典型文献
基于ST-SSIM的电力系统缺失数据重建方法
文献摘要：
电力系统数据采集、测量、传输和存储等过程均可能出现数据缺失问题,威胁电网安全.针对传统电力系统缺失数据重建方法仅考虑数据分布规律,忽略了数据时序与空间特性的问题,提出一种考虑时空特性的电力系统缺失数据重建模型(spatial-temporal seq2seq imputation model,ST-SSIM).ST-SSIM具备编码-解码结构,编码器由基于图卷积层与长短时记忆单元构造的时空信息提取单元组成,用于提取数据高维时空特征,解码器由长短时记忆单元与全连接层组成,用于解码高维特征,生成电力系统数据.所提模型的输入包括电力系统数据时间序列与电网拓扑邻接矩阵,因此ST-SSIM可实现对电力系统数据复杂时空关系的自动学习.算例中,将所提方法与现有方法在不同规模电网下比较,ST-SSIM具有最高的重建精度,证明了ST-SSIM能有效地学习到电力系统数据的时空特性.通过讨论重建误差与数据缺失节点数以及缺失时间跨度的关系,验证了所提模型重建效果较稳定.
文献关键词：
电力系统;缺失数据重建;时空特性;图卷积;长短时记忆单元
中图分类号：
作者姓名：
宋铁维;施伟锋;毕宗
作者机构：
上海海事大学电力自动化系,上海市201306
文献出处：
引用格式：
[1]宋铁维;施伟锋;毕宗-.基于ST-SSIM的电力系统缺失数据重建方法)[J].电力建设,2022(07):103-112
A类：
缺失数据重建
B类：
ST,SSIM,电力系统,重建方法,系统数据,数据缺失,电网安全,传统电力,数据分布,空间特性,时空特性,spatial,temporal,seq2seq,imputation,model,编码器,图卷积,卷积层,长短时记忆单元,时空信息提取,元组,提取数据,时空特征,解码器,全连接层,高维特征,邻接矩阵,时空关系,自动学习,不同规模,网下,重建精度,地学,重建误差,失节,时间跨度,模型重建
AB值：
0.305973
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
