本發(fā)明屬于電力信息，尤其是涉及一種結構特征保持的電力數(shù)據(jù)靜態(tài)圖數(shù)據(jù)生成方法。

背景技術：

1、電力數(shù)據(jù)涉及大量安全信息，不宜直接使用，需要使用圖生成技術對電力數(shù)據(jù)進行脫敏處理，生成與原始數(shù)據(jù)具有相似拓撲結構的模擬數(shù)據(jù)，再根據(jù)脫敏后的模擬數(shù)據(jù)進行電力系統(tǒng)分析和研究。因此，如何在生成高質(zhì)量的圖數(shù)據(jù)，盡可能保持原始數(shù)據(jù)的結構特征，成為電力信息技術領域中的一個重要研究方向。

2、靜態(tài)圖數(shù)據(jù)具有計算效率高、可移植性強等優(yōu)點，現(xiàn)有的靜態(tài)圖數(shù)據(jù)生成技術雖然取得了一定的進展，但在訓練效率、圖結構特征保持等方面仍然面臨一些挑戰(zhàn)?，F(xiàn)有的靜態(tài)圖生成方法主要包含以下幾類：

3、(1)基于結構假設的靜態(tài)圖生成方法

4、傳統(tǒng)的圖生成方法使用特定的結構假設來建模特定的圖集，常見的結構假設包括重尾度分布、小直徑、局部聚類等，傳統(tǒng)的圖生成器有e-r、b-a、w-s、bter、kronecker等。這類方法盡管在理論上有著堅實的基礎，但受結構的局限性，在處理復雜多變的電力數(shù)據(jù)時，往往難以準確生成與原始數(shù)據(jù)具有相似拓撲結構的圖數(shù)據(jù)。此外，這類方法依賴于預設的結構假設，當遇到不符合假設的新圖集時，性能往往會顯著下降。

5、(2)基于自回歸的靜態(tài)圖生成方法

6、基于自回歸的圖生成方法將圖生成過程分解為一系列順序決策，每個決策依賴于前面的決策，通過逐步生成節(jié)點和邊構建完整的圖結構。graphrnn一種典型的自回歸圖生成模型，graphrnn由圖級rnn和邊級rnn兩部分組成，圖級rnn用于存儲已經(jīng)生成的節(jié)點并生成新節(jié)點，邊級rnn用于存儲新節(jié)點的信息并根據(jù)節(jié)點之間的關系推斷是否生成新的邊。但是由于生成過程依賴于節(jié)點和邊的順序，模型不是排列不變的；此外，由于graphrnn的生成過程是逐步進行的，每一步都依賴于前一步的生成結果，圖的生成過程無法并行處理，導致生成效率較低。

7、(3)基于變分自編碼器(variational?autoencoder,vae)的靜態(tài)圖生成方法

8、基于變分自編碼器是一種基于無監(jiān)督學習的生成模型，由編碼器和解碼器兩部分構成，其中，編碼器將輸入數(shù)據(jù)映射到潛在空間中，將圖的結構和節(jié)點信息編碼為潛變量，解碼器從潛在空間采樣得到潛變量，對潛變量進行解碼生成新的圖。模型假設潛變量服從某種已知的先驗分布，使用變分推理技術學習潛變量的分布，通過最大化變分下界來逼近真實的后驗分布。graphvae是一種基于vae的圖生成模型，其編碼器使用gcn將輸入圖嵌入到連續(xù)的特征空間，解碼器使用多層感知機(mlp)一次性地輸出最大節(jié)點數(shù)的概率全連接圖。由于生成圖和真實圖沒有規(guī)定節(jié)點順序，為了計算重構損失，graphvae使用一種近似的圖匹配算法來對齊生成圖和真實圖的節(jié)點，從而計算生成圖與真實圖之間的差異。然而，這種圖匹配算法具有較高的時間復雜度，導致模型無法學習和生成大規(guī)模圖。

9、(4)基于生成對抗網(wǎng)絡的靜態(tài)圖生成方法

10、生成對抗網(wǎng)絡(gan)通過生成器和判別器的對抗訓練生成圖數(shù)據(jù)。netgan是一種經(jīng)典的基于生成對抗網(wǎng)絡的靜態(tài)圖生成模型，其使用有偏二階策略采樣得到隨機游走序列，這種策略既能保持節(jié)點的排列不變性，又能有效地利用真實世界網(wǎng)絡的稀疏性。netgan的生成器使用長短期記憶網(wǎng)絡(lstm)，逐節(jié)點學習并生成下一個節(jié)點，通過迭代過程生成完整的隨機游走序列，判別器使用另一個lstm來處理這些節(jié)點序列，通過學習真實隨機游走序列的特征，判斷隨機游走序列的真實性，訓練結束后，生成器多次生成隨機游走序列，這些序列再通過圖重構算法轉化為完整的圖結。盡管netgan在生成圖質(zhì)量上具有出色的表現(xiàn)，但是模型使用lstm進行序列生成和判別，計算復雜性較高。在處理大規(guī)模圖和長序列時，lstm的計算效率和內(nèi)存需求可能成為瓶頸，限制了模型的可擴展性。

11、綜上，需要設計一種靜態(tài)圖數(shù)據(jù)生成方法，進一步提高電力數(shù)據(jù)靜態(tài)圖數(shù)據(jù)的生成效率和質(zhì)量。

技術實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種結構特征保持的電力數(shù)據(jù)靜態(tài)圖數(shù)據(jù)生成方法，盡可能保留原始電力數(shù)據(jù)的結構特征，同時提高靜態(tài)圖數(shù)據(jù)生成效率。

2、本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

3、本發(fā)明提供一種結構特征保持的電力數(shù)據(jù)靜態(tài)圖數(shù)據(jù)生成方法，包括以下步驟：

4、獲取電力數(shù)據(jù)，輸入靜態(tài)圖數(shù)據(jù)生成模型，生成相應的靜態(tài)圖數(shù)據(jù)；

5、所述靜態(tài)圖數(shù)據(jù)生成模型包括依次連接的采樣模塊、生成對抗網(wǎng)絡和重構模塊；其中，所述采樣模塊用于使用中心圖采樣方法對電力數(shù)據(jù)進行采樣，生成中心圖；

6、所述生成對抗網(wǎng)絡包括生成器和判別器，所述生成器包括解碼器和編碼器，所述編碼器用于通過基于多頭自注意力機制構建的圖自注意力網(wǎng)絡對所述中心圖進行編碼，獲得中心圖的隱變量；所述解碼器用于解碼中心圖的隱變量，獲得中心圖得分矩陣；所述判別器用于區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)；

7、所述重構模塊用于根據(jù)所述中心圖得分矩陣生成每條邊的分類分布概率，進而生成靜態(tài)圖數(shù)據(jù)。

8、進一步地，所述中心圖的生成過程具體如下：

9、s101、根據(jù)輸入的電力數(shù)據(jù)確定初始節(jié)點；

10、s102、以所述初始節(jié)點為中心，對其鄰居節(jié)點進行遞歸采樣，采樣深度為k；

11、s103、獲得半徑為k的中心圖，所述中心圖包括任意節(jié)點u以及與任意節(jié)點u之間最短路徑長度小于等于k的所有鄰居節(jié)點。

12、進一步地，步驟s101中，根據(jù)節(jié)點度計算電力數(shù)據(jù)中任意節(jié)點的采樣概率，進而確定所述初始節(jié)點。

13、進一步地，任意節(jié)點u的采樣概率的計算公式具體如下：

14、

15、其中，p(u)表示表示節(jié)點u的采樣概率，deg(·)表示節(jié)點度，v表示全部節(jié)點集合，v表示節(jié)點。

16、進一步地，所述編碼器包括多個并行的圖自注意力網(wǎng)絡，每個圖自注意力網(wǎng)絡通過多頭自注意力機制計算所述中心圖的聚合特征，然后通過門控機制輸出為中心圖的隱變量。

17、進一步地，中心圖隱變量的生成過程具體如下：

18、s201、將所述中心圖的每個節(jié)點的特征向量映射到隱藏層空間rd′×n，獲得映射特征向量，其中d′為目標維度，n為注意力頭的數(shù)量；

19、s202、計算每個節(jié)點與其鄰居節(jié)點之間的注意力系數(shù)，并進行歸一化：

20、euv＝leakyrelu(at[hu||hv])

21、

22、其中，euv為節(jié)點u和節(jié)點v的注意力系數(shù)，αuv為歸一化的注意力系數(shù)，hu和hv分別為節(jié)點u和節(jié)點v的映射特征向量，a為多頭自注意力機制中各自注意力頭的注意力權重，[·||·]表示向量拼接，leakyrelu為非線性激活函數(shù)；

23、s203、基于歸一化的注意力系數(shù)αuv加權聚合各節(jié)點的鄰居節(jié)點的映射特征向量，獲得各節(jié)點的聚合特征，作為每個注意力頭的輸出；

24、

25、其中，σ為非線性激活函數(shù)；

26、s204、將所有注意力頭的輸出進行拼接，獲得各節(jié)點的當前特征：

27、h′u＝concat(head1，...，headn)wo

28、其中，concat表示向量拼接，headi表示圖自注意力網(wǎng)絡中第i個頭的輸出，wo表示輸出投影矩陣；

29、s205、使用門控機制綜合各節(jié)點的當前特征與原始特征，獲得中心圖的隱變量yu：

30、yu＝σ(wg[h′u||xu||(h′u-xu)])⊙h′u+(1-σ(wg[h′u||xu||(h′u-xu)]))⊙xu

31、其中，wg為權重矩陣，⊙表示元素乘法。

32、進一步地，所述解碼器通過門控循環(huán)單元解碼中心圖的隱變量，獲得中心圖的得分矩陣，得分矩陣的表達式如下：

33、s＝wo(gru(yu，h0))+bo

34、其中，s為得分矩陣，wo為權重矩陣，yu為編碼器輸出的中心圖隱變量，h0為門控循環(huán)單元的初始隱藏狀態(tài)，bo為偏置項。

35、進一步地，所述判別器通過多層感知機區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)。

36、進一步地，所述生成對抗網(wǎng)絡通過最小化損失函數(shù)進行優(yōu)化，所述損失函數(shù)包括生成器損失函數(shù)和判別器損失函數(shù)，所述生成器損失函數(shù)的表達式具體如下：

37、

38、其中，vs表示中心圖的初始節(jié)點集合，ns表示中心圖數(shù)量，au表示中心圖的鄰接矩陣，pu表示生成圖邊的概率，g表示生成器，d表示判別器，g(z)表示生成器生成的數(shù)據(jù)；

39、所述判別器損失函數(shù)的表達式具體如下：

40、

41、其中，x表示真實數(shù)據(jù)。

42、進一步地，所述重構模塊生成智能電網(wǎng)動態(tài)數(shù)據(jù)圖的具體過程如下：

43、s301、根據(jù)中心圖得分矩陣生成每條邊的分類分布概率：

44、

45、其中，p(u,v)為邊(u,v)的分類分布概率，su,v為最終得分矩陣，所述最終得分矩陣通過將所有中心圖得分矩陣進行匯總，然后將每條邊生成的概率取平均值獲得；

46、s302、利用分類分布的概率生成相應的邊，當生成邊的數(shù)量與原始的電力數(shù)據(jù)中邊的數(shù)量一致時，完成靜態(tài)圖數(shù)據(jù)的生成。

47、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

48、1、本發(fā)明設計了一個靜態(tài)圖數(shù)據(jù)生成模型，可以根據(jù)電力數(shù)據(jù)生成相應的靜態(tài)圖數(shù)據(jù)，靜態(tài)圖數(shù)據(jù)生成模型包括依次連接的采樣模塊、生成對抗網(wǎng)絡和重構模塊，其中，采樣模塊用于使用中心圖采樣方法對電力數(shù)據(jù)進行采樣，生成若干中心圖，中心圖采樣方法可以根據(jù)數(shù)據(jù)分布，動態(tài)調(diào)整采樣策略，有效捕捉圖中關鍵節(jié)點及其鄰居節(jié)點的結構特征，有利于提高生成的智能電網(wǎng)動態(tài)數(shù)據(jù)圖的可靠性；編碼器用于通過基于多頭自注意力機制構建的圖自注意力網(wǎng)絡對中心圖進行編碼，獲得中心圖的隱變量，解碼器用于解碼中心圖的隱變量，獲得中心圖得分矩陣，多頭自注意力機制一方面可以實現(xiàn)并行運算，提升模型訓練和生成靜態(tài)圖數(shù)據(jù)的速度，能夠很好適應信息量較大的電力數(shù)據(jù)處理場景，另一方面能夠根據(jù)鄰居節(jié)點的重要性動態(tài)分配不同的注意力權重，重點關注在靜態(tài)圖數(shù)據(jù)中起關鍵作用的節(jié)點，從而能夠有效聚合鄰居節(jié)點的信息，盡可能保留原始電力數(shù)據(jù)的結構特征。

49、2、本發(fā)明在每個圖自注意力網(wǎng)絡之后增加門控機制，可以進一步增強編碼器的學習能力，通過門控機制綜合各節(jié)點的當前特征與原始特征，可以選擇性地保留或丟棄信息，從而減輕梯度消失問題，加速模型收斂，門控機制的引入使得模型在處理長時間跨度的圖數(shù)據(jù)時，能夠保持較高的學習效果，避免重要的歷史信息在長時間傳遞過程中丟失，提升了模型處理復雜數(shù)據(jù)的能力，通過結合多頭自注意力機制和門控機制，模型既能靈活高效地處理大規(guī)模復雜數(shù)據(jù)，又能有效保留原始電力數(shù)據(jù)的結構特征。

50、3、本發(fā)明通過重構模塊將所有中心圖得分矩陣進行匯總，然后將每條邊生成的概率取平均值獲得最終得分矩陣，生成每條邊的分類分布，一方面可以實現(xiàn)多源信息的融合，另一方面可以減少極端值或噪聲對結果的影響，提高得分矩陣的可靠性；利用分類分布的概率生成相應的邊，可以使生成的靜態(tài)圖數(shù)據(jù)更加接近實際情況；上述過程不依賴于特定的電網(wǎng)結構或數(shù)據(jù)格式，可以靈活應用于不同類型的電力數(shù)據(jù)靜態(tài)圖數(shù)據(jù)生成場景，具有較強的可解釋性和可擴展性。