[发明专利]数据感知方法及装置

权利要求书

1.一种数据感知方法，用于从低频数据中提取目标高频数据，其特征在于，包括如下步骤：

应用超分辨率感知方法，获取低频数据对高频数据的映射关系；

根据所述低频数据对高频数据的映射关系，训练神经网络模型；

将所述低频数据代入所述神经网络模型，获取目标高频数据。

2.如权利要求1所述的数据感知方法，其特征在于，所述应用超分辨率感知方法，获取低频数据对高频数据的映射关系，包括如下步骤：

获取下采样矩阵、历史低频数据及对应的真实的高频历史数据；

应用所述下采样矩阵、历史低频数据及对应的真实的高频历史数据，根据最大后验估计框架，结合贝叶斯公式，获取预估高频数据的计算公式；

其中，所述预估高频数据的计算公式如下：

其中，y′为所述预估的历史高频数据，A表示所述下采样矩阵，h为所述真实的历史高频数据，l为所述历史低频数据，Ω(h)为所述高频数据的先验信息正则项。

3.如权利要求2所述的数据感知方法，其特征在于，所述根据所述低频数据对高频数据的映射关系，训练神经网络模型，包括：

获取超分辨率感知神经网络模型的结构；

根据所述超分辨率感知神经网络模型的结构，应用所述真实的历史高频数据及所述预估的历史高频数据，按照损失函数，进行多次均方差计算，构建超分辨率感知神经网络模型；

其中，所述损失函数如下：

其中，h为所述真实的历史高频数据，h′为所述预估的历史高频数据。

4.如权利要求3所述的数据感知方法，其特征在于，所述按照损失函数，进行多次均方差计算，构建超分辨率感知神经网络模型的步骤，还包括：

获取多次所述均方差计算的结果；

若多次均方差计算的结果均小于预设值，则停止神经网络模型的训练，所述超分辨率感知神经网络模型构建完毕。

5.如权利要求1～4任意一项所述的数据感知方法，其特征在于，所述神经网络结构包括第一卷积层、第二卷积层及第三卷积层，所述将所述低频数据代入所述神经网络模型，获取目标高频数据的步骤，包括：

应用第一卷积层对所述低频数据进行特征提取，获取特征向量；

应用第二卷积层对所述特征向量进行信息补充；

将上采样因子作为步长，应用第三卷积层对补充信息的所述特征向量进行上采样及数据集合重建处理，生成所述目标高频数据。

6.如权利要求5所述的数据感知方法，其特征在于，所述方法还包括对低频数据进行预处理的步骤，具体如下：

按照采样频率，获取原始的低频数据；

使用最近邻法对原始低频数据进行下采样，获得下采样的低频数据；

向所述下采样的低频数据，添加高斯噪声，生成用于特征提取的低频数据。

7.如权利要求6所述的数据感知方法，其特征在于：所述采样频率为100Hz，所述上采样因子为10。

8.如权利要求1所述的数据感知方法，其特征在于，所述训练神经网络模型的步骤，还包括：

采用早停法，对多个同一单位时间的电力负荷数据进行迭代训练。

9.如权利要求3所述的数据感知方法，其特征在于：所述超分辨率感知神经网络模型的结构包括第一卷积层、第二卷积层及第三卷积层，所述第一卷积层的过滤器的大小为9，过滤器数量为256，特征向量为1；所述第二卷积层为7个，第二卷积层的过滤器的大小为5，过滤器数量为256，特征向量为256；所述第三卷积层的过滤器的大小为7，过滤器数量为1，特征向量为256。

10.一种数据感知装置，用于从低频数据中提取目标高频数据，其特征在于，包括如下模块：

映射获取模块，用于通过超分辨率感知方法，获取低频数据对高频数据的映射关系；

训练模块，用于根据所述低频数据对高频数据的映射关系，训练神经网络模型；

目标获取模块，用于将所述低频数据代入所述神经网络模型，获取目标高频数据。