1.一种基于SA-GAN的工业用户缺失数据填补方法,其特征在于,包括以下步骤:S1、基于考虑正负关联度的灰色关联度算法构建工业用户的行业关联度,对于关联度高于阈值的多个工业用户,使用各工业用户在同一时序下的日负荷数据构成数据集A,对于关联度不高于阈值的单一工业用户,使用历史日负荷数据构成数据集B;
S2、利用四分位法判别数据集A和数据集B中的异常数据,令异常数据的值为0;
S3、将带有0值的数据集A和数据集B中日负荷数据转换成RGB彩色像素值,使数据集A和数据集B图像化,得到图像A和图像B;
S4、将图像A和图像B输入SA-GAN模型,对图像A和图像B进行填补,得到经SA-GAN填补后的图像E和图像F;S4具体为:S4.1、将电力工业用户负荷数据图像A和图像B输入SA-GAN模型中,图像A和图像B均为N维C通道;
S4.2、对图像A和图像B进行图卷积运算,得到图像A的卷积特征图R和图像B的卷积特征图Q;
S4.3、将卷积特征图R转换为两个特征空间f和g;进行1×1向量卷积运算,得到权重矩阵,,再将卷积特征图R转换为特征空间h,进行1×1向量卷积运算,得到权重矩阵,其中,为权重矩阵通道数,,其中k为整数;
S4.4、将卷积特征图Q转换为两个特征空间a和b;进行1×1向量卷积运算,得到权重矩阵,,再将卷积特征图Q转换为特征空间v,进行1×1向量卷积运算,得到权重矩阵;
S4.5、将权重矩阵进行转置,与权重矩阵进行矩阵乘法并进行归一化指数运算,得到权重矩阵与权重矩阵的注意力图S;
S4.6、将权重矩阵进行转置,与权重矩阵进行矩阵乘法并进行归一化指数运算,得到权重矩阵与权重矩阵的注意力图T;
S4.7、将注意力图S与权重矩阵进行矩阵乘法,再将乘法后的结果转换为特征空间u,利用1×1向量卷积运算,得到自注意力特征图D;
S4.8、将注意力图T与权重矩阵进行矩阵乘法,再将乘法后的结果转换为特征空间u,利用1×1向量卷积运算,得到自注意力特征图U;
S4.9、自注意力特征图D乘以可学习标量,再与卷积特征图R求和,得到输出特征图Y;自注意力特征图U乘以可学习标量,再与卷积特征图Q求和,得到输出特征图Z;
S4.10、对输出特征图Y和输出特征图Z进行反卷积,得到经SA-GAN填补后的图像E和图像F;
S5、对图像E和图像F进行逆图像化过程,重新转化成日负荷数据。
2.如权利要求1所述的基于SA-GAN的工业用户缺失数据填补方法,其特征在于,S1具体为:S1.1、将用户典型日负荷序列E与M个不同行业的典型日负荷序列P1,P2,……,PM构成序列矩阵O:式中,et(t=1,2,...,T)为用户典型日负荷序列E中第t个时间节点的负荷值,ptm(m=1,2,...,M)为第m个行业日负荷序列Pm中第t个时间节点的负荷值;
S1.2、构建用户典型日负荷序列E与各个行业典型日负荷序列Pm(m=1,2,...,M)之间的差值矩阵R:矩阵中的元素stm表示用户典型日负荷序列E中第t个元素et与第m个行业日负荷序列Pm中对应元素ptm之间差值的绝对值;
S1.3、计算两级最小差Umin与两级最大差Umax;
S1.4、计算用户典型日负荷序列E与各个行业序列之间的关联系数,进而计算出用户与各个行业的关联度值;
式中,代表用户典型日负荷序列E中第t个元素与第m个行业日负荷序列之间的关联系数,是分辨度,为第m个行业的日负荷序列与用户典型日负荷序列E之间的关联度值;
S1.5、利用关联符号函数 sgn(·)确定关联度值的正负性,则考虑正负关联度的灰色关联度计算如下式所示:式中,表示考虑负关联度后用户典型日负荷序列中第t个元素与第m个行业日负荷序列对应元素的关联系数;表示考虑负关联度后用户典型日负荷序列与第m个行业日负荷序列的关联度值;是用户典型日负荷序列E中第t+1时间节点相对于第t个时间节点负荷值的增量;是第m个行业日负荷序列中第t+1时间节点相对于第t个时间节点负荷值的增量;
S1.6、根据各电力用户相关度的大小,对于关联度高于阈值的多个工业用户,使用各工业用户在同一时序下的日负荷数据构成数据集A;
式中,r表示用户日负荷数据值,C表示时间序列长度,N为同一时间序列下工业用户总个体数;
对于关联度不高于阈值的单一工业用户,使用历史日负荷数据构成数据集B;
q表示用户日负荷数据值,C表示时间序列长度,N为单一工业用户历史日负荷曲线总数。
3.如权利要求1所述的基于SA-GAN的工业用户缺失数据填补方法,其特征在于,S2具体为:S2.1、四分位法确定数据集A与数据集B中的中位数,确定上下限位数据,并设置异常数据判别标准为超过中位数与上限位数据的1.5倍之和以及低于中位数与下限位数据的1.5倍之差;
S2.2、分别绘制数据集A的箱式图和数据集B的箱式图;
S2.3、找出箱式图中低于中位数与下限位数据的1.5倍之差的数据或者数据超过中位数与上限位数据的1.5倍之和的数据,判定为异常数据;
S2.4、将数据集A和数据集B筛选出的异常数据作为缺失数据,令缺失数据位置的值为0。
4.如权利要求1所述的基于SA-GAN的工业用户缺失数据填补方法,其特征在于,S3具体为:S3.1、使用x轴表示从周一到周日每天的采样时间点,y轴表示从第一周到最后一周的周数,像素颜色表示归一化处理后的负荷数值,将负荷数据所有的基本参数存储在图片的第一行,所述基本参数包括负荷数据的开始时间、结束时间、采样周期、图片的长宽尺寸和颜色类型;
S3.2、统计计算获得基本参数,并将参数均转化为整数型,每一参数占两个像素,填充在图片的第一行,第一行剩余像素置为白色,R、G、B均设为255;
S3.3、用户每一时刻点的负荷值的RGB彩色像素分别根据如下公式获得:式中,/是求商的除法运算;%是求余数的模运算;R为红色通道,G为绿色通道,B为蓝色通道;
S3.4、按时序从图片的第二行开始逐个像素加载负荷数值,加载完成后,最后一行的剩余空格用黑色填充,得到电力工业用户负荷数据图像A和图像B。
5.如权利要求1所述的基于SA-GAN的工业用户缺失数据填补方法,其特征在于,S5具体为:获取图像E和图像F中第一行存储的基本参数,所述基本参数包括负荷数据的开始时间、结束时间、采样周期、图片的长宽尺寸和颜色类型;从第二行开始,逐个像素点获取RGB彩色像素值,并将RGB彩色像素值转换为负荷数值,根据开始时间、结束时间采样周期及像素在图中位置计算像素时间标签,时间标签等于结束时间时,输出负荷数据。