[发明专利]一种电力数据修复方法

说明书

本发明公开了一种电力数据修复方法，利用SOM神经网络对历史电力数据集中电力数据进行分类处理；利用Pearson相关系数理论，获得电力数据类型满足关联性阈值的影响因素；将缺失数据的影响因素输入训练好的LSTM神经网络，获得缺失数据的电力数据类型；根据缺失数据的电力数据类型采用不同的方法对数据进行修复。本发明考虑到电力数据的复杂非线性，利用神经网络的学习能力强，能够处理非线性问题的特性，实现电力数据的修复，可有效提升分类效率和准确率。

技术领域

本发明涉及一种电力数据修复方法，属于电力数据检测修复技术领域。

背景技术

数字化技术不断发展进步，使得电力系统中产生了大量的电力数据。但是，电力数据常常因为外界干扰、传输错误、设备异常、网络延迟等原因而出现数据缺失的情况，这样会影响电力系统内处理数据的正确性与及时性。

现有修复方法多采用传统机器学习方法，但是，面对目前复杂的日益结构复杂的电网结构，尤其是新能源发电系统与电动汽车的接入、需求响应机制的应用，导致传统机器学习方法无法应对高随机性的电力数据的修复。

为了保证智能化电力系统的优化稳定运行，需要有完整正确的电力数据提供支持，避免影响电力系统安全稳定运行。本领域技术人员急需要对电力系统的数据进行更高精度的修复。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种电力数据修复方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种电力数据修复方法，包括如下步骤：

步骤S1、获取历史电力数据集，利用SOM神经网络对历史电力数据集中电力数据进行分类处理，得到电力数据类型。

步骤S2、利用Pearson相关系数理论，对电力数据类型与影响因素进行相关性分析，获得电力数据类型满足关联性阈值的影响因素，将电力数据类型对应的影响因素作为特征值。

步骤S3、将电力数据类型与对应的特征值作为训练样本，对LSTM神经网络进行训练，获得训练好的LSTM神经网络。

步骤S4、将缺失数据的影响因素输入训练好的LSTM神经网络，获得缺失数据的电力数据类型。

步骤S5、根据缺失数据的电力数据类型采用不同的方法对数据进行修复。

作为优选方案，所述SOM神经网络由输入层和输出层两层组成，输入层与输出层之间采用全连接。在对输入电力数据进行分类时，输入层的各神经元协同工作，分别竞争输入电力数据的响应机会，从而得到输出的神经元。通过对权值的更新，输出层的神经元四周的权值都会进行相应的调整，电力数据经过调整后输入层的每一个神经元对特定类别的学习，实现输出层对输入电力数据的学习分类。权值取值范围通常为[0,1]。

作为优选方案，所述Pearson相关系数理论，计算公式如下：

式中：ρ_X.Y为相关性系数，范围为[0,1]；X,Y分别为连续变量；n为连续变量样本的个数；X和Y分别为连续变量的平均值；ρ_X.Y＝0，表示变量间无关；ρ_X.Y0，表示变量间正相关；ρ_X.Y0，表示变量间负相关；|ρ_X,Y|越大说明变量间关联性越强，反之越弱。

作为优选方案，所述LSTM神经网络构建如下所示：

LSTM神经网络包括3个门结构实现对电力数据类型的预测，分别是遗忘门，输入门和输出门。

(1)遗忘门。主要用于对输入数据筛选，计算数据的保留程度，通过sigmoid 神经层处理后输出一个[0,1]范围内的值，数值越大表示保留成分越多，反之越少。遗忘门计算公式如下：