本發(fā)明涉及一種基于改進(jìn)擴(kuò)散模型的電力數(shù)據(jù)超分辨率感知方法，屬于電力大數(shù)據(jù)處理。

背景技術(shù)：

1、近年來(lái)我國(guó)可再生能源工程取得重大進(jìn)展，可再生能源競(jìng)爭(zhēng)力不斷增強(qiáng)，保持全球領(lǐng)先地位。高比例可再生能源并網(wǎng)將成為未來(lái)電力系統(tǒng)的基本特征。然而，對(duì)比傳統(tǒng)電源，可再生能源具有出力不確定性、波動(dòng)性等特點(diǎn)，對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行帶來(lái)了極大的挑戰(zhàn)。如何應(yīng)對(duì)高比例可再生能源并網(wǎng)所帶來(lái)的不確定性，滿足未來(lái)電力系統(tǒng)安全、經(jīng)濟(jì)、靈活、穩(wěn)定的需求具有重要意義。

2、隨著數(shù)字革命、能源革命交互發(fā)展，大數(shù)據(jù)在電力系統(tǒng)中得到廣泛應(yīng)用，主要集中在預(yù)測(cè)、評(píng)估、模式識(shí)別、模型建模和決策分析等方面。而可再生能源的并網(wǎng)使系統(tǒng)呈現(xiàn)的多樣性和波動(dòng)性往往需要更高精度的電力數(shù)據(jù)進(jìn)行挖掘分析。相比低精度的電力數(shù)據(jù)，高頻數(shù)據(jù)中蘊(yùn)含更豐富的特征信息，能夠深入挖掘可再生能源的深層特征和變化規(guī)律，對(duì)于系統(tǒng)狀態(tài)感知、管理決策、性能評(píng)估、故障診斷具有重要意義。例如：在輸變電設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)中，為了能對(duì)絕緣放電等狀態(tài)進(jìn)行準(zhǔn)確診斷，信號(hào)的采樣頻率需要在200khz以上，特高頻檢測(cè)則需要達(dá)到ghz；在風(fēng)電爬坡預(yù)測(cè)中，更關(guān)注極端氣象事件中平均風(fēng)速突然變化引起的風(fēng)電功率短時(shí)大幅變化，而使用低頻數(shù)據(jù)會(huì)導(dǎo)致預(yù)測(cè)精度較低，因此需要獲取高頻數(shù)據(jù)中隱含的特征以提高預(yù)測(cè)精度。

3、數(shù)據(jù)采集與監(jiān)控(scada)系統(tǒng)所采集到的數(shù)據(jù)顆粒度一般為分鐘級(jí)，而隨著可再生能源并網(wǎng)，系統(tǒng)不確定性和隨機(jī)性增加，這種時(shí)間尺度的數(shù)據(jù)將無(wú)法滿足諸多挑戰(zhàn)。當(dāng)前在主力發(fā)電廠和新能源并網(wǎng)匯集站等廠站中安裝有相量測(cè)量單元(pmu)可以持續(xù)地以50hz高頻率傳輸pmu數(shù)據(jù)。然而pmu設(shè)備昂貴，無(wú)法替代大部分傳統(tǒng)表計(jì)，且pmu長(zhǎng)時(shí)間連續(xù)傳送高頻率數(shù)據(jù)，會(huì)對(duì)傳輸網(wǎng)絡(luò)造成巨大影響，不斷增長(zhǎng)的數(shù)據(jù)存儲(chǔ)需求，使得數(shù)據(jù)存儲(chǔ)中心面臨的存儲(chǔ)壓力越來(lái)越大，高速數(shù)據(jù)的傳輸與寫入請(qǐng)求對(duì)存儲(chǔ)系統(tǒng)的性能和吞吐量要求也越來(lái)越高。由于數(shù)據(jù)采集設(shè)備、傳輸線路以及存儲(chǔ)能力的種種限制，使得高頻電力數(shù)據(jù)難以在電網(wǎng)中發(fā)揮實(shí)際用途。因此，本文考慮使用超分辨率感知技術(shù)，在數(shù)據(jù)采集傳輸和存儲(chǔ)過(guò)程中使用低頻數(shù)據(jù)，需使用高頻數(shù)據(jù)時(shí)則從低頻數(shù)據(jù)重構(gòu)高頻細(xì)節(jié)，生成高精度電力數(shù)據(jù)，在大大提高系統(tǒng)傳輸存儲(chǔ)性能的同時(shí)充分利用高頻數(shù)據(jù)實(shí)現(xiàn)更高精度的電力系統(tǒng)建模與分析。

4、超分辨率感知技術(shù)最初指的是可以提高光學(xué)成像系統(tǒng)分辨率的技術(shù)，現(xiàn)在通常應(yīng)用于圖像領(lǐng)域指可以將單幅或多幅低分辨率圖像經(jīng)過(guò)處理轉(zhuǎn)換成高分辨率圖像的方法。超分辨率感知技術(shù)可分為基于插值和基于機(jī)器學(xué)習(xí)的方法?；诓逯档膫鹘y(tǒng)方法根據(jù)已知像素按照某種插值算法插入新的像素點(diǎn)，簡(jiǎn)單易實(shí)現(xiàn)，但是其細(xì)節(jié)恢復(fù)能力有限，恢復(fù)效果較差；隨著機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的不斷發(fā)展，各種神經(jīng)網(wǎng)絡(luò)逐漸應(yīng)用于超分辨率感知領(lǐng)域。dong等人首次提出包含三層卷積的卷積神經(jīng)網(wǎng)絡(luò)srcnn，對(duì)比傳統(tǒng)方法可精確的重構(gòu)高精度圖像，隨后生成對(duì)抗網(wǎng)絡(luò)(gan)、注意力機(jī)制、殘差網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)也逐漸在超分辨率感知領(lǐng)域取得重大進(jìn)展?；谏疃葘W(xué)習(xí)的方法可直接學(xué)習(xí)低頻圖像和高頻圖像之間潛在的映射關(guān)系，并重構(gòu)低頻圖像中丟失的特征信息，重構(gòu)高頻圖像。

5、本文提出一種基于改進(jìn)擴(kuò)散模型的電力數(shù)據(jù)超分辨率感知技術(shù)。添加長(zhǎng)短期記憶網(wǎng)絡(luò)模塊(lstm)使擴(kuò)散模型能夠充分挖掘數(shù)據(jù)中的時(shí)序特征，不斷迭代細(xì)化去除噪聲，實(shí)現(xiàn)不同倍數(shù)的高精度數(shù)據(jù)重建，且適用于不同電氣參數(shù)數(shù)據(jù)、不同建筑電力數(shù)據(jù)，具有良好的泛化能力和高度的靈活性。

技術(shù)實(shí)現(xiàn)思路

1、本文的發(fā)明目的在于，為解決高精度電力數(shù)據(jù)由于采集、傳輸、存儲(chǔ)過(guò)程中的種種限制而無(wú)法得到實(shí)際應(yīng)用的問題，提供一種基于改進(jìn)擴(kuò)散模型的電力數(shù)據(jù)超分辨率感知技術(shù)，在使用時(shí)可由低精度數(shù)據(jù)構(gòu)建高精度數(shù)據(jù)，而無(wú)需過(guò)多的采集、傳輸并存儲(chǔ)高頻數(shù)據(jù)。

2、本發(fā)明采用具有強(qiáng)大生成能力的擴(kuò)散模型，選用u-net模型作為擴(kuò)散模型中進(jìn)行參數(shù)訓(xùn)練的網(wǎng)絡(luò)，并融入lstm網(wǎng)絡(luò)進(jìn)行時(shí)序特征的提取，充分學(xué)習(xí)電力數(shù)據(jù)中的時(shí)序特性，利用將低分辨率數(shù)據(jù)通過(guò)傳統(tǒng)插值方法進(jìn)行長(zhǎng)度恢復(fù)這一操作，使得超分辨率感知能力具有多樣性，本發(fā)明的方法同時(shí)具有良好的泛化能力。

3、一種基于改進(jìn)擴(kuò)散模型的電力數(shù)據(jù)超分辨率感知方法，該方法可分為兩大過(guò)程。擴(kuò)散過(guò)程使用低分辨率的電力數(shù)據(jù)作為控制條件，對(duì)高分辨率電力數(shù)據(jù)逐步加噪，直至電力數(shù)據(jù)取向純高斯噪聲；逆擴(kuò)散過(guò)程利用u-net模型參數(shù)共享學(xué)習(xí)擴(kuò)散過(guò)程中每一步添加的隨機(jī)噪聲，并利用低分辨率數(shù)據(jù)和學(xué)習(xí)到的噪聲根據(jù)推導(dǎo)出的特定公式，從純高斯噪聲中恢復(fù)得到高分辨率的電力數(shù)據(jù)，實(shí)現(xiàn)電力數(shù)據(jù)的超分辨率重構(gòu)，具體步驟為：

4、步驟1：對(duì)電力數(shù)據(jù)進(jìn)行預(yù)處理，去除其中的缺失數(shù)據(jù)，統(tǒng)一數(shù)據(jù)長(zhǎng)度，并進(jìn)行最大最小歸一化；

5、步驟2：將電力數(shù)據(jù)構(gòu)建成三個(gè)子集，分別為：高分辨率數(shù)據(jù)集x、低分辨率數(shù)據(jù)集xlr、插值法超分辨率數(shù)據(jù)集xulr；

6、步驟3：對(duì)高分辨率數(shù)據(jù)x分t步逐步添加很小的隨機(jī)噪聲，得到的每一步的數(shù)據(jù)為x1,x2,…xt,..,xt，將每一步的xt和作為控制條件的插值法超分辨率數(shù)據(jù)一同作為輸入數(shù)據(jù)，輸入到u-net模型，對(duì)第t步所添加的隨機(jī)噪聲進(jìn)行特征學(xué)習(xí)；

7、步驟4：根據(jù)步驟3中u-net模型學(xué)習(xí)到的參數(shù)從隨機(jī)噪聲中生成出超分辨率數(shù)據(jù)，隨機(jī)生成一個(gè)純高斯噪聲，將插值法超分辨率數(shù)據(jù)作為控制條件，迭代t步，進(jìn)行逆擴(kuò)散，逐步還原為接近高分辨率數(shù)據(jù)的超分辨數(shù)據(jù)。

8、所述的電力數(shù)據(jù)構(gòu)建集的步驟為：

9、步驟1：將電力數(shù)據(jù)作為高分辨率數(shù)據(jù)；

10、步驟2：對(duì)高分辨率數(shù)據(jù)進(jìn)行下采樣(下采樣率為k)作為低分辨率數(shù)據(jù)；

11、步驟3：再對(duì)低分辨率數(shù)據(jù)采用傳統(tǒng)的插值方法(比如雙三次插值法)進(jìn)行數(shù)據(jù)長(zhǎng)度恢復(fù)，使得其數(shù)據(jù)大小同高分辨率數(shù)據(jù)相同，作為插值法超分辨率數(shù)據(jù)集。

12、所述的u-net模型構(gòu)建步驟為：

13、步驟1：將xt和插值法超分辨率數(shù)據(jù)集作為輸入數(shù)據(jù)；

14、步驟2：特征提取階段，輸入數(shù)據(jù)通過(guò)下采樣卷積殘差模塊(drb)，得到數(shù)據(jù)中的高級(jí)特征，該階段數(shù)據(jù)維度發(fā)生變化：數(shù)據(jù)長(zhǎng)度經(jīng)過(guò)下采樣操作后縮減1/2倍，數(shù)據(jù)通道量經(jīng)過(guò)卷積操作后增加1倍；

15、步驟3：維度恢復(fù)階段，數(shù)據(jù)通過(guò)上采樣卷積殘差模塊(urb)，逐步恢復(fù)數(shù)據(jù)維度：數(shù)據(jù)長(zhǎng)度經(jīng)過(guò)上采樣操作后增加1倍，數(shù)據(jù)通道量經(jīng)過(guò)卷積操作后縮減1/2倍，使得輸出的數(shù)據(jù)同輸入數(shù)據(jù)維度保持一致；

16、步驟4：特征融合階段，貫穿步驟2的特征提取和步驟3的維度恢復(fù)，對(duì)上下采樣的卷積殘差模塊利用殘差網(wǎng)絡(luò)跳躍連接，使得下采樣過(guò)程中的細(xì)節(jié)得以保留。

17、所述逆擴(kuò)散過(guò)程如下：

18、步驟1：隨機(jī)生成純高斯噪聲ε～n(0,i)作為xt；xulr作為控制條件記為y；

19、步驟2：將xt，xulr作為輸入數(shù)據(jù)，根據(jù)xt-1＝g(xt)得到xt-1，g(xt)公式如下，其中αt＝1-βt，βt為添加噪聲時(shí)預(yù)設(shè)的方差，σ2為由βt表示的方差，z為標(biāo)準(zhǔn)高斯分布：

20、

21、步驟3：迭代重復(fù)步驟2，直至推到得到x0即超分辨率電力數(shù)據(jù)。