CN116526670A - 面向电力大数据可视化的信息融合方法 - Google Patents

面向电力大数据可视化的信息融合方法 Download PDF

Info

Publication number
CN116526670A
CN116526670A CN202310486210.5A CN202310486210A CN116526670A CN 116526670 A CN116526670 A CN 116526670A CN 202310486210 A CN202310486210 A CN 202310486210A CN 116526670 A CN116526670 A CN 116526670A
Authority
CN
China
Prior art keywords
vector
scheduling
scale
feature vector
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310486210.5A
Other languages
English (en)
Inventor
梅美玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Baoxin Intelligent Equipment Co ltd
Original Assignee
Hangzhou Baoxin Intelligent Equipment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Baoxin Intelligent Equipment Co ltd filed Critical Hangzhou Baoxin Intelligent Equipment Co ltd
Priority to CN202310486210.5A priority Critical patent/CN116526670A/zh
Publication of CN116526670A publication Critical patent/CN116526670A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能融合领域，其具体地公开了一种面向电力大数据可视化的信息融合方法，其基于发电量特征与调度量特征之间的隐含关联，以此来判断电网发电‑调度链条的运转状态是否正常。具体地，基于深度学习的深度神经网络模型模拟并建立发电值和调度值的时序变化之间的隐含关系，采用多尺度领域提取模块，并以此来判断电网发电‑调度链条的运转状态是否正常。这样，能够确保电力***的正常运转，从而保证用户的用电体验。

Description

面向电力大数据可视化的信息融合方法
技术领域
本申请涉及智能融合领域，且更为具体地，涉及一种面向电力大数据可视化的信息融合方法。
背景技术
在电力***中，电网发电和调度是不可或缺的环节。发电量和调度量链条之间的运转将会影响到电力***的运行效率。发电量的发电不当还导致供电能力下降、负荷失衡，而调度量的调度的不当会导致线路产生拥堵情况产生影响。若发电和调度链条运转不当，会影响电力***的正常运转，从而影响用户的用电体验。
因此，期望一种优化的面向电力大数据可视化的信息融合的方案。通过基于使用深度学习算法对电网发电值和调度值之间的隐含关系判断电网发电-调度链条的运转状态是否正常。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种面向电力大数据可视化的信息融合，其基于发电量特征与调度量特征之间的隐含关联，以此来判断电网发电-调度链条的运转状态是否正常。具体地，基于深度学习的深度神经网络模型模拟并建立发电值和调度值的时序变化之间的隐含关系，采用多尺度领域提取模块，并以此来判断电网发电-调度链条的运转状态是否正常。这样，能够确保电力***的正常运转，从而保证用户的用电体验。
相应地，根据本申请的一个方面，提供了一种面向电力大数据可视化的信息融合方法，其包括：
获取预定时间段内多个预定时间点的发电值和调度值；
将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量；
将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量；
将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量；
对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。
在上述面向电力大数据可视化的信息融合方法中，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量，包括：将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述第一多尺度邻域特征提取模块的级联层对所述第一尺度发电值特征向量和所述第二尺度发电值特征向量进行级联以得到所述发电值特征向量。
在上述面向电力大数据可视化的信息融合方法中，将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，包括：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第一尺度发电值特征向量；
其中，所述第一一维卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
在上述面向电力大数据可视化的信息融合方法中，将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，包括：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第二尺度发电值特征向量；
其中，所述第二一维卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
在上述面向电力大数据可视化的信息融合方法中，将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量，包括：将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，其中，所述第三卷积层具有第三长度的第三一维卷积核；将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，其中，所述第四卷积层具有第四长度的第四一维卷积核，所述第三长度不同于所述第四长度；以及，使用所述第二多尺度邻域特征提取模块的级联层对所述第一尺度调度值特征向量和所述第二尺度调度值特征向量进行级联以得到所述调度值特征向量。
在上述面向电力大数据可视化的信息融合方法中，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，包括：使用所述第二多尺度邻域特征提取模块的第三卷积层以如下第三一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第一尺度调度值特征向量；其中，所述第三一维卷积公式为：
其中，c为第一一维卷积核在y方向上的宽度、F(c)为第一一维卷积核参数向量、G(y-c)为与卷积核函数运算的局部向量矩阵，z为第一一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
在上述面向电力大数据可视化的信息融合方法中，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，包括：使用所述第二多尺度邻域特征提取模块的第四卷积层以如下第四一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第二尺度调度值特征向量；其中，所述第四一维卷积公式为：
其中，d为第二一维卷积核在y方向上的宽度、F(d)为第二一维卷积核参数向量、G(y-d)为与卷积核函数运算的局部向量矩阵，n为第二一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
在上述面向电力大数据可视化的信息融合方法中，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量，包括：计算所述发电值特征向量和所述调度值特征向量的每个元素的平均值和标准差；对所述发电值特征向量和所述调度值特征向量的每个元素进行归一化处理以使得所述发电值特征向量的所有元素的均值为0，方差为1且所述调度值特征向量的所有元素的均值为0，方差为1；计算所述所述发电值特征向量和所述调度值特征向量的每两个元素之间的皮尔逊相关系数以得到由多个皮尔逊相关系数组成的所述分类特征向量。
在上述面向电力大数据可视化的信息融合方法中,将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的一种面向电力大数据可视化的信息融合方法及其***，其基于发电量特征与调度量特征之间的隐含关联，以此来判断电网发电-调度链条的运转状态是否正常。具体地，基于深度学习的深度神经网络模型模拟并建立发电值和调度值的时序变化之间的隐含关系，采用多尺度领域提取模块，并以此来判断电网发电-调度链条的运转状态是否正常。这样，能够确保电力***的正常运转，从而保证用户的用电体验。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的面向电力大数据可视化的信息融合方法的流程图。
图2为根据本申请实施例的面向电力大数据可视化的信息融合方法的架构图。
图3为根据本申请实施例的面向电力大数据可视化的信息融合方法中将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量的流程图。
图4为根据本申请实施例的面向电力大数据可视化的信息融合***的框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，电网发电和调度是电力***中的重要环节，发电量的变化将直接影响到电力***的供电能力和负荷平衡，调度的好坏将影响到电力***的负荷均衡、线路拥堵等情况。发电和调度链条之间的运转不当会使电力***的运行效率收到影响，进而影响用户的用电体验。因此，期望一种优化的面向电力大数据可视化的信息融合方法。
具体地，在本申请的应用场景中，考虑到电网发电-调度链条是一个动态的过程，随着时间的推移，发电量和调度量也会发生变化。如果只获取单个时间点的发电值和调度值，可能无法全面地反映电网的实际情况。进一步地，通过获取多个预定时间点的发电值和调度值，还可以更好地捕捉电网的周期性和季节性变化。例如，在夏季，由于气温高、用电量大，电网的负荷较大，因此需要增加发电量和调度量以满足市场需求；而在冬季，电网的负荷相对较小，发电量和调度量也会相应减少。因此，通过获取多个预定时间点的发电值和调度值，可以充分反映电网发电-调度链条的运转状态，更好地理解电网的运行规律和趋势，并做出相应的调整和优化。
近年来，深度学***。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的发电值和调度值。接着，将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量。考虑到发电值是随着时间推移而变化的，将多个预定时间点的发电值按照时间维度排列为发电值输入向量，可以使得时间序列数据保持原始的时间顺序，不会丢失数据的先后关系，可以充分利用连续时间序列数据中的时序信息，更好地反映出电网的周期性和趋势，可以更好地利用时间序列数据的特征信息，并保持数据的时间顺序不变，以便深度学习算法更好地理解数据并提取有用的特征。
然后，考虑到在多尺度领域特征提取是一种有效的特征表示方法。它可以通过对输入数据进行多尺度卷积操作，从不同的空间或时间尺度上提取出数据的局部和全局特征，可以提取不同尺度的特征信息，从而得到更加丰富、全面的特征表示。在本技术方案中，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量，是为了提取发电值的多尺度特征信息。因为电网发电量存在周期性和季节性变化，需要对数据进行多尺度分析才能更好地理解其特征。通过使用多尺度邻域特征提取模块，可以在不同时间尺度上得到不同的发电量特征表示，并将这些特征融合成一个综合的特征向量。这样可以保持特征的完整性，同时也可以降低数据的维度，减少计算复杂度。
接着，考虑到度量也是随着时间推移而变化的，需要按照时间顺序排列数据才能更好地反映出数据的特征和模式。因此。将多个预定时间点的调度值按照时间维度排列为调度值输入向量，是为了保持数据的时间顺序不变，不会丢失数据的先后关系，可以充分利用连续时间序列数据中的时序信息，更好地反映出电网的周期性和趋势，可以更好地利用时间序列数据的特征信息，以便深度学习算法更好地理解数据并提取有用的特征。进一步地，考虑到在多尺度领域特征提取是一种有效的特征表示方法。它可以在不同时间尺度上得到不同的调度量特征表示，并将这些特征融合成一个综合的特征向量，可以更好地捕捉数据中的局部和全局特征，从而得到更加丰富、全面的特征表示。在本技术方案中，将所述调度值输入向量通过第二多尺度邻域特征提取模块以得到调度值特征向量，是为了提取调度值的多尺度特征信息。因为电网调度量存在周期性和季节性变化，需要对数据进行多尺度分析才能更好地理解其特征。通过使用多尺度邻域特征提取模块，可以在不同时间尺度上得到不同的调度量特征表示，并将这些特征融合成一个综合的特征向量。这样可以保持特征的完整性，同时也可以降低数据的维度，减少计算复杂度。
然后，考虑到发电量和调度量之间存在隐含关系，因此，计算所述发电值特征向量与所述调度值特征向量的关联的特征融合是为了将发电量和调度量的特征联系起来，并得到电网发电-调度链条运转状态的分类特征向量，为了更好地理解电网发电-调度链条的运转状态，并实现准确的预测和监测。
进一步地，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。考虑到使用分类器对分类特征向量进行分类，是为了判断电网发电-调度链条的运转状态是否正常。分类器可以将分类特征向量映射到不同的类别标签中，例如正常、异常、故障等等。这样就可以通过分类结果来监测和评估电网的运行状况，并及时采取措施解决问题。具体地，在本技术方案中，采用分类器还可以实现在线监测和实时预测，即及时地对电网的运行状态进行监测和分析。这对于电网的管理和调度非常重要，可以帮助管理人员及时发现并解决潜在问题，保证电网的安全稳定运行。
特别地，在本申请的技术方案中，所述发电值特征向量通过对所述发电值输入向量进行多尺度一维卷积编码得到，而所述调度值特征向量是通过对所述调度值输入向量进行多尺度一维卷积编码得到，虽然所述发电值特征向量和所述调度值特征向量都是通过对输入数据进行多尺度一维卷积编码得到，但是由于所述发电值输入向量和所述调度值输入向量属于不同源数据，即两者在源域上存在数据来源异质性差异，因此，所述发电值特征向量和所述调度值特征向量会呈现出不同的统计性质和分布情况，而在判断电网发电-调度链条的运转状态是否正常的过程中，如果能够更好地描述数据的内在结构和规律，提高数据表示的区分度和表达能力，需要对不同特征之间的相互关系进行考虑。
因此，在本申请的技术方案中，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量。具体地，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量，包括：计算所述发电值特征向量和所述调度值特征向量的每个元素的平均值和标准差；对所述发电值特征向量和所述调度值特征向量的每个元素进行归一化处理以使得所述发电值特征向量的所有元素的均值为0，方差为1且所述调度值特征向量的所有元素的均值为0，方差为1；计算所述所述发电值特征向量和所述调度值特征向量的每两个元素之间的皮尔逊相关系数以得到由多个皮尔逊相关系数组成的所述分类特征向量。
这里，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合有效地利用类概率联合相关的思想，增强了不同特征之间的融合，以在构建两者关联表示时中表达不同特征之间的相互依赖性和相似性，这样将所述发电值特征向量和所述调度值特征向量之间的相互关系进行量化，从而揭示数据中的内在结构和规律，为进一步的数据挖掘提供更为鲁棒的数据表示基础。这样，提高所述分类特征向量通过分类器得到的分类结果的精准度。
基于此，本申请提出了一种面向电力大数据可视化的信息融合方法，其包括：获取预定时间段内多个预定时间点的发电值和调度值；将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量；将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量；将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量；对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的面向电力大数据可视化的信息融合方法的流程图。如图1所示，根据本申请实施例的面向电力大数据可视化的信息融合方法，包括：S110，获取预定时间段内多个预定时间点的发电值和调度值；S120，将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量；S130，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量；S140，将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量；S150，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量；以及，S160，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。
图2为根据本申请实施例的面向电力大数据可视化的信息融合方法的架构图。如图2所示，在该架构中，首先，获取预定时间段内多个预定时间点的发电值和调度值；接着，将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量；然后，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量；同时，将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量；接着，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。
在步骤S110中，获取预定时间段内多个预定时间点的发电值和调度值。考虑到电网发电-调度链条是一个动态的过程，随着时间的推移，发电量和调度量也会发生变化。如果只获取单个时间点的发电值和调度值，可能无法全面地反映电网的实际情况。进一步地，通过获取多个预定时间点的发电值和调度值，还可以更好地捕捉电网的周期性和季节性变化。例如，在夏季，由于气温高、用电量大，电网的负荷较大，因此需要增加发电量和调度量以满足市场需求；而在冬季，电网的负荷相对较小，发电量和调度量也会相应减少。因此，通过获取多个预定时间点的发电值和调度值，可以充分反映电网发电-调度链条的运转状态，更好地理解电网的运行规律和趋势，并做出相应的调整和优化。
在步骤S120中，将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量。考虑到发电值是随着时间推移而变化的，将多个预定时间点的发电值按照时间维度排列为发电值输入向量，可以使得时间序列数据保持原始的时间顺序，不会丢失数据的先后关系，可以充分利用连续时间序列数据中的时序信息，更好地反映出电网的周期性和趋势，可以更好地利用时间序列数据的特征信息，并保持数据的时间顺序不变，以便深度学习算法更好地理解数据并提取有用的特征。
在步骤S130中，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量。考虑到在多尺度领域特征提取是一种有效的特征表示方法。它可以通过对输入数据进行多尺度卷积操作，从不同的空间或时间尺度上提取出数据的局部和全局特征，可以提取不同尺度的特征信息，从而得到更加丰富、全面的特征表示。在本技术方案中，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量，是为了提取发电值的多尺度特征信息。因为电网发电量存在周期性和季节性变化，需要对数据进行多尺度分析才能更好地理解其特征。通过使用多尺度邻域特征提取模块，可以在不同时间尺度上得到不同的发电量特征表示，并将这些特征融合成一个综合的特征向量。这样可以保持特征的完整性，同时也可以降低数据的维度，减少计算复杂度。
具体地，在本申请实施例中，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量，包括：将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述第一多尺度邻域特征提取模块的级联层对所述第一尺度发电值特征向量和所述第二尺度发电值特征向量进行级联以得到所述发电值特征向量。
更具体地，在本申请实施例中，将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，包括：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第一尺度发电值特征向量；
其中，所述第一一维卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
更具体地，在本申请实施例中，将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，包括：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第二尺度发电值特征向量；
其中，所述第二一维卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
在步骤S140中，将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量。考虑到度量也是随着时间推移而变化的，需要按照时间顺序排列数据才能更好地反映出数据的特征和模式。因此。将多个预定时间点的调度值按照时间维度排列为调度值输入向量，是为了保持数据的时间顺序不变，不会丢失数据的先后关系，可以充分利用连续时间序列数据中的时序信息，更好地反映出电网的周期性和趋势，可以更好地利用时间序列数据的特征信息，以便深度学习算法更好地理解数据并提取有用的特征。进一步地，考虑到在多尺度领域特征提取是一种有效的特征表示方法。它可以在不同时间尺度上得到不同的调度量特征表示，并将这些特征融合成一个综合的特征向量，可以更好地捕捉数据中的局部和全局特征，从而得到更加丰富、全面的特征表示。在本技术方案中，将所述调度值输入向量通过第二多尺度邻域特征提取模块以得到调度值特征向量，是为了提取调度值的多尺度特征信息。因为电网调度量存在周期性和季节性变化，需要对数据进行多尺度分析才能更好地理解其特征。通过使用多尺度邻域特征提取模块，可以在不同时间尺度上得到不同的调度量特征表示，并将这些特征融合成一个综合的特征向量。这样可以保持特征的完整性，同时也可以降低数据的维度，减少计算复杂度。
图3为根据本申请实施例的面向电力大数据可视化的信息融合方法中将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量的流程图。如图3所示，将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量，包括：S210，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，其中，所述第三卷积层具有第三长度的第三一维卷积核；S220，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，其中，所述第四卷积层具有第四长度的第四一维卷积核，所述第三长度不同于所述第四长度；以及，S230，使用所述第二多尺度邻域特征提取模块的级联层对所述第一尺度调度值特征向量和所述第二尺度调度值特征向量进行级联以得到所述调度值特征向量。
更具体地，在本申请实施例中，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，包括：使用所述第二多尺度邻域特征提取模块的第三卷积层以如下第三一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第一尺度调度值特征向量；其中，所述第三一维卷积公式为：
其中，c为第一一维卷积核在y方向上的宽度、F(c)为第一一维卷积核参数向量、G(y-c)为与卷积核函数运算的局部向量矩阵，z为第一一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
更具体地，在本申请实施例中，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，包括：使用所述第二多尺度邻域特征提取模块的第四卷积层以如下第四一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第二尺度调度值特征向量；其中，所述第四一维卷积公式为：
其中，d为第二一维卷积核在y方向上的宽度、F(d)为第二一维卷积核参数向量、G(y-d)为与卷积核函数运算的局部向量矩阵，n为第二一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
在步骤S150中，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量。考虑到发电量和调度量之间存在隐含关系，因此，计算所述发电值特征向量与所述调度值特征向量的关联的特征融合是为了将发电量和调度量的特征联系起来，并得到电网发电-调度链条运转状态的分类特征向量，为了更好地理解电网发电-调度链条的运转状态，并实现准确的预测和监测。
特别地，在本申请的技术方案中，所述发电值特征向量通过对所述发电值输入向量进行多尺度一维卷积编码得到，而所述调度值特征向量是通过对所述调度值输入向量进行多尺度一维卷积编码得到，虽然所述发电值特征向量和所述调度值特征向量都是通过对输入数据进行多尺度一维卷积编码得到，但是由于所述发电值输入向量和所述调度值输入向量属于不同源数据，即两者在源域上存在数据来源异质性差异，因此，所述发电值特征向量和所述调度值特征向量会呈现出不同的统计性质和分布情况，而在判断电网发电-调度链条的运转状态是否正常的过程中，如果能够更好地描述数据的内在结构和规律，提高数据表示的区分度和表达能力，需要对不同特征之间的相互关系进行考虑。因此，在本申请的技术方案中，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量。
具体地，在本申请实施例中，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量，包括：计算所述发电值特征向量和所述调度值特征向量的每个元素的平均值和标准差；对所述发电值特征向量和所述调度值特征向量的每个元素进行归一化处理以使得所述发电值特征向量的所有元素的均值为0，方差为1且所述调度值特征向量的所有元素的均值为0，方差为1；计算所述所述发电值特征向量和所述调度值特征向量的每两个元素之间的皮尔逊相关系数以得到由多个皮尔逊相关系数组成的所述分类特征向量。
在步骤S160中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。考虑到使用分类器对分类特征向量进行分类，是为了判断电网发电-调度链条的运转状态是否正常。分类器可以将分类特征向量映射到不同的类别标签中，例如正常、异常、故障等等。这样就可以通过分类结果来监测和评估电网的运行状况，并及时采取措施解决问题。具体地，在本技术方案中，采用分类器还可以实现在线监测和实时预测，即及时地对电网的运行状态进行监测和分析。这对于电网的管理和调度非常重要，可以帮助管理人员及时发现并解决潜在问题，保证电网的安全稳定运行。
具体地，在本申请实施例中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的面向电力大数据可视化的信息融合方法被阐明，其基于发电量特征与调度量特征之间的隐含关联，以此来判断电网发电-调度链条的运转状态是否正常。具体地，基于深度学习的深度神经网络模型模拟并建立发电值和调度值的时序变化之间的隐含关系，采用多尺度领域提取模块，并以此来判断电网发电-调度链条的运转状态是否正常。这样，能够确保电力***的正常运转，从而保证用户的用电体验。
示例性***
图4为根据本申请实施例面向电力大数据可视化的信息融合***的框图。如图4所示，根据本申请实施例的面向电力大数据可视化的信息融合***100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的发电值和调度值；时序排列模块120，用于将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量；发电特征提取模块130，用于将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量；调度特征提取模块140，用于将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量；融合模块150，用于对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量；以及，分类结果生成模块160，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，所述发电特征提取模块，用于：第一尺度发电值特征单元，用于将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度发电值特征单元，用于将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，发电值特征提取单元，用于使用所述第一多尺度邻域特征提取模块的级联层对所述第一尺度发电值特征向量和所述第二尺度发电值特征向量进行级联以得到所述发电值特征向量。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，所述第一尺度发电值特征单元，用于：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第一尺度发电值特征向量；其中，所述第一一维卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，所述第二尺度发电值特征单元，用于：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第二尺度发电值特征向量；其中，所述第二一维卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，所述调度特征提取模块，用于：第一尺度调度值特征提取单元，用于将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，其中，所述第三卷积层具有第三长度的第三一维卷积核；第二尺度调度值特征提取单元，用于将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，其中，所述第四卷积层具有第四长度的第四一维卷积核，所述第三长度不同于所述第四长度；以及，调度值特征提取单元，用于使用所述第二多尺度邻域特征提取模块的级联层对所述第一尺度调度值特征向量和所述第二尺度调度值特征向量进行级联以得到所述调度值特征向量。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，第一尺度调度值特征提取单元,包括：使用所述第二多尺度邻域特征提取模块的第三卷积层以如下第三一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第一尺度调度值特征向量；其中，所述第三一维卷积公式为：
其中，c为第一一维卷积核在y方向上的宽度、F(c)为第一一维卷积核参数向量、G(y-c)为与卷积核函数运算的局部向量矩阵，z为第一一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，第二尺度调度值特征提取单元，包括：使用所述第二多尺度邻域特征提取模块的第四卷积层以如下第四一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第二尺度调度值特征向量；其中，所述第四一维卷积公式为：
其中，d为第二一维卷积核在y方向上的宽度、F(d)为第二一维卷积核参数向量、G(y-d)为与卷积核函数运算的局部向量矩阵，n为第二一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，所述融合模块，包括：计算所述发电值特征向量和所述调度值特征向量的每个元素的平均值和标准差；对所述发电值特征向量和所述调度值特征向量的每个元素进行归一化处理以使得所述发电值特征向量的所有元素的均值为0，方差为1且所述调度值特征向量的所有元素的均值为0，方差为1；计算所述所述发电值特征向量和所述调度值特征向量的每两个元素之间的皮尔逊相关系数以得到由多个皮尔逊相关系数组成的所述分类特征向量。
在一个示例中，在上述面向电力大数据可视化的信息融合***中，所述分类结果生成模块,包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的面向电力大数据可视化的信息融合***被阐明，其基于发电量特征与调度量特征之间的隐含关联，以此来判断电网发电-调度链条的运转状态是否正常。具体地，基于深度学习的深度神经网络模型模拟并建立发电值和调度值的时序变化之间的隐含关系，采用多尺度领域提取模块，并以此来判断电网发电-调度链条的运转状态是否正常。这样，能够确保电力***的正常运转，从而保证用户的用电体验。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的面向电力大数据可视化的信息融合方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如发电值、调度值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的面向电力大数据可视化的信息融合方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的面向电力大数据可视化的信息融合方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

Claims (9)

1.一种面向电力大数据可视化的信息融合方法，其特征在于，包括：
获取预定时间段内多个预定时间点的发电值和调度值；
将所述多个预定时间点的发电值按照时间维度排列为发电值输入向量；
将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量；
将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量；
对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常。
2.根据权利要求1所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述发电值输入向量通过第一多尺度邻域特征提取模块以得到发电值特征向量，包括：
将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
使用所述第一多尺度邻域特征提取模块的级联层对所述第一尺度发电值特征向量和所述第二尺度发电值特征向量进行级联以得到所述发电值特征向量。
3.根据权利要求2所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度发电值特征向量，包括：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第一尺度发电值特征向量；
其中，所述第一一维卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
4.根据权利要求3所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述发电值输入向量输入所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度发电值特征向量，包括：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二一维卷积公式对所述发电值输入向量进行一维卷积编码以得到所述第二尺度发电值特征向量；
其中，所述第二一维卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述发电值输入向量，Cov(X)为对发电值输入向量进行一维卷积编码。
5.根据权利要求4所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述多个预定时间点的调度值按照时间维度排列为调度值输入向量后通过第二多尺度邻域特征提取模块以得到调度值特征向量，包括：
将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，其中，所述第三卷积层具有第三长度的第三一维卷积核；
将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，其中，所述第四卷积层具有第四长度的第四一维卷积核，所述第三长度不同于所述第四长度；以及
使用所述第二多尺度邻域特征提取模块的级联层对所述第一尺度调度值特征向量和所述第二尺度调度值特征向量进行级联以得到所述调度值特征向量。
6.根据权利要求5所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第三卷积层以得到第一尺度调度值特征向量，包括：使用所述第二多尺度邻域特征提取模块的第三卷积层以如下第三一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第一尺度调度值特征向量；
其中，所述第三一维卷积公式为：
其中，c为第一一维卷积核在y方向上的宽度、F(c)为第一一维卷积核参数向量、G(y-c)为与卷积核函数运算的局部向量矩阵，z为第一一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
7.根据权利要求6所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述调度值输入向量输入所述第二多尺度邻域特征提取模块的第四卷积层以得到第二尺度调度值特征向量，包括：使用所述第二多尺度邻域特征提取模块的第四卷积层以如下第四一维卷积公式对所述调度值输入向量进行一维卷积编码以得到所述第二尺度调度值特征向量；
其中，所述第四一维卷积公式为：
其中，d为第二一维卷积核在y方向上的宽度、F(d)为第二一维卷积核参数向量、G(y-d)为与卷积核函数运算的局部向量矩阵，n为第二一维卷积核的尺寸，Y表示所述调度值输入向量，Cov(Y)为对调度值输入向量进行一维卷积编码。
8.根据权利要求7所述的面向电力大数据可视化的信息融合方法，其特征在于，对所述发电值特征向量和所述调度值特征向量进行基于异质类特征关联的特征融合以得到所述分类特征向量，包括：计算所述发电值特征向量和所述调度值特征向量的每个元素的平均值和标准差；对所述发电值特征向量和所述调度值特征向量的每个元素进行归一化处理以使得所述发电值特征向量的所有元素的均值为0，方差为1且所述调度值特征向量的所有元素的均值为0，方差为1；计算所述所述发电值特征向量和所述调度值特征向量的每两个元素之间的皮尔逊相关系数以得到由多个皮尔逊相关系数组成的所述分类特征向量。
9.根据权利要求8所述的面向电力大数据可视化的信息融合方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电网发电-调度链条的运转状态是否正常，包括：
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310486210.5A 2023-04-27 2023-04-27 面向电力大数据可视化的信息融合方法 Pending CN116526670A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310486210.5A CN116526670A (zh) 2023-04-27 2023-04-27 面向电力大数据可视化的信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310486210.5A CN116526670A (zh) 2023-04-27 2023-04-27 面向电力大数据可视化的信息融合方法

Publications (1)

Publication Number Publication Date
CN116526670A true CN116526670A (zh) 2023-08-01

Family

ID=87404256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310486210.5A Pending CN116526670A (zh) 2023-04-27 2023-04-27 面向电力大数据可视化的信息融合方法

Country Status (1)

Country Link
CN (1) CN116526670A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975728A (zh) * 2023-08-07 2023-10-31 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于煤层气钻井工程的安全管理方法及其***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975728A (zh) * 2023-08-07 2023-10-31 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于煤层气钻井工程的安全管理方法及其***
CN116975728B (zh) * 2023-08-07 2024-01-26 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于煤层气钻井工程的安全管理方法及其***

Similar Documents

Publication Publication Date Title
CN112069795B (zh) 基于掩码语言模型的语料检测方法、装置、设备及介质
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理***
CN115783923B (zh) 基于大数据的电梯故障模式识别***
CN115827257B (zh) 用于处理器体系的cpu容量预测方法及其***
CN116151845A (zh) 基于工业物联网技术的产品全生命周期管理***及其方法
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及***
CN116526670A (zh) 面向电力大数据可视化的信息融合方法
Lin et al. Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
CN117093477A (zh) 一种软件质量评估方法、装置、计算机设备及存储介质
CN116843216A (zh) 一种指标预警方法、装置、计算机设备及存储介质
CN117495421A (zh) 基于电力通信网建设的电网通信工程造价预测方法
CN117421655A (zh) 工业互联网数据流异常检测方法及***
CN117744855A (zh) 基于机器学习的负荷预测***及方法
CN117094651A (zh) 一体化储能管理***及能量管理方法
Pisica et al. Feature selection filter for classification of power system operating states
CN116128250A (zh) 面向现货市场的售电偏差管理方法及其***
CN115905715A (zh) 基于大数据和人工智能的互联网数据分析方法和平台
CN113704407B (zh) 基于类别分析的投诉量分析方法、装置、设备及存储介质
Shen et al. Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks
Yu et al. Interpretable data‐driven contingency classification for real‐time corrective security‐constrained economic dispatch
Indhumathy et al. Performance of k-Nearest Neighbor and Gated Recurrent Unit in Stock Market
Yassaie et al. A recommender system for human operators in industrial automation
KR102664053B1 (ko) 기계학습 기반 선로부하 예측모델 해석 장치 및 방법
CN118035731B (zh) 用电安全监测预警方法及服务***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination