一种分布式光伏并网的数据压缩及传输方法与流程

1.本发明涉及光伏并网数据压缩领域，尤其涉及一种分布式光伏并网的数据压缩及传输方法。


背景技术：

2.海量分布式光伏的并网调控需实时采集电压、电流、谐波、有功/无功功率等光伏状态监测数据。其中，为了满足光伏并网时对电网的高可靠性和高安全性需求，光伏并网数据采集的频次不断增加，导致并网总数据量呈爆发式增长。大量分布式光伏并网导致并网数据呈指数级增长，给数据压缩带来了极大挑战，因此为了缓解海量并网数据对数据传输、存储、处理等方面带来的巨大压力，亟需一种高效的数据压缩方式，对传统数据压缩方式提出了极大挑战，保证在减少数据传输量的同时提高数据恢复精度。
3.传统数据压缩方法对光伏并网数据之间的关联性挖掘深度较低，在传输的过程中往往包含大量冗余数据导致传输效率下降。传统的基于时间域的数据压缩方法忽略了分布式光伏检测物理系统中空间的连续性所带来的数据间的关联性，对数据的关联性挖掘不足导致传输的数据包含大量冗余信息，在进行数据压缩时冗余信息保留较多，无法实现数据的高效压缩和传输；基于时间域和空间域的数据压缩方法则忽略了光伏并网时各特征值之间的关联性，尽管优于仅考虑时间域的数据压缩方案，但依然需要进行优化，将光伏并网信息的压缩比和接收端压信息解压还原精度进行提升，缺少知识的推理压缩和反馈调节，导致可以被压缩的数据未被删除，并且无法动态调节预测权重，导致数据推理精度受限，无法精准研判冗余数据，降低冗余数据压缩效率。


技术实现要素：

4.本发明提供了一种分布式光伏并网的数据压缩及传输方法，实现有效压缩光伏并网数据，精准研判冗余数据，提高冗余数据压缩效率。
5.为了解决上述技术问题，本发明实施例提供了一种分布式光伏并网的数据压缩方法，包括：
6.将分布式光伏并网数据进行三域细化处理，得到三域数据；其中，三域细化处理包括时间域分片处理、空间域分块处理和特征域分层处理；
7.构造分布式光伏并网数据的三域知识图谱，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵；
8.将基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据。
9.实施本发明实施例，将分布式光伏并网数据进行三域细化处理，得到三域数据；其中，三域细化处理包括时间域分片处理、空间域分块处理和特征域分层处理；构造分布式光伏并网数据的三域知识图谱，根据三域知识图谱的当前状态，对三域数据进行三域相关推
理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵；将基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据。构建三域知识图谱，用于光伏并网数据的三域残差信息压缩，基于时间、空间和特征三域对原始数据进行时间相关推理、空间相关推理、特征相关推理，从三个领域充分挖掘原始并网数据间的关联性，动态调节三域预测权重系数提高数据推理精度，以最大限度减少原始信息的冗余度，有效压缩光伏并网数据，精准研判冗余数据，提高冗余数据压缩效率。
10.作为优选方案，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵，具体为：
11.判断当前的三域残差是否小于相应域的预设残差阈值；其中，当前的三域残差包括当前的时间域残差、当前的空间域残差和当前的特征域残差；
12.若当前的三域残差均小于相应域的预设残差阈值，则将当前状态的推理关系存入推理关系矩阵，并判断三域知识图谱的状态间推理关系是否已知，若已知，则根据推理关系矩阵，得到基准推理信息矩阵，若未知，则更改三域知识图谱的当前状态，再次进入迭代，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵；
13.若当前的三域残差中任一个残差值不小于相应域的预设残差阈值，根据当前的三域残差调整三域相关推理的权重系数，基于三域相关推理的当前的权重系数，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，判断当前的三域残差是否小于相应域的预设残差阈值，并执行相应的状态更改及权重调整，经反复循环迭代推理后，得到基准推理信息矩阵。
14.作为优选方案，将分布式光伏并网数据进行三域细化处理，得到三域数据，具体为：
15.对分布式光伏并网数据进行时间域分片处理，得到时间域数据，公式为：
16.t＝[x1,...,x
t
,...,x
t
]
[0017][0018]
其中，x
t
和为第t时刻的时间域数据，为第t时刻空间域s中的第p维分布式光伏并网数据，t为数据采集阶段的总时间，s为分布式光伏并网数据的总空间，p为特征值的总数；
[0019]
对分布式光伏并网数据进行空间域分块处理，得到空间域数据，公式为：
[0020]
s＝[y1,...,ys,...,ys]
[0021][0022]
其中，ys和为第s维的空间域数据，为空间域s中时刻t所采集的第p维分布式光伏并网数据；
[0023]
对分布式光伏并网数据进行特征域分层处理，得到特征域数据，公式为：
[0024]
p＝[z1,...,z
p
,...,z
p
]
[0025][0026]
其中，z
p
和为第p层的特征域数据，为第p层特征在时刻t和空间域s中所采集的分布式光伏并网数据。
[0027]
作为优选方案，构造分布式光伏并网数据的三域知识图谱，具体为：
[0028]
构造分布式光伏并网数据的三域知识图谱，表示为：
[0029]
g＝{e
t
,es,e
p
,r,t,s,p}
[0030]
其中，e
t
为时间域主实体集合，es为空间域主实体集合，e
p
为特征域主实体集合，r为各主实体和客实体之间的关系集合，t为分布式光伏并网数据的时刻集合，s为分布式光伏并网数据的空间域集合，p为分布式光伏并网数据的特征层集合。
[0031]
作为优选方案，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，具体为：
[0032]
挑选并将基准时间片、基准空间域和基准特征层作为根据三域知识图谱的当前状态；首次推理时，以t-1时刻的时间域数据为基准时间片，以s-1空间域数据为基准空间域，以p-1特征层的特征域数据为基准特征层；
[0033]
根据三域知识图谱的当前状态，对时间域数据进行时间相关推理，得到当前状态的时间推理关系和当前的时间域残差；
[0034]
根据三域知识图谱的当前状态，对空间域数据进行空间相关推理，得到当前状态的空间推理关系和当前的空间域残差；
[0035]
根据三域知识图谱的当前状态，对特征域数据进行特征相关推理，得到当前状态
的特征推理关系和当前的特征域残差。
[0036]
作为优选方案，根据三域知识图谱的当前状态，对时间域数据进行时间相关推理，得到当前状态的时间推理关系和当前的时间域残差，具体为：
[0037]
根据三域知识图谱的当前状态，对时间域数据进行时间相关推理，得到当前状态的时间推理关系，公式为：
[0038][0039]
其中，x’t
为时间域主实体集合中的当前时刻的预测数据，w
t
为时间域推理权重系数，w
te
为时间域偏置权重系数，x
t-1
为基准时间片的时间域数据,z
p-1
为基准特征层的特征域数据，y
s-1
为基准空间域的空间域数据；
[0040]
根据时间域主实体集合中的当前时刻的预测数据和基准时间片的时间域数据，计算当前的时间域残差，公式为：
[0041]
res
t
＝||x
t-x'
t
||f[0042]
其中，res
t
为当前的时间域残差，||.||f为取f范数。
[0043]
作为优选方案，根据三域知识图谱的当前状态，对空间域数据进行空间相关推理，得到当前状态的空间推理关系和当前的空间域残差，具体为：
[0044]
根据三域知识图谱的当前状态，对空间域进行空间相关推理，得到当前状态的空间推理关系，公式为：
[0045][0046]
其中，y's为空间域主实体集合中的当前空间的预测数据，ws为空间域推理权重系数，w
se
为空间域偏置权重系数，x
t-1
为基准时间片的时间域数据,z
p-1
为基准特征层的特征域数据，y
s-1
为基准空间域的空间域数据；
[0047]
根据空间域主实体集合中的当前空间的预测数据和基准空间域的空间域数据，计算当前的空间域残差，公式为：
[0048]
ress＝||y
s-y's||f[0049]
其中，ress为当前的空间域残差，||.||f为取f范数。
[0050]
作为优选方案，根据三域知识图谱的当前状态，对特征域数据进行特征相关推理，得到当前状态的特征推理关系和当前的特征域残差，具体为：
[0051]
根据三域知识图谱的当前状态，对特征域进行特征相关推理，得到当前状态的特征推理关系，公式为：
[0052][0053]
其中，z'
p
为特征域主实体集合中的当前特征的预测数据，w
p
为特征域推理权重系数，w
pe
为特征域偏置权重系数，x
t-1
为基准时间片的时间域数据,z
p-1
为基准特征层的特征域数据，y
s-1
为基准空间域的空间域数据；
[0054]
根据特征域主实体集合中的当前特征的预测数据和基准空间域的空间域数据，计算当前的特征域残差，公式为：
[0055]
res
p
＝||z
p-z'
p
||f[0056]
其中，res
p
为当前的特征域残差，||.||f为取f范数。
[0057]
作为优选方案，将基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据，具体为：
[0058]
读取基准推理信息矩阵的当前字符，并将当前字符进行三域编码处理，得到字符编码，公式为：
[0059][0060]
其中，ηi为当前字符，xi为第i个字符的字符编码，||.||2表示取2范数，表示向上取整；
[0061]
根据字符编码，查找压缩字典，并判断字符编码是否在压缩字典中；
[0062]
若是，则将字符编码作为当前字符的最终字符编码；
[0063]
若否，则将当前字符前两个字符的最终字符编码进行模2加法运算，得到当前字符的最终字符编码；
[0064]
根据基准推理信息矩阵的全部字符的最终字符编码，得到光伏并网压缩数据。
[0065]
为了解决相同的技术问题，本发明实施例还提供了一种分布式光伏并网的数据传输方法，包括：采集分布式光伏并网数据，通过数据压缩方法将分布式光伏并网数据进行压缩，得到基准推理信息矩阵和光伏并网压缩数据；其中，数据压缩方法是分布式光伏并网的数据压缩方法；
[0066]
将光伏并网压缩数据进行数据传输，使接收端根据基准推理信息矩阵将光伏并网压缩数据进行逻辑倒推，还原分布式光伏并网数据。
附图说明
[0067]
图1：为本发明提供的一种分布式光伏并网的数据压缩方法的一种实施例的流程示意图；
[0068]
图2：为本发明提供的一种分布式光伏并网的数据压缩方法的一种实施例的数据压缩简化流程图；
[0069]
图3：为本发明提供的一种分布式光伏并网的数据传输方法的一种实施例的流程示意图。
具体实施方式
[0070]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
实施例一
[0072]
请参照图1，为本发明实施例提供的一种分布式光伏并网的数据压缩方法的流程示意图，其中，数据压缩简化流程如图2所示。本实施例的数据压缩方法适用于分布式光伏并网数据，本实施例通过光伏并网数据的三域残差信息压缩，有效压缩光伏并网数据，精准研判冗余数据，提高冗余数据压缩效率。该数据压缩方法包括步骤101至步骤103，各步骤具体如下:
[0073]
步骤101：将分布式光伏并网数据进行三域细化处理，得到三域数据；其中，三域细化处理包括时间域分片处理、空间域分块处理和特征域分层处理。
[0074]
在本实施例中，采集分布式光伏并网数据汇聚至电力边缘网关，构成分布式光伏并网数据(三域原始数据)，包括时间域、空间域和特征域，为进行三域数据相关性挖掘处理，将对分布式光伏并网数据进行细化，包括对时间域进行分片(时间域分片处理)，对空间域进行分块(空间域分块处理)，对特征域进行分层(特征域分层处理)，得到三域数据，三域数据包括时间域数据、空间域数据和特征域数据。
[0075]
可选的，步骤101具体包括步骤1011至步骤1013，各步骤具体如下:
[0076]
步骤1011：对分布式光伏并网数据进行时间域分片处理，得到时间域数据，公式为：
[0077]
t＝[x1,...,x
t
,...,x
t
]
[0078][0079]
其中，x
t
和为第t时刻的时间域数据，即第t时刻在空间跨度s中所采集的p维分布式光伏并网数据，为第t时刻空间域s中的第p维分布式光伏并网数据，t为数据采集阶段的总时间，s为分布式光伏并网数据的总空间即涉及到的总空间，p为特征值的总数。
[0080]
步骤1012：对分布式光伏并网数据进行空间域分块处理，得到空间域数据，公式为：
[0081]
s＝[y1,...,ys,...,ys]
[0082][0083]
其中，ys和为第s维的空间域数据，即第s维空间域在时间跨度t中所采集的p维光伏并网数据，为空间域s中时刻t所采集的第p维分布式光伏并网数据。
[0084]
步骤1013：对分布式光伏并网数据进行特征域分层处理，得到特征域数据，公式为：
[0085]
p＝[z1,...,z
p
,...,z
p
]
[0086][0087]
其中，z
p
和为第p层的特征域数据，即第p层特征在时间跨度t中和空间跨度s中所采集的分布式光伏并网数据，为第p层特征在时刻t和空间域s中所采集的分布式光伏并网数据。
[0088]
步骤102：构造分布式光伏并网数据的三域知识图谱，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵。
[0089]
在本实施例中，构造三域知识图谱，确定当前状态(基准状态)，对三域数据之间的关系进行推理，从三个领域充分挖掘原始并网数据间的关联性，同时计算得到三域残差，利用三域残差阈值动态调节推理权重，通过反复迭代得到目标状态(推理预测状态)与基准状态间的精准逻辑推理关系，进一步得到所有状态之间的推理关系，获得基准推理信息矩阵，即基准信息和推理关系矩阵。
[0090]
可选的，构造分布式光伏并网数据的三域知识图谱，表示为：
[0091]
g＝{e
t
,es,e
p
,r,t,s,p}
[0092]
其中，e
t
为时间域主实体集合，即时间域需要推理的数据集合，es为空间域主实体集合，即空间域需要推理的数据集合，e
p
为特征域主实体集合，即特征域需要推理的数据集
合，r为各主实体和客实体之间的关系集合，t为分布式光伏并网数据的时刻集合，即t＝{1,...,t,...,t}表示所有采集测量数据的时刻集合，s为分布式光伏并网数据的空间域集合，即s＝{1,...,s,...,s}表示所有采集测量数据的空间域集合，p为分布式光伏并网数据的特征层集合，即p＝{1,...,p,...,p}表示所有测量数据的特征层集合。
[0093]
需要说明的是，各主实体为时间域、空间域和特征域需要预测的数据；客实体为所有预测主实体用到的数据。
[0094]
可选的，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，具体包括步骤s1-s4：
[0095]
s1:挑选并将基准时间片、基准空间域和基准特征层作为根据三域知识图谱的当前状态；首次推理时，以t-1时刻的时间域数据为基准时间片，以s-1空间域数据为基准空间域，以p-1特征层的特征域数据为基准特征层；
[0096]
在本实施例中，利用构造的三域知识图谱对分布式光伏三域主实体进行推理，以t-1时刻分布式光伏数据x
t-1
为基准时间片，以s-1空间域分布式光伏数据y
s-1
为基准空间域，以p-1特征层分布式光伏数据z
p-1
为基准特征层。三域相关推理包括时间相关推理、空间相关推理和特征相关推理。推理权重系数包括时间域推理权重系数、时间域偏置权重系数、空间域推理权重系数、空间域偏置权重系数、特征域推理权重系数和特征域偏置权重系数。
[0097]
s2:根据三域知识图谱的当前状态，对时间域数据进行时间相关推理，得到当前状态的时间推理关系和当前的时间域残差；
[0098]
可选的，步骤s2具体为：根据三域知识图谱的当前状态，对时间域数据进行时间相关推理，得到当前状态的时间推理关系，公式为：
[0099][0100]
其中，x’t
为时间域主实体集合中的当前时刻的预测数据，w
t
为时间域推理权重系数，w
te
为时间域偏置权重系数，x
t-1
为基准时间片的时间域数据,z
p-1
为基准特征层的特征域数据，y
s-1
为基准空间域的空间域数据；
[0101]
根据时间域主实体集合中的当前时刻的预测数据和基准时间片的时间域数据，计算当前的时间域残差，公式为：
[0102]
res
t
＝||x
t-x'
t
||f[0103]
其中，res
t
为当前的时间域残差，||.||f为取f范数，即求矩阵的f范数。
[0104]
在本实施例中，以t-1时刻分布式光伏数据x
t-1
为基准时间片，以s-1空间域分布式光伏数据y
s-1
为基准空间域，以p-1特征层分布式光伏数据z
p-1
为基准特征层，对e
t
中的主实体t时刻即x
t
时间片进行推理，时间相关推理方法如下：
[0105][0106]
其中，w
t
和w
te
分别为时间域推理权重系数和时间域偏置权重系数，时间域残差，即可通过res
t
＝||x
t-x'
t
||f计算得到，||.||f为求矩阵的f范数。
[0107]
s3:根据三域知识图谱的当前状态，对空间域数据进行空间相关推理，得到当前状态的空间推理关系和当前的空间域残差；
[0108]
可选的，步骤s3具体为：根据三域知识图谱的当前状态，对空间域进行空间相关推理，得到当前状态的空间推理关系，公式为：
[0109][0110]
其中，y's为空间域主实体集合中的当前空间的预测数据，ws为空间域推理权重系数，w
se
为空间域偏置权重系数，x
t-1
为基准时间片的时间域数据,z
p-1
为基准特征层的特征域数据，y
s-1
为基准空间域的空间域数据；
[0111]
根据空间域主实体集合中的当前空间的预测数据和基准空间域的空间域数据，计算当前的空间域残差，公式为：
[0112]
ress＝||y
s-y's||f[0113]
其中，ress为当前的空间域残差，||.||f为取f范数。
[0114]
在本实施例中，以t-1时刻即x
t-1
为基准时间片，以s-1空间域即y
s-1
为基准空间域，以p-1特征即z
p-1
为基准特征层，对es中的主实体xs空间域进行推理，空间相关推理方法如下：
[0115][0116]
其中，ws和w
se
分别为空间域推理权重系数和空间域偏置权重系数，空间域残差即可通过ress＝||y
s-y's||f计算得到。
[0117]
s4:根据三域知识图谱的当前状态，对特征域数据进行特征相关推理，得到当前状态的特征推理关系和当前的特征域残差。
[0118]
可选的，步骤s4具体为：根据三域知识图谱的当前状态，对特征域进行特征相关推理，得到当前状态的特征推理关系，公式为：
[0119][0120]
其中，z'
p
为特征域主实体集合中的当前特征的预测数据，w
p
为特征域推理权重系数，w
pe
为特征域偏置权重系数，x
t-1
为基准时间片的时间域数据,z
p-1
为基准特征层的特征域数据，y
s-1
为基准空间域的空间域数据；
[0121]
根据特征域主实体集合中的当前特征的预测数据和基准空间域的空间域数据，计算当前的特征域残差，公式为：
[0122]
res
p
＝||z
p-z'
p
||f[0123]
其中，res
p
为当前的特征域残差，||.||f为取f范数。
[0124]
在本实施例中，以t-1时刻即x
t-1
为基准时间片，以s-1空间域即y
s-1
为基准空间域，以p-1特征即z
p-1
为基准特征层，对e
p
中的主实体z
p-1
层特征域进行推理，特征相关推理方法如下：
[0125][0126]
其中，w
p
和w
pe
分别为特征域推理权重系数和特征域偏置权重系数，特征域残差即可通过res
p
＝||z
p-z'
p
||f计算得到。
[0127]
可选的，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵，具体为：
[0128]
判断当前的三域残差是否小于相应域的预设残差阈值；其中，当前的三域残差包括当前的时间域残差、当前的空间域残差和当前的特征域残差；
[0129]
在本实施例中，预设残差阈值包括时间域残差阈值、空间域残差阈值和特征域残差阈值，设定时间域残差阈值t_entropy，空间域残差阈值s_entropy，特征域残差阈值p_entropy，将经步骤s2-s4的三域相关推理，得到的三域残差与各自阈值进行比较，并执行相应的后续动作，如果三域残差中某个残差小于设定阈值，比如res
t
＜t_entropy，则将推理关系存入推理关系矩阵。如果三域残差中某个残差大于设定阈值，比如ress＞s_entropy，则基于残差调整s3中各域的推理权重系数，再一次进行空间域相关推理，直到各域残差均小于相应域的预设残差阈值。
[0130]
若当前的三域残差均小于相应域的预设残差阈值，则将当前状态的推理关系存入推理关系矩阵，并判断三域知识图谱的状态间推理关系是否已知，若已知，则根据推理关系矩阵，得到基准推理信息矩阵，若未知，则更改三域知识图谱的当前状态，再次进入迭代，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵；
[0131]
在本实施例中，通过调整三域推理公式中的权重对残差结果进行迭代直到三域残差均小于阈值，并得到此时的推理关系。重复三域残差计算步骤直到得到所有状态之间的推理关系。在满足当前的三域残差均小于相应域的预设残差阈值时，将步骤s1的基准状态(当前状态)和目标状态(预测状态)进行更改，即将基准时间片更改为t-2时刻，基准空间域更改为s-2空间域，基准特征层更改为p-2特征层，对三域主实体t-1时间片，s-1空间域，p-1特征层分别进行预测并得到推理关系，存入推理关系矩阵。反复进行基准状态(当前状态)和目标状态(预测状态)更改，直到t中所有相邻时刻，s中所有相邻空间域，p中所有相邻特征之间的推理关系均已知并存入推理关系矩阵，从而得到全部状态下的基准推理信息矩阵，即基准消息和推理关系矩阵。
[0132]
若当前的三域残差中任一个残差值不小于相应域的预设残差阈值，根据当前的三域残差调整三域相关推理的权重系数，基于三域相关推理的当前的权重系数，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，判断当前的三域残差是否小于相应域的预设残差阈值，并执行相应的状态更改及权重调整，经反复循环迭代推理后，得到基准推理信息矩阵。
[0133]
在本实施例中，如果三域残差中某个残差大于设定阈值，比如ress＞s_entropy，则基于残差调整s3中各域的推理权重系数，如下式所示：
[0134][0135]
其中，w'
t
为调整后的时间域推理权重系数，w's调整后的空间域推理权重系数，w’p
调整后的特征域推理权重系数，w’te
调整后的时间域偏置权重系数，w’se
调整后的空间域偏置权重系数，w’pe
调整后的特征域偏置权重系数。
[0136]
步骤103：将基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据。
[0137]
在本实施例中，经过步骤101和步骤102已经尽可能对数据间的关联性进行挖掘，通过将原始光伏并网数据矩阵转换为基准消息和推理关系矩阵(基准推理信息矩阵)，冗余数据已被最大限度的进行剔除。将最终所得到的基准信息与推理关系矩阵(基准推理信息矩阵)作为待压缩数据进行进一步压缩，得到光伏并网压缩数据，可将压缩后的光伏并网压缩数据进行进一步的传输。
[0138]
可选的，步骤103具体为:读取基准推理信息矩阵的当前字符，并将当前字符进行三域编码处理，得到字符编码，公式为：
[0139][0140]
其中，ηi为当前字符，xi为第i个字符的字符编码，||.||2表示取2范数，表示向上取整；
[0141]
根据字符编码，查找压缩字典，并判断字符编码是否在压缩字典中；
[0142]
若是，则将字符编码作为当前字符的最终字符编码；
[0143]
若否，则将当前字符前两个字符的最终字符编码进行模2加法运算，得到当前字符的最终字符编码；
[0144]
根据基准推理信息矩阵的全部字符的最终字符编码，得到光伏并网压缩数据。
[0145]
在本实施例中，读入基准推理信息矩阵的新字符ηi，如下式输出字符编码：
[0146][0147]
其中，xi为第i个字符的编码，||.||2表示取2范数，表示向上取整。
[0148]
查找压缩字典，若xi在字典中则读入下一个字符编码，否则通过模2加法得到字符ηi的字符编码，公式如下：
[0149][0150]
其中，为模2加法，x
i-1
为第i-1个字符的最终字符编码，x
i-2
为第i-2个字符的最终字符编码。
[0151]
不断读入基准推理信息矩阵的字符，直至所有数据编码完毕，即可得到光伏并网压缩数据。
[0152]
实施本发明实施例，将分布式光伏并网数据进行三域细化处理，得到三域数据；其中，三域细化处理包括时间域分片处理、空间域分块处理和特征域分层处理；构造分布式光伏并网数据的三域知识图谱，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵；将基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据。构建三域知识图谱，用于光伏并网数据的三域残差信息压缩，基于时间、空间和特征三域对原始数据进行时间相关推理、空间相关推理、特征相关推理，从三个领域充分挖掘原始并网数据间的关联性，动态调节三域预测权重系数提高数据推理精度，以最大限度减少原始信息的冗余度，有效压缩光伏并网数据，精准研判冗余数据，提高冗余数据压缩效率。
[0153]
实施例二
[0154]
相应地，参见图3，图3是本发明提供的一种分布式光伏并网的数据传输方法的实施例二的流程示意图。如图3所示，分布式光伏并网的数据传输方法包括步骤301-步骤302，具体步骤如下：
[0155]
步骤301：采集分布式光伏并网数据，通过数据压缩方法将分布式光伏并网数据进行压缩，得到基准推理信息矩阵和光伏并网压缩数据；其中，数据压缩方法是本发明的一种分布式光伏并网的数据压缩方法；
[0156]
步骤302：将光伏并网压缩数据进行数据传输，使接收端根据基准推理信息矩阵将光伏并网压缩数据进行逻辑倒推，还原分布式光伏并网数据。
[0157]
在本实施例中，将基准信息和推理关系矩阵压缩后进行数据传输，接收端基于基准信息和知识推理矩阵(基准推理信息矩阵)进行逻辑倒推，即根据接收到的基准推理信息矩阵对数据进行逆变换，对数据进行高精度还原，最终恢复得到全部三域测量数据，即高精度三域测量数据。
[0158]
实施本发明实施例，通过分布式光伏并网的数据压缩方法，基于时间相关推理、空间相关推理、特征相关推理构建分布式光伏并网数据的三域残差。通过对原始光伏并网数据在时间域上进行分片，在空间域上进行分块，在特征域上进行分层，同时使用时间、空间、特征对三域数据进行推理，将原始光伏并网数据转化为基准数据和推理关系矩阵，以最大限度挖掘数据之间的关联性，减少数据的冗余度。基于三域残差的知识推理压缩与预测反馈学习方法，通过调整时间域、空间域和特征域数据推理公式中的预测权重系数对残差结果进行迭代直到三域残差均小于阈值，以提高三域数据的推理精度，进而提高接收端数据还原精度，实现分布式光伏并网数据的高精度恢复。
[0159]
上述的一种分布式光伏并网的数据传输方法可实施上述方法实施例的一种分布式光伏并网的数据压缩方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0160]
以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种分布式光伏并网的数据压缩方法，其特征在于，包括：将所述分布式光伏并网数据进行三域细化处理，得到三域数据；其中，所述三域细化处理包括时间域分片处理、空间域分块处理和特征域分层处理；构造所述分布式光伏并网数据的三域知识图谱，根据所述三域知识图谱的当前状态，对所述三域数据进行三域相关推理，得到当前的三域残差和所述当前状态的推理关系，根据所述当前的三域残差，动态调节所述三域相关推理的权重系数，反复迭代进行所述三域相关推理，直至满足预设条件，得到基准推理信息矩阵；将所述基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据。2.如权利要求1所述的分布式光伏并网的数据压缩方法，其特征在于，所述根据所述当前的三域残差，动态调节所述三域相关推理的权重系数，反复迭代进行所述三域相关推理，直至满足预设条件，得到基准推理信息矩阵，具体为：判断所述当前的三域残差是否小于相应域的预设残差阈值；其中，所述当前的三域残差包括当前的时间域残差、当前的空间域残差和当前的特征域残差；若所述当前的三域残差均小于所述相应域的预设残差阈值，则将所述当前状态的推理关系存入推理关系矩阵，并判断所述三域知识图谱的状态间推理关系是否已知，若已知，则根据所述推理关系矩阵，得到所述基准推理信息矩阵，若未知，则更改所述三域知识图谱的当前状态，再次进入迭代，根据所述三域知识图谱的当前状态，对所述三域数据进行三域相关推理，得到当前的三域残差和所述当前状态的推理关系，根据所述当前的三域残差，动态调节所述三域相关推理的权重系数，反复迭代进行所述三域相关推理，直至满足预设条件，得到基准推理信息矩阵；若所述当前的三域残差中任一个残差值不小于所述相应域的预设残差阈值，根据所述当前的三域残差调整所述三域相关推理的权重系数，基于所述三域相关推理的当前的权重系数，根据所述三域知识图谱的当前状态，对所述三域数据进行三域相关推理，得到当前的三域残差和所述当前状态的推理关系，判断所述当前的三域残差是否小于所述相应域的预设残差阈值，并执行相应的状态更改及权重调整，经反复循环迭代推理后，得到所述基准推理信息矩阵。3.如权利要求1所述的分布式光伏并网的数据压缩方法，其特征在于，所述将所述分布式光伏并网数据进行三域细化处理，得到三域数据，具体为：对所述分布式光伏并网数据进行时间域分片处理，得到时间域数据，公式为：对所述分布式光伏并网数据进行时间域分片处理，得到时间域数据，公式为：
其中，x
t
和为第t时刻的时间域数据，为第t时刻空间域s中的第p维分布式光伏并网数据，t为数据采集阶段的总时间，s为所述分布式光伏并网数据的总空间，p为特征值的总数；对所述分布式光伏并网数据进行空间域分块处理，得到空间域数据，公式为：s＝[y1,...,y
s
,...,y
s
]其中，y
s
和为第s维的空间域数据，为空间域s中时刻t所采集的第p维分布式光伏并网数据；对所述分布式光伏并网数据进行特征域分层处理，得到特征域数据，公式为：p＝[z1,...,z
p
,...,z
p
]其中，z
p
和为第p层的特征域数据，为第p层特征在时刻t和空间域s中所采集的分布式光伏并网数据。4.如权利要求3所述的分布式光伏并网的数据压缩方法，其特征在于，所述构造所述分布式光伏并网数据的三域知识图谱，具体为：构造所述分布式光伏并网数据的三域知识图谱，表示为：g＝{e
t
,e
s
,e
p
,r,t,s,p}其中，e
t
为时间域主实体集合，e
s
为空间域主实体集合，e
p
为特征域主实体集合，r为各主实体和客实体之间的关系集合，t为所述分布式光伏并网数据的时刻集合，s为所述分布式光伏并网数据的空间域集合，p为所述分布式光伏并网数据的特征层集合。5.如权利要求2或4所述的分布式光伏并网的数据压缩方法，其特征在于，所述根据所述三域知识图谱的当前状态，对所述三域数据进行三域相关推理，得到当前的三域残差和所述当前状态的推理关系，具体为：
挑选并将基准时间片、基准空间域和基准特征层作为根据所述三域知识图谱的当前状态；首次推理时，以t-1时刻的时间域数据为所述基准时间片，以s-1空间域数据为所述基准空间域，以p-1特征层的特征域数据为所述基准特征层；根据所述三域知识图谱的当前状态，对所述时间域数据进行时间相关推理，得到所述当前状态的时间推理关系和所述当前的时间域残差；根据所述三域知识图谱的当前状态，对所述空间域数据进行空间相关推理，得到所述当前状态的空间推理关系和所述当前的空间域残差；根据所述三域知识图谱的当前状态，对所述特征域数据进行特征相关推理，得到所述当前状态的特征推理关系和所述当前的特征域残差。6.如权利要求5所述的分布式光伏并网的数据压缩方法，其特征在于，所述根据所述三域知识图谱的当前状态，对所述时间域数据进行时间相关推理，得到所述当前状态的时间推理关系和所述当前的时间域残差，具体为：根据所述三域知识图谱的当前状态，对所述时间域数据进行时间相关推理，得到所述当前状态的时间推理关系，公式为：其中，x
′
t
为所述时间域主实体集合中的当前时刻的预测数据，w
t
为时间域推理权重系数，w
te
为时间域偏置权重系数，x
t-1
为所述基准时间片的时间域数据,z
p-1
为所述基准特征层的特征域数据，y
s-1
为所述基准空间域的空间域数据；根据所述时间域主实体集合中的当前时刻的预测数据和所述基准时间片的时间域数据，计算所述当前的时间域残差，公式为：res
t
＝||x
t-x'
t
||
f
其中，res
t
为所述当前的时间域残差，||.||
f
为取f范数。7.如权利要求5所述的分布式光伏并网的数据压缩方法，其特征在于，所述根据所述三域知识图谱的当前状态，对所述空间域数据进行空间相关推理，得到所述当前状态的空间推理关系和所述当前的空间域残差，具体为：根据所述三域知识图谱的当前状态，对所述空间域进行空间相关推理，得到所述当前状态的空间推理关系，公式为：其中，y'
s
为所述空间域主实体集合中的当前空间的预测数据，w
s
为空间域推理权重系数，w
se
为空间域偏置权重系数，x
t-1
为所述基准时间片的时间域数据,z
p-1
为所述基准特征层的特征域数据，y
s-1
为所述基准空间域的空间域数据；根据所述空间域主实体集合中的当前空间的预测数据和所述基准空间域的空间域数据，计算所述当前的空间域残差，公式为：res
s
＝||y
s-y'
s
||
f
其中，res
s
为所述当前的空间域残差，||.||
f
为取f范数。8.如权利要求5所述的分布式光伏并网的数据压缩方法，其特征在于，所述根据所述三
域知识图谱的当前状态，对所述特征域数据进行特征相关推理，得到所述当前状态的特征推理关系和所述当前的特征域残差，具体为：根据所述三域知识图谱的当前状态，对所述特征域进行特征相关推理，得到所述当前状态的特征推理关系，公式为：其中，z'
p
为所述特征域主实体集合中的当前特征的预测数据，w
p
为特征域推理权重系数，w
pe
为特征域偏置权重系数，x
t-1
为所述基准时间片的时间域数据,z
p-1
为所述基准特征层的特征域数据，y
s-1
为所述基准空间域的空间域数据；根据所述特征域主实体集合中的当前特征的预测数据和所述基准空间域的空间域数据，计算所述当前的特征域残差，公式为：res
p
＝||z
p-z'
p
||
f
其中，res
p
为所述当前的特征域残差，||.||
f
为取f范数。9.如权利要求1所述的分布式光伏并网的数据压缩方法，其特征在于，所述将所述基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据，具体为：读取所述基准推理信息矩阵的当前字符，并将所述当前字符进行三域编码处理，得到字符编码，公式为：其中，η
i
为所述当前字符，x
i
为第i个字符的字符编码，||.||2表示取2范数，表示向上取整；根据所述字符编码，查找压缩字典，并判断所述字符编码是否在所述压缩字典中；若是，则将所述字符编码作为所述当前字符的最终字符编码；若否，则将所述当前字符前两个字符的最终字符编码进行模2加法运算，得到所述当前字符的最终字符编码；根据所述基准推理信息矩阵的全部字符的最终字符编码，得到光伏并网压缩数据。10.一种分布式光伏并网的数据传输方法，其特征在于，包括：采集分布式光伏并网数据，通过数据压缩方法将所述分布式光伏并网数据进行压缩，得到基准推理信息矩阵和光伏并网压缩数据；其中，所述数据压缩方法是如权利要求1至9任意一项所述的分布式光伏并网的数据压缩方法；将所述光伏并网压缩数据进行数据传输，使接收端根据所述基准推理信息矩阵将所述光伏并网压缩数据进行逻辑倒推，还原所述分布式光伏并网数据。

技术总结
本发明公开了一种分布式光伏并网的数据压缩及传输方法，压缩方法包括将分布式光伏并网数据进行三域细化处理，得到三域数据；其中，三域细化处理包括时间域分片处理、空间域分块处理和特征域分层处理；构造分布式光伏并网数据的三域知识图谱，根据三域知识图谱的当前状态，对三域数据进行三域相关推理，得到当前的三域残差和当前状态的推理关系，根据当前的三域残差，动态调节三域相关推理的权重系数，反复迭代进行三域相关推理，直至满足预设条件，得到基准推理信息矩阵；将基准推理信息矩阵进行编码压缩，得到光伏并网压缩数据。本实施例实现了有效压缩光伏并网数据，精准研判冗余数据，提高冗余数据压缩效率。提高冗余数据压缩效率。提高冗余数据压缩效率。


技术研发人员：施展 李波 邓晓智 吴振田 窦铮 黄东海 王秀竹
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：2023.05.06
技术公布日：2023/8/6