据对应的权重包括：
选取所述基础概率分配值大于预设概率阈值的电力通信网数据作为目标电力通信网数据；
根据所述目标电力通信网数据对应的基础概率分配值、所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重。
在一实施例中，所述根据所述敏感度对所述可信度进行修正，以得到修正后的可信度包括：
根据所述敏感度以及排序因子获取函数，获取每个所述电力通信网数据在当前任务中的排序因子；
根据所述排序因子对所述可信度进行修正，以得到所述修正后的可信度。
在一实施例中，在所述获取多个电力通信网数据之后，自适应电力通信网数据融合方法还包括：
对所述多个电力通信网数据进行预处理，以得到多个预处理之后的电力通信网数据；
所述获取当前任务对所述多个电力通信网数据的敏感度包括：
获取所述当前任务对所述多个预处理之后的电力通信网数据的敏感度。
在一实施例中，所述对所述多个电力通信网数据进行预处理，以得到多个预处理之后的电力通信网数据包括：
对所述多个预处理之后的电力通信网数据进行去噪处理，以得到多个去噪之后的电力通信网数据；
确定所述多个去噪之后的电力通信网数据中异常电力通信网数据；
将所述异常电力通信网数据进行修复，以得到修复之后的电力通信网数据；
根据所述修复之后的电力通信网数据，获取所述多个预处理之后的电力通信网数据。
在一实施例中，所述确定所述多个去噪之后的电力通信网数据中异常电力通信网数据包括：
将所述多个去噪之后的电力通信网数据进行分组，以得到多组电力通信网数据；
确定每组所述电力通信网数据的参考点；
根据所述参考点，确定每组所述电力通信网数据中的异常电力通信网数据。
在一实施例中，所述根据所述参考点，确定每组所述电力通信网数据中的异常电力通信网数据包括：
计算所述参考点与所述参考点对应的电力通信网数据之间的距离；
计算多个所述距离的倒数的平均值为所述参考点的局部可达密度；
根据所述参考点的局部可达密度与所述参考点对应的电力通信网数据对应的局部可达密度，确定每组所述电力通信网数据中异常电力通信网数据。
在一实施例中，所述将所述异常电力通信网数据进行修复，以得到修复之后的电力通信网数据包括：
将所述多个去噪之后的电力通信网数据进行聚类，以得到多个簇团；
确定所述异常电力通信网数据所在的目标簇团；
根据所述目标簇团的平均值修正所述异常电力通信网数据，以得到所述修复之后的电力通信网数据。
本发明的另一方面，提供了一种自适应电力通信网数据融合装置，包括：
数据获取模块，用于获取多个电力通信网数据；
敏感度获取模块，用于获取当前任务对所述多个电力通信网数据的敏感度；其中，所述敏感度表示所述多个电力通信网数据在所述当前任务中的重要程度；
可信度获取模块，用于获取每个所述电力通信网数据在当前任务中的可信度；其中，所述可信度表示所述多个电力通信网数据在所述当前任务中的可信程度；
模糊度获取模块，用于获取每个所述电力通信网数据在所述当前任务中的模糊度；其中，所述模糊度表示所述多个电力通信网数据在所述当前任务中产生的不确定性程度；
修正模块，用于根据所述敏感度对所述可信度进行修正，以得到修正后的可信度；
权重获取模块，用于根据所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重；
融合模块，用于根据所述权重，将所述多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。
本发明的有益效果体现在，本发明提供了自适应电力通信网数据融合方法及装置，该方法包括：获取多个电力通信网数据，获取当前任务对多个电力通信网数据的敏感度，其中，敏感度表示多个电力通信网数据在当前任务中的重要程度，获取每个电力通信网数据在当前任务中的可信度，其中，可信度表示多个电力通信网数据在当前任务中的可信程度，获取每个电力通信网数据在当前任务中的模糊度，其中，模糊度表示多个电力通信网数据在当前任务中产生的不确定性程度，根据敏感度对可信度进行修正，以得到修正后的可信度，根据修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重，根据权重，将多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。通过获取每个电力通信网数据在当前任务中的模糊度和修正后的可信度以计算权重，从而提高了计算权重的准确度，并且无需采用特别繁复的规则、参数或模型模板，提高了数据融合时的便捷性。
附图说明
图1为本发明所提供的自适应电力通信网数据融合方法的流程示意图。
图2为本发明所提供的权重的获取方法的流程示意图。
图3为本发明所提供的修正后的可信度的获取方法的流程示意图。
图4为本发明所提供的自适应电力通信网数据融合装置的结构示意图。
图5为本发明所提供的自适应电力通信网数据融合装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1：图1为本发明所提供的自适应电力通信网数据融合方法的流程示意图。参照图1，自适应电力通信网数据融合方法包括：
S110：获取多个电力通信网数据。
在本申请实施例中，由于现有技术中常采用单一的数据进行融合，导致后续预测数据时考虑的因素较少，进而导致预测的不准性，因此通过获取多个电力通信网数据以保证样本的种类丰富从而提高数据融合之后的因素范围，进而提高后续通过数据融合预测数据时的准确性。具体地，每个电力通信网数据可以通过不同的传感器或者不同的设备获取得到，可以理解，每个电力通信网数据的种类可能不同，格式可能不同或者来源不同。
S120：获取当前任务对多个电力通信网数据的敏感度，其中，敏感度表示多个电力通信网数据在当前任务中的重要程度。
在本申请实施例中，现有技术中通常不考虑电力通信网数据在不同任务时不同的重要程度，因为现有技术中采用的是单一格式或者单一种类的电力通信网数据，而单一格式或者单一种类的电力通信网数据在不同的任务中的重要程度相同并且无法区分哪一个电力通信网数据在当前任务中的重要程度较高，所以采用现有技术进行数据融合会导致数据融合的准确度降低，进而导致当前任务输出的结果不准确。并且由于电力通信网数据在不同任务时的敏感度不同且数据的敏感度越高(重要程度越高)则该数据在当前任务中起的作用越大，因此通过获取当前任务对每个电力通信网数据的敏感度从而提高当前任务的输出结果。另外，数据的敏感度也会影响当前任务的在进行的精确度或效果的程度。
其中，当前任务可以包括：风险预测、通信传输路径规划、光信噪比计算等。例如，如果当前任务是风险预测，那么在风险预测中风力数据比噪声数据的敏感度高。如果当前任务是光信噪比计算，那么噪声数据比风力数据的敏感度高。
S130：获取每个电力通信网数据在当前任务中的可信度，其中，可信度表示多个电力通信网数据在当前任务中的可信程度。
在本申请实施例中，获取数据的可信度是为了衡量数据的准确性和可靠性，这是因为数据的可信度直接影响到数据的使用和分析结果的可信度。获取数据的可信度有如下原因：数据采集过程中可能存在误差：在数据采集的过程中，可能会发生人为错误、仪器故障或其他技术问题，导致数据的准确性受到影响。计算数据的可信度可以帮助识别和修正这些误差，从而提高数据的质量。数据来源的可靠性不同：不同的数据来源可能具有不同的可信度。一些数据来源可能经过严格的质量控制和验证，而其他来源可能不太可靠。通过计算数据的可信度，可以确定数据来源的可靠性，从而更好地评估数据的可信度。数据的完整性和一致性：数据的完整性和一致性也是计算数据可信度的重要因素。缺失的数据或不一致的数据可能导致分析结果的不准确或不可靠。通过计算数据的可信度，可以评估数据的完整性和一致性，从而确定数据的可信度。数据处理和分析的结果依赖于数据的可信度：数据的可信度直接影响到数据处理和分析的结果的可信度。如果数据的可信度较低，则数据处理和分析的结果也可能不可靠。通过计算数据的可信度，可以确定数据处理和分析结果的可信度，从而提高决策和行动的可靠性。计算可信度的计算公式为：
Cred(mi)为电力通信网数据mi的证据的可信度，mi为Ai集合中的第mi个电力通信网数据，mj为Ai集合中的第mj个电力通信网数据。
S140：获取每个电力通信网数据在当前任务中的模糊度，其中，模糊度表示多个电力通信网数据在当前任务中产生的不确定性程度。
在本申请实施例中，当用单一数据源时数据的模糊性并不会对任务造成影响，因为当数据服从一种模糊度模型时，可以视为固有属性，所以在数据融合时数据的模糊度可以忽略不计。然而当数据为多源情况时，由于数据的格式不同、种类不同以及来源不同等，因此数据存在很多的不确定性，例如，数据在测量时存在误差。因为数据是通过不同的传感器测量的，所以也是导致数据的格式不同、种类不同以及来源不同的原因，而不同的传感器在测量时，由于不同的环境也会导致在测量时数据会存在误差。综上，数据的模糊性不能被忽略，一旦数据的模糊性忽略，数据融合时会存在很多不确定的结果，因此，通过获取每个电力通信网数据在当前任务中的模糊度，将每个电力通信网数据在当前任务中的不确定性程度或者模糊性程度进行弥补，从而保证数据融合时更加准确。
具体地，模糊度的计算公式为：
其中，Ω为幂空间，γ为中间变量，mi表示第mi个电力通信网数据。当模糊度计算完成后还需对其进行归一化，从而保证模糊度之间的一致性。
S150：根据敏感度对可信度进行修正，以得到修正后的可信度。
在本申请实施例中，虽然获取到了多个电力通信网数据对当前任务的敏感度以及可信度，但是无法根据敏感度确定哪些数据的可信程度较高，相应的也无法从可信程度较高的数据中确定哪些数据对于当前任务的重要程度高。因此可以通过敏感度对可信度进行修正，将敏感度和可信度联系在一起，从而可以确定出敏感度以及可信度均较高的数据，进而提高数据融合的准确度。
S160：根据修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重。
在本申请实施例中，由于现有技术需要特别繁复的规则、参数或是模型模板，因此本申请采用权重从而确定每个电力通信网数据的权重占比，进而提高数据融合时的准确性。在数据融合过程中，计算权重的目的是为了确定不同数据源的重要性或可靠性，从而对不同数据源的贡献进行加权处理。这是因为不同数据源可能具有不同的特点、偏差或噪声，而且在某些情况下，一些数据源可能比其他数据源更可靠或更具代表性。通过计算权重，可以对数据源进行加权，使得更可靠或更具代表性的数据源对融合结果的影响更大，从而提高融合结果的准确性和可信度。同时，计算权重还可以帮助解决数据源之间的冲突或不一致性，使得融合结果更具合理性和一致性。
S170：根据权重，将多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。
在本申请实施例中，提取多个电力通信网数据的特征，并将其特征的尺寸统一，例如可以通过相同的卷积神经网络进行缩放。然后将统一之后的多个电力通信网数据乘以相应的权重，以得到融合之后的电力通信网数据。
本发明提供了自适应电力通信网数据融合方法，该方法包括：获取多个电力通信网数据，获取当前任务对多个电力通信网数据的敏感度，其中，敏感度表示多个电力通信网数据在当前任务中的重要程度，获取每个电力通信网数据在当前任务中的可信度，其中，可信度表示多个电力通信网数据在当前任务中的可信程度，获取每个电力通信网数据在当前任务中的模糊度，其中，模糊度表示多个电力通信网数据在当前任务中产生的不确定性程度，根据敏感度对可信度进行修正，以得到修正后的可信度，根据修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重，根据权重，将多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。通过获取每个电力通信网数据在当前任务中的模糊度和修正后的可信度以计算权重，从而提高了计算权重的准确度，并且无需采用特别繁复的规则、参数或模型模板，提高了数据融合时的便捷性。
实施例2：图2为本发明所提供的权重的获取方法的流程示意图。参照图2，S160可以包括：
S161:获取每个电力通信网数据的基础概率分配值，其中，基础概率分配值表示每个电力通信网数据在当前任务的可用程度。
在本申请实施例中，由于任务不同所选用的电力通信网数据不同，为了解决该问题，因此采用每个电力通信网数据的基础概率分配值，确定当前任务中可使用的电力通信网数据，从而可以提高当前任务中数据融合的准确性，并且也可以减少计算机的计算内存，减少计算机的计算量。
具体地，本申请采用计算公式筛选当前任务所用的电力通信网数据：
根据电力通信网的网络拓扑结构按照层级将设备划分为多个集合{A1，A2，...，Ap}，将集合代入到Ai中以确定集合中的数据是否为当前任务所需的数据，其中，每个集合中包括多个电力通信网数据。当集合属于当前任务中的子集时，该集合中的多个电力通信网数据为当前任务需要使用的数据，其值为当集合不属于当前任务中的子集时，该集合中的多个电力通信网数据不是当前任务需要使用的数据，其值为0。
S162：根据修正后的可信度、模糊度以及基础概率分配值，获取在当前任务中每个电力通信网数据对应的权重。
在本申请实施例中，获取在当前任务中每个电力通信网数据对应的权重的计算公式为：
Gred′(mi)表示第mi个电力通信网数据的重要程度，En(mi)表示第mi个电力通信网数据的模糊度。表示第mi个电力通信网数据位于第Ai个集合的基础概率分配值。
实施例3：S162可具体实施为：选取基础概率分配值大于预设概率阈值的电力通信网数据作为目标电力通信网数据；根据目标电力通信网数据对应的基础概率分配值、修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重。
在本申请实施例中，为了可以更快速的筛选到当前任务所需的电力通信网数据，因此通过预设概率阈值为判断条件，将基础概率分配值大于预设概率阈值的电力通信网数据作为目标电力通信网数据，该目标电力通信网数据为当前任务所需的电力通信网数据，其中，预设概率阈值可以为0。
实施例4：图3为本发明所提供的修正后的可信度的获取方法的流程示意图。参照图3，S150可以包括：
S151：根据敏感度以及排序因子获取函数，获取每个电力通信网数据在当前任务中的排序因子。
在本申请实施例中，排序因子获取函数为一个由径向基函数神经网络和支持向量机构成的模型。本申请将敏感度输入到排序因子获取函数中，可以获取到该数据的排序因子。
具体地，选用sortfactor函数，该函数为排序因子获取函数。将各种任务所提取的特征输入排序因子获取函数中，获取该数据mi的排序因子，排序因子的值属于区间[0,1]。通过这一方法不但可以区分数据在不同任务中的重要程度，还可以衡量证据的冲突性。
另外，排序因子获取函数可以提供灵活的排序规则：通过排序因子获取函数，可以根据具体需求定义排序规则。不同的数据集和排序需求可能需要不同的排序规则，排序因子获取函数可以根据实际情况进行定制，从而满足不同的排序需求。可扩展性和适应性：通过定义排序因子获取函数，可以轻松地添加新的排序因子，从而满足不同场景下的排序需求。这种可扩展性和适应性使得排序因子获取函数在处理不同类型的数据和排序需求时更加灵活和方便。提高排序效率：通过合理设计排序因子获取函数，可以减少排序算法的比较次数，从而提高排序效率。例如，通过将数据转换为数字，可以使用快速排序等高效的排序算法来处理。
其中，修正后的可信度的计算公式为：
mj为Ai集合中的第mj个电力通信网数据，Cred(mj)为mj数据的可信度，sortfactor(mj)为mj数据的排序因子。
S152：根据排序因子对可信度进行修正，以得到修正后的可信度。
在本申请实施例中，由于不同任务对不同设备的数据的特征敏感度是不同的，即越敏感则该数据在这个任务中起的作用越大，因此通过排序因子对可信度进行修正，从而确定每个电力通信网数据的重要程度，其中，排序因子本身就可以确定每个电力通信网数据在当前任务的重要程度。
实施例5：S110之后，自适应电力通信网数据融合方法可具体实施为：对多个电力通信网数据进行预处理，以得到多个预处理之后的电力通信网数据；S120可以包括：获取当前任务对多个预处理之后的电力通信网数据的敏感度。
在本申请实施例中，由于电力通信网数据存在很多噪声以及异常，导致数据融合时的结果不准确，因此需要将多个电力通信网数据进行预处理，从而将问题较大的电力通信网数据去除，保留纯净的电力通通信网数据，以提高后续数据融合时的准确度。
实施例6：自适应电力通信网数据融合方法可具体实施为：对多个预处理之后的电力通信网数据进行去噪处理，以得到多个去噪之后的电力通信网数据；确定多个去噪之后的电力通信网数据中异常电力通信网数据；将异常电力通信网数据进行修复，以得到修复之后的电力通信网数据；根据修复之后的电力通信网数据，获取多个预处理之后的电力通信网数据。
在本申请实施例中，通过小波基函数，可以将信号的能量主要集中在少数的子频带上，从而实现噪声的去除，其计算公式为：
其中，x(n)是原始信号，m和k分别表示尺度和平移参数，ψk,m(n)为小波基函数，小波基函数是一组在时间和频率上局部化的函数，表示不同尺度和平移的小波，X(k)为变换过后的结果。
然后，由于电力通信网中设备可能会发生故障，这些故障会导致电力通信网设备所产生的数据容易被修改并产生数据异常值，因此需要确定多个去噪之后的电力通信网数据中异常电力通信网数据。然而在通常情况下这些异常电力通信网数据是不可用的数据，现有技术中往往会直接删除，但删除过后的空缺又不利于数据融合，因此可以将异常电力通信网数据进行修复，从而提高数据融合的准确性。
实施例7：自适应电力通信网数据融合方法可具体实施为：将多个去噪之后的电力通信网数据进行分组，以得到多组电力通信网数据；确定每组电力通信网数据的参考点；根据参考点，确定每组电力通信网数据中的异常电力通信网数据。
在本申请实施例中，由于通常情况下设备是处于正常状态的，数据的异常值为少数情况，因此可以将异常点检测转换为离群点检测问题。首先，将多个去噪之后的电力通信网数据进行分组，以得到多组电力通信网数据，确定每组电力通信网数据的参考点，根据参考点，确定每组电力通信网数据中的异常电力通信网数据。
本申请可以选取每组电力通信网数据中的任意一个数据作为参考点，也可以通过数据类型确定每组电力通信网数据中的参考点，该数据类型包括电压、电流、湿度或者温度等。
具体地，为了保证参考点选取更加准确，因此将输出X(k)进行分组，分为(Xk,1,Xk,2,Xk,3,...,Xk,N)，上述的参考点可以定义为介质对象，其计算的公式为：
其中，d(·)表示欧式距离，y表示对X(k)的抽样，Xk,i,j表示每个分组中的元素，M为分组中元素的总个数。然后，以Xmedoid为中心通过LOF算法得到离群点，该点即为异常电力通信网数据。
实施例8：自适应电力通信网数据融合方法可具体实施为：计算参考点与参考点对应的电力通信网数据之间的距离；计算多个距离的倒数的平均值为参考点的局部可达密度；根据参考点的局部可达密度与参考点对应的电力通信网数据对应的局部可达密度，确定每组电力通信网数据中异常电力通信网数据。
在本申请实施例中，为了可以更快速的确定异常电力通信网数据，因此首选计算参考点与参考点对应的电力通信网数据之间的距离，该参考点为每组电力通信网数据中的参考点，也就是上述的介质对象，参考点对应的电力通信网数据也是每组电力通信网数据中的数据，并且参考点对应的电力通信网数据可以为与参考点相邻的电力通信网数据，并且参考点对应的电力通信网数据可以为在K距离之内的所有电力通信网数据，K距离为参考点与第K个最近邻居的点(第K个电力通信网数据与参考点相邻)之间的距离，其中，该距离可以为参考点与其对应的电力通信网数据之间的距离最大值，例如，数据A为参考点，数据B为每组电力通信网数据中的一个电力通信网数据或者为与参考点相邻的电力通信网数据，数据A和数据B的距离最大值的选取方式：计算数据A到数据B的第一距离；计算数据B与数据B相邻的数据之间的第二距离；选取第一距离和第二距离中最大的距离为参考点与每组电力通信网数据中的一个电力通信网数据(或者一个与参考点相邻的电力通信网数据)之间的距离最大值，然后计算参考点与每个电力通信网数据(每个电力通信网数据与参考点在同一组)之间的距离可以得到多个距离，其中，距离的计算方法可以采用欧式距离计算方法、曼哈顿距离计算方法等。
然后，计算出该参考点的局部可达密度，即计算多个距离的倒数的平均值，其中，局部可达密度表示参考点周围的数据点的密度，参考点的局部可达密度越高，则参考点的周围的数据点越密集。根据参考点的局部可达密度与参考点对应的电力通信网数据对应的局部可达密度，确定每组电力通信网数据中异常电力通信网数据。也就是，计算参考点的局部可达密度与参考点对应的电力通信网数据对应的局部可达密度之间的商，若商大于预设商，则确定该参考点为异常电力通信网数据(离群点)，其中，预设商可以为1.5，说明参考点的密度远低于其他与其相邻的电力通信网数据的密度。
接着，以参考点为中心，随机选取下一个电力通信网数据作为该参考点，继续判断该下一个电力通信网数据是否为异常电力通信网数据，最后，每组电力通信网数据都经过上述步骤操作即结束该流程。
实施例9：自适应电力通信网数据融合方法可具体实施为：将多个去噪之后的电力通信网数据进行聚类，以得到多个簇团；确定异常电力通信网数据所在的目标簇团；根据目标簇团的平均值修正异常电力通信网数据，以得到修复之后的电力通信网数据。
在本申请实施例中，本发明使用高斯混合模型进行聚类，首先将多个去噪之后的电力通信网数据进行聚类，以得到多个簇团{D1,D2,D3,...,DL}，然后取异常电力通信网数据所在簇团的平均值作为修正值对异常电力通信网数据进行修复，所得修复后的数据为X'(k)。
图4为本发明所提供的自适应电力通信网数据融合装置的结构示意图。参照图4，自适应电力通信网数据融合装置20包括：数据获取模块201，用于获取多个电力通信网数据；敏感度获取模块202，用于获取当前任务对多个电力通信网数据的敏感度；其中，敏感度表示多个电力通信网数据在当前任务中的重要程度；可信度获取模块203，用于获取每个电力通信网数据在当前任务中的可信度；其中，可信度表示多个电力通信网数据在当前任务中的可信程度；模糊度获取模块204，用于获取每个电力通信网数据在当前任务中的模糊度；其中，模糊度表示多个电力通信网数据在当前任务中产生的不确定性程度；修正模块205，用于根据敏感度对可信度进行修正，以得到修正后的可信度；权重获取模块206，用于根据修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重；融合模块207，用于根据权重，将多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。
本发明提供了自适应电力通信网数据融合装置，包括：通过数据获取模块获取多个电力通信网数据，敏感度获取模块获取当前任务对多个电力通信网数据的敏感度，其中，敏感度表示多个电力通信网数据在当前任务中的重要程度，可信度获取模块获取每个电力通信网数据在当前任务中的可信度，其中，可信度表示多个电力通信网数据在当前任务中的可信程度，模糊度获取模块获取每个电力通信网数据在当前任务中的模糊度，其中，模糊度表示多个电力通信网数据在当前任务中产生的不确定性程度，修正模块根据敏感度对可信度进行修正，以得到修正后的可信度，权重获取模块根据修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重，融合模块根据权重，将多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。通过获取每个电力通信网数据在当前任务中的模糊度和修正后的可信度以计算权重，从而提高了计算权重的准确度，并且无需采用特别繁复的规则、参数或模型模板，提高了数据融合时的便捷性。
图5为本发明所提供的自适应电力通信网数据融合装置的结构示意图。参照图5，权重获取模块206可以包括：分配值获取单元2061，用于获取每个电力通信网数据的基础概率分配值；其中，基础概率分配值表示每个电力通信网数据在当前任务的可用程度；获取子单元2062，用于根据修正后的可信度、模糊度以及基础概率分配值，获取在当前任务中每个电力通信网数据对应的权重。
在一实施例中，获取子单元2062可具体配置为：选取基础概率分配值大于预设概率阈值的电力通信网数据作为目标电力通信网数据；根据目标电力通信网数据对应的基础概率分配值、修正后的可信度以及模糊度，获取在当前任务中每个电力通信网数据对应的权重。
在一实施例中，修正模块205可以包括：排序因子获取单元2051，用于根据敏感度以及排序因子获取函数，获取每个电力通信网数据在当前任务中的排序因子；修正单元2052，用于根据排序因子对可信度进行修正，以得到修正后的可信度。
在一实施例中，在数据获取模块201之后，自适应电力通信网数据融合装置20可具体配置为：对多个电力通信网数据进行预处理，以得到多个预处理之后的电力通信网数据；敏感度获取模块202可具体配置为：获取当前任务对多个预处理之后的电力通信网数据的敏感度。
在一实施例中，自适应电力通信网数据融合装置20可具体配置为：对多个预处理之后的电力通信网数据进行去噪处理，以得到多个去噪之后的电力通信网数据；确定多个去噪之后的电力通信网数据中异常电力通信网数据；将异常电力通信网数据进行修复，以得到修复之后的电力通信网数据；根据修复之后的电力通信网数据，获取多个预处理之后的电力通信网数据。
在一实施例中，自适应电力通信网数据融合装置20可具体配置为：将多个去噪之后的电力通信网数据进行分组，以得到多组电力通信网数据；确定每组电力通信网数据的参考点；根据参考点，确定每组电力通信网数据中的异常电力通信网数据。
在一实施例中，自适应电力通信网数据融合装置20可具体配置为：计算参考点与参考点对应的电力通信网数据之间的距离；计算多个距离的倒数的平均值为参考点的局部可达密度；根据参考点的局部可达密度与参考点对应的电力通信网数据对应的局部可达密度，确定每组电力通信网数据中异常电力通信网数据。
在一实施例中，自适应电力通信网数据融合装置20可具体配置为：将多个去噪之后的电力通信网数据进行聚类，以得到多个簇团；确定异常电力通信网数据所在的目标簇团；根据目标簇团的平均值修正异常电力通信网数据，以得到修复之后的电力通信网数据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种自适应电力通信网数据融合方法，其特征在于，包括：
获取多个电力通信网数据；
获取当前任务对所述多个电力通信网数据的敏感度；其中，所述敏感度表示所述多个电力通信网数据在所述当前任务中的重要程度；
获取每个所述电力通信网数据在当前任务中的可信度；其中，所述可信度表示所述多个电力通信网数据在所述当前任务中的可信程度；
获取每个所述电力通信网数据在所述当前任务中的模糊度；其中，所述模糊度表示所述多个电力通信网数据在所述当前任务中产生的不确定性程度；
根据所述敏感度对所述可信度进行修正，以得到修正后的可信度；
根据所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重；
根据所述权重，将所述多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。
2.根据权利要求1所述的自适应电力通信网数据融合方法，其特征在于，所述根据所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重包括：
获取每个所述电力通信网数据的基础概率分配值；其中，所述基础概率分配值表示每个所述电力通信网数据在所述当前任务的可用程度；
根据所述修正后的可信度、所述模糊度以及所述基础概率分配值，获取在所述当前任务中每个所述电力通信网数据对应的权重。
3.根据权利要求2所述的自适应电力通信网数据融合方法，其特征在于，所述根据所述修正后的可信度、所述模糊度以及所述基础概率分配值，获取在所述当前任务中每个所述电力通信网数据对应的权重包括：
选取所述基础概率分配值大于预设概率阈值的电力通信网数据作为目标电力通信网数据；
根据所述目标电力通信网数据对应的基础概率分配值、所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重。
4.根据权利要求1所述的自适应电力通信网数据融合方法，其特征在于，所述根据所述敏感度对所述可信度进行修正，以得到修正后的可信度包括：
根据所述敏感度以及排序因子获取函数，获取每个所述电力通信网数据在当前任务中的排序因子；
根据所述排序因子对所述可信度进行修正，以得到所述修正后的可信度。
5.根据权利要求1所述的自适应电力通信网数据融合方法，其特征在于，在所述获取多个电力通信网数据之后，还包括：
对所述多个电力通信网数据进行预处理，以得到多个预处理之后的电力通信网数据；
所述获取当前任务对所述多个电力通信网数据的敏感度包括：
获取所述当前任务对所述多个预处理之后的电力通信网数据的敏感度。
6.根据权利要求5所述的自适应电力通信网数据融合方法，其特征在于，所述对所述多个电力通信网数据进行预处理，以得到多个预处理之后的电力通信网数据包括：
对所述多个预处理之后的电力通信网数据进行去噪处理，以得到多个去噪之后的电力通信网数据；
确定所述多个去噪之后的电力通信网数据中异常电力通信网数据；
将所述异常电力通信网数据进行修复，以得到修复之后的电力通信网数据；
根据所述修复之后的电力通信网数据，获取所述多个预处理之后的电力通信网数据。
7.根据权利要求6所述的自适应电力通信网数据融合方法，其特征在于，所述确定所述多个去噪之后的电力通信网数据中异常电力通信网数据包括：
将所述多个去噪之后的电力通信网数据进行分组，以得到多组电力通信网数据；
确定每组所述电力通信网数据的参考点；
根据所述参考点，确定每组所述电力通信网数据中的异常电力通信网数据。
8.根据权利要求7所述的自适应电力通信网数据融合方法，其特征在于，所述根据所述参考点，确定每组所述电力通信网数据中的异常电力通信网数据包括：
计算所述参考点与所述参考点对应的电力通信网数据之间的距离；
计算多个所述距离的倒数的平均值为所述参考点的局部可达密度；
根据所述参考点的局部可达密度与所述参考点对应的电力通信网数据对应的局部可达密度，确定每组所述电力通信网数据中异常电力通信网数据。
9.根据权利要求6所述的自适应电力通信网数据融合方法，其特征在于，所述将所述异常电力通信网数据进行修复，以得到修复之后的电力通信网数据包括：
将所述多个去噪之后的电力通信网数据进行聚类，以得到多个簇团；
确定所述异常电力通信网数据所在的目标簇团；
根据所述目标簇团的平均值修正所述异常电力通信网数据，以得到所述修复之后的电力通信网数据。
10.一种自适应电力通信网数据融合装置，其特征在于，包括：
数据获取模块，用于获取多个电力通信网数据；
敏感度获取模块，用于获取当前任务对所述多个电力通信网数据的敏感度；其中，所述敏感度表示所述多个电力通信网数据在所述当前任务中的重要程度；
可信度获取模块，用于获取每个所述电力通信网数据在当前任务中的可信度；其中，所述可信度表示所述多个电力通信网数据在所述当前任务中的可信程度；
模糊度获取模块，用于获取每个所述电力通信网数据在所述当前任务中的模糊度；其中，所述模糊度表示所述多个电力通信网数据在所述当前任务中产生的不确定性程度；
修正模块，用于根据所述敏感度对所述可信度进行修正，以得到修正后的可信度；
权重获取模块，用于根据所述修正后的可信度以及所述模糊度，获取在所述当前任务中每个所述电力通信网数据对应的权重；
融合模块，用于根据所述权重，将所述多个电力通信网数据进行融合，以得到融合之后的电力通信网数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311462859.XA CN117494046A (zh) | 2023-11-06 | 2023-11-06 | 一种自适应电力通信网数据融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311462859.XA CN117494046A (zh) | 2023-11-06 | 2023-11-06 | 一种自适应电力通信网数据融合方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117494046A true CN117494046A (zh) | 2024-02-02 |
Family
ID=89670271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311462859.XA Pending CN117494046A (zh) | 2023-11-06 | 2023-11-06 | 一种自适应电力通信网数据融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494046A (zh) |
-
2023
- 2023-11-06 CN CN202311462859.XA patent/CN117494046A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7353238B2 (ja) | 高次元センサデータにおける異常事象の自動化された根本原因分析を実行する方法及びシステム | |
| US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
| JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
| CN115144548B (zh) | 有害气体成分实时监测系统及其监测方法 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN113127342B (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
| KR20210135416A (ko) | 시편의 검사를 위한 알고리즘 모듈들의 자동 선택 | |
| CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
| CN109948812A (zh) | 确定故障原因的方法、装置、存储介质及电子设备 | |
| CN110099089A (zh) | 传感器网络中多个数据流的在线自校正 | |
| JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
| CN117494046A (zh) | 一种自适应电力通信网数据融合方法及装置 | |
| KR20220147036A (ko) | 생산 과정을 통하여 생산되는 제품 관련 예측 수행 방법 | |
| CN117561502A (zh) | 一种确定失效原因的方法及装置 | |
| WO2023073941A1 (ja) | エラー要因推定装置、エラー要因推定方法及びコンピュータ可読媒体 | |
| US20240337487A1 (en) | Sensor reading correction | |
| US20240337506A1 (en) | Sensor reading correction | |
| CN118332482B (zh) | 基于噪点清洗的土壤数据采集方法及系统 | |
| CN114399788B (zh) | 对象检测方法和系统 | |
| US12141173B2 (en) | Error factor estimation device and error factor estimation method | |
| CN118536090B (zh) | 一种基于仓储温湿度监测生成粮温场图方法 | |
| CN117117923B (zh) | 一种基于大数据的储能控制并网管理方法及系统 | |
| JP7430271B2 (ja) | エラー要因の推定装置及び推定方法 |
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 |