一种基于缺失模式识别的负荷数据自适应填补方法及装置与流程

本发明涉及电力系统负荷数据处理，具体涉及一种基于缺失模式识别的负荷数据自适应填补方法及装置。

背景技术：

1、负荷曲线数据是指按照时间顺序记录的能量消耗序列，准确、完整的产业负荷数据是开展用能特性分析、需求响应潜力评估以及电网规划运行的重要基础。然而，在实际采集过程中，由于设备故障、通信中断、人为记录疏漏等原因，负荷数据往往存在不同程度的缺失。缺失数据的存在会直接影响后续分析结果的准确性和可靠性，因此，对缺失数据进行合理填补是负荷数据处理中的关键环节。

2、现有缺失数据处理方法主要可分为以下几类：一是基于统计学的填补方法，如均值填补、中位数填补、众数填补等，这类方法操作简单，但未考虑数据的时序特征和变量间关联，填补精度有限。二是基于插值的填补方法，如线性插值、样条插值、拉格朗日插值等，这类方法利用缺失点前后的观测值进行填补，能够保持曲线的局部平滑性，但对于连续较长时段的缺失，插值结果容易失真。三是基于机器学习的填补方法，如k近邻填补、回归填补、随机森林填补等，这类方法利用变量间的相关性进行预测填补，能够处理复杂的非线性关系，但通常需要较多的完整样本进行模型训练，且对数据分布有特定要求。

3、随着人工智能技术的发展，基于深度学习的缺失填补方法逐渐成为研究热点，如生成对抗网络、变分自编码器、循环神经网络等被应用于负荷数据的缺失填补。这类方法能够学习数据的深层分布特征，生成符合原始数据分布规律的填补结果，但需要大量高质量的训练数据，且模型训练对计算资源要求较高，难以在数据稀缺、算力有限的场景下应用。

4、在负荷数据采集场景中，普遍存在以下突出问题：一是历史数据积累有限，往往仅有一个月甚至更少的数据可供参考；二是缺失模式多样，既存在随机离散的孤立点缺失，也存在设备故障导致的连续多时段缺失；三是采集条件有限，无法获取气象、农事记录等多源辅助信息。传统缺失填补方法难以同时应对数据匮乏、缺失多样、辅助信息不足等多重挑战。因此，如何在不依赖大量历史数据和辅助信息的前提下，自适应处理不同缺失模式，实现对负荷数据的高质量填补，是当前亟待解决的技术问题。

技术实现思路

1、为了克服上述缺陷，本发明提出了一种基于缺失模式识别的负荷数据自适应填补方法及装置。

2、第一方面，提供一种基于缺失模式识别的负荷数据自适应填补方法，所述基于缺失模式识别的负荷数据自适应填补方法包括：

3、获取待填补日负荷序列，识别并获取其中的连续缺失块集合和离散缺失点列表；

4、根据待填补日负荷序列的类型，构建其对应的历史日负荷序列模板；

5、利用所述类型对应的历史日负荷序列模板分别对所述连续缺失块集合和离散缺失点列表进行自适应填补；

6、其中，所述日负荷序列的类型由产业类型和星期类型组成，所述待填补日负荷序列的类型对应的历史日负荷序列模板基于该类型对应的历史日负荷序列构建。

7、优选的，所述获取待填补日负荷序列，识别并获取其中的连续缺失块集合和离散缺失点列表，包括：

8、遍历所有采样点，若连续缺失点的长度大于1，则记录该连续缺失点的起始采样点序号为起始索引和结束采样点序号为结束索引，存入连续缺失块集合，其中，分别为第1、2个连续缺失块的起始索引和结束索引；

9、将其余缺失点视为离散缺失点，存入离散缺失点列表，其中，表示第1、2个离散缺失点的采样点序号。

10、进一步的，当所述连续缺失块的长度超过预设阈值n时，将该连续缺失块作为长连续块，当所述连续缺失块的长度大于1且不超过预设阈值n时，将该连续缺失块作为短连续块。

11、进一步的，所述预设阈值n为4。

12、优选的，所述待填补日负荷序列的类型对应的历史日负荷序列模板的构建过程包括：

13、按产业类型和星期类型对历史日负荷序列进行分类；

14、剔除每类历史日负荷序列中完整率小于预设值的数据；

15、将各类历史日负荷序列中相同时刻对应的负荷值取中位数，得到各类型对应的历史日负荷序列模板。

16、进一步的，所述预设值为80%。

17、优选的，所述利用所述待填补日负荷序列的类型对应的历史日负荷序列模板对离散缺失点列表进行自适应填补，包括：

18、当待填补日负荷序列的类型对应的历史日负荷序列模板有效时，若离散缺失点i位于端点或仅一侧有观测值，则，否则按下式对离散缺失点i进行自适应填补：

19、

20、上式中，为待填补日负荷序列中离散缺失点i的填补值，i为待填补日负荷序列中离散缺失点引索，为线性插值的权重系数，，和分别为待填补日负荷序列中离散缺失点i左侧和右侧最近的非缺失点索引，为线性插值结果，为待填补日负荷序列的类型对应的历史日负荷序列模板中与相同时刻对应的负荷值；

21、当待填补日负荷序列的类型对应的历史日负荷序列模板无效时，。

22、进一步的，所述线性插值结果如下：

23、

24、上式中，为待填补日负荷序列中非缺失点对应的负荷值，为待填补日负荷序列中非缺失点对应的负荷值。

25、优选的，所述利用所述待填补日负荷序列的类型对应的历史日负荷序列模板对连续缺失块集合进行自适应填补，包括：

26、采用三次样条插值法对短连续块进行填补；

27、基于连续缺失块的开头数据引索、结束数据引索以及所述待填补日负荷序列的类型对应的历史日负荷序列模板对长连续块进行填补。

28、进一步的，所述基于连续缺失块的开头数据引索、结束数据引索以及所述待填补日负荷序列的类型对应的历史日负荷序列模板对长连续块进行填补，包括：

29、当连续缺失块的开头数据引索为0时，对该连续缺失块中的缺失点j的填补值为，，其中，为连续缺失块中的缺失点j的对应时刻，e为连续缺失块最后一个缺失点的引索，为第一缩放系数，，为待填补日负荷序列中连续缺失块右侧第一个非缺失点r的负荷值，为待填补日负荷序列的类型对应的历史日负荷序列模板中与相同时刻对应的负荷值；

30、当连续缺失块的结束数据引索为95时，对该连续缺失块中的缺失点j的填补值为，，其中，s为连续缺失块第一个缺失点的引索，为第二缩放系数，，为待填补日负荷序列中连续缺失块左侧第一个非缺失点的负荷值，为待填补日负荷序列的类型对应的历史日负荷序列模板中与相同时刻对应的负荷值；

31、当连续缺失块的开头数据引索不为0且连续缺失块的结束数据引索不为95时，对该连续缺失块中第k个缺失点的填补值为，、分别为第一、二权重，为连续缺失块中第k个缺失点的对应时刻，l为连续缺失块的数据长度，为连续缺失块内点序号，，为待填补日负荷序列的类型对应的历史日负荷序列模板中与相同时刻对应的负荷值。

32、第二方面，提供一种基于缺失模式识别的负荷数据自适应填补装置，所述基于缺失模式识别的负荷数据自适应填补装置包括：

33、获取模块，用于获取待填补日负荷序列，识别并获取其中的连续缺失块集合和离散缺失点列表；

34、构建模块，用于根据待填补日负荷序列的类型，构建其对应的历史日负荷序列模板；

35、填补模块，用于利用所述类型对应的历史日负荷序列模板分别对所述连续缺失块集合和离散缺失点列表进行自适应填补；

36、其中，所述日负荷序列的类型由产业类型和星期类型组成，所述待填补日负荷序列的类型对应的历史日负荷序列模板基于该类型对应的历史日负荷序列构建。

37、第三方面，提供一种计算机设备，包括：一个或多个处理器；

38、所述处理器，用于存储一个或多个程序；

39、当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的基于缺失模式识别的负荷数据自适应填补方法。

40、第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的基于缺失模式识别的负荷数据自适应填补方法。

41、本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

42、本发明提供了一种基于缺失模式识别的负荷数据自适应填补方法及装置，包括：获取待填补日负荷序列，识别并获取其中的连续缺失块集合和离散缺失点列表；根据待填补日负荷序列的类型，构建其对应的历史日负荷序列模板；利用所述类型对应的历史日负荷序列模板分别对所述连续缺失块集合和离散缺失点列表进行自适应填补；其中，所述日负荷序列的类型由产业类型和星期类型组成，所述待填补日负荷序列的类型对应的历史日负荷序列模板基于该类型对应的历史日负荷序列构建。本发明提供的技术方案，在保证填补精度的同时大幅降低了数据需求和计算成本，为产业负荷数据预处理提供了实用化的解决方案，具体的：

43、本发明通过自动识别离散缺失与连续缺失，并针对不同缺失类型（短块、长块、开头、结尾）采用差异化填补策略，克服了传统单一方法无法同时兼顾不同缺失模式的局限。实验表明，在混合缺失场景下，本发明的填补精度显著优于线性插值和全局中位数方法，尤其在连续缺失块上能够保持负荷曲线的物理合理性。

44、本发明仅需当月少量完整日数据，即可构建有效模板，数据需求量较深度学习方法降低99%以上。适用于农村产业等数据采集条件有限、历史样本稀少的实际场景。