System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于数据处理,尤其涉及一种负荷数据实时填充方法、系统、设备和介质。
技术介绍
1、数据质量是电力系统负荷预测建模的重要基础与预测性能的关键保证。在新型电力系统发展的背景下,向量测量单元、数据采集与监视控制系统、智能电表等测量装置,将会更加广泛地部署在智能电网的各个环节并不断完善。然而,由于采集的电能数据由于各种原因(天气突变、冷热交替、电磁干扰、时钟漂移)的畸变,使线损分析效率低下,电能质量监测不准。
2、电网数据采集监测分析系统实时汇集全网用电信息数据,使得数据驱动的电网数据问题分析与决策成为可能。但电网监测终端数量多、存储系统组成复杂、物理环境恶劣等原因都会造成采集的数据存在缺失、异常等数据问题,这些数据问题会导致错误的分析结果,影响电能质量治理决策效果。因此需要构建数据实时预测填充模块,支撑相关计算的快速实现,负荷事件设备评价等统计计算升级为实时计算。
技术实现思路
1、本专利技术的目的就在于为了解决上述问题而提供一种负荷数据实时填充方法、系统、设备和介质。
2、本专利技术通过以下技术方案来实现上述目的:
3、一种负荷数据实时填充方法,包括以下步骤:
4、采集用户每日的原始负荷数据;
5、对所述原始负荷数据进行检测,将异常值和缺失值填充空值作为待填充数据,得到含空值负荷数据集并进行预处理,得到预处理后负荷数据;
6、构建深度极限学习机模型,基于所述预处理后负荷数据,通过输入实时采集的实时负荷数据
7、基于数据填充结果和实时采集的实时负荷数据,实时更新深度极限学习机模型的权值。
8、作为本专利技术的进一步优化方案,采集用户每日的原始负荷数据的具体过程如下:
9、基于用电信息采集系统,采集用户的每日96点负荷数据,每15min采集一次负荷数据。
10、作为本专利技术的进一步优化方案,所述含空值负荷数据集包括有效负荷数据x和待填充数据y;
11、;
12、;
13、其中,表示原始负荷数据集,表示天的组特征组成的训练集数据,其中为选取的数据点个数;表示待填充数据。
14、作为本专利技术的进一步优化方案,对所述含空值负荷数据集进行预处理,得到预处理后负荷数据的具体过程如下:
15、对所述含空值负荷数据集进行数据标准化处理,即采用z-score方法对所述原始负荷数据集进行变换,公式如下:
16、;
17、式中,是标准化处理后的结果,为输入的原始负荷数据,为原始负荷数据的平均值,是原始负荷数据的标准差。
18、作为本专利技术的进一步优化方案,构建深度极限学习机模型,基于所述预处理后负荷数据,通过输入实时采集的实时负荷数据到所述深度极限学习机模型,将预测输出值进行数据填充的具体过程如下:
19、根据重抽样技术从原始负荷数据集中抽取预设数量的样本;
20、根据抽出的样本计算出统计量h;
21、重复计算统计量h的操作d次,得到d个统计量h组成的第一数据集;
22、重复组成第一数据集的操作n次,得到n个第二数据集h:
23、;
24、根据n个所述第二数据集h,构建对应的n个深度极限学习机模型,所述深度极限学习机模型通过极限学习机-自编码器模型结构进行逐层训练:
25、;
26、;
27、式中:表示第个隐含层的输出矩阵,表示极限学习机-自编码器模型对第个隐含层与第个隐含层之间的权值矩阵,为隐含层的输出权值,为激活函数,为模型的平衡参数,为单位矩阵,为第个的数据集, k为隐含层的输出矩阵 ,kt是对k矩阵的转置变化;
28、根据每个所述深度极限学习机模型的损失函数值,选择小于损失函数均值的个深度极限学习机模型来构建预测输出值,其中,<n,将所述预测输出值进行数据填充。
29、作为本专利技术的进一步优化方案,根据每个所述深度极限学习机模型的损失函数值,选择小于损失函数均值的个深度极限学习机模型来构建预测输出值的具体过程如下:
30、根据构建的n个深度极限学习机模型,计算每个深度极限学习机模型的损失函数值和所有的所述深度极限学习机模型的平均损失函数值,选择小于损失函数均值的个深度极限学习机模型来构建预测输出值,其中,<n,公式如下:
31、;
32、式中,为预测输出值,为第个深度极限学习机模型的预测输出值。
33、作为本专利技术的进一步优化方案,基于数据填充结果和实时采集的实时负荷数据,实时更新所述深度极限学习机模型的权值的具体过程如下:
34、根据预设的权值迭代公式实时更新各个所述深度极限学习机模型的权值,得到改进深度极限学习机模型,所述权值迭代公式如下:
35、;
36、;
37、式中,为改进深度极限学习机模型填充数据后实时更新的权值,为改进深度极限学习机模型当前预测填充数据的权值,为深度极限学习机模型的学习率,为权值更新后的结果,为改进深度极限学习机模型参数,,即cos,为改进深度极限学习机模型的损失函数,所述损失函数由各个改进深度极限学习机模型的输出预测填充值和真实值确定;
38、根据基于改进深度极限学习机模型的输出结果填充数据和实时采集的实时负荷数据,实时更新各个改进深度极限学习机模型的权值,根据更新后的改进深度极限学习机模型继续基于实时采集的实时负荷数据将预测输出值进行数据填充。
39、一种负荷数据实时填充系统,包括:
40、数据采集模块,采集用户每日的原始负荷数据;
41、数据检测预处理模块,用于对所述原始负荷数据进行检测,将异常值和缺失值填充空值作为待填充数据,得到含空值负荷数据集并进行预处理,得到预处理后负荷数据;
42、数据预测填充模块,用于构建深度极限学习机模型,基于所述预处理后负荷数据,通过输入实时采集的实时负荷数据到所述深度极限学习机模型,将预测输出值进行数据填充;
43、模型权值实时更新模块,用于基于数据填充结果和实时采集的实时负荷数据,实时更新深度极限学习机模型的权值。
44、作为本专利技术的进一步优化方案,所述数据采集模块采集用户每日的原始负荷数据的具体过程如下:
45、基于用电信息采集系统,采集用户的每日96点负荷数据。
46、作为本专利技术的进一步优化方案,所述含空值负荷数据集包括有效负荷数据x和待填充数据y:
47、;
48、;
49、其中,表示原始负荷数据集,表示天的组特征组成的训练集数据,其中为选取的数据点个数;表示待填充数据。
50、作为本专利技术的进一步优化方案,所述数据检测预处理模块对所述含空值本文档来自技高网...
【技术保护点】
1.一种负荷数据实时填充方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种负荷数据实时填充方法,其特征在于,采集用户每日的原始负荷数据的具体过程如下:
3.根据权利要求1所述的一种负荷数据实时填充方法,其特征在于,所述含空值负荷数据集包括有效负荷数据X和待填充数据Y:
4.根据权利要求3所述的一种负荷数据实时填充方法,其特征在于,对所述含空值负荷数据集进行预处理,得到预处理后负荷数据的具体过程如下:
5.根据权利要求4所述的一种负荷数据实时填充方法,其特征在于,构建深度极限学习机模型,基于所述预处理后负荷数据,通过输入实时采集的实时负荷数据到所述深度极限学习机模型,将预测输出值进行数据填充的具体过程如下:
6.根据权利要求5所述的一种负荷数据实时填充方法,其特征在于,根据每个所述深度极限学习机模型的损失函数值,选择小于损失函数均值的个深度极限学习机模型来构建预测输出值的具体过程如下:
7.根据权利要求6所述的一种负荷数据实时填充方法,其特征在于,
8.一种负荷数据实时填充系统,其特征在
9.根据权利要求8所述的一种负荷数据实时填充系统,其特征在于,所述数据采集模块采集用户每日的原始负荷数据的具体过程如下:
10.根据权利要求8所述的一种负荷数据实时填充系统,其特征在于,所述含空值负荷数据集包括有效负荷数据X和待填充数据Y;
11.根据权利要求10所述的一种负荷数据实时填充系统,其特征在于,所述数据检测预处理模块对所述含空值负荷数据集进行预处理,得到预处理后负荷数据的具体过程如下:
12.根据权利要求11所述的一种负荷数据实时填充系统,其特征在于,所述数据预测填充模块构建深度极限学习机模型,基于所述预处理后负荷数据,通过输入实时采集的实时负荷数据到所述深度极限学习机模型,将预测输出值进行数据填充的具体过程如下:
13.根据权利要求12所述的一种负荷数据实时填充系统,其特征在于,根据每个所述深度极限学习机模型的损失函数值,选择小于损失函数均值的个深度极限学习机模型来构建预测输出值的具体过程如下:
14.根据权利要求13所述的一种负荷数据实时填充系统,其特征在于,
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
16.一种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权利要求1-7中任一项所述的负荷数据实时填充方法。
...【技术特征摘要】
1.一种负荷数据实时填充方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种负荷数据实时填充方法,其特征在于,采集用户每日的原始负荷数据的具体过程如下:
3.根据权利要求1所述的一种负荷数据实时填充方法,其特征在于,所述含空值负荷数据集包括有效负荷数据x和待填充数据y:
4.根据权利要求3所述的一种负荷数据实时填充方法,其特征在于,对所述含空值负荷数据集进行预处理,得到预处理后负荷数据的具体过程如下:
5.根据权利要求4所述的一种负荷数据实时填充方法,其特征在于,构建深度极限学习机模型,基于所述预处理后负荷数据,通过输入实时采集的实时负荷数据到所述深度极限学习机模型,将预测输出值进行数据填充的具体过程如下:
6.根据权利要求5所述的一种负荷数据实时填充方法,其特征在于,根据每个所述深度极限学习机模型的损失函数值,选择小于损失函数均值的个深度极限学习机模型来构建预测输出值的具体过程如下:
7.根据权利要求6所述的一种负荷数据实时填充方法,其特征在于,
8.一种负荷数据实时填充系统,其特征在于,包括:
9.根据权利要求8所述的一种负荷数据实时填充系统,其特征在于,所述数据采集模块采集用户每日的原始负荷数据的具体过程如...
【专利技术属性】
技术研发人员:刘浩宇,张皓,卢静雅,程宝华,黄爱颖,何海航,何泽昊,马剑,张革,董兵,贾培刚,林怡彤,步汭恒,高嘉伟,李音璇,段笑晨,韩峰,
申请(专利权)人:国网天津市电力公司营销服务中心,
类型:发明
国别省市:
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。