欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020103115515
申请人: 南京工程学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:包括如下步骤:S1、获取电网的历史数据,进入步骤S2;

S2、通过波动互相关分析算法计算相同时间各已知属性数据与缺失属性数据的波动互相关系数,进入步骤S3;

S3、若某已知属性数据与该缺失属性数据的波动互相关系数超过比较阈值,则保留该已知属性数据,进入步骤S4;否则,舍弃该已知属性数据;

S4、将保留下的M个已知属性数据对应的属性称为Know属性,将缺失属性数据对应的属性称为Unknow属性,分别计算各Know属性与Unknow属性的组合权值;

S5、对含Unknow属性的日期进行场景分析,并在电网的历史数据中寻找H个最相似场景的日期;将含Unknow属性的日期称为缺失日期,将寻找到的H个最相似场景的日期称为H个相似日期;

S6、先确定缺失属性数据在缺失日期中的时间段,再对每一个相似日期的相同时间段,通过动态时间弯曲距离来衡量缺失日期的各Know属性数据与各相似日期的各Know属性数据的相似度;

S7、结合各Know属性与Unknow属性的组合权值,计算各相似日期的Unknow属性综合相似度;

S8、寻找出Unknow属性综合相似度最高的日期,并用该日期同一时刻的数据结合横向数据进行缺失属性数据的填补。

2.根据权利要求1所述的基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:所述步骤S2中,波动互相关系数的计算过程如下:S21、对于两个等长的时间序列xi和yi,其中i=1,2,…,N;

S22、计算xi、yi与平均值的差之和:

其中:l表示采样长度,Δx(l)、Δy(l)分别表示xi和yi在采样长度l下与平均值的差之和,和 分别表示xi和yi的平均值;

S23、计算分别代表xi、yi自相关性的前向差分:

Δx(l,l0)=x(l0+l)-x(l0),l0=1,2,…,N-lΔy(l,l0)=y(l0+l)-y(l0),l0=1,2,…,N-l其中:l=1,2,…,N-1,对于每一个取样时间段l都有l0=N-l个差值,Δx(l,l0)、Δy(l,l0)分别表示xi和yi的自相关性的前向差分;

S24、计算xi、yi的协方差:

其中:Covxy(l)表示xi和yi的协方差,表示·的平均;

S25、计算xi、yi的波动互相关系数:若xi、yi存在一定的关联性时,则Covxy(l)满足幂律分布其中:hxy表示xi和yi相关程度,即波动相关系数,通过拟合幂律分布得到波动相关系数hxy;当hxy=0时,表示xi和yi不相关;当hxy>0时,表示xi和yi正相关;当hxy<0时,表示xi和yi负相关;hxy值越大表示xi和yi的相关程度越高。

3.根据权利要求1所述的基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:所述步骤S4中,Know属性j与Unknow属性的组合权值wj通过下式计算:其中:M表示Know属性的数量j=1,2,…,M,cj表示Know属性j与Unknow属性的波动相关系数。

4.根据权利要求1所述的基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:所述步骤S5中,含Unknow属性的日期进行场景分析,包括如下步骤:S51、根据日负荷情况对电网的历史数据进行场景分类;输入含Unknow属性的日期并分析日负荷情况;

S52、判断该日期的场景是否为休息日:若是休息日,则认定该日期的场景为工作日,进入步骤S54;否则进入步骤S53;

S53、判断该日期的场景是否为特殊节假日:若是特殊节假日,则认定该日期的场景为特殊节假日,进入步骤S54;否则认定该日期的场景为一般休息日,进入步骤S54;

S54、在电网的历史数据中寻找H个最相似场景的日期,即寻找H个休息日、特殊节假日或一般休息日。

5.根据权利要求1所述的基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:所述步骤S6中,通过动态时间弯曲距离来衡量缺失日期的各Know属性数据与各相似日期的各Know属性数据的相似度,包括如下步骤:S61、设缺失属性数据发生的时刻为tn时刻,在tn时刻向后选取n个时间点,在tn时刻向前选取n个时间点,最后形成缺失属性数据在缺失日期中的时间段(t0,t2n),包含t0,t1,t2,…,t2n共2n+1个时间点;设经过比较阈值判断筛选后保留下的M个Know属性记为A1,A2,…,AM,Unknow属性记为A0;

S62、Know属性A1,A2,…,AM在第h个相似日期中的第t0,t1,t2,…,t2n时刻的属性数据分别记为D(1,h),D(2,h),…D(M,h), d(j,h,g)表示Know属性j在第h个相似日期中的tg时刻的属性数据,j=1,2,…,M,h=1,2,…,H,g=0,1,2,…,2n;

S63、通过动态时间弯曲距离来衡量Know属性Aj在第h个相似日期中的第t0,t1,t2,…,t2n时刻的属性数据D(j,h)与在缺失日期中的第t0,t1,t2,…,t2n时刻的属性数据D(j,p)的相似度S(j,h),p表示缺失日期。

6.根据权利要求1所述的基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:所述步骤S7中,各相似日期的Unknow属性综合相似度通过下式计算:其中:Ch表示Unknow属性在第h个相似日期中的综合相似度。

7.根据权利要求1所述的基于历史数据辅助场景分析的电压缺失值填补方法,其特征在于:将每天同一个时间点的某一属性的历史数据为该属性的一个纵向历史数据截面,横向历史数据是对同一时间的数据根据属性划分;所述步骤S8中,寻找出Unknow属性综合相似度最高的日期后,提取Unknow属性在该日期tn时刻的数据T1作为纵向填补数据;同时,对Unknow属性采用曲线的线性拟合找出该日期tn时刻的数据T2作为横向填补数据,求解出缺失属性数据的最终填补值为:T=α×T1+β×T2

α+β=1

其中:tn时刻为缺失属性数据发生时刻,α为T1的权重,β为T2的权重。