【技術實現步驟摘要】
本專利技術屬于信息處理，尤其涉及基于電力時序大數據實時清洗的耗能診斷方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、隨著現代社會對電力供應的依賴性不斷增加，電力系統的穩定性和可靠性成為至關重要的問題。電力時序大數據是電力系統監測和運營優化的關鍵組成部分。它包含了有關電力系統各個方面的重要信息，如電流、電壓、頻率、功率、電網負載、設備狀態等。通過分析這些數據，電力公司和重點耗能企業能夠更好地了解電力系統的運行情況，從而采取必要的措施來確保電力供應的連續性和穩定性。因此，電力時序數據的收集和有效處理對于行業分析，決策制定等方面發揮著重要的作用。
3、實時清洗是確保電力時序數據質量的關鍵步驟。質量差的數據，如噪聲、異常值或缺失值，可能會導致錯誤的分析結果和不準確的決策。通過實時清洗，可以識別和處理這些問題，確保數據的準確性和可信度。總之，實時清洗電力時序數據的重要性在于它不僅確保了數據的準確性和可信度，還有助于提高電力系統的穩定性、安全性和效率，從而對電力供應的連續性和可靠性產生積極影響。這使得實時清洗成為電力行業不可或缺的關鍵技術。
4、然而，本公開專利技術人發現由于電力系統的特殊性質和要求，電力時序數據相比于普通的時序數據具有一些特點和差異。這些特點使得一般的清洗數據方法對于電力時序數據處理和分析效果不太顯著。特別是最先進的基于時間序列的dnn方法可以處理某一特定的噪聲，但無法有效處理其他類型的噪聲。此外，在耗能企業的電力時序數據中，
5、同時，在現有的耗能診斷方法中，數據清洗部分用于異常值監測的傳統算法大多數是使用了cnn和rnn，但是這存在局限性，重點耗能企業的電力時序數據存在數據量大、時間周期長的特點。然而，在長時間序列中，傳統的rnn結構對于捕捉長期依賴關系的能力有限。當時間序列較長時，rnn可能難以在較遠的時間步上有效地保留和傳遞信息。這是因為在反向傳播時，梯度會隨著時間的推移而衰減，使得網絡難以將先前時間步的信息傳遞到更遠的時間步，由于電力時序數據的處理存在問題繼而導致后續的耗能診斷存在較大的誤差。
技術實現思路
1、為克服上述現有技術的不足，本專利技術提供了基于電力時序大數據實時清洗的耗能診斷方法，能夠獲得高質量的電力時序大數據，便于后續進行準確的耗能診斷。
2、為實現上述目的，本專利技術的一個或多個實施例提供了如下技術方案：
3、第一方面，公開了基于電力時序大數據實時清洗的耗能診斷方法，包括：
4、獲取重點耗能企業的電力時序數據并存儲至緩沖區；
5、從緩沖區調取所需的重點耗能企業的電力時序數據并進行數據預處理；
6、對預處理后的電力時序數據進行噪聲過濾：使用集成模型e-sense處理多樣化噪音，集成模型e-sense是由多個專家模型組成的集成模型，其中每個專家模型旨在處理特定類型的噪音；
7、對于進行噪聲過濾后的電力時序數據，采用無監督重建模型beatgan-attention進行數據異常檢測并進行耗能診斷分析。
8、作為進一步的技術方案，重點耗能企業的電力時序數據采用分布式緩存redis的方式進行存儲。
9、作為進一步的技術方案，數據預處理后得到的數據表示為x：
10、x＝[x1,x2,…,xn]；
11、其中，xt表示時間步t下的電力數據，n為總時間步，并且xt表述如下：
12、
13、其中，表示在t時間步下的第i個模態的數據，m表示共有m個模態的數據；
14、電力數據的包含的多個模態數據是指：用電量、發電量、電壓、電流、功率、交流電的頻率、電能質量七個模態的數據，其中，電能質量包括諧波、波動、閃爍參數。
15、作為進一步的技術方案，對于集成模型e-sense：新的專家模型可以隨時添加到集成模型e-sense中，以處理新類型的噪音。
16、作為進一步的技術方案，對于集成模型e-sense：
17、e-sense使用修改過的專家混合moe技術生成，moe包括一組專家模型，用{e1、e2、…、ek}表示，每個專家模型都是一個混合深度神經網絡dnn，具有用于預測的自己的一組參數；
18、moe還具有一個門控網絡，用于為輸入x提供各個專家模型的權重，用g(x)＝[g1(x),g2(x),…,gk(x)]表示；
19、用e＝[e1(x),e2(x),…,ek(x)]表示給定輸入x的專家模型的輸出；
20、moe的輸出y計算公式如下：
21、
22、在moe中，g和e在訓練過程中進行更新，其中，moe分別訓練門控網絡和各個專家模型。
23、作為進一步的技術方案，beatgan-attention的對抗重構框架具有三個關鍵組件：編碼器ge(·)、解碼器gd(·)和判別器d(·)，判別器是通過最小化分類誤差來規范重構，為了重構時間序列x，ge(x)將輸入x編碼為代表其重要特征的隱藏向量z，然后gd(z)從隱藏向量z生成時間序列x′，重構目標是：
24、g(x)＝gd(ge(x))
25、作為進一步的技術方案，在beatgan-attention模型中，選擇gru單元作為rnn的實現，gru單元具有兩個門：更新門和重置門，該單元計算隱藏狀態ht，將ht與其對應的時間戳t∈n進行拼接得到ht′公式表示如下：
26、ht′＝concat(ht,t)
27、h′＝[h1′,h2′,…,hn′]，其中在得到h′之后，使用注意力機制對數據進行重構的計算公式如下：
28、q＝eq·h′
29、k＝wk·h′
30、v＝wv·h′
31、其中，eq、ek和ev是可學習的權重矩陣，q、k和v是時序數據h′對應的查詢矩陣、鍵矩陣和值矩陣；
32、
33、其中，是縮放因子，aij表示i時間步對于j時間步下的時間序列數據的關注程度。所以，最終ht被修正為：
34、
35、第二方面，公開了基于電力時序大數據實時清洗的耗能診斷系統，包括：
36、數據采集模塊，其被配置為：獲取重點耗能企業的電力時序數據；
37、數據緩沖與預處理模塊，其被配置為：對獲取的數據存儲至緩沖區；從緩沖區調取所需的重點耗能企業的電力時序數據并進行數據預處理；
38、噪聲過濾模塊，其被配置為：對預處理后的電力時序數據進行噪聲過濾：使用集成模型e-sense處理多樣化噪音，集成模型e-sense是由多個專家模型組成的集成模本文檔來自技高網...
【技術保護點】
1.基于電力時序大數據實時清洗的耗能診斷方法，其特征是，包括：
2.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，重點耗能企業的電力時序數據采用分布式緩存redis的方式進行存儲。
3.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，數據預處理后得到的數據表示為X：
4.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，對于集成模型E-Sense：新的專家模型可以隨時添加到集成模型E-Sense中，以處理新類型的噪音。
5.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，對于集成模型E-Sense：
6.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，BeatGAN-Attention的對抗重構框架具有三個關鍵組件：編碼器GE(·)、解碼器GD(·)和判別器D(·)，判別器是通過最小化分類誤差來規范重構，為了重構時間序列x，GE(x)將輸入x編碼為代表其重要特征的隱藏向量z，然后GD(z)從隱藏向量z生成時間序列
7.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，在BeatGAN-Attention模型中，選擇GRU單元作為RNN的實現，GRU單元具有兩個門：更新門和重置門，該單元計算隱藏狀態ht，將ht與其對應的時間戳t∈N進行拼接得到ht′公式表示如下：
8.基于電力時序大數據實時清洗的耗能診斷系統，其特征是，包括：
9.一種計算機裝置,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現上述權利要求1-7任一所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時執行上述權利要求1-7任一所述方法的步驟。
...【技術特征摘要】
1.基于電力時序大數據實時清洗的耗能診斷方法，其特征是，包括：
2.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，重點耗能企業的電力時序數據采用分布式緩存redis的方式進行存儲。
3.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，數據預處理后得到的數據表示為x：
4.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，對于集成模型e-sense：新的專家模型可以隨時添加到集成模型e-sense中，以處理新類型的噪音。
5.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，對于集成模型e-sense：
6.如權利要求1所述的基于電力時序大數據實時清洗的耗能診斷方法，其特征是，beatgan-attention的對抗重構框架具有三個關鍵組件：編碼器ge(·)、解碼器gd(·)和判別器d(·)，判...
【專利技術屬性】
技術研發人員：樊靜雨，穆聰聰，薛玉靜，劉康旭，牛陽，梁棟，王振坤，姜銳，董瀟，李逸凡，
申請(專利權)人：國網山東省電力公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。