【技术实现步骤摘要】
本专利技术涉及多源数据处理领域，具体涉及一种配电网多源数据的融合处理方法。
技术介绍
1、传统配电网中通过对多源数据的融合处理实现系统状态的实时感知；多源数据的融合处理能够结合全面多维数据，较大程度地维持系统可靠运转；随着电网智能化的不断发展，对融合技术的精度要求也在持续提升。
2、传统多源数据处理和融合方法很多，例如：一种基于登普斯特-shafer证据理论的目标识别信息聚合分类方法，利用mallat算法进行时间-小波-时域变换，并引入格莱姆矩阵角度和场将序列数据转化为单通道图像，并将3组序列的图像以rgb格式在通道维度上进行堆叠，实现多源数据的特征融合。目前，随着深度学习的发展，越来越多的专家将其用于多源数据的融合处理，上述方法利用深度学习虽然能够提高融合准确率，但复杂的模型也增加了融合时间，影响了处理效率。
技术实现思路
1、针对现有技术的上述不足，本专利技术提供了一种配电网多源数据的融合处理方法，解决传统多源数据融合方法存在准确性和效率较低的问题。
2、为达到上述专利技术目的，本专利技术所采用的技术方案为：
3、提供一种配电网多源数据的融合处理方法，其包括：
4、步骤s1：从配电网中采集与其相关的大数据信息，构建配电网的多源数据矩阵x；
5、步骤s2：对多源数据矩阵x的数据进行聚类，建立g个类别的聚类中心，并对同一类数据进行融合，得到到聚类融合后的数据
6、步骤s3：构建spark计算框架，spark计算
7、步骤s4：将融合后的输出结果y传输到spark计算框架的主节点上，得到从数据中提取到的融合特征数据；
8、步骤s5：将聚类后每一个类别融合后的数据均输入到spark计算框架中，得到每个数据类别对应的融合特征数据，主节点对g个融合特征数据惊喜融合，输出配电网多源数据的融合结果。
9、进一步地，配电网的多源数据矩阵x为；
10、
11、其中，xn为第n个数据源，n为数据源的编号，xnp为第n个数据源中的第p个数据，p为数据的编号。
12、进一步地，步骤s2包括：
13、步骤s21：对多源数据矩阵x的数据进行聚类，聚类成g类，并设置每个数据类型的聚类中心φ＝{φ1,φ2,…,φg}，φg为第g个数据类型的聚类中心；
14、步骤s22：根据第m个数据源中的第k个数据xmk属于第i类的隶属度对数据进行聚类；
15、
16、其中，u为隶属度矩阵，dik＝||xmk-φi||，dik为数据xmk与第i个聚类中心φi的差距，j(.)为聚类目标函数；
17、步骤s23：聚类过程中，若计算出的聚类目标函数值j(.)为最小值，则聚类完成，输出划分为同一类的数据yj，j为聚类出的数据类别，对同一类的数据利用加权平均进行融合，得到聚类融合后的数据
18、
19、其中，ωj为第j类聚类数据yj的权值。
20、进一步地，步骤s3包括：
21、步骤s31：构建spark计算框架，spark计算框架中包括一个主节点和若干工作节点，在每个工作节点上均部署adcnn模型，将融合后的数据输入adcnn模型中对其进行训练；
22、步骤s32：adcnn模型的卷积层对输入的数据进行卷积滤波，提取数据的数据特征；
23、
24、其中，为第l层卷积层输出的第j个数据特征，为第l-1层卷积层输出的第i个数据特征，为第l层卷积层的卷积核，为第l层卷积层的偏执，f(.)为第l层卷积层的激活函数；
25、步骤s33：数据经过adcnn模型的初始支路的卷积后，通过初始支路的全连接层输出数据的数据特征，计算输出的数据特征的收敛速度v1；
26、v1＝θ1-θ0；
27、其中，θ1为初始支路输出的数据特征的平均误差，θ0为初始误差；
28、步骤s34：将收敛速度v1与期望值e0进行比较，若v1≥e0，则初始支路的训练满足收敛要求，将初始支路输出的数据特征y1作为adcnn模型最终的输出；否则，初始支路的训练不满足收敛要求，执行步骤s9；
29、步骤s35：建立一条与初始支路相同的扩展支路，将数据继续输入扩展支路中，重复步骤s32-s34，判断扩展支路输出的数据特征是否满足收敛要求，若是，则同时输出初始支路和扩展支路输出的数据特征，否则，继续建立扩展支路，直到输出满足收敛要求的数据特征；
30、步骤s36：将初始支路训练后输出的数据特征与每个扩展支路输出的数据特征进行融合，输出融合后的输出结果y；
31、
32、其中，r为扩展支路条数，q为扩展支路的编号，yq为第q条扩展支路输出的数据特征，为扩展支路的输出权重，f(.)为数据融合函数。
33、本专利技术的有益效果为：
34、由于传统数据融合方法难以满足配电网智能化的发展需求，本专利技术基于模糊c均值聚类fcm算法和加权平均法实现同源数据融合，并利用自适应深度卷积神经网络(adcnn)模型进行特征级融合，全方面地获取数据特征，提高数据融合可靠性，良好的自适应特征提取能力。
35、为了高效处理海量配电网数据，本专利技术利用spark集群进行数据的并行挖掘，并且在每个spark工作节点上部署adcnn模型，进一步保证了融合准确性。
本文档来自技高网...【技术保护点】
1.一种配电网多源数据的融合处理方法，其特征在于，包括：
2.根据权利要求1所述的配电网多源数据的融合处理方法，其特征在于，所述配电网的多源数据矩阵X为；
3.根据权利要求1所述的配电网多源数据的融合处理方法，其特征在于，所述步骤S2包括：
4.根据权利要求1所述的配电网多源数据的融合处理方法，其特征在于，所述步骤S3包括：
【技术特征摘要】
1.一种配电网多源数据的融合处理方法，其特征在于，包括：
2.根据权利要求1所述的配电网多源数据的融合处理方法，其特征在于，所述配电网的多源数据矩阵x为；
3...
【专利技术属性】
技术研发人员：钟加勇，稂龙亚，崔秋实，王雪文，刘丁豪，李峰，牛强，许丹，杨迎春，温东旭，张子谦，
申请(专利权)人：国网重庆市电力公司电力科学研究院，
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。