.png){kind=icon}
返回
Multi-View Graph Attributed Learning Data Imputation Method for Residential Load Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/tsg.2026.3690142.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能电网的普及，住宅负载数据已成为用户行为建模和需求预测的关键。然而，实际负载曲线常因传感器或通信故障导致大量数据缺失，使得准确插补至关重要。现有数据插补方法面临两大挑战：一方面，在高缺失率下性能显著下降；另一方面，缺乏用户间的泛化能力，限制了其对日常负载曲线有限的家庭进行准确插补的能力。为克服这些挑战，本文提出了一种多视图图属性插补框架。该框架通过掩码对齐构建观测感知相似图，以确保稀疏观测下的结构可靠性，并引入高阶时序梯度特征来表示负载动态。这些视图通过自表达学习和图嵌入进行融合，以揭示潜在的用户结构并指导鲁棒插补。在真实住宅数据上的实验表明，该方法在严重缺失和目标负载数据有限的情况下表现出卓越性能。
Keyword:
Filtering
Filters
Low-pass filters
Circuits and systems
Central Processing Unit
Protocols
Communication systems
Electronic mail
High frequency
Internet
Multi-view graph learning
residential load analysis
data imputation
期刊
IF:
9.8
论文数:
5.7K
被引数:
4.3W
机构
引用论文
暂无论文信息