本發(fā)明涉及數(shù)據(jù)處理，尤其是涉及一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法和裝置。

背景技術：

1、隨著電網(wǎng)自動化和智能化的不斷發(fā)展，產(chǎn)生了大量的電網(wǎng)數(shù)據(jù)，包括傳感器數(shù)據(jù)、操作日志、維護記錄等。這些數(shù)據(jù)具有高維性、復雜性和動態(tài)變化的特點，對數(shù)據(jù)處理和分析提出了更高的要求。

2、但是，現(xiàn)有的數(shù)據(jù)處理技術中，數(shù)據(jù)處理模型缺乏訓練數(shù)據(jù)，這限制了模型的泛化能力，導致在處理實際電網(wǎng)數(shù)據(jù)時準確性和可靠性不足。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法和裝置，通過生成對抗網(wǎng)絡進行訓練數(shù)據(jù)的擴充，以提高最終模型的泛化能力。

2、第一方面，本發(fā)明提供了一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，包括：獲取歷史電網(wǎng)設備的電網(wǎng)數(shù)據(jù)，對電網(wǎng)數(shù)據(jù)進行標注和預處理；其中，電網(wǎng)數(shù)據(jù)用于表征電網(wǎng)設備的狀態(tài)；基于預先訓練完成的第一生成對抗網(wǎng)絡和/或預先訓練完成的第二生成對抗網(wǎng)絡對電網(wǎng)數(shù)據(jù)進行擴充得到生成數(shù)據(jù)；其中，第一生成對抗網(wǎng)絡基于流行學習獲得的低維結構的電網(wǎng)數(shù)據(jù)進行數(shù)據(jù)擴充；在第二生成對抗網(wǎng)絡的訓練過程中通過引入隨機函數(shù)改變訓練過程中的噪聲的分布和結構；將生成數(shù)據(jù)與電網(wǎng)數(shù)據(jù)合并后再按預設的比例分割得到訓練集和驗證集；基于全連接神經(jīng)網(wǎng)絡對訓練集內的數(shù)據(jù)進行特征提??；其中，全連接神經(jīng)網(wǎng)絡的參數(shù)基于網(wǎng)絡的性能反饋進行動態(tài)調整；基于特征提取后的數(shù)據(jù)訓練分類器，得到基礎電網(wǎng)數(shù)據(jù)分類模型；其中，基于隨機梯度拉格朗日動力學調整分類器的網(wǎng)絡參數(shù)；通過增強拓撲的神經(jīng)進化網(wǎng)絡分類算法調整分類器的網(wǎng)絡結構；通過能量基函數(shù)來評估和優(yōu)化分類的決策邊界；將基于驗證集驗證合格的基礎電網(wǎng)數(shù)據(jù)分類模型確定為電網(wǎng)數(shù)據(jù)分類模型；基于電網(wǎng)數(shù)據(jù)分類模型評價當前電網(wǎng)設備的狀態(tài)。

3、在本發(fā)明一些較佳的實施例中，第一生成對抗網(wǎng)絡包括第一生成器和第一判別器，其中，第一生成器基于流行學習獲得的低維結構的訓練數(shù)據(jù)初始化獲得，通過下述步驟訓練第一生成對抗網(wǎng)絡：對低維結構的訓練數(shù)據(jù)內的每個數(shù)據(jù)點進行黎曼編碼得到黎曼擾動，將黎曼擾動添加到第一生成器的訓練過程中；迭代訓練第一生成器和第一判別器，基于預設的參數(shù)更新學習率逐步調整第一生成器的參數(shù)和第一判別器的參數(shù)，直到達到預設的迭代次數(shù)。

4、在本發(fā)明一些較佳的實施例中，對基于自適應特征重加權系數(shù)第一生成器的生成的數(shù)據(jù)進行自適應特征重加權；其中，自適應特征重加權系數(shù)基于第一生成器的生成的數(shù)據(jù)和預設的調節(jié)因子獲得。

5、在本發(fā)明一些較佳的實施例中，第一生成器的損失函數(shù)基于訓練樣本數(shù)量、噪聲樣本、預設的第一正則化參數(shù)和基于訓練樣本生成的數(shù)據(jù)的熵約束；第一判別器的損失函數(shù)基于訓練樣本數(shù)量、訓練樣本、噪聲樣本、預設的第二正則化參數(shù)和差異方差項約束；其中，差異方差項用于表征生成數(shù)據(jù)與真實數(shù)據(jù)之間的差異。

6、在本發(fā)明一些較佳的實施例中，基于自適應動態(tài)調整的方式設置參數(shù)更新學習率。

7、在本發(fā)明一些較佳的實施例中，通過下述步驟訓練第二生成對抗網(wǎng)絡：初始化第二生成對抗網(wǎng)絡；將隨機噪聲分布作為第二生成對抗網(wǎng)絡中的第二生成器的輸入；迭代訓練第二生成對抗網(wǎng)絡，直至達到預設的迭代次數(shù)。

8、在本發(fā)明一些較佳的實施例中，通過切比雪夫不等式調整隨機噪聲分布。

9、在本發(fā)明一些較佳的實施例中，第二生成對抗網(wǎng)絡的損失函數(shù)基于真實數(shù)據(jù)和隨機噪聲分布約束。

10、在本發(fā)明一些較佳的實施例中，迭代訓練第二生成對抗網(wǎng)絡，直至達到預設的迭代次數(shù)的步驟包括：在每次迭代后，基于切比雪夫不等式計算生成數(shù)據(jù)與真實數(shù)據(jù)在統(tǒng)計特性上的偏差，基于偏差利用梯度下降法調整第二生成器的參數(shù)，直至達到預設的迭代次數(shù)。

11、第二方面，本發(fā)明提供了一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理裝置，包括：數(shù)據(jù)預處理模塊，用于獲取電網(wǎng)設備的電網(wǎng)數(shù)據(jù)，對電網(wǎng)數(shù)據(jù)進行標注和預處理；其中，電網(wǎng)數(shù)據(jù)用于表征電網(wǎng)設備的狀態(tài)；數(shù)據(jù)擴充模塊，用于基于預先訓練完成的第一生成對抗網(wǎng)絡和/或預先訓練完成的第二生成對抗網(wǎng)絡對電網(wǎng)數(shù)據(jù)進行擴充得到生成數(shù)據(jù)；其中，第一生成對抗網(wǎng)絡基于流行學習獲得的低維結構的電網(wǎng)數(shù)據(jù)進行數(shù)據(jù)擴充；在第二生成對抗網(wǎng)絡的訓練過程中通過引入隨機函數(shù)改變訓練過程中的噪聲的分布和結構；訓練數(shù)據(jù)處理模塊，用于將生成數(shù)據(jù)與電網(wǎng)數(shù)據(jù)合并后再按預設的比例分割得到訓練集和驗證集；特征提取模塊，用于基于全連接神經(jīng)網(wǎng)絡對訓練集內的數(shù)據(jù)進行特征提??；其中，全連接神經(jīng)網(wǎng)絡的參數(shù)基于網(wǎng)絡的性能反饋進行動態(tài)調整；數(shù)據(jù)分類模塊，用于基于特征提取后的數(shù)據(jù)訓練分類器，得到基礎電網(wǎng)數(shù)據(jù)分類模型；其中，基于隨機梯度拉格朗日動力學調整分類器的網(wǎng)絡參數(shù)；通過增強拓撲的神經(jīng)進化網(wǎng)絡分類算法調整分類器的網(wǎng)絡結構；通過能量基函數(shù)來評估和優(yōu)化分類的決策邊界；模型確定模塊，用于將基于驗證集驗證合格的基礎電網(wǎng)數(shù)據(jù)分類模型確定為電網(wǎng)數(shù)據(jù)分類模型；狀態(tài)評價模塊，用于基于電網(wǎng)數(shù)據(jù)分類模型評價電網(wǎng)設備的狀態(tài)。

12、本發(fā)明帶來了以下有益效果：

13、本發(fā)明提供了一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法和裝置，該方法包括：獲取歷史電網(wǎng)設備的電網(wǎng)數(shù)據(jù)，對電網(wǎng)數(shù)據(jù)進行標注和預處理；其中，電網(wǎng)數(shù)據(jù)用于表征電網(wǎng)設備的狀態(tài)；基于預先訓練完成的第一生成對抗網(wǎng)絡和/或預先訓練完成的第二生成對抗網(wǎng)絡對電網(wǎng)數(shù)據(jù)進行擴充得到生成數(shù)據(jù)；其中，第一生成對抗網(wǎng)絡基于流行學習獲得的低維結構的電網(wǎng)數(shù)據(jù)進行數(shù)據(jù)擴充；在第二生成對抗網(wǎng)絡的訓練過程中通過引入隨機函數(shù)改變訓練過程中的噪聲的分布和結構；將生成數(shù)據(jù)與電網(wǎng)數(shù)據(jù)合并后再按預設的比例分割得到訓練集和驗證集；基于全連接神經(jīng)網(wǎng)絡對訓練集內的數(shù)據(jù)進行特征提取；其中，全連接神經(jīng)網(wǎng)絡的參數(shù)基于網(wǎng)絡的性能反饋進行動態(tài)調整；基于特征提取后的數(shù)據(jù)訓練分類器，得到基礎電網(wǎng)數(shù)據(jù)分類模型；其中，基于隨機梯度拉格朗日動力學調整分類器的網(wǎng)絡參數(shù)；通過增強拓撲的神經(jīng)進化網(wǎng)絡分類算法調整分類器的網(wǎng)絡結構；通過能量基函數(shù)來評估和優(yōu)化分類的決策邊界；將基于驗證集驗證合格的基礎電網(wǎng)數(shù)據(jù)分類模型確定為電網(wǎng)數(shù)據(jù)分類模型；基于電網(wǎng)數(shù)據(jù)分類模型評價當前電網(wǎng)設備的狀態(tài)；通過生成對抗網(wǎng)絡進行訓練數(shù)據(jù)的擴充，以提高最終模型的泛化能力。

技術特征：

1.一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，包括：

2.根據(jù)權利要求1所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，所述第一生成對抗網(wǎng)絡包括第一生成器和第一判別器，其中，所述第一生成器基于所述流行學習獲得的低維結構的訓練數(shù)據(jù)初始化獲得，通過下述步驟訓練所述第一生成對抗網(wǎng)絡：

3.根據(jù)權利要求2所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，對基于自適應特征重加權系數(shù)所述第一生成器的生成的數(shù)據(jù)進行自適應特征重加權；其中，所述自適應特征重加權系數(shù)基于所述第一生成器的生成的數(shù)據(jù)和預設的調節(jié)因子獲得。

4.根據(jù)權利要求2所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，所述第一生成器的損失函數(shù)基于訓練樣本數(shù)量、噪聲樣本、預設的第一正則化參數(shù)和基于所述訓練樣本生成的數(shù)據(jù)的熵約束；所述第一判別器的損失函數(shù)基于所述訓練樣本數(shù)量、訓練樣本、所述噪聲樣本、預設的第二正則化參數(shù)和差異方差項約束；其中，所述差異方差項用于表征生成數(shù)據(jù)與真實數(shù)據(jù)之間的差異。

5.根據(jù)權利要求2所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，基于自適應動態(tài)調整的方式設置所述參數(shù)更新學習率。

6.根據(jù)權利要求1所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，通過下述步驟訓練所述第二生成對抗網(wǎng)絡：

7.根據(jù)權利要求6所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，通過切比雪夫不等式調整所述隨機噪聲分布。

8.根據(jù)權利要求6所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，所述第二生成對抗網(wǎng)絡的損失函數(shù)基于真實數(shù)據(jù)和所述隨機噪聲分布約束。

9.根據(jù)權利要求6所述的基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法，其特征在于，迭代訓練所述第二生成對抗網(wǎng)絡，直至達到預設的迭代次數(shù)的步驟包括：

10.一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理裝置，其特征在于，包括：

技術總結
本發(fā)明提供了一種基于大數(shù)據(jù)的智能電網(wǎng)平臺數(shù)據(jù)處理方法和裝置，設計數(shù)據(jù)處理技術領域。其中，該方法包括：獲取歷史電網(wǎng)設備的電網(wǎng)數(shù)據(jù)，對電網(wǎng)數(shù)據(jù)進行標注和預處理；其中，電網(wǎng)數(shù)據(jù)用于表征電網(wǎng)設備的狀態(tài)；基于預先訓練完成的第一生成對抗網(wǎng)絡和/或預先訓練完成的第二生成對抗網(wǎng)絡對電網(wǎng)數(shù)據(jù)進行擴充得到生成數(shù)據(jù)；將生成數(shù)據(jù)與電網(wǎng)數(shù)據(jù)合并后再按預設的比例分割得到訓練集和驗證集；基于全連接神經(jīng)網(wǎng)絡對訓練集內的數(shù)據(jù)進行特征提??；基于特征提取后的數(shù)據(jù)訓練分類器，得到電網(wǎng)數(shù)據(jù)分類模型；基于電網(wǎng)數(shù)據(jù)分類模型評價當前電網(wǎng)設備的狀態(tài)；通過生成對抗網(wǎng)絡進行訓練數(shù)據(jù)的擴充，以提高最終模型的泛化能力。

技術研發(fā)人員：吳淑芳,周廣斌,張偉,劉龍飛,劉文超,趙正陽,王瑾瑾
受保護的技術使用者：國網(wǎng)山東省電力公司鄄城縣供電公司
技術研發(fā)日：
技術公布日：2024/12/19