[发明专利]基于时序矩阵分解的同步量测缺失数据修复方法及装置有效

专利信息
申请号: 202011525211.9 申请日: 2020-12-22
公开(公告)号: CN112632462B 公开(公告)日: 2022-03-18
发明(设计)人: 王守相;赵倩宇;柴林杰;容春艳;高立坡;林荣;李军阔;康伟;任志刚;郭佳;王中亮;申永鹏;郝军愧 申请(专利权)人: 天津大学;国网河北省电力有限公司经济技术研究院;国家电网有限公司
主分类号: G06F17/16 分类号: G06F17/16
代理公司: 天津才智专利商标代理有限公司 12108 代理人: 张文华
地址: 300072*** 国省代码: 天津;12
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 时序 矩阵 分解 同步 缺失 数据 修复 方法 装置
【权利要求书】:

1.基于时序矩阵分解的同步量测缺失数据修复方法,其特征在于:包括如下步骤:

获取历史配电网同步相量量测数据;

基于矩阵分解理论建立多通道同步相量量测缺失数据修复模型;

在建立的多通道同步相量量测缺失数据修复模型内嵌入向量自回归模型,构建多通道同步相量量测缺失数据修复的时序矩阵分解模型,以提取各通道量测数据的时序特征;

采用交替最小二乘法对构建的时序矩阵分解模型进行求解,从而获得同步相量量测缺失数据。

2.根据权要求1所述的基于时序矩阵分解的同步量测缺失数据修复方法,其特征在于,基于矩阵分解理论建立多通道同步相量量测缺失数据修复模型包括如下步骤:

对于n个长度为T的观测时间序列,可将其排列为矩阵形式Y∈Rn×T,其每行对应一个一维时间序列,每列对应一个测量时刻;

根据矩阵分解理论,将Y分解为两个低维矩阵:Y=FX,其中,维度特性矩阵F∈Rn×k和时间特性矩阵X∈Rk×T;Y的每个元素yit为F第i个行向量fiT和X第t个列向量的内积,即yit=fiTxt,其中fi∈Rk是第i个时间序列的k维隐式嵌入,xt∈Rk第t个时刻的k维隐式时间嵌入;

构建的多通道同步相量量测缺失数据修复模型如下:

其中:Ω为Y所有元素的集合;Rf(F)、Rx(X)分别为与F、X对应的正则项,用于防止过拟合和构造各个低维嵌入之间特定的时间结构;λf、λx分别为与F、X对应的正则化参数;为矩阵X的F范数。

3.根据权要求2所述的基于时序矩阵分解的同步量测缺失数据修复方法,其特征在于,在建立的多通道同步相量量测缺失数据修复模型内嵌入向量自回归模型,构建多通道同步相量量测缺失数据修复的时序矩阵分解模型的具体方法如下:

选择自回归模型描述不同时间嵌入xt之间的相关性,即将xt表示为多个之前时刻的时间嵌入向量的线性组合:

其中:W(l)∈Rk×k为转移矩阵;εt为高斯噪声向量,εt:N(0,σ2Ik);L为滞后时刻集合,表示与t时刻向量相关联的多个时刻。

4.根据权要求3所述的基于时序矩阵分解的同步量测缺失数据修复方法,其特征在于,引入与W相对应的正则项,则多通道同步相量量测缺失数据修复模型变为:

其中:TAR(X|L,W,η)、Rw(W)分别为与向量自回归模型、W对应的正则项,λw为与W对应的正则化参数;m等于L内时刻数加一;η>0。

5.根据权要求4所述的基于时序矩阵分解的同步量测缺失数据修复方法,其特征在于,采用交替最小二乘法对构建的时序矩阵分解模型进行求解的方法包括:

采用交替最小化算法交替更新F、X、W;

不断交替迭代更新,经交替最小化更新得到多通道同步相量量测缺失数据修复的时序矩阵分解模型的最小值,停止迭代,即可求得F、X、W;

根据得到的W,对未来时刻的时间嵌入向量{xt:tT}进行预测,根据yt=Fxt获取未来时刻观测向量的预测值;同时,根据yit=fiTxt对Y中的缺失元素进行插补。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天津大学;国网河北省电力有限公司经济技术研究院;国家电网有限公司,未经天津大学;国网河北省电力有限公司经济技术研究院;国家电网有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011525211.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top