[發(fā)明專利]一種基于k鄰域非線性狀態(tài)估計(jì)算法的數(shù)據(jù)治理方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910381021.5
• 申請(qǐng)日: 2019-05-08
• 公開(kāi)（公告）號(hào): CN110162743A
• 公開(kāi)（公告）日: 2019-08-23
• 發(fā)明（設(shè)計(jì)）人: 孫力勇
• 申請(qǐng)（專利權(quán)）人: 孫力勇
• 主分類號(hào): G06F17/16
• 分類號(hào): G06F17/16;G06F17/18
• 代理公司: 遼寧沈陽(yáng)國(guó)興知識(shí)產(chǎn)權(quán)代理有限公司 21100
• 代理人: 何學(xué)軍

本發(fā)明屬于電力行業(yè)基礎(chǔ)平臺(tái)數(shù)據(jù)治理技術(shù)領(lǐng)域，尤其涉及一種基于k鄰域非線性狀態(tài)估計(jì)算法的數(shù)據(jù)治理方法。本發(fā)明包括以下步驟：生成歷史觀測(cè)向量集合D；數(shù)據(jù)歸一化處理；過(guò)程記憶矩陣的構(gòu)造；數(shù)學(xué)模型和計(jì)算過(guò)程。本發(fā)明使用一次系統(tǒng)圖把電器元件的數(shù)據(jù)關(guān)聯(lián)起來(lái)，從宏觀層面可以取到任務(wù)數(shù)據(jù)的相關(guān)性,使用k鄰域非線性狀態(tài)估計(jì)算法進(jìn)行電網(wǎng)數(shù)據(jù)的治理；通過(guò)本發(fā)明能夠?qū)崿F(xiàn)風(fēng)機(jī)上報(bào)數(shù)據(jù)查錯(cuò)和糾錯(cuò)。

技術(shù)領(lǐng)域

本發(fā)明屬于電力行業(yè)基礎(chǔ)平臺(tái)數(shù)據(jù)治理技術(shù)領(lǐng)域，尤其涉及一種基于k鄰域非線性狀態(tài)估計(jì)算法的數(shù)據(jù)治理方法。

背景技術(shù)

目前對(duì)于“數(shù)據(jù)治理”的文獻(xiàn)和技術(shù)，主要集中在個(gè)別風(fēng)機(jī)和線路的的狀態(tài)估計(jì)，并沒(méi)有對(duì)整個(gè)區(qū)域電網(wǎng)的生產(chǎn)數(shù)據(jù)進(jìn)行修正和整理的普適性。配合遼寧省一次系統(tǒng)圖，如圖2，可以建立全網(wǎng)任意一臺(tái)風(fēng)機(jī)的狀態(tài)模型，并根據(jù)此狀態(tài)模型對(duì)風(fēng)機(jī)狀態(tài)進(jìn)行狀態(tài)估計(jì)和修正。一次系統(tǒng)圖中接線模型可以形成為樹(shù)形圖，抽象后數(shù)據(jù)結(jié)構(gòu)為樹(shù)形結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)模型技術(shù)也應(yīng)用到數(shù)據(jù)治理之中，但它沒(méi)有能夠?qū)I(yè)中的復(fù)雜狀況監(jiān)視應(yīng)用產(chǎn)生顯著的影響。神經(jīng)網(wǎng)絡(luò)模型是采用一種復(fù)雜的、多層的互相聯(lián)系的網(wǎng)絡(luò)分支、節(jié)點(diǎn)和函數(shù)來(lái)描述一系列輸入和輸出變量之間關(guān)系的“黑盒子”建模技術(shù)。神經(jīng)網(wǎng)絡(luò)模型中自由參數(shù)的數(shù)量由層數(shù)決定，而層數(shù)由神經(jīng)網(wǎng)絡(luò)模型的開(kāi)發(fā)者制定。一般來(lái)說(shuō)，任何指定顯示問(wèn)題的正確層數(shù)都是未知的，這導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型很容易成為次選方案。這導(dǎo)致的副產(chǎn)品是神經(jīng)網(wǎng)絡(luò)模型通常采用了過(guò)多的參數(shù)。這意味著神經(jīng)網(wǎng)絡(luò)模型擁有過(guò)多的自由度，從而導(dǎo)致在優(yōu)化階段神經(jīng)網(wǎng)絡(luò)模型容易把訓(xùn)練數(shù)據(jù)中的噪聲也加入到模型中。這導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型過(guò)于接近實(shí)際運(yùn)行數(shù)據(jù)，從而導(dǎo)致掩異常數(shù)據(jù)指示，并導(dǎo)致異常數(shù)據(jù)狀態(tài)與正常運(yùn)行狀態(tài)無(wú)法區(qū)分開(kāi)來(lái)。同時(shí)，神經(jīng)網(wǎng)絡(luò)使用的是非決定性的訓(xùn)練算法。每次運(yùn)行訓(xùn)練算法就會(huì)產(chǎn)生一個(gè)不同的解決方案。當(dāng)網(wǎng)絡(luò)的復(fù)雜性很高時(shí)，為了得到一個(gè)合理的解決方案通常需要用戶對(duì)扭曲的參數(shù)進(jìn)行多次迭代，并重新運(yùn)行訓(xùn)練算法。這個(gè)過(guò)程通常需要用戶有非常高的技能。在集團(tuán)級(jí)應(yīng)用中，這通常需要建100個(gè)甚至1000個(gè)模型。采用神經(jīng)網(wǎng)絡(luò)模型通常會(huì)極端費(fèi)時(shí)費(fèi)力，并且從長(zhǎng)期來(lái)說(shuō)是很難維護(hù)的。

發(fā)明內(nèi)容

針對(duì)上述現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供一種基于k鄰域非線性狀態(tài)估計(jì)算法的數(shù)據(jù)治理方法。其目的是為了實(shí)現(xiàn)風(fēng)機(jī)上報(bào)數(shù)據(jù)查錯(cuò)和糾錯(cuò)。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于k鄰域非線性狀態(tài)估計(jì)算法的數(shù)據(jù)治理方法，包括以下步驟：

步驟1：生成歷史觀測(cè)向量集合D；

步驟2：數(shù)據(jù)歸一化處理；

步驟3：過(guò)程記憶矩陣的構(gòu)造；

步驟4：數(shù)學(xué)模型和計(jì)算過(guò)程；

步驟1：生成歷史觀測(cè)向量集合D。

所述生成歷史觀測(cè)向量集合D，用來(lái)生成歷史觀測(cè)向量集合K的歷史數(shù)據(jù)應(yīng)該滿足以下要求：

(1)涵蓋了一段足夠長(zhǎng)的運(yùn)行時(shí)間；

(2)每組數(shù)據(jù)都表達(dá)了目標(biāo)對(duì)象的一個(gè)正常狀態(tài)；

(3)滿足每一組采樣值中各個(gè)變量的同時(shí)性，必須是同一時(shí)刻的采樣值；

其中，m表示某個(gè)對(duì)象的m個(gè)正常數(shù)據(jù)，表示某段時(shí)間有m個(gè)時(shí)刻對(duì)設(shè)備采樣；n表示某個(gè)對(duì)象有n個(gè)相關(guān)數(shù)據(jù)，表示某時(shí)刻對(duì)設(shè)備采樣，反應(yīng)設(shè)備狀態(tài)的n個(gè)不同但相關(guān)的指標(biāo)，比如溫度、轉(zhuǎn)速等；x表示一個(gè)采樣數(shù)據(jù)，比如x_i(j)表示j時(shí)刻第i個(gè)測(cè)點(diǎn)的數(shù)值。

所述數(shù)據(jù)歸一化處理，是在選用數(shù)據(jù)庫(kù)中實(shí)時(shí)數(shù)據(jù)構(gòu)造過(guò)程記憶矩陣和預(yù)測(cè)輸出時(shí)，對(duì)各個(gè)測(cè)點(diǎn)的測(cè)量值根據(jù)各自的極值進(jìn)行歸一化處理，使實(shí)際測(cè)量值映射到[0 1]區(qū)間。