【技术实现步骤摘要】
本专利技术实施例涉及电力信息，尤其涉及一种模型训练方法、数据修复方法、装置、设备及存储介质。
技术介绍
1、电力负荷监测是指对电力系统中的电能消耗量进行实时监测和评估的过程。随着电力系统规模的扩大和技术的进步，负荷监测方法和技术也在不断演进。由于智能电网的兴起，现代电力负荷监测趋向于自动化、实时化和智能化。利用传感器、智能电表、数据采集设备以及网络通信技术，可以实时获取和分析电力系统的负荷数据，为电力系统的运行和管理提供更及时、准确的信息支持。尽管现代电力系统监测设备的发展已经使得电力负荷监测变得更加便捷和精确，但仍然存在诸多因素可能导致电力负荷监测数据的缺失。这些因素包括但不限于设备故障、通信中断、数据传输错误、人为操作失误以及环境因素等。特别是在大规模电力系统中，这些问题可能会更加显著。电力负荷监测过程中缺失的数据会导致监测系统无法完整地记录和反映电力系统的实际运行情况，由此数据修复对于缺失的电力负荷监测数据至关重要。
2、但是，针对电力负荷监测数据这种大规模数据集的缺失数据，现有的数据修复方法存在修复能力差、修复效率和精度低的问题。
技术实现思路
1、本专利技术提供了一种模型训练方法、数据修复方法、装置、设备及存储介质，以解决现有的数据修复方法存在修复能力差、修复效率和精度低的问题。
2、根据本专利技术的一方面，提供了一种数据修复模型训练方法，包括：
3、基于电力量测样本数据构建原始样本张量，基于所述原始样本张量确定初始样本张量，其中，所述
4、利用数据修复模型对所述初始样本张量进行分解，得到预设数量的隐特征样本张量，对所述预设数量的隐特征样本张量进行合成，得到重构样本张量，其中，所述重构样本张量中包括所述初始样本张量中的缺失值的修复值；
5、基于所述原始样本张量和所述重构样本张量，利用预设目标函数和预设梯度下降算法对所述数据修复模型进行训练。
6、根据本专利技术的另一方面，提供了一种数据修复方法，包括：
7、获取待修复的电力量测数据；
8、基于所述待修复的电力量测数据，构建原始数据张量；
9、将所述原始数据张量输入到数据修复模型，利用所述数据修复模型对所述原始数据张量进行分解，得到预设数量的隐特征张量，基于所述预设数量的隐特征张量的乘积，确定重构张量，其中，所述重构张量包括待修复的电力量测数据中待修复数据的修复值；
10、其中，所述数据修复模型基于如本专利技术任一实施例所述的数据修复模型的训练方法训练得到。
11、根据本专利技术的另一方面，提供了一种数据修复模型训练装置，包括：
12、张量构建模块，用于基于电力量测样本数据构建原始样本张量，基于所述原始样本张量确定初始样本张量，其中，所述原始样本张量中包括完整的电力量测样本数据，所述初始样本张量包括缺失值；
13、张量分解模块，用于利用数据修复模型对所述初始样本张量进行分解，得到预设数量的隐特征样本张量，对所述预设数量的隐特征样本张量进行合成，得到重构样本张量，其中，所述重构样本张量中包括所述初始样本张量中的缺失值的修复值；
14、模型训练模块，用于基于所述原始样本张量和所述重构样本张量，利用预设目标函数和预设梯度下降算法对所述数据修复模型进行训练。
15、根据本专利技术的另一方面，提供了一种数据修复装置，包括：
16、数据获取模块，用于获取待修复的电力量测数据；
17、数据张量构建模块，用于基于所述待修复的电力量测数据，构建原始数据张量；
18、数据修复模块，用于将所述原始数据张量输入到数据修复模型，利用所述数据修复模型对所述原始数据张量进行分解，得到预设数量的隐特征张量，基于所述预设数量的隐特征张量的乘积，确定重构张量，其中，所述重构张量包括待修复的电力量测数据中待修复数据的修复值；
19、其中，所述数据修复模型基于如本专利技术任一实施例所述的数据修复模型的训练方法训练得到。
20、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
21、至少一个处理器；以及
22、与所述至少一个处理器通信连接的存储器；其中，
23、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的数据修复模型训练方法或执行本专利技术任一实施例所述的数据修复方法。
24、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的数据修复模型训练方法或实现本专利技术任一实施例所述的数据修复方法。
25、本专利技术实施例提供的技术方案，基于电力量测样本数据构建原始样本张量，基于原始样本张量确定初始样本张，其中，所述原始样本张量中包括完整的电力量测样本数据，所述初始样本张量包括缺失值；利用数据修复模型对所述初始样本张量进行分解，得到预设数量的隐特征样本张量，对所述预设数量的隐特征样本张量进行合成，得到重构样本张量，其中，所述重构样本张量中包括所述初始样本张量中的缺失值的修复值；基于所述原始样本张量和所述重构样本张量，利用预设目标函数和预设梯度下降算法对所述数据修复模型进行训练。通过上述技术方案，利用数据修复模型对基于电力量测样本数据构建初始样本张量进行分解，再对分解后得到的隐特征样本张量进行合成得到包括修复值的重构样本张量，进而基于原始样本张量和重构样本张量，利用预设目标函数和预设梯度下降算法对数据修复模型进行训练，利用预设目标函数和预设梯度下降算法训练数据修复模型，有效的提高了数据修复模型的数据修复能力，提升了数据的修复效率和精度低。
26、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种数据修复模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述预设数量的隐特征样本张量由所述数据修复模型中的张量环分解算法对所述初始样本张量进行分解得到。
3.根据权利要求1所述的方法，其特征在于，所述预设目标函数包括损失函数项、正则化项和非负约束，其中，所述损失函数项基于所述原始样本张量和所述重构样本张量的欧几里得距离确定，所述正则化项基于吉洪诺夫正则化确定，所述非负约束为对所述隐特征样本张量的参数的约束。
4.根据权利要求3所述的方法，其特征在于，所述预设梯度下降算法为随机梯度下降算法；
5.一种数据修复方法，其特征在于，包括：
6.一种数据修复模型训练装置，其特征在于，包括：
7.一种数据修复装置，其特征在于，包括：
8.一种电子设备，其特征在于，所述电子设备包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的数据修复模型训练方法或实现如权利要求5所述的数据修复方法。
<...【技术特征摘要】
1.一种数据修复模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述预设数量的隐特征样本张量由所述数据修复模型中的张量环分解算法对所述初始样本张量进行分解得到。
3.根据权利要求1所述的方法，其特征在于，所述预设目标函数包括损失函数项、正则化项和非负约束，其中，所述损失函数项基于所述原始样本张量和所述重构样本张量的欧几里得距离确定，所述正则化项基于吉洪诺夫正则化确定，所述非负约束为对所述隐特征样本张量的参数的约束。
4.根据权利要求3所述的方法，其特征在于，所述预设梯度下降算法为随机梯度下降算法；
5.一种数据修复方...
【专利技术属性】
技术研发人员：许洪华，仝凌云，许自强，纪业，任帅，胡子健，耿明昊，丁煜蓉，王晓峰，周科峰，吕湛，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。