[发明专利]一种基于Bi-GAN的电力系统缺失值填补方法

说明书

本发明公开了一种基于Bi‑GAN的电力系统缺失值填补方法，涉及智能化电力系统技术领域，包括以下步骤：步骤1：收集来自于包含有缺失值的电力数据，首先对数据进行归一化预处理和特殊值处理，并构建缺失位置编码向量；步骤2：双向对抗生成对抗网络Bi‑GAN是一种生成式模型，能够生成服从原始数据集分布的新样本，主要由生成器G、判别器D、编码器E组成，当将预处理后的数据传入Bi‑GAN网络的中，通过生成器G与判别器D之间的博弈，最终生成一份与原始数据集有着同样分布的完整数据集；步骤3：使用损失函数来降低新生成样本G(E(x))与原始数据x之间的差异；步骤4：使用填充损失函数来对电力系统中的缺失数据进行填充。

技术领域

本发明涉及智能化电力系统技术领域，具体为一种基于Bi-GAN的电力系统缺失值填补方法。

背景技术

随着智能化电力系统的建设，爆炸式的海量数据带来了新的挑战，测量采样、信息传输和数据存储处理不当会导致数据丢失，从而破坏数据完整性，使得数据质量下降，影响电力消耗预测精度。

目前国内外电力系统缺失值填补方法主要分为直接删除法、基于统计分析的数据填补法、基于机器学习的数据填补方法。直接删除法主要以删除缺失的数据来使得数据完整，当样本缺失数量比较大时，不利于挖掘电力消耗预测的隐含发展规律。基于统计分析的数据填补法根据原始数据的统计信息来填充缺失值，主要包括平均值填补、热卡填补、冷卡填补、特殊值填补、回归等方法，这类填补方法缺乏对每个样本的独立特性的考虑。基于机器学习的数据填补方法利用机器学习算法包括K最邻近法(K-Nearest Neighbor,KNN)、自编码器(Autoencoder，AE)等，这些方法虽然准确率较高，但是没有考虑两个相邻数据间的时序信息。

本发明提供了一种基于Bi-GAN的电力系统缺失值填补方法，将改善电力系统中因设备故障、采集设备覆盖不足或操作人员错误等原因引起的所收集的数据存在丢失而导致数据质量降低的问题。

发明内容

针对现有技术的不足，本发明提供了一种基于Bi-GAN的电力系统缺失值填补方法，解决了上述背景技术中提出的电力系统中因设备故障、采集设备覆盖不足或操作人员错误等原因引起的所收集的数据存在丢失而导致数据质量降低的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于Bi-GAN的电力系统缺失值填补方法，包括以下步骤：

步骤1：收集来自于包含有缺失值的电力数据，首先对数据进行归一化预处理和特殊值处理，并构建缺失位置编码向量；

步骤2：双向对抗生成对抗网络Bi-GAN是一种生成式模型，能够生成服从原始数据集分布的新样本，主要由生成器G、判别器D、编码器E组成，当将预处理后的数据传入Bi-GAN网络的中，通过生成器G与判别器D之间的博弈，最终生成一份与原始数据集有着同样分布的完整数据集；

步骤3：使用损失函数来降低新生成样本G(E(x))与原始数据x之间的差异；

步骤4：使用填充损失函数来对电力系统中的缺失数据进行填充。

优选的，所述步骤1中，从电力系统中获取包含缺失值的电力数据，经过归一化处理使数据介于0～1之间，将数据中的空值替为特殊符号NULL，离散数值变量采用one hot编码，构建缺失值位置编码向量。

优选的，所述步骤2中，通过生成器与判别器之间的博弈其中V(D，E，G)由下式计算：

其中，G是生成器、D为判别器，E为编码器，x代表包含缺失值的电力系统中的真实样本，z是先验分布的随机抽样，G(z)表示z生成的样本，y为数据源，若待判别数据来自真实样本x，则y＝1；如果他来自生产的样本G(z)，则y＝0，Bi-GAN将原始数据x与其他提取的特征E(X)绑定，生成的样本G(z)与其先验分布样本z绑定，然后将两对标记为1和0；