【技术实现步骤摘要】
本专利技术属于有源配电网和深度学习，具体涉及一种有源配电网的多源数据融合方法、系统、设备及介质。
技术介绍
1、在新型电力系统背景下，传统配电网向新型有源配电网转型升级已成为必然趋势。高性能智能量测设备与传统终端设备普遍共存，分布式电源普遍接入，这导致新型有源配电网在运行过程中会产生大量来自不同源的数据，进而给精准感知配电网运行状态带来挑战，这些数据包括同步相量单元数据pmu、数据采集与监控系统数据scada、以及高级量测体系数据ami等，它们来源于不同的系统，对于新型有源配电网电力系统的状态估计、稳定运行、优化调度以及故障预测等方面具有重要意义。然而，由于各系统时间戳、频率标准不统一，且易产生量测偏差较大的坏数据，导致传统的物理方法已无法满足配电网数据融合的实际需求。
2、近年来，深度生成模型在数据融合领域取得了显著进展，其中去噪扩散概率模型ddpm和去噪扩散隐式模型ddim因其能够生成高质量数据样本而受到广泛关注，相比于去噪扩散概率模型，去噪扩散隐式模型通过引入非马尔可夫过程，显著提高了样本的生成效率，同时保持了较高的样本质量。
3、相比于传统的物理融合方法，基于神经网络数据驱动的深度生成模型能够处理来自不同源头、格式和精度的多源量测数据，神经网络具有强大的非线性映射能力，能够将数据有机高效地融合起来，提取出有价值的信息，不需要进行复杂的前置处理，经过初步处理的数据即可作为模型的输入，大大降低了数据分析、建模的难度和工作量，提高了数据处理效率；通过深度学习分析，对配电网的未来状态进行较为准确的预测，这
技术实现思路
1、本专利技术的目的是针对现有技术存在的上述问题，提供一种有源配电网的多源数据融合方法、系统、设备及介质。
2、为实现以上目的，本专利技术的技术方案如下：
3、第一方面，本专利技术提出一种有源配电网的多源数据融合方法，包括：
4、s1、使用去噪扩散概率模型的目标训练去噪扩散隐式模型，通过修改去噪扩散概率模型反向扩散过程的采样方法，生成条件去噪扩散隐式模型；
5、s2、通过最小化损失函数实现引入条件信息的条件去噪扩散隐式模型的自监督训练，所述条件信息为有源配电网时间序列中原始量测数据的部分直接观测值，包括同步相量单元数据、数据采集与监控系统数据、高级量测体系数据的实时量测数据；
6、s3、将训练好的条件去噪扩散隐式模型部署到实际的有源配电网中，进行有源配电网多源数据的实时融合。
7、所述s1包括：
8、s11、构建如下反向扩散过程的去噪扩散概率模型：
9、p(xt-1|xt，x0)＝p(xt-1|xt，t)～n(μ(xt，t)，σ2(xt，t))；
10、
11、上式中，xt为加噪t次后的数据，x0为去噪扩散概率模型的原始数据，p(xt-1|xt，x0)为在当前数据xt和初始数据x0的条件下，t-1时刻数据的后验概率，p(xt-1|xt，t)为在当前数据xt和当前时刻t的条件下，t-1时刻数据的后验概率，μ(xt，t)为所有加噪数据的均值，σ2(xt，t)为所有加噪数据的方差，αt为加噪强度，为at*at-1*...a2*a1，是迭代计算的结果，εθ(xt，t)为去噪函数；
12、s12、修改去噪扩散概率模型反向扩散过程的采样方法，生成条件去噪扩散隐式模型的步骤包括：
13、s121、去噪扩散概率模型p(xt-1|，xt，x0)满足如下正态分布：
14、p(xt-1|，xt，x0)～n(kx0+mxt，σ2)；
15、xt-1＝kx0+mxt+σε，ε～n(0,1)；
16、上式中，k为初始数据x0在生成xt-1时的贡献程度，m为当前加噪数据xt在生成xt-1时的贡献程度，σ为与时间步t相关的噪声尺度参数，ε为添加的高斯噪声；
17、s122、结合去噪扩散概率模型前向扩散过程的对xt进行迭代得到：
18、
19、上式中，ε′为新引入的、与原始噪声相关联的随机变量；
20、s123、将去噪扩散概率模型中xt-1的迭代公式与s122所述的迭代公式进行对应，得到：
21、
22、则p(xt-1|xt，x0)服从的正态分布为：
23、
24、s124、用εt替换正态分布中的x0，得到：
25、
26、上式中，εt为模型预测的噪声；
27、s125、从p(xt-1|xt，x0)服从的正态分布可以看出，生成条件去噪扩散隐式模型的反向过程没有用到马尔可夫过程且未使用到σ2，所以令σ2＝0，且令xp替换xt-1生成如下条件去噪扩散隐式模型：
28、
29、上式中，xp为加噪p次后的数据，为加噪强度第p次迭代的计算结果；xt和xp可相隔多个加噪次数，提高模型的采样速度。
30、所述s2包括：
31、s21、将条件去噪扩散概率模型的均值和方差分别表示为μddpm(xt，t，εθ(xt，t))和σ2ddpm(xt，t)，定义条件去噪函数为εθ：(xta×r|xco)→xta，其中xta为时间序列数据中缺失或待插补的部分，r为实数集或实数空间，xco为时间序列数据中已知的观察部分；
32、s22、将条件观测值作为输入，使用条件去噪函数进行如下参数化：
33、
34、上式中，为条件均值，为学习得到的条件去噪函数，为条件方差，为在某一时间步t下，需要被生成或插补的缺失值，为样本x0中已知且用于估计缺失值的条件观测值；
35、s23、将x0中的所有观测值设置为条件观测值所有缺失值设置为插补生成目标对如下的噪声目标进行采样的同时，通过最小化损失函数来训练条件去噪函数εθ：
36、
37、上式中，为在初始时间段，需要被生成或插补的缺失值；
38、所述最小化损失函数为：
39、
40、上式中，l为需要最小化的损失函数目标，θ为优化过程中需要学习和更新的变量，εθ为从标准正态分布中采样得到的噪声向量，q(x0)为真实的数据分布，为期望运算，ε的维度对应于生成目标的维度。
41、所述s3包括：
42、s31、获取一定量测时间范围内的各时刻的量测数据，采用以下判别公式对各时刻的量测数据进行初步辨识，若时间范围内的某一时刻的量测数据不满足该判别要求，则认为该量测数据为异常数据：
43、|at-μ|＜δσ；
44、上式中，at为t时刻的量测数据，μ为n个时刻量测数据的均值，δ为设置的置信阈值，σ为n个时刻量测数据的标准差；
45、s32、采用以下自相关函数描述异常数据与其他时刻量测数据的相关程度，剔除其中的量测坏数据：
46、
47、上式本文档来自技高网...
【技术保护点】
1.一种有源配电网的多源数据融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种有源配电网的多源数据融合方法，其特征在于，
3.根据权利要求1所述的一种有源配电网的多源数据融合方法，其特征在于，
4.根据权利要求1所述的一种有源配电网的多源数据融合方法，其特征在于，
5.一种有源配电网的多源数据融合系统，其特征在于，所述系统包括条件去噪扩散隐式模型生成模块、条件去噪扩散隐式模型训练模块、多源数据融合模块；
6.根据权利要求5所述的一种有源配电网的多源数据融合系统，其特征在于，
7.根据权利要求5所述的一种有源配电网的多源数据融合系统，其特征在于，
8.根据权利要求5所述的一种有源配电网的多源数据融合系统，其特征在于，
9.一种有源配电网的多源数据融合设备，其特征在于，
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：
【技术特征摘要】
1.一种有源配电网的多源数据融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种有源配电网的多源数据融合方法，其特征在于，
3.根据权利要求1所述的一种有源配电网的多源数据融合方法，其特征在于，
4.根据权利要求1所述的一种有源配电网的多源数据融合方法，其特征在于，
5.一种有源配电网的多源数据融合系统，其特征在于，所述系统包括条件去噪扩散隐式模型生成模块、条件去噪...
【专利技术属性】
技术研发人员：杨洁，舒东胜，张茂松，李亚馨，夏方舟，徐敬友，叶高翔，邵非凡，杨子立，郑子健，彭文彦，
申请(专利权)人：国网湖北省电力有限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。