CN117349273A - 一种电力数据融合方法及设备 - Google Patents

Abstract

本发明涉及一种电力数据融合方法，包括：分别从多个数据源获取时间序列数据；计算各时间序列数据之间的相似度，得到相似度矩阵；累加相似度矩阵中同一行或同一列的矩阵元素，得到各数据源与其他数据源的相似度累加值；对相似度累加值高于第一阈值的各数据源，进行纵向参数融合，包括：对时间序列数据进行数据预处理；对完成数据预处理的时间序列数据，计算两两时间序列数据之间的灰色关联度；滤除灰色关联度低于第三阈值的时间序列数据；利用BP神经网络对时间序列数据进行数据融合，得到第一融合结果；对相似度累加值低于第一阈值的各数据源，进行横向参数融合。

Description

一种电力数据融合方法及设备

技术领域

本发明涉及一种电力数据融合方法，属于数据融合领域。

背景技术

电网***在不同电力检测区域采用多类型数据采集设备，而电网调度中心、继电保护等各部门也独立构建各自的数据库，各自拥有独立的数据模型，各自的数据采用不同类型、编码规则的数据模型存储，导致多元电网运行参数不一致，无法共享参数信息。因此需要对电网数据进行融合处理，以提高电网数据质量。

公开号CN111950627A《一种多源信息融合方法及其应用》公开：从环境监测中的传感器数据源头出发，对采集的数据进行标准化处理和预处理；对多源同构数据，引入支持度修正迭代融合思想，比较融合证据与原始证据的差异来评估原始证据的支持度，多次迭代至收敛得到最终融合结果。

发明内容

为了克服现有技术中存在的问题，本发明设计了一种电力数据融合方法及设备，根据数据源之间的相似度分别进行加权横向数据融合、基于神经网络的纵向数据融合，消除多源电网数据差异，优化电网数据质量。

为了实现上述目的，本发明采用如下技术方案：

技术方案一

一种电力数据融合方法，包括以下步骤：

分别从多个数据源获取时间序列数据；

计算各时间序列数据之间的相似度，得到相似度矩阵，所述相似度矩阵中矩阵元素D_ij表示数据源i的时间序列数据与数据源j的时间序列数据之间的相似度；累加相似度矩阵中同一行或同一列的矩阵元素，得到各数据源与其他数据源的相似度累加值；

对相似度累加值高于第一阈值的各数据源，进行纵向参数融合，包括：对时间序列数据进行数据预处理；对完成数据预处理的时间序列数据，计算两两时间序列数据之间的灰色关联度；滤除灰色关联度低于第三阈值的时间序列数据；利用BP神经网络对时间序列数据进行数据融合，得到第一融合结果；

对相似度累加值低于第一阈值的各数据源，进行横向参数融合。

进一步地，所述相似度计算公式如下：

式中，x_i表示来自数据源i的时间序列数据；x_j表示来自数据源j的时间序列数据。

进一步地，所述横向参数融合包括：

对各时间序列数据设置一权重；根据所述权重对时间序列数据进行加权求和，得到第二融合结果。

进一步地，还包括：对相似度累加值低于第二阈值的各数据源，筛除其对应的时间序列数据。

进一步地，利用改进萤火虫算法确定BP神经网络参数：

S1、将参数映射为群体个体；初始化个***置，设置最大吸引度，光强吸收系数，步长因子，搜索精度，最大迭代次数；

S2、计算个体的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向，依据吸引度决定移动的距离，以公式表达为：

式中，γ为光强吸收系数；r_ij为萤火虫i与j之间的空间距离；β₀为最大吸引度；

S3、更新个***置，以公式表达为：

x_i＝x_i+β(x_j-x_i)+α(rand-1/2)

式中，x_i为个***置；α为步长因子；rand为[0，1]上服从均匀分布的随机因子；

S4、更新个体亮度，以公式表达为：

式中，I₀为萤火虫的最大萤光亮度；γ为光强吸收系数；

当满足搜索精度或达到最大搜索次数则继续下一步；否则，搜索次数增加1，跳转至步骤S3；

S5、输出局最优解为BP神经网络权值和阈值；

S6、判断是否符合结束条件；假如迭代次数达到给定BP神经网络预设最大值和满足最小误差要求时，网络输出最优解，停止计数，否则转到步骤S2。

技术方案二

一种电力数据融合设备，包括处理器和用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现技术方案一所述步骤。

与现有技术相比本发明有以下特点和有益效果：

本发明根据数据源之间的相似度分别进行加权横向数据融合、基于神经网络的纵向数据融合，消除多源电网数据差异，优化电网数据质量。此外，本发明利用改进萤火虫算法确定BP神经网络参数，在位置更新过程中增加扰动α(rand－1/2)，以加大搜索区域，避免过早陷入局部最优。

附图说明

图1是本发明流程图。

具体实施方式

下面结合实施例对本发明进行更详细的描述。

实施例一

如图1所示，一种电力数据融合方法，包括以下步骤：

分别从多个数据源获取时间序列数据；

计算各时间序列数据之间的相似度，得到相似度矩阵。相似度矩阵中矩阵元素D_ij表示数据源i的时间序列数据与数据源j的时间序列数据的相似度。相似度计算公式如下：

式中，x_i表示来自数据源i的时间序列数据；x_j表示来自数据源j的时间序列数据。

累加相似度矩阵中同一行或同一列的矩阵元素，得到各数据源与其他数据源的相似度累加值。

视相似度累加值高于第一阈值的各数据源为不同级别的电网调度中心的相同专业部门，为减少参数差异，对其进行纵向参数融合，得到第一融合结果。

视相似度累加值低于第一阈值的各数据源为同级调度中心的不同专业部门，对其进行横向参数融合，得到第二融合结果。

实施例二

本实施例进一步提供一种纵向参数融合方法，包括如下步骤：

对相似度累加值低于第二阈值的各数据源，筛除其时间序列数据。

对剩余时间序列数据进行数据预处理，如归一化、降噪等。

对完成数据预处理的时间序列数据，计算两两时间序列数据之间的灰色关联度；滤除灰色关联度低于第三阈值的时间序列数据。

对时间序列数据进行如下数据融合处理：

构建并训练基于BP神经网络的数据融合模型。BP神经网络包括输入层、输出层以及隐藏层，输入时间序列数据，利用隐藏层的激励函数对时间序列数据进行处理，输出层输出数据融合结果。

实施例三

本实施例进一步提供一种横向参数融合方法，包括如下步骤：

评估各数据源的可信度，对各时间序列数据设置一权重；根据所述权重对时间序列数据进行加权求和，得到融合结果。

实施例四

通过改进萤火虫算法确定BP神经网络参数：

S1、将参数映射为群体个体；随机初始化个***置，设置最大吸引度，光强吸收系数，步长因子，搜索精度，最大迭代次数。

S2、计算个体的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向，依据吸引度决定移动的距离，以公式表达为：

式中，γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性；r_ij为萤火虫i与j之间的空间距离。β₀为最大吸引度，即光源处(r＝0处)的吸引度。

S3、更新个***置，以公式表达为：

x_i＝x_i+β(x_j-x_i)+α(rand-1/2)

式中，x_i为个***置；α为步长因子；rand为[0，1]上服从均匀分布的随机因子。

S4、更新个体亮度，以公式表达为：

式中，I₀为萤火虫的最大萤光亮度，即自身(r＝0处)荧光亮度；γ为光强吸收系数。

当满足搜索精度或达到最大搜索次数则继续下一步；否则，搜索次数增加1，跳转至步骤S3。

S5、输出全局极值点和最优个体值，输出函数的全局最优解作为BP神经网络权值和阈值

S6、判断是否符合结束条件。假如迭代次数达到给定BP神经网络预设最大值和满足最小误差要求时，网络输出最优解，停止计数，否则转到步骤S2。

需要说明的是，上述提出的一种纵向参数融合设备，还用于实现如上述图1所示的一种电力数据融合方法中各实施例对应的方法步骤，本申请在此不重复叙述。

需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

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，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (10)

1.一种电力数据融合方法，其特征在于，包括以下步骤：

分别从多个数据源获取时间序列数据；

计算各时间序列数据之间的相似度，得到相似度矩阵，所述相似度矩阵中矩阵元素D_ij表示数据源i的时间序列数据与数据源j的时间序列数据之间的相似度；累加相似度矩阵中同一行或同一列的矩阵元素，得到各数据源与其他数据源的相似度累加值；

对相似度累加值高于第一阈值的各数据源，进行纵向参数融合，包括：对时间序列数据进行数据预处理；对完成数据预处理的时间序列数据，计算两两时间序列数据之间的灰色关联度；滤除灰色关联度低于第三阈值的时间序列数据；利用BP神经网络对时间序列数据进行数据融合，得到第一融合结果；

对相似度累加值低于第一阈值的各数据源，进行横向参数融合。

2.根据权利要求1所述的一种电力数据融合方法，其特征在于，所述相似度计算公式如下：

式中，x_i表示来自数据源i的时间序列数据；x_j表示来自数据源j的时间序列数据。

3.根据权利要求1所述的一种电力数据融合方法，其特征在于，所述横向参数融合包括：

对各时间序列数据设置一权重；根据所述权重对时间序列数据进行加权求和，得到第二融合结果。

4.根据权利要求1所述的一种电力数据融合方法，其特征在于，还包括：对相似度累加值低于第二阈值的各数据源，筛除其对应的时间序列数据。

5.根据权利要求1所述的一种电力数据融合方法，其特征在于，利用改进萤火虫算法确定BP神经网络参数：

S1、将参数映射为群体个体；初始化个***置，设置最大吸引度，光强吸收系数，步长因子，搜索精度，最大迭代次数；

S2、计算个体的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向，依据吸引度决定移动的距离，以公式表达为：

式中，γ为光强吸收系数；r_ij为萤火虫i与j之间的空间距离；β₀为最大吸引度；

S3、更新个***置，以公式表达为：

x_i＝x_i+β(x_j-x_i)+α(rand-1/2)

式中，x_i为个***置；α为步长因子；rand为[0，1]上服从均匀分布的随机因子；

S4、更新个体亮度，以公式表达为：

式中，I₀为萤火虫的最大萤光亮度；γ为光强吸收系数；

当满足搜索精度或达到最大搜索次数则继续下一步；否则，搜索次数增加1，跳转至步骤S3；

S5、输出局最优解为BP神经网络权值和阈值；

S6、判断是否符合结束条件；假如迭代次数达到给定BP神经网络预设最大值和满足最小误差要求时，网络输出最优解，停止计数，否则转到步骤S2。

6.一种电力数据融合设备，其特征在于，包括处理器和用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现以下步骤：

分别从多个数据源获取时间序列数据；

计算各时间序列数据之间的相似度，得到相似度矩阵，所述相似度矩阵中矩阵元素D_ij表示数据源i的时间序列数据与数据源j的时间序列数据之间的相似度；累加相似度矩阵中同一行或同一列的矩阵元素，得到各数据源与其他数据源的相似度累加值；

对相似度累加值高于第一阈值的各数据源，进行纵向参数融合，包括：对时间序列数据进行数据预处理；对完成数据预处理的时间序列数据，计算两两时间序列数据之间的灰色关联度；滤除灰色关联度低于第三阈值的时间序列数据；利用BP神经网络对时间序列数据进行数据融合，得到第一融合结果；

对相似度累加值低于第一阈值的各数据源，进行横向参数融合。

7.根据权利要求6所述的一种电力数据融合设备，其特征在于，所述相似度计算公式如下：

式中，x_i表示来自数据源i的时间序列数据；x_j表示来自数据源j的时间序列数据。

8.根据权利要求6所述的一种电力数据融合设备，其特征在于，所述横向参数融合包括：

对各时间序列数据设置一权重；根据所述权重对时间序列数据进行加权求和，得到第二融合结果。

9.根据权利要求6所述的一种电力数据融合设备，其特征在于，还包括：对相似度累加值低于第二阈值的各数据源，筛除其对应的时间序列数据。

10.根据权利要求6所述的一种电力数据融合设备，其特征在于，利用改进萤火虫算法确定BP神经网络参数：

S1、将参数映射为群体个体；初始化个***置，设置最大吸引度，光强吸收系数，步长因子，搜索精度，最大迭代次数；

S2、计算个体的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向，依据吸引度决定移动的距离，以公式表达为：

式中，γ为光强吸收系数；r_ij为萤火虫i与j之间的空间距离；β₀为最大吸引度；

S3、更新个***置，以公式表达为：

x_i＝x_i+β(x_j-x_i)+α(rand-1/2)

式中，x_i为个***置；α为步长因子；rand为[0，1]上服从均匀分布的随机因子；

S4、更新个体亮度，以公式表达为：

式中，I₀为萤火虫的最大萤光亮度；γ为光强吸收系数；

当满足搜索精度或达到最大搜索次数则继续下一步；否则，搜索次数增加1，跳转至步骤S3；

S5、输出局最优解为BP神经网络权值和阈值；

S6、判断是否符合结束条件；假如迭代次数达到给定BP神经网络预设最大值和满足最小误差要求时，网络输出最优解，停止计数，否则转到步骤S2。