[发明专利]处理电力负荷监测稀疏数据的关键特征选择方法和装置

权利要求书

1.处理电力负荷监测稀疏数据的关键特征选择方法，其特征在于：包括获取电力负荷监测稀疏数据F，并形成监测数据输入稀疏流特征，构建缓冲矩阵B；

将所述缓冲矩阵B投入预训练好的隐特征填充模型，计算缺失值并填补为完整矩阵

对所述完整矩阵开展流特征选择，存入最优特征子集BSF。

2.根据权利要求1所述的处理电力负荷监测稀疏数据的关键特征选择方法，其特征在于：所述获取电力负荷监测稀疏数据F在M行N列，包括故障前的稳态特征数据及故障后的暂态特征数据，所述构建缓冲矩阵B在M行Bs列，用于缓存新到达的稀疏流特征，其中BsN。

3.根据权利要求1所述的处理电力负荷监测稀疏数据的关键特征选择方法，其特征在于：将所述缓冲矩阵B投入预训练好的隐特征模型，计算缺失值并填补为完整矩阵缺失值的计算步骤为：

步骤一：随机生成PM×k及QN×k，令R＝B，并通过柯西损失优化如下目标函数：

其中λp,λq为对应P、Q的正则化参数，γ为常数，ΩM×N为指示矩阵，当R中相应位置有监测值为1，否则为0；

步骤二：预测矩阵将预测值填充在缺失位置，获得完整矩阵

4.根据权利要求1所述的处理电力负荷监测稀疏数据的关键特征选择方法，其特征在于：对所述完整矩阵开展流特征选择，其步骤包括：

步骤一：相关性分析：当新特征流入时，通过Fisher-z检验计算特征相关性，并返回p值，令α表示模糊相关的显著性水平，如果pα，则进入冗余性分析，如果αp0.1，则进行模糊相关性分析，否则该特征被丢弃；

步骤二：冗余性分析：对进入冗余性分析的新特征，分别计算其是否与BSF中已存在的特征冗余，如果是则丢弃新特征，否则将新特征加入BSF；以及是否使BSF中原有特征变冗余，如果是则丢弃掉原有特征；

步骤三：模糊相关性分析：对进行步骤三的新特征，计算其与标签的依赖度，加入到模糊相关特征子集FSF，并排序，在没有新特征流入后，对之排序，取前BSF大小的一半存入BSF；

以上步骤重复进行直到没有新特征流入，最终输出BSF。

5.根据权利要求1～4任意一项所述的处理电力负荷监测稀疏数据的关键特征选择装置，其特征在于：包括数据缓冲模块、数据补全模块、流特征选择模块，三者依次连接，

所述数据缓冲模块，用于电力负荷监测稀疏数据的获取，并将实时的数据缓存进缓冲矩阵；

所述数据补全模块，用于将稀疏的缓冲矩阵投入预训练好的隐特征模型，计算缺失值并填补为完整矩阵；

所述流特征选择模块，用于对完整矩阵开展特征选择，将结果存入最优特征子集，

所述流特征选择模块包括相关性分析单元、冗余性分析单元、模糊相关性分析单元、存储单元。

6.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置，其特征在于：所述数据缓冲模块中，监测稀疏数据的获取包括故障前的稳态特征数据及故障后的暂态特征数据，用于缓冲实时监测稀疏数据的缓冲矩阵的列远小于整个电力负荷数据集的列。

7.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置，其特征在于：所述数据补全模块通过将缓冲矩阵投入训练好的隐特征模型，生成缺失位置的预测值，并将之填充到缺失位置。

8.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置，其特征在于：所述相关性分析单元，用于对新流入的缓冲矩阵中的特征进行相关性分析，通过Fisher-z检验计算返回的p值，令α表示模糊相关的显著性水平，由模糊隶属度函数将α调动在0.01～0.1之间，如果pα，则进入冗余性分析，如果αp0.1，则进行模糊相关性分析，否则该特征被丢弃。