(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210885026.3 (22)申请日 2022.07.26 (71)申请人 国网江苏省电力有限公司南 通市海 门区供电分公司 地址 226100 江苏省南 通市海门区海门街 道人民西路6 56号 (72)发明人 汤向华　王栋　吴迪　施雄杰　 张丽娟　汪家钰　俞天鹤　罗飞　 陈飞龙　 (74)专利代理 机构 镇江至睿专利代理事务所 (普通合伙) 3252 9 专利代理师 刘静 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01)G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 20/00(2019.01) (54)发明名称 处理电力负荷监测稀疏数据的关键特征选 择方法和装置 (57)摘要 本发明公开了处理电力负荷监测稀疏数据 的关键特征选择方法和装置， 通过对电力负荷监 测稀疏数据进行特征选择， 降低后续对数据集分 析的计算量， 提高工作效率； 选出其中的关键特 征， 剔除其中无关特征及冗余特征， 有利于提升 机器学习训练与预测的准确性； 高维的异构数据 存在的大量冗余， 在电力系统各典型场景的特征 分析中能够 找准场景与其关联特征之间的关系， 不仅在实际分析时具有针对性， 还会显著缩短处 理的时间； 通过关键特征选择方法与装置的相互 配合， 解决了电力数据样本获取难度大， 具有实 时性， 在采集、 传输、 存储等诸多环节可能遇到系 统故障或外部干扰， 导致数据缺失的问题； 可 以 通过残缺数据准确分析， 做出正确的运行决策。 权利要求书2页 说明书7页 附图2页 CN 115329663 A 2022.11.11 CN 115329663 A 1.处理电力负荷监测稀疏数据的关键特征选择方法， 其特征在于： 包括获取电力负荷 监测稀疏 数据F， 并形成监测数据输入 稀疏流特 征， 构建缓冲矩阵B； 将所述缓冲矩阵B投入预训练好的隐特 征填充模型， 计算 缺失值并填补为完整矩阵 对所述完整矩阵开展流特 征选择， 存 入最优特 征子集BSF。 2.根据权利要求1所述的处理电力负荷监测稀疏数据的关键特征选择方法， 其特征在 于： 所述获取电力负荷监测稀疏数据F在M行N列， 包括 故障前的稳态特征数据及故障后的暂 态特征数据， 所述构建缓冲矩阵B 在M行Bs列， 用于缓存新到 达的稀疏流特 征， 其中Bs< <N。 3.根据权利要求1所述的处理电力负荷监测稀疏数据的关键特征选择方法， 其特征在 于： 将所述缓冲矩阵B投入预训练好的隐特征模型， 计算缺失值并填补为完整矩阵 缺失 值的计算 步骤为： 步骤一： 随机生成PM ×k及QN×k， 令R＝B， 并通过柯西损失优化如下目标函数： 其中λp, λq为对应P、 Q的正则化参数， γ为常数， ΩM ×N为指示矩阵， 当R中相应位置有 监测值为1， 否则为0； 步骤二： 预测矩阵 将预测值 填充在缺失位置， 获得完整矩阵 4.根据权利要求1所述的处理电力负荷监测稀疏数据的关键特征选择方法， 其特征在 于： 对所述完整矩阵 开展流特 征选择， 其 步骤包括： 步骤一： 相关性分析： 当新特征流入时， 通过Fisher ‑z检验计算特征相关性， 并返回p 值， 令α表示模糊相关的显著性水平， 如果p<α， 则进入冗余性分析， 如果α <p<0.1， 则进行模 糊相关性分析， 否则该 特征被丢弃； 步骤二： 冗余性分析： 对进入冗余性分析的新特征， 分别计算其是否与BSF中已存在的 特征冗余， 如果是则丢弃新特征， 否则将新特征加入BSF； 以及是否使BSF中原有特征变冗 余， 如果是则丢弃掉原有特 征； 步骤三： 模糊相关性分析： 对进行步骤三的新特征， 计算其与标签的依赖度， 加入到模 糊相关特征子集FSF， 并排序， 在没有新特征流入后， 对之排序， 取前BSF大小的一半存入 BSF； 以上步骤重复进行直到没有新特 征流入， 最终输出BSF。 5.根据权利要求1～4任意一项所述的处理电力负荷监测稀疏数据的关键特征选择装 置， 其特征在于： 包括数据缓冲模块、 数据补全 模块、 流特 征选择模块， 三 者依次连接， 所述数据缓冲模块， 用于电力负荷监测稀疏数据的获取， 并将实时的数据缓存进缓冲 矩阵； 所述数据补全模块， 用于将稀疏的缓冲矩阵投入预训练好的隐特征模型， 计算缺失值 并填补为完整矩阵； 所述流特征选择模块， 用于对完整矩阵开展特 征选择， 将结果存 入最优特 征子集，权　利　要　求　书 1/2 页 2 CN 115329663 A 2所述流特征选择模块包括相关性分析单元、 冗余性分析单元、 模糊相关性分析单元、 存 储单元。 6.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置， 其特征在 于： 所述数据缓冲模块中， 监测稀疏数据的获取包括故障前 的稳态特征数据及故障后的暂 态特征数据， 用于缓冲实时监测稀疏数据 的缓冲矩阵的列远小于整个电力负荷数据集的 列。 7.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置， 其特征在 于： 所述数据补 全模块通过将缓冲 矩阵投入训练好的 隐特征模 型， 生成缺 失位置的预测值， 并将之填充到缺失位置 。 8.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置， 其特征在 于： 所述相关性分析单元， 用于对新流入的缓冲矩阵中的特征进行相关性分析， 通过 Fisher‑z检验计算返回的p值， 令α 表 示模糊相关的显著性水平， 由模糊隶属度函数将α调动 在0.01～0.1之间， 如果p<α， 则进入冗余性分析， 如果α <p<0.1， 则进行模糊相关性分析， 否 则该特征被丢弃。 9.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置， 其特征在 于： 所述冗余性分析单元， 对进入冗余性分析的新特征， 分别计算其是否与BSF中已存在的 特征冗余， 如果是则丢弃新特征， 否则将新特征加入BSF； 以及是否使BSF中原有特征变冗 余， 如果是则丢弃掉原有特 征。 10.根据权利要求5所述的处理电力负荷监测稀疏数据的关键特征选择装置， 其特征在 于： 模糊相关性分析单元， 模糊相关性分析， 对进行步骤三的新特征， 计算其与标签的依赖 度并存入模糊相关特征子集FSF， 并排序， 在没有新特征流入后， 对之排序， 取前BSF大小的 一半存入BSF； 存 储单元： 用于存 储每个单元执行后产生的BSF、 FSF。权　利　要　求　书 2/2 页 3 CN 115329663 A 3