CN117150231B - 基于相关性和生成对抗网络的量测数据填补方法与*** - Google Patents

基于相关性和生成对抗网络的量测数据填补方法与*** Download PDF

Info

Publication number
CN117150231B
CN117150231B CN202311404185.8A CN202311404185A CN117150231B CN 117150231 B CN117150231 B CN 117150231B CN 202311404185 A CN202311404185 A CN 202311404185A CN 117150231 B CN117150231 B CN 117150231B
Authority
CN
China
Prior art keywords
data
power grid
correlation
network
grid measurement
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.)
Active
Application number
CN202311404185.8A
Other languages
English (en)
Other versions
CN117150231A (zh
Inventor
蔡榕
杨雪
姜学宝
闪鑫
庄卫金
陈中
吕洋
邹铁
金郅涵
罗玉春
赵奇
吴海伟
马明明
田江
冯秋侠
丁宏恩
李彧
李春
刘静
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.)
State Grid Corp of China SGCC
Nanjing Institute of Technology
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Energy Research Institute Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Nanjing Institute of Technology
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Energy Research Institute Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power 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 State Grid Corp of China SGCC, Nanjing Institute of Technology, Southeast University, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd, State Grid Energy Research Institute Co Ltd, State Grid Electric Power Research Institute, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311404185.8A priority Critical patent/CN117150231B/zh
Publication of CN117150231A publication Critical patent/CN117150231A/zh
Application granted granted Critical
Publication of CN117150231B publication Critical patent/CN117150231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于相关性和生成对抗网络的量测数据填补方法与***，用相关性分析法提取电网量测目标数据的多维特征数据集；用核主成分分析法得到降维特征数据集；基于生成对抗网络构建包括生成器和判别器的数据填补网络，生成器输入降维特征数据集与随机噪声数据集并输出预测数据集，判别器用相关性分析法提取强相关性样本并用Wasserstein距离损失函数计算预测数据集与强相关性样本的距离，距离小于阈值时以预测数据集填补电网量测目标数据中缺失数据，距离不小于阈值时利用预测数据集和强相关性样本对数据填补网络训练，距离小于距离阈值时以训练好的数据填补网络的预测数据填补电网量测目标数据中的缺失数据。本发明提高电网缺失数据填补准确度。

Description

基于相关性和生成对抗网络的量测数据填补方法与***
技术领域
本发明属于电力***调度控制领域，具体涉及一种基于相关性和生成对抗网络的新型电力***环境下多元设备量测数据缺失填补方法及***。
背景技术
以新能源为主体的新型电力***建设加快推进，地区电网作为能源使用的重要主体，已成为新型电力***的主要建设方向。新型电力***呈现新能源高比例渗透、电力电子设备规模化应用、分布式可调资源广泛接入、设备异构化、电网多形态等新特征。但是，在新型电力***中，由于设备类型多，分布广，差异大，导致电网量测数据采集不确定性增加，数据随机缺失率升高，难以满足城市电网对电力数据进行精细化分析决策的需求。
在新型电力***中，由于设备类型多，分布广，差异大，导致电网量测数据采集不确定性增加，数据随机缺失率升高，难以满足城市电网对电力数据进行精细化分析决策的需求。通过增加采集装置、调整采集频率、提高信道质量、优化通信机制等方法虽能解决数据缺失问题，但此类传统方法综合成本高，建设周期长，施工难度大。因此，以采集的量测数据为研究对象，开展缺失数据填补方法研究，提升电网数据完整性和可用性就成为了电力***领域的一个重要研究方向。
现有技术中，长短期记忆网络和生成对抗网络（Generative AdversarialNetwork，GAN）被用于重构电力***量测缺失数据。针对电网中的光伏数据，也可以利用GAN处理缺失数据。但是由于新型电力***中强随机性、波动性的新能源大规模并网，电动汽车、分布式电源等交互式设备大量接入，以及噪声干扰、网络延迟等复杂因素的影响，使得电网数据特征类型更加多样化，且缺失数据分布范围更大。上述研究主要基于缺失数据本身的特征进行数据填补，很少利用多种相关性特征解决数据缺失问题。但新型电力***中的多元化电力设备存在时间、地域、采样周期等数据差异，电压、谐波、有功功率、无功功率、电量等电网多维特征之间关联性更加复杂紧密。仅根据缺失数据本身的单特征进行填补不能保证数据完整性和真实性，从而影响电力***精细化分析、准确判断、新能源消纳评估和负荷调节能力，难以满足城市电网高质量发展需求。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于相关性和生成对抗网络的量测数据填补方法与***，解决了新型电力***环境下多元设备量测数据缺失给基础数据预处理和电力数据精细化分析决策带来的问题，提高电网数据缺失值的填补准确度。
本发明采用如下的技术方案。
本发明提出了一种基于相关性和生成对抗网络的量测数据填补方法，电力***数据包括N种类型的电网量测数据，以任一类电网量测数据作为电网量测目标数据；方法包括：
基于相关性分析方法，计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；
基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；
基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于Wasserstein距离损失函数计算预测数据集与强相关性样本之间的距离；
以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
优选地，以电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间的协方差服从幂律分布时，获取幂律分布的系数作为电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数。
优选地，当幂律分布的系数小于等于零时，电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间不相关；当幂律分布的系数大于零时，电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间相关。
优选地，关联系数阈值为0.8。
优选地，生成器包括多个第一全连接层单元，判别器包括多个第二全连接层单元；生成器和判别器中全连接层单元的数量一致，并且根据数据缺失率调整；
当数据缺失率小于50%时，生成器和判别器中全连接层单元的数量均为4；
当数据缺失率不小于50%时，生成器和判别器中全连接层单元的数量大于4。
优选地，生成器中的每个第一全连接层单元的激活函数均采用Relu函数，
第一全连接层单元根据降维特征数据和随机噪声数据，输出多种类型的电网设备量测数据的预测值，构成预测数据集。
优选地，判别器中最后一个第二全连接层单元的激活函数采用sigmoid函数，其余的第二全连接层单元的激活函数均采用Relu函数。
优选地，采用Relu函数的第二全连接层单元采用相关性分析方法，计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成强相关性样本。
优选地，采用sigmoid函数的第二全连接层单元采用Wasserstein距离损失函数计算预测数据与强相关性样本之间的距离，并判断所述距离与设定距离阈值之间的关系：
当距离小于设定距离阈值时，判定预测数据具有真实性，并进入步骤4；
当距离不小于设定距离阈值时，判定预测数据不具有真实性，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练，直到距离小于距离阈值时迭代训练结束。
优选地，距离阈值为0.8。
优选地，生成器和判别器均采用最大最小目标函数，如下所示：
式中，
G是生成器，D是判别器，z是随机噪声，r是真实数据，
表示从分布/>中采样r，/>表示从分布/>中采样z，
表示判别器D的训练目标是函数V取值最大化，而生成器G的训练目标是函数V取值最小化，
为判别器目标函数，/>为生成器目标函数，
为生成器生成得到的预测数据送入判别器，判别器对预测数据是否真实的预测概率；
在迭代训练过程中，通过调整生成器G的参数达到最小化；通过调整判别器D的参数，/>也达到最小化。
优选地，Wasserstein距离损失函数满足如下关系式：
式中，
和/>分别为预测数据的时间序列和强相关性样本的时间序列，
是以/>和/>为边缘分布的联合概率分布/>的集合，
为分布/>的期望的下确界，表示将/>拟合到/>需要将x移动到y的距离，
为从x点转移到y点从而让x、y服从联合概率分布/>的数学期望，
为x和y模，
表示最大下界。
优选地，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练之前，对预测数据集和强相关性样本进行Z-score标准化处理，以标准化后的数据对数据填补网络的参数进行迭代训练。
本发明还提出了一种基于相关性和生成对抗网络的量测数据填补***，包括：多维特征提取模块，降维处理模块，数据填补模块；
多维特征提取模块，用于基于相关性分析方法，计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；
降维处理模块，用于基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；
数据填补模块，用于基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于Wasserstein距离损失函数计算预测数据集与强相关性样本之间的距离，当距离小于距离阈值时以数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
数据填补模块，还用于当距离不小于距离阈值时，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练，直到距离小于距离阈值时迭代训练结束；以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
本发明的有益效果在于，与现有技术相比，本发明针对配电管理***（Distribution Management System，DMS）中的设备量测数据预处理过程中出现的数据缺失问题，采用相关性分析方法，先从电网量测数据中提取与缺失数据具有强关联性的多维特征数据，排除不相关的电网量测数据的干扰；采用核主成分分析方法对多维特征数据集进行降维映射，为数据填补网络提供输入数据；最后提出将相关性分析方法融合于生成对抗网络（Wasserstein GAN，WGAN）以生成数据填补网络（Wasserstein GenerativeAdversarial Network based on Correlation Analysis，WGAN-CA），根据输入数据得到预测数据、并且识别预测数据的真实性，充分发挥生成对抗网络参数训练特性，提高预测数据的真实性，然后以预测数据实现缺失数据填补，提升量测数据的完整性和可用性，为电力***高效运行及故障排除提供高质量数据基础。
本发明提出的方法与传统数据填补方法相比，数据填补精度方面具有优势，特别在数据连续缺失和缺失量较大时，该方法的方法效果更佳，更适于新型电力***复杂的数据环境。
附图说明
图1是本发明提出的基于相关性和生成对抗网络的量测数据填补方法的流程图；
图2是本发明实施例中将相关性分析方法融合于生成对抗网络得到的数据填补网络WGAN-CA的结构图；
图3是本发明实施例中基于WGAN-CA的缺失数据填补流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明的保护范围。
本发明提出了一种基于相关性分析和生成对抗网络的新型电力***设备量测缺失数据填补的方法，电力***数据包括N种类型的电网量测数据，电网量测数据包括但不限于电压、电流、有功功率，如图1所示，包括如下步骤：
步骤1，基于相关性分析方法，计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集。
具体地，首先获取N类电网量测数据；以任一类电网量测数据作为电网量测目标数据时，基于相关性分析方法，以电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间的协方差服从幂律分布时，获取幂律分布的系数作为电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数。在非限制性的较优实施例中，为了从某电网多种类型量测数据中提取强相关性特征，采用FCCA（FasterCanonical Correlation Analysis，快速典型相关分析）方法作为关联系数的提取方法，从而获得与缺失数据关联性较强的多维特征数据，包括：
设两种类型的电网量测数据的时间序列分别为、/>，其中i=1,2,…,n，n为时间序列中量测数据的总数，以如下关系式计算各序列的离差和：
式中，
、/>分别为时间序列/>、/>的离差和，
、/>分别为时间序列/>、/>中的第i个电网量测数据，
、/>分别为时间序列/>、/>中各电网量测数据的平均值，
。
以时间序列的前向差分代表时间序列自相关性，以如下关系式计算前向差分：
式中，
、/>分别为时间序列/>、/>的前向差分，
、/>分别为l o +l时刻时间序列/>、/>中的电网量测数据，
、/>分别为l o 时刻时间序列/>、/>中的电网量测数据，
。
以如下关系式计算两个时间序列的协方差：
式中，
为两个时间序列的协方差，
、/>分别为时间序列/>、/>的平均前向差分，
、/>分别为时间序列/>、/>前向差分误差，
两个时间序列存在关联性时，服从幂律分布/>，其中，/>为求幂指数，m/>，/>为时间序列/>、/>的关联系数。当/>=0时，时间序列/>与无关；当/><0时，时间序列/>与/>呈现负相关；当/>>0时，时间序列/>与/>呈现正相关。/>数值越大，两个时间序列之间的相关性越强。
当幂律分布的系数小于等于零时，电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间不相关；当幂律分布的系数大于零时，电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间相关。
与传统电力***相比，新型电力***电网数据特征类型更加多样化，电网数据特征也各不相同。若将电网数据直接送入网络训练，训练效率较低且容易欠拟合。因此，将筛选出与所分析数据类型具有强相关性的多维特征作为输入，可以有效提高数据填补精度。根据融合FCCA的电网数据多维特征提取方法，可提取与缺失数据类型高度相关的多维特征，作为缺失数据填补网络的输入。
快速典型相关分析方法可以计算电力***中多种类型量测数据序列之间的关联系数，从而选取具有强相关性的数据类型作为多维特征，开展缺失数据填补分析。本发明针对配电管理***（Distribution Management System，DMS）中的设备量测数据预处理过程中出现的数据缺失问题，采用相关性分析方法，先从电网量测数据中提取与缺失数据具有强关联性的多维特征数据，排除不相关的电网量测数据的干扰。而且，在数据连续缺失和缺失量较大时，不会对幂律分布的系数产生影响，这使得通过关联系数来排除不相关的电网量测数据的干扰的效果更佳。
具体地，从其余N-1类电网量测数据中提取关联系数大于设定阈值的多类电网量测系数，构成电网量测目标数据的多维特征数据集。在非限制性的较优实施例中，设有N种类型的电网量测数据（如电压、电流、有功功率等），分别表示为。采用FCCA法分别计算/>与/>之间的关联系数/>、/>、……、/>，并将关联系数降序排列。根据精度要求确定关联系数阈值，一般设为0.8，关联系数大于关联系数阈值的电网量测数据被提取为与/>有强相关性的多维特征。
步骤2，基于核主成分分析（kernel principal component analysis，KPCA）法，对多维特征数据集进行降维映射，得到降维特征数据集。
在非限制性的较优实施例中，用表示N种类型的电网量测数据样本构成的输入空间，/>。设映射函数为/>，核函数通过映射函数/>实现/>的映射，由此输入空间映射得到特征空间数据满足中心化的条件为：
式中，
为选取的参考数据集/>中第/>个数据，
为参考数据集的数学期望，
为/>映射到高维空间的样本。
特征空间的协方差矩阵C为：
式中，为选取的参考数据集，M为参考数据集的数学期望。
设协方差矩阵C的特征值为，特征向量为/>，则可得：
即有：
式中，
为参考数据集/>中第v个数据，
为/>映射到高维空间的样本，
所有特征向量表示为/>、/>、…、/>的线性张成，满足如下关系式：
式中，
表示/>、/>、…、/>，
为构造系数。
因此得到：
式中，
为/>映射到高维空间的样本，k=1,2,…,M，
定义MM维核矩阵为：
式中，为M/>M维核矩阵。
求解得到核矩阵特征值及特征向量，作为电网量测数据样本构成的输入空间在特征空间的投影。经过KPCA算法处理后，电网量测数据集被映射为降维特征数据集，降维特征数据集作为WGAN-CA网络的输入数据，便于进一步分析与辨识。
步骤3，基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于Wasserstein距离损失函数计算预测数据集与强相关性样本之间的距离，当距离小于距离阈值时进入步骤4，当距离不小于距离阈值时，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练，直到距离小于距离阈值时迭代训练结束。
具体地，将相关性分析方法融合于生成对抗网络（Wasserstein GAN，WGAN）以生成数据填补网络（Wasserstein Generative Adversarial Network based on CorrelationAnalysis，WGAN-CA），根据输入数据得到预测数据、并且识别预测数据的真实性，充分发挥生成对抗网络参数训练特性，提高预测数据的真实性，然后以预测数据实现缺失数据填补，提升量测数据的完整性和可用性，为电力***高效运行及故障排除提供高质量数据基础。
具体地，生成器包括多个第一全连接层单元，判别器包括多个第二全连接层单元；生成器和判别器中全连接层单元的数量一致，并且根据数据缺失率调整；
当数据缺失率小于50%时，生成器和判别器中全连接层单元的数量均为4；
当数据缺失率不小于50%时，生成器和判别器中全连接层单元的数量大于4。
本发明提出的方法中通过对数据填补网络中生成器和判别器中全连接层单元的数量的调整，适应不同数据缺失率的要求，不仅能够提高数据填补精度，而且能够适应数据连续缺失和缺失量较大的场合，更适于新型电力***复杂的数据环境。
生成器包括多个第一全连接层单元，第一全连接层单元根据降维特征数据和随机噪声数据，输出多种类型的电网设备量测数据的预测值，构成预测数据集。在非限制性的较优实施例中，在生成器中，输入降维特征数据和随机噪声数据，通过第一全连接层单元生成预测数据，预测数据为多种类型的电网设备量测数据的预测值。在判别器中，首先通过相关性分析方法选出与电网量测目标数据中的待填补数据具有强相关性样本数据，再将选出的样本数据和预测数据一起输入判别器。经判别器中4个第二全连接层单元的特征分析后，基于Wasserstein距离损失函数计算预测数据与强相关性样本之间的距离，当距离小于设定距离阈值时，判定预测数据具有真实性，不满足真实性要求的预测数据将会送回生成器和判别器作为网络参数优化的依据。
在非限制性的较优实施例中，如图2所示，生成器中第一全连接层单元的数量根据数据缺失率调整，当数据缺失率低于50%时输入数据经过4层第一全连接层单元后输出预测数据，每个第一全连接层的激活函数均采用Relu函数，以提高网络训练的效率。判别器包括4个第二全连接层单元，前3个第二全连接层单元的激活函数均采用Relu函数，第4个第二全连接层单元的激活函数采用sigmoid函数。判别器最后输出的是一个概率值，用来判断预测数据的真实性，因此使用sigmoid函数来提高填补数据的精度。本发明提出的方法与传统数据填补方法相比，数据填补精度方面具有优势，特别在数据连续缺失和缺失量较大时，该方法的方法效果更佳，更适于新型电力***复杂的数据环境。
在WGAN-CA网络中，生成器和判别器均采用最大最小目标函数，如下所示：
式中，
G是生成器，D是判别器，z是随机噪声，r是真实数据，表示从分布/>中采样r，/>表示从分布/>中采样z，
表示判别器D的训练目标是函数V取值最大化，而生成器G的训练目标是函数V取值最小化，
为判别器目标函数，
为生成器目标函数，
为生成器生成得到的预测数据送入判别器，判别器对预测数据是否真实的预测概率。
具体地，在训练过程中，通过调整生成器G的参数达到最小化；通过调整判别器D的参数，/>也达到最小化。生成器和判别器之间的对抗过程不断继续，直到达到平衡，生成器不能再被训练和优化。
具体地，在优化过程中，不满足真实性要求的预测数据将会送回生成器和判别器作为网络参数优化的依据，为了提高训练进程指标的可靠性，同时解决训练不稳定的问题，WGAN-CA网络中使用Wasserstein距离损失函数指示训练进程，不断调整生成器和判别器中的网络参数。
式中，和/>分别为预测数据序列和强相关性样本序列；/>是以/>和为边缘分布的联合概率分布/>的集合；/>为分布/>的期望的下确界，表示将/>拟合到/>需要将x移动到y的距离，/>为从x点转移到y点从而让x、y服从联合概率分布/>的数学期望，/>表示最大下界，/>为x和y模。
数值越小，预测数据序列和强相关性样本序列越接近，训练效果就越好。生成器和判别器之间不断对抗优化，直至达到平衡，最终生成符合实际分布的电网量测数据序列。
进一步，为了消除数据之间不同量纲对网络训练效率的影响，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练之前，对预测数据集和强相关性样本进行Z-score标准化处理，以标准化后的数据对数据填补网络的参数进行迭代训练。Z-score标准化能有效避免处理结果较为接近且容易趋于零的问题，使标准化的数据处于标准正态分布中，突出不同特征对缺失数据的影响，有利于提高特征选择效果。因此采用下式对预测数据集和强相关性样本进行Z-score标准化处理：
其中：是原始数值，/>是标准化后的数值，/>为/>对应特征的平均值，/>为/>对应特征所有数的标准差。
训练判别器时，首先生成一个符合高斯分布的随机噪声向量来填补缺失数据，与真实数据构成训练数据集。然后，基于FCCA相关分析从历史数据中获得待填补数据的强相关性数据序列。接着为了提升网络的训练效率，采用KPCA算法对训练集进行降维处理，并将降维后的训练集输入生成器并生成数据，并根据目标数据得出判别器的损失值。训练生成器时，停止判别器更新网络权重，并计算生成器的损失值，更新网络权重。为了提高训练效率，要按照先更新判别器网络，再更新生成器网络的顺序。
本发明还提出了一种基于相关性和生成对抗网络的量测数据填补***，包括：多维特征提取模块，降维处理模块，数据填补模块；
多维特征提取模块，用于基于相关性分析方法，计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；
降维处理模块，用于基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；
数据填补模块，用于基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于Wasserstein距离损失函数计算预测数据集与强相关性样本之间的距离，当距离小于距离阈值时以数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据；当距离不小于距离阈值时，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练，直到距离小于距离阈值时迭代训练结束；以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
以江苏省苏州市区域电网调控软件***运行为例，如图3所示，首先获取***中的电力***多源负载设备量测数据，包括分布式光伏、电动汽车充电桩、可调节负载等设备的电压、电流、有功功率、无功功率、电量、电阻、电抗、功率因素等数据。之后，结合本发明所提出的新型电力***中设备量测缺失数据填补***架构，对某种量测数据开展相关性分析，筛选出与该类型数据具有强相关性的数据类型作为多维特征，并对参与计算的数据进行标准化处理；经和主成分降为处理后，将多种数据输入提出的WGAN-CA网络，对抗生成复合实际特征的数据序列，填补电网缺失数据，提升新型电网设备量测数据的完整性和可靠性。设有N种类型的电网量测数据（如电压、电流、有功功率等），其中有一个类型（如电压）的数据序列中存在缺失数据。首先基于FCCA筛选出与P类型有强相关性的M个数据类型（如电流、有功功率等）的序列/>。然后对/>、/>进行标准化处理。接着将它们经KPCA降维处理后共同输入WGAN-CA，经判别器和生成器不断训练Wasserstein距离损失函数。最后生成与/>真实数据序列一致的输出，完成对/>中缺失数据的填补。因此可以实现对缺失数据进行判断和填补。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、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）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种基于相关性和生成对抗网络的量测数据填补方法，电力***数据包括N种类型的电网量测数据，以任一类电网量测数据作为电网量测目标数据；其特征在于，所述方法包括：
以电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间的协方差服从幂律分布时，获取幂律分布的系数作为电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；
基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；
基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于Wasserstein距离损失函数计算预测数据集与强相关性样本之间的距离，当距离小于距离阈值时，以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
2.根据权利要求1所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
当幂律分布的系数小于等于零时，电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间不相关；当幂律分布的系数大于零时，电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间相关。
3.根据权利要求2所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
关联系数阈值为0.8。
4.根据权利要求1所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
生成器包括多个第一全连接层单元，判别器包括多个第二全连接层单元；生成器和判别器中全连接层单元的数量一致，并且根据数据缺失率调整；
当数据缺失率小于50%时，生成器和判别器中全连接层单元的数量均为4；
当数据缺失率不小于50%时，生成器和判别器中全连接层单元的数量大于4。
5.根据权利要求4所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
生成器中的每个第一全连接层单元的激活函数均采用Relu函数，
第一全连接层单元根据降维特征数据和随机噪声数据，输出多种类型的电网设备量测数据的预测值，构成预测数据集。
6.根据权利要求4所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
判别器中最后一个第二全连接层单元的激活函数采用sigmoid函数，其余的第二全连接层单元的激活函数均采用Relu函数。
7.根据权利要求6所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
采用Relu函数的第二全连接层单元采用相关性分析方法，计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成强相关性样本。
8.根据权利要求7所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
采用sigmoid函数的第二全连接层单元采用Wasserstein距离损失函数计算预测数据与强相关性样本之间的距离，并判断所述距离与设定距离阈值之间的关系：
当距离小于设定距离阈值时，判定预测数据具有真实性，并进入步骤4；
当距离不小于设定距离阈值时，判定预测数据不具有真实性，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练，直到距离小于距离阈值时迭代训练结束。
9.根据权利要求8所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
距离阈值为0.8。
10.根据权利要求4所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
生成器和判别器均采用最大最小目标函数，如下所示：
式中，
G是生成器，D是判别器，z是随机噪声，r是真实数据，
表示从分布/>中采样r，/>表示从分布/>中采样z，
表示判别器D的训练目标是函数V取值最大化，而生成器G的训练目标是函数V取值最小化，
为判别器目标函数，/>为生成器目标函数，
为生成器生成得到的预测数据送入判别器，判别器对预测数据是否真实的预测概率；
在迭代训练过程中，通过调整生成器G的参数达到最小化；通过调整判别器D的参数，/>也达到最小化。
11.根据权利要求8所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
Wasserstein距离损失函数满足如下关系式：
式中，
和/>分别为预测数据的时间序列和强相关性样本的时间序列，
是以/>和/>为边缘分布的联合概率分布/>的集合，
为分布/>的期望的下确界，表示将/>拟合到/>需要将x移动到y的距离，
为从x点转移到y点从而让x、y服从联合概率分布/>的数学期望，
为x和y模，
表示最大下界。
12.根据权利要求1所述的基于相关性和生成对抗网络的量测数据填补方法，其特征在于，
利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练之前，对预测数据集和强相关性样本进行Z-score标准化处理，以标准化后的数据对数据填补网络的参数进行迭代训练。
13.一种基于相关性和生成对抗网络的量测数据填补***，其特征在于，
所述***包括：多维特征提取模块，降维处理模块，数据填补模块，
多维特征提取模块，用于以电网量测目标数据构成的时间序列与其余N-1类中任一类电网量测数据构成的时间序列之间的协方差服从幂律分布时，获取幂律分布的系数作为电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数，构成电网量测目标数据的多维特征数据集；
降维处理模块，用于基于核主成分分析法，对多维特征数据集进行降维映射，得到降维特征数据集；
数据填补模块，用于基于生成对抗网络构建数据填补网络，数据填补网络包括生成器和判别器；以降维特征数据集与随机噪声数据集一起作为生成器的输入，生成器输出的预测数据集作为判别器的输入，判别器基于相关性分析方法计算电网量测目标数据与其余N-1类中任一类电网量测数据之间的关联系数，从其余N-1类电网量测数据中提取关联系数大于关联系数阈值的各类电网量测系数构成强相关性样本；将强相关性样本与预测数据集再输入判别器，判别器基于Wasserstein距离损失函数计算预测数据集与强相关性样本之间的距离，当距离小于距离阈值时以数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
14.根据权利要求13所述的基于相关性和生成对抗网络的量测数据填补***，其特征在于，
数据填补模块，还用于当距离不小于距离阈值时，利用预测数据集和强相关性样本对数据填补网络的参数进行迭代训练，直到距离小于距离阈值时迭代训练结束；以训练好的数据填补网络得到的预测数据，按照时序填补电网量测目标数据中的缺失数据。
CN202311404185.8A 2023-10-27 2023-10-27 基于相关性和生成对抗网络的量测数据填补方法与*** Active CN117150231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311404185.8A CN117150231B (zh) 2023-10-27 2023-10-27 基于相关性和生成对抗网络的量测数据填补方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311404185.8A CN117150231B (zh) 2023-10-27 2023-10-27 基于相关性和生成对抗网络的量测数据填补方法与***

Publications (2)

Publication Number Publication Date
CN117150231A CN117150231A (zh) 2023-12-01
CN117150231B true CN117150231B (zh) 2024-01-26

Family

ID=88902977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311404185.8A Active CN117150231B (zh) 2023-10-27 2023-10-27 基于相关性和生成对抗网络的量测数据填补方法与***

Country Status (1)

Country Link
CN (1) CN117150231B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165664A (zh) * 2018-07-04 2019-01-08 华南理工大学 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN111523785A (zh) * 2020-04-16 2020-08-11 三峡大学 一种基于生成对抗网络的电力***动态安全评估方法
CN114860709A (zh) * 2022-05-20 2022-08-05 昆明理工大学 一种基于Bi-GAN的电力***缺失值填补方法
CN115018733A (zh) * 2022-06-29 2022-09-06 重庆邮电大学 一种基于生成对抗网络的高动态范围成像及鬼影去除方法
CN116578551A (zh) * 2023-03-31 2023-08-11 国网湖北省电力有限公司信息通信公司 一种基于gru-gan的电网数据修复方法
CN116578870A (zh) * 2023-05-19 2023-08-11 国网福建省电力有限公司罗源县供电公司 一种基于波动互相关分析的配网电压异常数据填补方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165664A (zh) * 2018-07-04 2019-01-08 华南理工大学 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN111523785A (zh) * 2020-04-16 2020-08-11 三峡大学 一种基于生成对抗网络的电力***动态安全评估方法
CN114860709A (zh) * 2022-05-20 2022-08-05 昆明理工大学 一种基于Bi-GAN的电力***缺失值填补方法
CN115018733A (zh) * 2022-06-29 2022-09-06 重庆邮电大学 一种基于生成对抗网络的高动态范围成像及鬼影去除方法
CN116578551A (zh) * 2023-03-31 2023-08-11 国网湖北省电力有限公司信息通信公司 一种基于gru-gan的电网数据修复方法
CN116578870A (zh) * 2023-05-19 2023-08-11 国网福建省电力有限公司罗源县供电公司 一种基于波动互相关分析的配网电压异常数据填补方法

Also Published As

Publication number Publication date
CN117150231A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN109165664B (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
GB2547816B (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
US10467528B2 (en) Accelerated TR-L-BFGS algorithm for neural network
CN109063355A (zh) 基于粒子群优化与Kriging模型的近似优化方法
CN110046434B (zh) 基于高斯过程回归和遗传算法的机械零件可靠性设计方法
CN109787821B (zh) 一种大规模移动客户流量消费智能预测方法
CN106374465B (zh) 基于gsa-lssvm模型的短期风电功率预测方法
US11687804B2 (en) Latent feature dimensionality bounds for robust machine learning on high dimensional datasets
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及***
CN116307215A (zh) 一种电力***的负荷预测方法、装置、设备及存储介质
CN114492191A (zh) 基于dbn-svr的热力站设备剩余寿命评估方法
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
CN114692488A (zh) 一种超临界翼型的生成方法、装置、电子设备及存储介质
CN116384244A (zh) 一种基于物理增强神经网络的电磁场预测方法
CN115906399A (zh) 一种改进的小样本数据下产品关键工艺质量预测方法
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及***
CN114564787A (zh) 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质
CN117150231B (zh) 基于相关性和生成对抗网络的量测数据填补方法与***
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
CN112667394B (zh) 一种计算机资源利用率优化方法
CN115392441A (zh) 量化神经网络模型的片内适配方法、装置、设备及介质
CN112685900B (zh) 一种表征冲击负荷功率特性的电力负荷模拟方法
CN111027612B (zh) 基于加权熵fcm的能源计量数据特征约简方法及装置
Pandith et al. Development of PSO based hybrid LSSVM model for time series prediction
CN117975174B (zh) 一种基于改进vqgan的三维数字岩心重构方法

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
GR01 Patent grant
GR01 Patent grant