配电物联网数据留存与价值数据延伸处理方法研究

• 作者: 马翔 邵嗣杨 刘凡
• 来源期刊: 电子设计工程
• 关键词: 价值质量 规律挖掘 趋势预测 留存分析 改进LSTM
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 通信与网络|Communication & Network
• 页码范围: 108-113
• 页数: 6页
• 分类号: TM769
• 语种: 中文
• DOI: 10.14022/j.issn1674-6236.2021.05.023

摘要

受配电物联网多业务场景全息感知信息中的冲击数据、异常数据、冲突数据等"脏数据"影响,海量数据延伸过程面临数据品质不高的问题,进而降低了数据的价值质量、规律挖掘和趋势预测的前景.为此,提出了一种基于留存分析方法结合长短期记忆算法(Long Short Term Memory,LSTM)的数据分析模型,并以此对配网电力数据发展趋势进行预测.该模型采用留存分析方法对海量感知数据中的"脏数据"进行清洗,并在此基础上利用清洗后的数据共性特征对LSTM中的遗忘门进行改进和优化,实现了清洗后价值数据规律的挖掘和趋势的预测.以新能源汽车负荷预测为例,实验结果表明,相较于同类数据趋势预测的整合移动平均自回归算法(Auto Regressive Integrated Moving Average,ARIMA)与传统LSTM算法,该文方法整体预测准确率分别提升了16.26％、16.84％,而各时段预测值的均方根误差(RMSE)较ARIMA算法和LSTM算法则分别降低17％和22.7％,这表明该方法可有效处理配电物联网海量数据的优良率和预测精度,为后续决策提供数据依据.