文摘

互联网背景下的能源,电力系统的规模不断增长带来了新的挑战和机遇。众多类别的测量数据,作为沟通的基石,扮演着重要的角色在系统的安全与稳定。然而,当前采样和传输设备不可避免地遭受数据丢失,严重降低了稳定运行和状态估计。因此,在本文中,我们考虑到加载数据为例,首先开发一个丢失的检测算法的绝对差序列(广告)和线性相关,以发现任何潜在的丢失的数据。然后,根据检测结果,我们提出了一个失踪的复苏模型命名级联卷积autoencoders (CCAE),恢复丢失的数据。创新,采取了特殊的预处理方法,重塑一维载荷数据作为一个二维矩阵,因此,可以进行图像修复技术解决这一问题。同时,CCAE旨在重建丢失的数据年级的年级由于其优先级策略,这提高了鲁棒性在极度缺失的情况。数值结果的数据加载比利时网格验证有前途的性能和该方案的有效性。

1。介绍

如今,测量数据是电力系统的基础。收集到的大量数据尤其是电力的质量如电压、电流、和负载与安全运行和经济调度紧密相关1]。然而,由于电网日益增长的规模和数量庞大的传感器,测量数据的缺乏和异常无法避免,这主要是由于失败和残疾的传导渠道的终端设备或性能退化(2,3]。缺失数据的问题可能会导致严重的后果,包括稳定性、优化和故障预防(4]。此外,缺失数据的测量值可以被未知的噪声,这使得他们更难被认为和诊断。因此,高效、准确的数据检测数据异常和恢复丢失的数据是一项基本的数据驱动的发展分析和先进的算法解决方案。

从本质上讲,缺失数据的检测可以分为异常或异常值检测的一个分支,和相关的研究调查在过去几十年里5]。在传统算法,讨论的方法涉及残余和突然的变化(6,7]。根据统计分析,3标准(8),Z分数(9),和聚类10介绍了]。具体来说,在电力系统中,学者建议方法结合multimeasured数据的相关性来提高精度(11]。然而,这些解决方案是容易受到数据污染由于缺失数据的存在,导致不满意的性能。

近年来,随着人工智能(AI)技术的显著发展,越来越多的学者专注于人工智能技术的应用程序在数据恢复12]。在文献[13),一个无监督学习框架基于沃瑟斯坦生成对抗网络(WGAN)提出了修复缺失数据的有功功率,无功功率,电压幅值和相位在电力系统中,实现高精度,但丢失的面具是需要提前发现,和加工效率相对较低是由于一维卷积。在[14),自适应神经模糊推理系统(简称ANFIS)模型是开发风力发电的恢复丢失的数据。它执行更好的与传统的经验方法相比,但很难推广到其他数据。此外,许多其他的解决方案被采纳(例如,15- - - - - -20.]),但几乎所有的解决方案将讨论处理缺失数据不加选择地没有优先级,将坏在极端情况下的表现。

本文将比利时加载数据(http://www.elia.be)作为一个实例,提出一种新的模型检测和恢复丢失的数据。首先,从分析缺失数据的特点,提出了一种检测方法与广告和线性相关检测潜在的失踪的面具从输入不完整的数据。其次,预处理将应用于不完整的数据,发现失踪的面具,也重塑了他们的图像(矩阵)。最后,我们将演示一个CCAE模型解决丢失的区域在图像的年级与定义的优先级。

本文的其余部分组织如下。节2介绍了相关工作和基本理论。节3节中,失踪的方法检测研究3.1然后失踪的恢复算法开发的部分3.2和3.3。部分4给出了一些数值结果和讨论基于比利时电网的负荷数据,在一个丢失的面具生成模型设计和用于测试。最后,部分5将本文的结论和列表的力量和弱点提出模型,同时,对未来的工作进行了探讨。

2。相关工作

在本章相关工作包括异常检测、卷积神经网络(CNN),和autoencoder (AE)介绍,这是基本的技术应用。

2.1。异常检测

有许多异常检测模型在文献中广泛使用。基本想法是模型的数据模式,然后设置一个合适的阈值或条件挑选异常数据的数据集。在这一部分中,3标准将探索。

服从高斯分布的数据集或称为正态分布21), ,如图1。的意思是和标准偏差可以通过最大似然估计估计(标定)。根据高斯分布的特点,数据的可能性躺在范围(−3 , + 3 )是99.7% (22]。因此,这个范围的数据可能被贴上一个异类。即使原始数据可能不服从高斯分布严格但就约,我们可以调整3适当的为2.5或3.5例如,这仍然让它工作得很好。

2.2。卷积神经网络

卷积神经网络(CNN)称为前馈神经网络与卷积计算是一个典型的图像处理范式在深度学习23]。CNN的能力表示学习和能够处理的输入图像移不变的分类。因此,它被称为移不变的人工神经网络(SIANN)。CNN-based分类见图的一个例子2。

CNN的卷积计算见图3不同于在方程(1)。在CNN,卷积完成二维输入,不需要反向操作最终的输出:

我们之所以采用CNN代替人工神经网络(ANN) [24)来处理图片,参数共享在CNN使我们能够分析图像参数少得多。这是因为完全连接层只有在CNN的最后几层使用。因此,其训练效率比安,当处理与图像的语义。同时,可以监督或无监督的培训策略,这取决于目标。

通常情况下,有不同类别的层在CNN,如卷积层、汇聚层,和完全连接层。卷积层应用卷积核内积输入,地区区域,提取和特征可以在输出中,显示在图3。

池层是为了减少输出卷积层的大小,然后在以下卷积层减少必需的参数。另一个重要的好处是,池层可以缓解过度拟合,提高泛化能力。汇聚层的主要类型包括马克斯池和平均池,并计算如图4。

完全连接层与层安。唯一的区别是,我们首先将平二维卷积的输出层或汇聚层,作为一个一维向量,然后,采用完全连接层,在图中描述5。因此,完全连接层也叫平层在CNN。

CNN已经广泛采用计算机视觉,图像分类等(25和对象识别26]。和自动驾驶仪的发展也坚定地整合与CNN (27]。

2.3。Autoencoder

Autoencoder (AE)是一种监督或无监督安用于数据压缩,表示学习,降维(28),和图像去噪29日)由Rumelhart首次提出在1986年(30.]。AE呈现在图的一个例子6。

AE的输出需要尽可能输入相同,定义在(2)(4)。培训后,AE可以有效地编码输入数据的特点:

如图6AE的编码器和解码器,本质上是完全连接层。编码器负责特性的学习,而译码器应该能够重现输入的编码功能。注意,当处理图像问题,AE也可以回旋的层(31日),这正是本文的基本结构。

3所示。方法

在本节中,我们将首先讨论一个丢失的检测算法以获取丢失的面具从输入不完整的数据。然后,输入数据和发现失踪的面具将进一步预处理矩阵,分别。之后,我们构建一个CDCAE模型恢复丢失的数据矩阵和重塑矩阵一维时间序列。

3.1。丢失的检测

3.1.1。缺失部分的分类

通常,造成的丢失的数据采样和通信设备的故障主要表现为离散缺失点,连续缺失的部分,或两者的结合32),见图7。当抽样终端的联系是松散或其他干扰发生时,数据可能显示为离散的波形缺失点。然而,在每个链接的传播,数据包丢失的临时通信失败将导致一个连续丢失的部分。

离散缺失点可以被看作是特殊情况的连续缺失片段的长度。因此,我们只考虑丢失的部分。

事实上,在失踪的部分测量值通常不是零个或NA,但噪声分布接近于零。这种噪声不仅包括背景噪声采样设备和传输通道噪声由于故障或故障。为了简化模型,假设是合理的缺失部分的噪声是零均值的高斯分布和相对较小的方差比正常数据信号。

在这部作品中,缺失的部分被归类为典型的缺失部分和非典型缺失的部分,如图8和9。因为正常的数据很可能会远离零噪音时丢失的片段分布接近于零,开始和结束的缺失部分,曲线将显示异常。我们称这些缺失的部分典型的缺失部分,这是大多数情况下。相反,有一个非常低的可能性之前或之后正常数据缺失段也分布接近于零的水平,导致正常的范围的重叠数据和丢失的数据。在这种情况下,曲线可能有隐性的开始或者结束那个失踪的部分。因此,我们的名字那些失踪的部分作为典型缺失部分。

这里,异常跳的门槛被定义为异常值输入序列的广告。微分序列(DS)加载数据自然是受到与零均值的高斯分布;因此,我们可以简单地应用3标准指定广告中的异常值,然后找到所有的异常的跳跃。然而,因为还可能存在异常的跳跃在非典型缺失的部分显示在图9,但仍无法找到两种缺失的部分。

除了曲线的突然跳,另一个功能可能不是那么明显。在小窗口大小下,段的正常数据通常显示正则曲线的形状有高度线性相关,而丢失的数据段将有更低的线性相关性。这可能是另一个重要因素,区分从正常数据缺失的数据。

3.1.2。σ和线性相关的标准

基于定义的部分3.1。1,检测问题可以分开为两个子问题的典型和非典型缺失部分,分别。本文将首先提出一个方法来诊断典型的缺失的部分。然后对结果的影响,其余非典型缺失的部分能被探测到。

假设地面真实数据 ,输入不完整的数据 ,失踪的面具 ,和噪声信号 ,然后 在哪里是一个二进制数 代表缺少(正常),声音受到高斯分布 ,和是element-wise生产操作员。

的步骤检测丢失的面具从输入不完整的数据描述如下:(1)定义的DS和广告作为 (2)假设受到 和计算标准偏差 。标签的所有在那 作为异常值由于异常的跳跃。(3)计算线性相关每段之间的相邻标记时间。如果 ,相应的段段看成是一个典型的失踪。(4)由于噪声信号在缺少部分遵循 ,我们可以估计未知通过检测典型的缺失的部分。(5)定位的所有部分在 除了发现典型的失踪段(3),并检查线性相关一次。对于那些 ,标签对应的部分作为典型缺失部分。(6)集在发现典型和非典型失踪段1,另一个0。获得发现失踪的面具 。

评估我们的检测算法,我们将参考混淆矩阵(33)和计算精度 ,回忆 ,和分数(34)中定义1在以下方程:

3.2。预处理

3.2.1之上。归一化

后失踪的面具在已经发现,规范化是必要的吗作为 方便,一个可能的选择是如下所示(35]:

但由于高斯噪声的污染在丢失的部分,我们可能不会获得真正的最大和最小值,这将导致值分布差距正常化后,和不能填补这一规范化的数据值范围,因为有可能更高(低)比真正的最大(最小)。

为了避免这个问题,我们将计算最大和最小值只在正常数据 然后正常化作为

的值可以完全填充范围(0,1),并且没有更明显差距的分布值。注意,一个潜在的优势通过这样做是噪音将被零代表取代缺失的数据独特,反之亦然。下面的恢复算法可以很容易地知道哪些数据丢失的数据仅仅是阅读零值,甚至不知道失踪的面具 。

准备训练数据集时,地面实况数据也将归一化 ,在哪里

应该注意,这里使用的局部最大值和最小值正常化可能不是全球最大和最小的正常数据在失踪之前,因为真正的最大和最小可能被丢失的面具。因此,当我们规范化这些阻塞数据,结果很可能超出范围(0,1)。但幸运的是,由于本文中讨论的数据加载数据具有明显的周期性,当地的最大和最小将非常接近全球最大和最小。

3.2.2。年级

修复缺失的数据是要找出如何使最好的估计基于相邻的正常数据缺失的数据。因此,充分利用相邻的正常数据是解决问题的关键。

我们注意到,对于不同的缺失数据的缺失,缺失数据的特定位置是不同的,也可用相邻正常数据的数量是不同的。附近的缺失数据,失踪的开始或结束部分更接近正常的数据,这使得它们更容易被恢复,而缺失的数据中心的缺失部分远离正常数据和需要解决的困难。

设计更有针对性的恢复算法对不同缺失的情况下,本文将介绍强大的进步发现失踪的面具节3.1。2。核心理念是缺失的数据中心应该恢复的基础上,恢复丢失的数据的边缘,这表明边缘缺失的数据有一个更高的优先级,在恢复之前:

区分缺失的数据在不同的位置,我们年级成submissing面具 另外,在哪里参数和年级吗 - - - - - -th submissing面具 。中缺失的部分将被分为小submissing段从两端向内。submissing段的比例有关,在被定义为 : 在哪里是一个二进制数相似吗 。

摘要hyperparameters 和相应的 , ,和 ,如图10。

3.2.3。重塑

电力系统数据的负载变化以及社会模式的操作和生产。因此,它将显示明显的多个周期的研究在天,周,季度和年度。当修复这类数据,只有指直接相邻的正常数据之间的连续性和丢失的数据(例如,数据之前和之后半小时)是不够的,会导致糟糕的性能。相反,应该考虑周期性,这意味着我们必须也指相邻周期的数据(例如,数据在同一时间,但不同时期),因为这些数据,在某种程度上,间接相邻和共享模式非常相似,呈现在图11。

在语义强度方面,直接邻接比间接邻接,但他们可以组合作为参考。的边缘的数据缺失的部分,由于波形连续性约束,直接相邻的数据几乎是最重要的修复参考;但对里面的缺失数据丢失的部分,不会有任何直接相邻的数据供参考,而间接相邻数据成为一个非常重要的因素。然而,传统的数学估计和插值方法只能感知数据缺失的数据在一个非常有限的窗口,所以他们不能充分利用从间接相邻数据的信息。因此,修复精度很低,特别是对于长期连续丢失的部分。

在处理类似的问题,文献[35)提出了一种方法将一维谐波数据转化为一个二维灰度图像通过周期截断和重塑,显示在图12 。启发,本文将重塑一维不完整的数据和相应的submissing面具矩阵。

取 ,例如,假设每天采样点的数量 ,的数据集天,和大小。然后,重塑成一个 - - - - - -由- - - - - -矩阵 : 在哪里 。比利时的加载数据网格, 和 。

同样的,矩阵可以获得。矩阵的二维结构使得直接和间接邻接互相兼容的行和列分别。和形状的矩阵可以被理解为一个特殊的“广义”的形象。基于以上分析,当我们重塑数据,修复缺失的一维数据的问题修复一个二维图像的问题。在下面的讨论中,我们将结合深度学习和图像处理技术来解决这个问题。

3.2.4。边缘填充

重塑后,矩阵的数据位于中心将有更多可用的相邻数据矩阵的边缘,这表明可用相邻数据的数量从中心向外放射减毒的矩阵,使边缘数据的恢复更加困难比中央数据。

解决问题的不平衡分布可用在径向方向上相邻的数据,最直接最有效的方法是安排一些额外的边缘上的数据。当我们截断重塑成原来的一维数据矩阵,在截断点两个相邻数据将被分离,然后安排在这一行的结束和下一行的开始。所以,左边缘和矩阵的右边缘——“邻——“但错位的一行,如图13。因此,数据在左边和右边为彼此可以用作填充数据。

取 ,例如,为了改善这种不平衡分布,两个 - - - - - -由- - - - - -填充矩阵和设计,填充深度: 在哪里

定义的比例和作为hyperparameter填充率 :

然后,安排和的左右 ,分别获得 - - - - - -由- - - - - -填充矩阵作为 在哪里 。

同样的,填充矩阵可以达到。

3.2.5。片

因为没有填充数据的上下两侧填充矩阵,我们将减少填充矩阵分解成更小的 - - - - - -由- - - - - -片和设置适当的重叠行填充数据的上下两侧。

取 ,例如,片被定义为 ,在哪里 - - - - - -th片是一个 - - - - - -由- - - - - -矩阵: 在哪里 和 。

对相邻切片和 ,有重叠行低的一面和上的一面 。因此,第一个和最后一个行和列是冗余数据。因此,当恢复一片,我们只需要考虑它的中心 - - - - - -由- - - - - -区域定义为核心区域: 在哪里 。

尤其是核心领域的第一个(去年)片将包括上层(低)行,导致 - - - - - -由- - - - - -矩阵: 在哪里 和 。

同样,片可以获得。

3.3。失踪的复苏

当我们使用一个二维矩阵来表示一维数据,恢复问题的一维数据图像修复的问题。最近,美国有线电视新闻网(CNN)和氮化镓技术深度学习在图像修复领域有良好的性能。在[36),作者使用了前五的卷积层AlexNet [23)作为一个编码器来提取图像的特征缺失区域,然后使用六deconvolutional层作为一个解码器恢复丢失的区域的学习功能。启发,本文将提出一个卷积autoencoder-based网络恢复丢失的数据预处理矩阵。

正如我们所知,AlexNet的学习特点是专为对象分类问题,对象的位置并不重要,因为一个对象的类别并不取决于它的位置。因为使用max池,“有效”填充,平层,张量的大小将被压缩,将模糊的位置信息。因此,它几乎是不可能追溯到原始深度层位置的功能,尤其是当输入数据受损严重。

重塑矩阵,因为语义信息并不是均匀分布的行和列,初始状态的特性提取特征时更为重要。如果直接应用卷积和反褶积框架,特征的模糊位置深度层将进一步降低的情况。此外,由于“广义”排名较低的图像通常是低维,编码器在上下文中36将有坏表现作者提醒。

因此,本文提出了CCAE网络基于上下文编码器如下:只使用卷积层没有任何压平,池,或完全连接层,取代填充模式从“有效的”到“,”和设置步幅,使输出张量在每一层的高度和宽度等于输入,即 - - - - - -由- - - - - - 。最后,将恢复到一维输出矩阵。

3.3.1。网络结构

恢复预处理不完整的数据与 ,提出了CCAE模型结构如图14。

有卷积autoencoders ( )块级联CCAE对应submissing面具 。每一个有一个编码器 ,一个解码器 ,和一个过滤器 。编码器和译码器是由卷积层,分别,跨越,填充模式”一样,“Relu和激活函数。过滤器用于更新恢复缺失的片段的结果 ,也就是说,

然后,将输入的在 ,这可以确保基于经济复苏的结果将会恢复 。特别是, 在哪里复苏的结果吗 。

在这篇文章中, 正如前面提到的, 。因此,有四个回旋的层 。卷积内核的数量每一层是64年,96年,32岁,1 ,32岁,64年,16日和1 ,64年32岁,16日和1 。相应的内核大小(5,5),(11日11),(5)和(3) ;(7),(5),(3),和(3) ;和(5),(5),(3),和(3) ,作为显示在图15。红色的矩形表示部分的核心领域3.2.5。

没有一个平层和完全连接层,我们只使用两个卷积层功能学习。结果,学习功能将定位在原来的位置,这意味着这个网络将编码器的特征向量输入矩阵中的每一个点在同一位置,把特征向量计算点。通过位置信息,可以保留在学习最扩展功能。

3.3.2。损失函数

我们应该注意到的一件事是,输出矩阵的大小CCAE仍在 - - - - - -由- - - - - - ,只有他们 - - - - - -由- - - - - -核心领域问题中提到的部分3.2.5。因此,损失函数被定义为根均方误差(RMSE)的核心区域内缺失的数据: 在哪里通过相同的预处理部分吗3.2。

3.3.3。恢复

自是一组标准化 - - - - - -由- - - - - -矩阵片 ,应该是恢复回一维时间序列,即预处理的反向操作部分3.2。假设 ,然后重新组织切片的核心领域作为一个 - - - - - -由- - - - - -矩阵 :

在那之后,重塑成一个 - - - - - -由- - - - - -时间序列 ,在哪里 对于那些 。最后,反向正常化3.2.1之上的恢复结果 在这

4所示。实验结果和讨论

在本节中,我们将验证检测和恢复算法。从比利时电网负荷数据进行训练和测试数据,和一个丢失的面具生成模型产生生殖失踪的面具下不同的参数。

4.1。实验设计

以下4.4.1。失踪的面具生成模型

在比利时的原始数据加载网格,很少有缺失的部分;因此,它可以被视为地面实况数据 。然后,我们必须手动生成失踪的面具检测和恢复测试。

缺失率定义为在哪里

如果我们只是随机选择一些片段失踪段,段会发生碰撞,显示在图16,从而导致缺失率低于给定的 。因此,提出了一种分层抽样模型解决问题,如图17。

定义丢失的数据的数量 ,也就是说,

然后,分作为段,是失踪的部分和的数量 在哪里和缺失片段的长度参数确定失踪段的平均长度 :

随机生成之间的一个整数和作为然后随机分作为段;然后,根据各自的比例段,除作为子分段。最后,在每个亚节 ,我们独立选择一个缺失的部分,这些部分在1和其他0时子分段。这个管道可以确保和缺失的部分是独立的分布。

一些生殖失踪的面具 , ,和如数据所示18和19。每组参数,四失踪面具独立生成,和数据的总数 ;图中蓝色区域表示正常数据 ,而红色地区意味着缺失的数据 。

4.1.2。数据集配置

如前所述,我们将比利时的加载数据网格在2014 - 2020年为例,总共涉及2000天,每天96个采样点。原始数据值从7000千瓦到14000千瓦。

更好的评估模型,检测和恢复独立组件将被测试,这意味着丢失的恢复组件生成失踪面具的面具而不是发现失踪的面具的检测组件。因此,不同的数据集配置将用于这两个组件。

对于检测组件,我们假设噪声服从高斯分布 并定义为正常数据信噪比信号功率和噪声信号功率作为 在哪里 和 。

在实验中,我们考虑信噪比范围从15分贝40 dB。由于原始数据范围从7000到14000年,如果我们直接生成一个丢失的面具,几乎所有失踪的部分将典型的缺失的部分。全面评估缺失的检测算法,我们线性映射原始数据值(-500,0)、(-250、250),和(0,500)。缺失率的因素应该调查,设置为10%,20%和40%。此外,参数是固定的长度 和 ,然后 。配置如表所示2。索引来评估检测结果精度 ,回忆 ,和分节3.1。2。

对于经济复苏的组件,因为部分的噪声将被清除为零3.1。2,我们不关心噪音的影响 。相反,参数 , , ,和进行了研究。将设置为5%、10%和20%,而和将被设置为(0.1,0.15),(0.05,0.075),(0.025,0.0375),对应8、16和32。此外,填充深度将被设置为0,7,9,11。为每一个 ,失踪的面具包含混合 的组合( , , )。表中列出的配置3。该指数来评估经济复苏结果RMSE节3.3.2。

此外,失踪的面具与上述配置为独立的十倍,以避免产生的随机干扰的结果。

4.1.3。培训设置

每组的配置表3,80%将被用作训练集,其余20%将测试集。提出了软件和硬件的规格表4和5。优化器是“亚当”,学习速率将沿着时代下成倍增长,和批量大小为20(片与相应的失踪的面具)。

4.2。结果与讨论的缺失检测

如图20.数据映射,在积极的范围(0,500)或负面的范围(500−,0),所有的精度,回忆,和都是当信噪比超过20 dB近100%,而信噪比需要超过30分贝达到相同的结果的数据映射(250−250)。这是因为非典型缺失片段的比例的数据映射(250−250)远高于其他两个,和失踪的噪音段在这种情况下将会有一个非常高的可能性与正常数据重叠。此外,我们可能无法获得足够的噪声估计的典型缺失的部分,从而影响检测性能。

当信噪比降低20 dB - 15分贝,有严重恶化的结果。数据映射(−500,0)和(0,500)可以降至0.7。和数据映射的情况将会更糟(250−250)可以低于0.6。但幸运的是,在大多数情况下,数据总是积极的还是消极的,是远离零,噪声对缺失的数据足够小,保证了较高的信噪比。因此,发现面具可以视为地面真理失踪的面具。这也只是用生成的原因失踪的面具而不是发现失踪的面具来测试顺序恢复组件。

另一个现象是,在高信噪比区域,缺失率检测似乎没有区别,而在低信噪比地区,缺失率越高,检测性能就越好。也许不是那么直观。但是我们的进一步分析表明,当信噪比很低,假阳性样本的比例将大大增加,因为重叠的正常数据和噪音,即使缺失率为零。因此,更高的缺失率将更积极的样本,这在一定程度上降低了假阳性样本。

4.3。结果与讨论的失踪的复苏

不同填料的RMSE深度如表所示6。通常,CCAE模型对丢失的恢复问题,执行好和RMSE很低规范化范围(0,1)。此外,边缘填充技术可以进一步提高恢复错误,但是太深填充深度可能会导致性能下降,在这个实验中,最佳选择是9与填充率为9.375%。

培训期间,CCAE允许输出高错误在这些填充的区域,这使得损失函数收敛更加容易和高效。没有填充区域,这些错误会不可避免地出现在核心区域,这也是我们设计边缘填充技术的原因。

理论上,填充深度越深,越相邻数据可用于边缘数据在核心领域,但随着深度的增加,填充数据和核心数据之间的距离将线性增长,。一旦超过一定距离,填充数据可以不再提供任何有用的信息,而导致较低比例的核心区域填充块,使计算效率低。

演示CCAE的恢复性能 ,我们随机选择了一些输出片相对于输入片和地面真理在图21,矩阵是虚拟的灰度图像。每个块的大小是114 -到- 114,蓝色,绿色,黄色部分在submissing面具代表submissing部分 , ,和 ,分别。红色矩形核心领域内的地区。

输出图像的核心领域几乎是一样的核心区域地面真理,即使对那些输入缺失率高和长期缺失的部分。我们甚至不能区分的核心输出和地面真理。只有当放大输出,我们可以发现一些细微的不同材质地面真理。

而在边缘填充区域外的核心领域,有明显的黑洞的蓝色的圆圈图所示21因为忽视这些地区的损失函数在定义部分3.3.2。在图22,我们恢复一些行输出的一维 ,与前面的讨论结果是一致的。

5。结论和未来的研究

本文提出一种基于CCAE失踪加载数据检测和恢复模型。在检测问题,我们结合广告和线性相关的标准来检测潜在的缺失的部分。根据检测结果,我们进一步发现失踪面具分为submissing面具与优先级,然后重塑原来的一维数据和面具为二维矩阵数据提高。所构造的矩阵被视为“广义”图像,这将恢复图像修复问题。此外,进行深度学习技术,我们设计了CCAE模型来修复受损的输入矩阵。评估算法,我们建立一个丢失的面具一代模型生成失踪的面具。数值结果的数据加载比利时网格表明发达有令人满意的性能检测和恢复算法在不同缺失的情况。应该强调,该智能检测和恢复解决方案可用于其他形式的时间序列数据集。

这里提出的强度检测和恢复算法可以概括如下:它可以发现丢失的检测几乎是100%准确的对于大多数情况;丢失的片段可以恢复年级的年级优先submissing面具策略,确保恢复精度甚至寻找失踪多年的段。此外,重塑从一维时间序列二维图像增强方法是一种强大的数据加载数据,使CNN理解一维数据的语义。最后,CCAE结构输入大小并不敏感,所以很容易使转移学习与不同时期的数据集。

相反,建议的解决方案仍需要进一步的调查,因为它具有以下潜在的局限性:首先,在低信噪比的条件下,一些正常数据分布在零附近可能会误认为是缺失的数据。训练过程需要大量的历史数据,这对一些问题是很困难的。同时,hyperparameters的数量太多优化和专家经验的要求。

在未来的工作中,进一步的研究是需要从两个方面进一步改善提出了算法的解决方案。首先,该模型可以进一步提高通过采用更复杂的深度学习模型。此外,解决方案可以包含一个混合模型,该模型由多个不同的机器学习算法。此外,建议的解决方案可以应用在不同的时间序列数据和验证在其他应用领域。

数据可用性

比利时的负载数据用于支持本研究的发现是可用的http://www.elia.be。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家电网科技项目浙江电力有限公司有限公司和基础研究基金为中央大学(浙江大学NGICS平台)。