【技术实现步骤摘要】
本申请涉及数据融合，具体涉及基于强化学习的能源数据上下文信息特征融合方法。
技术介绍
1、随着数字化进程的推进，如今各行各业的数字化内容逐渐丰富，其中能源行业由于涉及许多重要的数据，所以对于能源数据的相关处理逐渐成为数据处理方法研究的重要内容。在能源数据中，通常包含许多涉及企业的相关敏感数据，例如企业的设备能耗信息、设备运行数据、能源平台的用户身份信息机密码信息等，此类数据一旦泄露，可能会造成巨大损失，因此通常都会对能源数据中的敏感数据进行保护。
2、然而能源数据涉及的数据量较大，各数据之间存在许多不同程度的关联性，因此在进行敏感数据识别的过程中容易导致识别不准确的情况，所以在进行能源敏感数据的识别前，通常会采用基于强化学习的上下文信息特征融合的方法，将能源数据的信息特征进行融合，以降低之后敏感数据的识别难度。传统的特征融合方法会把所有的数据信息进行特征提取再进行融合，然而能源数据的上下文信息涉及较广，存在关联性的数据信息较多，若直接进行特征融合则会把较多没有实质性关联的数据特征进行融合，从而导致融合后的数据特征不准确的问题...
【技术保护点】
1.基于强化学习的能源数据上下文信息特征融合方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于强化学习的能源数据上下文信息特征融合方法，其特征在于，所述通过多项式曲线拟合算法获取各能源数据序列的多项式曲线，根据多项式曲线中波峰点大小及对应时间得到每个能源数据序列的各超、低标准峰点数据序列，具体为：
3.如权利要求1所述的基于强化学习的能源数据上下文信息特征融合方法，其特征在于，所述根据超、低标准峰点数据序列中数据变化得到各能源数据序列的能源峰值联系强度指数，具体为：
4.如权利要求3所述的基于强化学习的能源数据上下文...
【技术特征摘要】
1.基于强化学习的能源数据上下文信息特征融合方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于强化学习的能源数据上下文信息特征融合方法，其特征在于，所述通过多项式曲线拟合算法获取各能源数据序列的多项式曲线，根据多项式曲线中波峰点大小及对应时间得到每个能源数据序列的各超、低标准峰点数据序列，具体为：
3.如权利要求1所述的基于强化学习的能源数据上下文信息特征融合方法，其特征在于，所述根据超、低标准峰点数据序列中数据变化得到各能源数据序列的能源峰值联系强度指数，具体为：
4.如权利要求3所述的基于强化学习的能源数据上下文信息特征融合方法，其特征在于，所述根据各超、低标准峰点数据序列之间的差异及长度变化得到各能源数据序列的特征易扰指数，表达式为：
5.如权利要求1所述的基于强化学习的能源数据上下文信息特征融合方法，其特征在于，所述通过聚类算法对所有能源数据序列的能源峰值联系强度指数进行聚类，获取强联系能源数据序列，结合arima预测算法获取各强联系能源数据序列...
【专利技术属性】
技术研发人员：王圆圆，王世谦，胡玉生，石磊，韩丁，高宇飞，宋大为，华远鹏，李秋燕，姬哲，牛斌斌，贾一博，卜飞飞，王涵，
申请(专利权)人：国网河南省电力公司经济技术研究院，
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。