[发明专利]数据感知方法及装置

说明书

本发明提供了一种数据感知方法及装置，用于从低频数据中提取目标高频数据，该方法包括如下步骤：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。本发明的优势在于，应用超分辨率感知方法从低频数据之中提取出高频数据，能够在满足超分辨率感知问题的同时，捕获一维时间序列数据中的时间关系，结合神经网络训练之后，可以具有较高地计算效率，并且具有良好的数据重构及增强的效果，从而获得更高效、准确地识别目标对象的状态。

技术领域

本发明涉及数据处理领域，尤其是指一种数据感知方法及装置。

背景技术

智能电表是在智能电网中收集详细的客户信息的终端，其已经在全球范围内大量使用。智能电表的数据可以用于计费定价、负荷建模、负荷预测、负荷识别、需求响应等方面。而智能电表中的高频数据，可以提供消费者电力消耗偏好之类的信息。

然而，存储、传输和分析智能电表中的高频数据是一个痛点。首先，高频数据的数据量较为庞大，需要巨大的通信带宽进行传输；其次，高频数据还需要大量的存储设备，其成本非常高；此外，电网中已经存在大量的低频电表，用高频电表代替所有低频电表是一项巨大的投资，也是对资源的浪费。而使用传统方法，来获取高频数据，其计算效率低下，且准确度低。

发明内容

本发明所要解决的技术问题是：提供一种数据感知方法及装置，从低频数据中高效地提取高频数据，保证计算效率及数据提取的准确度。

为了解决上述技术问题，本发明采用的技术方案为：提供一种数据感知方法，用于从低频数据中提取目标高频数据，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。

其中，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。

进一步地，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。

其中，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。