(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 202210673967.0 (22)申请日 2022.06.15 (71)申请人 国电南瑞科技股份有限公司 地址 211106 江苏省南京市江宁区诚信大 道19号 申请人 国电南瑞南京控制系统有限公司 (72)发明人 马洁　庞腊成　滕贤亮　闪鑫　 孙世明　盛振明　郭耀松　唐元合　 管钒均　钱朓　韩肖　岑红星　 邰曈　钱涵佳　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06F 16/2455(2019.01)G06Q 50/06(2012.01) (54)发明名称 基于深度学习及并行计算的电网数据流连 接方法 (57)摘要 本发明公开了一种基于深度学习及并行计 算的电网数据流连接方法， 提出了一种高效的数 据并行相似性连接策略， 基于深度循环神经网络 将它们嵌入到一定维度的空间中， 避免了采样率 或长度不一致等问题导致的计算瓶颈； 同时， 通 过网络学习到的表示结果可以成功捕捉数据的 时空特征， 提高模型对噪声点的抵抗力； 本发明 采用矩阵模型对向量组的相似度进行分布式计 算， 当用向量表示时， 相似度计算方法一般是序 列数据的余弦相似度， 因此， 本发明不需要考虑 点对齐的问题， 在执行顺序连接操作时能够保持 系统稳定性和连接 计算准确性。 权利要求书1页 说明书3页 附图2页 CN 115114331 A 2022.09.27 CN 115114331 A 1.一种基于深度学习及并行计算的电网数据流连接方法， 其特 征在于， 包括以下步骤： (1)接收电网数据流； (2)实时处理步骤(1)接收的序列， 进行嵌入表征并将一个时间窗口内的数据流压缩到 确定维度内的向量； (3)将所有处理节点在逻辑上按照矩阵模式进行组织， 分别接收来自步骤(2)的向量序 列； (4)基于步骤(3)将 向量序列以不同方向汇入到处理节点后， 计算向量相似度， 并进行 标准化处理； (5)根据步骤(4)得到的不同向量序列之间的相似度结果， 能够表达出电网数据流相似 度连接语义； (6)步骤(5)得到的流连接结果将作为电网数据流相关性的量化表示， 并且将两两之间 的相似度在步骤(8)中进行聚合； (7)所有单个处 理节点的相似度连接 完成； (8)由控制节点在下游进行 连接操作的聚合； (9)根据聚合结果分析电网数据流的相关性， 得到最终分析 结果用于后续应用； (10)对于不断流入的电网数据进行迭代处 理。 2.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被处理器 执行时实现如权利要求1所述的一种基于深度学习及并行计算的电网数据流连接方法。 3.一种计算机设备， 包括储存器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1所述的一种基 于深度学习及并行计算的电网数据流连接方法。权　利　要　求　书 1/1 页 2 CN 115114331 A 2基于深度学习及 并行计算的电网数据流连接 方法 技术领域 [0001]本发明涉及电网数据， 特别是一种基于深度学习及并行计算的电网数据流连接方 法。 背景技术 [0002]电网数据是一种 典型的时间序列型数据， 在电网系统中， 关于电网数据流的相似 度连接为各项应用提供了基础支撑， 因为该操作不仅赋能了运输配电工作， 而且也在电压 调整和电网管理方面起到了重要作用。 近年来， 随着相关技术的发展和深度学习的广泛应 用， 很多序列型数据能够通过嵌入表征 的方法通过深度学习的方式转换为具有 d维特征的 时间序列。 时间序列的一般流程框架完全适用于电网数据。 时间序列数据按时间顺序组织， 以“相似性”作为各种基本操作的谓词。 衡量时间序列相似度的距离函数有很多， 例如 Hausdorff距离、 DT W距离、 LCSS距离、 ERP距离和EDR距离。 这些方法可以捕捉系列数据在空 间、 结构、 运动趋势 等方面的特征。 然而， 这些成对的距离函数需要对齐部 分或完整的点， 计 算复杂度相当高。 [0003]计算两个时间序列相似度的点匹配方法在以下三种情况 下会遇到性能瓶颈： [0004]1、 当系列状态相对变化时。 时间序列是一个属性丰富复杂的结构， 在 时间和空间 维度上都有明显的不均匀分布。 举例来说， 中心区域时空数据的密度和复杂度都相当高， 而 周边区域的点数明显稀疏。 这 意味着， 空间分布中存在严重的数据倾 斜问题。 [0005]2、 第二种情况是时序数据质量差， 计算结果不可信。 由于对 目标对象的采样不能 完全实时， 即经常出现序列无序的现象。 例如， 偏远地区或某些信号较弱的地区产生的数据 在计算距离时确实是不均匀的。 此外， 抽样记录还会受到其他活动的影响。 此外， 当数据到 达系统时， 时间是未知且无序的， 这就是经典的时间无序问题。 基于这种现象， 相似度可能 完全不同， 因为很多度量都是基于点对点匹配的。 [0006]3、 第三种情况是样本点有噪声。 如果时间序列中有很多噪声点， 则很难克服匹配 点的位置误差。 目前传统的相似度计算函数， 需要对序列中的采样点进 行对齐。 当有噪声干 扰时， 会对距离计算结果产生很大影响。 电网数据受到各种信号干扰， 以及电压不稳等情况 的影响， 其数据序列存在很多 噪声， 如果在处理过程中没有能够对这些噪声数据进行合理 清洗和识别， 容 易给结果带来 严重偏差 。 发明内容 [0007]发明目的： 本发明的目的是提供一种基于深度学习及并行计算的电网数据流连接 方法， 从而在执 行顺序连接操作时能够保持系统的稳定性和连接计算的准确性。 [0008]技术方案： 本发明所述的一种基于深度学习及并行计算的电网数据流连接方法， 原理为： 将数据序列嵌入到一定的维度 空间中， 对不同长度和采样率的原始数据进行压缩 和归一化处理。 然后， 所有嵌入向量由管理器随机划分， 以完成后续矩阵模型 的并行计算， 每个进程节点在接收到的时间表示上计算其向量相似度结果， 并在下游应用程序中重新聚说　明　书 1/3 页 3 CN 115114331 A 3