System.Exception: 字符串 'nanjinggongchengxueyuanguowangdianlikexueyanjiuyuanyouxiangongsizhongguodianlikexueyanjiuyuanyouxiangongsidongnandaxueguowangnengyuanyanjiuyuanyouxiangongsiguowangjiangsushengdianliyouxiangong' 后的引号不完整。 “nanjinggongchengxueyuanguowangdianlikexueyanjiuyuanyouxiangongsizhongguodianlikexueyanjiuyuanyouxiangongsidongnandaxueguowangneng”附近有语法错误。 在 DBUtility.DbHelperSQL.RunProcedure(String storedProcName, IDataParameter[] parameters, Int32& rowsAffected) 在 DAL.APT_Common.Update(String tbName, String filter, String where) 在 zhuanliShow.pingyinfenlei(String id) 基于相关性和生成对抗网络的量测数据填补方法与系统技术方案_技高网
当前位置: 首页 > 专利查询>>正文

基于相关性和生成对抗网络的量测数据填补方法与系统技术方案

技术编号：39657698 阅读：9 留言：0更新日期：2023-12-09 11:26
基于相关性和生成对抗网络的量测数据填补方法与系统，用相关性分析法提取电网量测目标数据的多维特征数据集；用核主成分分析法得到降维特征数据集；基于生成对抗网络构建包括生成器和判别器的数据填补网络，生成器输入降维特征数据集与随机噪声数据集并输出预测数据集，判别器用相关性分析法提取强相关性样本并用

全部详细技术资料下载

【技术实现步骤摘要】
基于相关性和生成对抗网络的量测数据填补方法与系统


[0001]本专利技术属于电力系统调度控制领域，具体涉及一种基于相关性和生成对抗网络的新型电力系统环境下多元设备量测数据缺失填补方法及系统
。

技术介绍

[0002]以新能源为主体的新型电力系统建设加快推进，地区电网作为能源使用的重要主体，已成为新型电力系统的主要建设方向
。
新型电力系统呈现新能源高比例渗透
、
电力电子设备规模化应用
、
分布式可调资源广泛接入
、
设备异构化
、
电网多形态等新特征
。
但是，在新型电力系统中，由于设备类型多，分布广，差异大，导致电网量测数据采集不确定性增加，数据随机缺失率升高，难以满足城市电网对电力数据进行精细化分析决策的需求
。
[0003]在新型电力系统中，由于设备类型多，分布广，差异大，导致电网量测数据采集不确定性增加，数据随机缺失率升高，难以满足城市电网对电力数据进行精细化分析决策的需求
。
通过增加采集装置
、
调整采集频率
、
提高信道质量
、
优化通信机制等方法虽能解决数据缺失问题，但此类传统方法综合成本高，建设周期长，施工难度大
。
因此，以采集的量测数据为研究对象，开展缺失数据填补方法研究，提升电网数据完整性和可用性就成为了电力系统领域的一个重要研究方向
。
[0004]现有技术中，长短期记忆网络和生成对抗网络（
Generative Adversarial Network
，
GAN
）被用于重构电力系统量测缺失数据
。
针对电网中的光伏数据，也可以利用
GAN
处理缺失数据
。
但是由于新型电力系统中强随机性
、
波动性的新能源大规模并网，电动汽车
、
分布式电源等交互式设备大量接入，以及噪声干扰
、
网络延迟等复杂因素的影响，使得电网数据特征类型更加多样化，且缺失数据分布范围更大
。
上述研究主要基于缺失数据本身的特征进行数据填补，很少利用多种相关性特征解决数据缺失问题
。
但新型电力系统中的多元化电力设备存在时间
、
地域
、
采样周期等数据差异，电压
、
谐波
、
有功功率
、
无功功率
、
电量等电网多维特征之间关联性更加复杂紧密
。
仅根据缺失数据本身的单特征进行填补不能保证数据完整性和真实性，从而影响电力系统精细化分析
、
准确判断
、
新能源消纳评估和负荷调节能力，难以满足城市电网高质量发展需求
。

技术实现思路

[0005]为解决现有技术中存在的不足，本专利技术提供一种基于相关性和生成对抗网络的量测数据填补方法与系统，解决了新型电力系统环境下多元设备量测数据缺失给基础数据预处理和电力数据精细化分析决策带来的问题，提高电网数据缺失值的填补准确度
。
[0006]本专利技术采用如下的技术方案
。
[0007]本专利技术提出了一种基于相关性和生成对抗网络的量测数据填补方法，电力系统数据包括
N
种类型的电网量测数据，以任一类电网量测数据作为电网量测目标数据；方法包括：基于相关性分析方法，计算电网量测目标数据与其余
N
‑1类中任一类电网量测数
据之间的关联系数，从其余
N
‑1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数，从其余
N
‑1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于
Wasserstein
距离损失函数计算预测数据集与强相关性样本之间的距离；以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据
。
[0008]优选地，以电网量测目标数据构成的时间序列与其余
N
‑1类中任一类电网量测数据构成的时间序列之间的协方差服从幂律分布时，获取幂律分布的系数作为电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数
。
[0009]优选地，当幂律分布的系数小于等于零时，电网量测目标数据构成的时间序列与其余
N
‑1类中任一类电网量测数据构成的时间序列之间不相关；当幂律分布的系数大于零时，电网量测目标数据构成的时间序列与其余
N
‑1类中任一类电网量测数据构成的时间序列之间相关
。
[0010]优选地，关联系数阈值为
0.8。
[0011]优选地，生成器包括多个第一全连接层单元，判别器包括多个第二全连接层单元；生成器和判别器中全连接层单元的数量一致，并且根据数据缺失率调整；当数据缺失率小于
50%
时，生成器和判别器中全连接层单元的数量均为4；当数据缺失率不小于
50%
时，生成器和判别器中全连接层单元的数量大于
4。
[0012]优选地，生成器中的每个第一全连接层单元的激活函数均采用
Relu
函数，第一全连接层单元根据降维特征数据和随机噪声数据，输出多种类型的电网设备量测数据的预测值，构成预测数据集
。
[0013]优选地，判别器中最后一个第二全连接层单元的激活函数采用
sigmoid
函数，其余的第二全连接层单元的激活函数均采用
Relu
函数
。
[0014]优选地，采用
Relu
函数的第二全连接层单元采用相关性分析方法，计算电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数，从其余
N
‑1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成强相关性样本
。
[0015]优选地，采用
sigmoid
函数的第二全连接层单元采用
Wasserstein
距离损失函数计算预测数据与强相关性样本之间的距离，并判断所述距离与设定距离阈值之间的关系：当距离小于设定距离阈值时，判定预测数据具有真实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于相关性和生成对抗网络的量测数据填补方法，电力系统数据包括
N
种类型的电网量测数据，以任一类电网量测数据作为电网量测目标数据；其特征在于，所述方法包括：基于相关性分析方法，计算电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数，从其余
N
‑1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数，从其余
N
‑1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于
Wasserstein
距离损失函数计算预测数据集与强相关性样本之间的距离，当距离小于距离阈值时，以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据
。2.
根据权利要求1所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，以电网量测目标数据构成的时间序列与其余
N
‑1类中任一类电网量测数据构成的时间序列之间的协方差服从幂律分布时，获取幂律分布的系数作为电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数
。3.
根据权利要求2所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，当幂律分布的系数小于等于零时，电网量测目标数据构成的时间序列与其余
N
‑1类中任一类电网量测数据构成的时间序列之间不相关；当幂律分布的系数大于零时，电网量测目标数据构成的时间序列与其余
N
‑1类中任一类电网量测数据构成的时间序列之间相关
。4.
根据权利要求3所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，关联系数阈值为
0.8。5.
根据权利要求1所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，生成器包括多个第一全连接层单元，判别器包括多个第二全连接层单元；生成器和判别器中全连接层单元的数量一致，并且根据数据缺失率调整；当数据缺失率小于
50%
时，生成器和判别器中全连接层单元的数量均为4；当数据缺失率不小于
50%
时，生成器和判别器中全连接层单元的数量大于
4。6.
根据权利要求5所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，生成器中的每个第一全连接层单元的激活函数均采用
Relu
函数，第一全连接层单元根据降维特征数据和随机噪声数据，输出多种类型的电网设备量测数据的预测值，构成预测数据集
。
7.
根据权利要求5所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，判别器中最后一个第二全连接层单元的激活函数采用
sigmoid
函数，其余的第二全连接层单元的激活函数均采用
Relu
函数
。8.
根据权利要求7所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，采用
Relu
函数的第二全连接层单元采用相关性分析方法，计算电网量测目标数据与其余
N
‑1类中任一类电网量测数据之间的关联系数，从其余
N
‑1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成强相关性样本
。9.
根据权利要求8所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，采用
sigmoid
函数的第二全连接层单元采用
Wasserstein
距离损失函数计算预测数据与强相关性样本之间的距离，并判...

【专利技术属性】
技术研发人员：蔡榕，杨雪，姜学宝，闪鑫，庄卫金，陈中，吕洋，邹铁，金郅涵，罗玉春，赵奇，吴海伟，马明明，田江，冯秋侠，丁宏恩，李彧，李春，刘静，
申请(专利权)人：南京工程学院国网电力科学研究院有限公司中国电力科学研究院有限公司东南大学国网能源研究院有限公司国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人
相关技术
网友询问留言 已有0条评论

  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1
发布您的意见
相关领域技术

关于我们 | 联系我们 | 支付方式

Copyright © 2018 All Rights Reserved.

津ICP备16005673号-1 津公网安备 12019202000132号 技高德科技（天津）有限公司版权所有