[发明专利]基于贝叶斯高斯张量分解模型的用电数据修复方法及系统

说明书

本发明属于数据修复领域，公开了一种基于贝叶斯高斯张量分解模型的用电数据修复方法及系统，收集天气、节假日、星期类型和用电量数据，构建成天气因子、节假日因子和星期因子，根据天气因子、节假日因子和星期因子构建相似度目标函数；使用野马优化算法对相似度目标函数进行寻优，在历史日中查找到与修复日相似度最高的M个相似日；以相似度最高的M个相似日的用电量数据构成三阶张量，将三阶张量输入到贝叶斯高斯张量分解模型中进行数据修复。本发明采用改进的野马优化算法选择相似日，输入贝叶斯高斯张量分解模型中对残缺数据进行修复，提升了修复准确率，以提高数据质量，达到提升预测等行为的精确性。

技术领域

本发明涉及数据修复技术领域，具体涉及一种基于贝叶斯高斯张量分解模型的用电数据修复方法及系统。

背景技术

随着电力系统信息化程度的提高和智能电网的加速建设，用户电力数据量呈指数型增长状态。为了更好地服务用户以及维持国民经济的可持续发展，对配用电大数据中海量用户用电行为的分析和挖掘具有越来越重要的意义，同时海量电力用户所产生的负荷大数据也对数据修复技术提出了更加严峻的挑战。

当前，用电信息采集系统可为多种业务提供数据支撑。但由于采集设备故障、通信信道不稳定以及外界干扰等原因，往往会出现用电信息采集系统采集到存在数据缺失的电量数据，这会造成基于电量数据的各种应用分析失去准确性甚至无法进行。因此,必须对存在数据缺失的电量数据进行修复。

发明内容

本发明的目的在于提供一种基于贝叶斯高斯张量分解模型的用电数据修复方法及系统，收集天气、节假日、星期类型和用电量数据，将选取的天气因素运用灰色关联度构建成天气因子，根据是否是节假日构建节假日因子，根据星期类型构建星期因子，然后构建相似度目标函数。使用改进后的野马优化算法对构建的目标函数进行寻优，从而再大量历史数据中找到相似度最高的相似日，将相似日的数据输入进贝叶斯高斯张量分解模型进行残缺数据修复。本发明采用改进的野马优化算法选择相似日，输入贝叶斯高斯张量分解模型中对残缺数据进行修复，提升修复数据准确率，以提高数据质量，提高预测精确性。

为了实现上述目的，本发明采用的技术方案是：基于贝叶斯高斯张量分解模型的用电数据修复方法，包括以下步骤：

步骤1：收集修复日和历史日的天气数据、是否是节假日和星期类型数据，并且收集残缺数据电表和相邻两个电表修复日和历史日的用电量数据；

步骤2：对收集到的天气数据进行归一化处理，得到归一化天气数据；

步骤3：将归一化天气数据运用灰色关联度构建成天气因子，根据是否是节假日构建节假日因子，根据星期类型构建星期因子，根据天气因子、节假日因子和星期因子构建相似度目标函数；使用野马优化算法对相似度目标函数进行寻优，在历史日中查找到与修复日相似度最高的M个相似日；

步骤4：以相似度最高的M个相似日的用电量数据构成三阶张量，将三阶张量输入到贝叶斯高斯张量分解模型中进行数据修复。

进一步优选，将修复日的归一化天气数据作为母序列，历史日的归一化天气数据作为子序列进行灰色关联度计算：

；

式中，为分辨系数，为修复日的第k类归一化天气数据；为第n个历史日的第k类归一化天气数据；为第n个历史日与修复日的第k类归一化天气数据之间的灰色关联度；

将第n个历史日与修复日的各类归一化天气数据之间的灰色关联度相加，得到第n个历史日的天气因子，公式如下：，K为天气数据类别总数。

进一步优选，节假日因子构建方式如下：

；

；