CN109873425A - 基于深度学习和用户行为的电力系统调整潮流方法及系统 - Google Patents
基于深度学习和用户行为的电力系统调整潮流方法及系统 Download PDFInfo
- Publication number
- CN109873425A CN109873425A CN201711247523.6A CN201711247523A CN109873425A CN 109873425 A CN109873425 A CN 109873425A CN 201711247523 A CN201711247523 A CN 201711247523A CN 109873425 A CN109873425 A CN 109873425A
- Authority
- CN
- China
- Prior art keywords
- trend
- electric system
- deep learning
- neural network
- adjusts
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006399 behavior Effects 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000009471 action Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000712 assembly Effects 0.000 claims description 5
- 238000000429 assembly Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 210000004218 nerve net Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于深度学习和用户行为的电力系统调整潮流方法及系统，包括：获取电力系统的当前潮流断面数据；将所述潮流断面数据输入预先基于深度学习和用户行为构建的潮流调整模型，得到用户调整潮流策略；根据所述用户调整潮流策略对潮流进行自动调整。本发明提供的技术方案，基于预先构建的潮流调整模型，自动得到用户调整潮流策略，大大节省了时间和人力，提高了工作效率，提高了电网运行状态的稳定性。
Description
技术领域
本发明属于大电网安全领域，具体涉及一种基于深度学习和用户行为的电力系统调整潮流方法及系统。
背景技术
随着特高压电网的快速发展，大规模新能源并网以及节能发电调度的试点和推进，电网的技术水平和复杂程度也越来越高，要求电网调度运行人员及时掌握电网的安全稳定状态及电网的运行风险，提升应对大电网事故风险的分析和处置能力。
电网信息化建设推进及电网实时监视与预警技术的快速发展，使调控人员所掌握的监控和调度信息迅速增长，在线安全稳定分析积累了大量的历史时空运行数据，其中蕴含了宝贵的电网运行规律，同时又贴近实际运行情况，可用来提高在线决策的合理性和实用性。近年来随着电力大数据技术的发展，运行方式协同计算平台的广泛推广和应用，平台中已经积累包括基础数据参数、稳态数据、动态数据、计算程序、调整措施、调整行为日志、计算结果等海量数据，能够为相关数据挖掘研究提供更具多样性的有效样本。
目前电网调整潮流一般采用电网离线人工调整潮流，此种方法复杂且费时。
发明内容
深度学习是机器学习研究中一个新的领域，其动机在于建立模拟人脑进行分析的神经网络，它模仿人脑的机制来分析数据。深度学习算法的不断发展为人工智能领域带来革命性的变化。
本发明提供的一种基于深度学习和用户行为的电力系统调整潮流方法，包括：
获取电力系统的当前潮流断面数据；
将所述潮流断面数据输入预先基于深度学习和用户行为构建的潮流调整模型，得到用户调整潮流策略；
根据所述用户调整潮流策略对潮流进行自动调整。
所述潮流调整模型的构建包括：
获取电力系统的历史潮流断面数据；
从所述历史潮流断面数据中提取用户行为日志信息；
把所述用户行为日志信息批处理为数据集；
根据所述数据集，基于深度学习算法构建潮流调整模型。
所述把用户行为日志信息批处理为数据集，包括：
对用户行为日志信息中的每个电路元件进行编号，整理成(x,y)的数据形式，x表示各编号元件的参数，y表示是否收敛，y＝0不收敛，y＝1收敛；
把整理好的数据集随机打散后按80％、10％、10％的比例拆分成训练集、交叉验证集和测试集。
根据所述数据集，基于深度学习算法构建潮流调整模型，包括：
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；
基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，包括：
通过反向传播算法对训练集进行拟合，得到至少一组初始超参数；
当所述超参数组数大于1时，对交叉验证集进行拟合，根据所述拟合结果确定最优超参数；否则，所述超参数为最优超参数。
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，还包括：用分布式集群计算平台对所述数据集进行训练。
基于所述最优超参数构建神经网络模型，包括：
用测试集对基于最优超参数构建的神经网络模型进行评价，若不符合预设的评价标准，则重新对数据集进行训练，得到新的最优超参数，直至基于最优超参数构建的神经网络模型符合预设的评价标准。
所述超参数包括：神经网络模型类型、代价函数、正则化、优化方法。
所述历史潮流断面数据包括：
电力系统的用户特征数据、后端日志以及业务数据。
所述用户行为日志信息包括：用户人员信息、时间、电网调整参数和调整量。
本发明提供的一种基于深度学习和用户行为的电力系统调整潮流系统，包括：
采集模块，用于获取电力系统的当前潮流断面数据；
分析模块，用于将所述潮流断面数据输入预先基于深度学习算法和用户行为构建的潮流调整模型，得到用户调整潮流策略；
调整模块，用于根据所述用户调整潮流策略对潮流进行自动调整。
所述分析模块包括用于构建潮流调整模型的构建子模块；
所述构建子模块包括：
采集单元，用于获取电力系统的历史潮流断面数据；
提取单元，用于从所述历史潮流断面数据中提取用户行为日志信息；
批处理单元，用于把所述用户行为日志信息批处理为数据集；
构建单元，用于根据所述数据集，基于深度学习算法构建潮流调整模型。
所述构建单元包括：
训练子单元，用于基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；
构建子单元，用于基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。
与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：
本发明提供的技术方案，基于预先构建的潮流调整模型，自动得到用户调整潮流策略，大大节省了时间和人力，提高了工作效率，提高了电网运行状态的稳定性。
附图说明
图1为本发明一种基于深度学习和用户行为的电力系统调整潮流方法流程图；图2为本发明实施例一种基于深度学习和用户行为的电力系统调整潮流方法流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明：
实施例一、
图1为本发明一种基于深度学习算法的电力系统调整潮流行为分析方法流程图，如图1所示，本发明提供的一种基于深度学习和用户行为的电力系统调整潮流方法，包括：
获取电力系统的当前潮流断面数据；
将所述潮流断面数据输入预先基于深度学习和用户行为构建的潮流调整模型，得到用户调整潮流策略；
根据所述用户调整潮流策略对潮流进行自动调整。
所述潮流调整模型的构建包括：
获取电力系统的历史潮流断面数据；
从所述历史潮流断面数据中提取用户行为日志信息；
把所述用户行为日志信息批处理为数据集；
根据所述数据集，基于深度学习算法构建潮流调整模型。
所述把用户行为日志信息批处理为数据集，包括：
对用户行为日志信息中的每个电路元件进行编号，整理成(x,y)的数据形式，x表示各编号元件的参数，y表示是否收敛，y＝0不收敛，y＝1收敛；
把整理好的数据集随机打散后按80％、10％、10％的比例拆分成训练集、交叉验证集和测试集。
根据所述数据集，基于深度学习算法构建潮流调整模型，包括：
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；
基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，包括：
通过反向传播算法对训练集进行拟合，得到至少一组初始超参数；
当所述超参数组数大于1时，对交叉验证集进行拟合，根据所述拟合结果确定最优超参数；否则，所述超参数为最优超参数。
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，还包括：用分布式集群计算平台对所述数据集进行训练。
基于所述最优超参数构建神经网络模型，包括：
用测试集对基于最优超参数构建的神经网络模型进行评价，若不符合预设的评价标准，则重新对数据集进行训练，得到新的最优超参数，直至基于最优超参数构建的神经网络模型符合预设的评价标准。
所述超参数包括：神经网络模型类型、代价函数、正则化、优化方法。
所述历史潮流断面数据包括：
电力系统的用户特征数据、后端日志以及业务数据。
所述用户行为日志信息包括：用户人员信息、时间、电网调整参数和调整量。
实施例二、
基于相同的发明构思，本发明提供的一种基于深度学习和用户行为的电力系统调整潮流系统，包括：
采集模块，用于获取电力系统的当前潮流断面数据；
分析模块，用于将所述潮流断面数据输入预先基于深度学习算法和用户行为构建的潮流调整模型，得到用户调整潮流策略；
调整模块，用于根据所述用户调整潮流策略对潮流进行自动调整。
所述分析模块包括用于构建潮流调整模型的构建子模块；
所述构建子模块包括：
采集单元，用于获取电力系统的历史潮流断面数据；
提取单元，用于从所述历史潮流断面数据中提取用户行为日志信息；
批处理单元，用于把所述用户行为日志信息批处理为数据集；
构建单元，用于根据所述数据集，基于深度学习算法构建潮流调整模型。
所述构建单元包括：
训练子单元，用于基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；
构建子单元，用于基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。
所述批处理单元把用户行为日志信息批处理为数据集，包括：
对用户行为日志信息中的每个电路元件进行编号，整理成(x,y)的数据形式，x表示各编号元件的参数，y表示是否收敛，y＝0不收敛，y＝1收敛；
把整理好的数据集随机打散后按80％、10％、10％的比例拆分成训练集、交叉验证集和测试集。
所述训练子单元基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，包括：
通过反向传播算法对训练集进行拟合，得到初始超参数；
通过对交叉验证集进行拟合，对初始超参数进行筛选，确定最优超参数。
所述训练子单元基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，包括：用分布式集群计算平台对数据集进行训练。
基于所述最优超参数构建神经网络模型，包括：
用测试集对基于最优超参数构建的神经网络模型进行评价，若不符合预设的评价标准，则重新对数据集进行训练，得到新的最优超参数，直至基于最优超参数构建的神经网络模型符合预设的评价标准。
所述超参数包括：神经网络模型类型、代价函数、正则化、优化方法。
所述历史潮流断面数据包括：
电力系统的用户特征数据、后端日志以及业务数据。
所述用户行为日志信息包括：用户人员信息、时间、电网调整参数和调整量。
实施例三、
图2为本实施例一种基于深度学习和用户行为的电力系统调整潮流方法的流程图，如图2所示，本发明提供的基于深度学习和用户行为的电力系统调整潮流方法主要分为数据采集和存储、数据处理、算法训练、模型生成四个部分，具体步骤如下：
(1)、数据采集和存储主要是在运行方式协同计算平台海量数据中采集出用户特征数据、后端日志、业务数据，并存储成文本格式数据。用户特征主要记录用户调整潮流的时间、用户信息；后端日志主要记录用户操作的内容包括调整潮流的具体参数，比如发电机有功和无功、线路电压、变压器的变比等；业务数据主要是电力系统潮流基础数据和计算结果等。
(2)、数据处理主要是消除噪声和用户行为日志信息提取。我国已进入特大型交直流混联电网的新时期，电网调控日益复杂，这对在线安全稳定分析功能提出了更高的要求。在线安全稳定分析技术经过多年发展已有长足进步，省级以上调控中心都已部署在线分析应用。随着在线应用的推广和使用，应用中已经积累了大量的电网运行历史数据，用户行为日志信息主要包含用户人员信息、时间、电网调整参数、调整量。比如某台发电机有功调整3.0等。首先要消除和清理不相关的数据，提取出用户调整潮流行为数据。
(3)、算法训练主要利用处理后的数据和深度学习算法进行训练。根据电力潮流数据形态进行分析每个发电机的功率都是相互独立的，但发电机之间的功率又相互作用从而影响收敛的结果。这种属于典型的输入相互独立，但是又相互作用并有确定输出的模型情景。把每台发电机的功率看作是一个神经元，大量的数据就构成了神经网络，通过不断的训练和学习调整神经元的权重和偏置量，实现潮流计算分析预测。神经网络的输入需要数据集和数据集的标记，然后根据这个数据集和对应的标记，拟合一个能够表达这个数据集的函数参数，由此得到了拟合的函数。具体流程如下：
把用户行为日志信息批处理成可以使用的数据集，对于每个出现的电路元件编号，整理成(x,y)的数据形式，x是各编号元件的参数，y＝0不收敛，y＝1收敛。把整理好的数据集随机打散后按80％、20％、20％的比例拆分成训练集、交叉验证集和测试集。
用分布式集群计算平台对训练集进行训练，训练集由1步骤获得，通过反向传播算法(Backpropagation)使神经网络模型对训练集比较好地拟合。
在调节神经网络模型多组不同的超参数，经过上一步骤对训练集比较好的拟合后，再通过考察它们对交叉验针集的拟合好坏进行筛选，选出合适的评价体系下对交叉验证集拟合最好的一组超参数。
由上一步得到所需要的神经网络的超参数和参数，用测试集评价最终的模型。这个神经网络模型将作为应用模型，在合适的评价体系下表现达到性能指标，被选作为工程应用的神经网络模型。
典型的模型有CNN和RNN、LSTM等。这些模型可以用较少的参数得到符合数据类型的特征。选择一个合适的代价函数(Cost Function)，现在最常用的是交叉熵代价(Cross-entropy Cost Function)函数，用来评价神经网络对训练集的拟合程度。典型的正则化(Regularization)方法有L1范数、L2范数、dropout等，通过正则化防止神经网络过拟合。典型的优化方法有批规范化(Batch Normalization)、ADAM(Adaptive Moment Estimation)等，可以大幅缩短训练时间并提高精度。这里直接设定好的参数(包括上述的网络模型、代价函数、正则化、优化)，都是神经网络的超参数。
(4)、以上面最终得到的神经网络模型为潮流调整模型，利用当前断面数据作为数据输入潮流调整模型，用算法训练的模型来调整潮流状态，从而达到自动调整潮流的目的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (13)
1.一种基于深度学习和用户行为的电力系统调整潮流方法，其特征在于，包括：
获取电力系统的当前潮流断面数据；
将所述潮流断面数据输入预先基于深度学习和用户行为构建的潮流调整模型，得到用户调整潮流策略；
根据所述用户调整潮流策略对潮流进行自动调整。
2.如权利要求1所述的电力系统调整潮流方法，其特征在于，所述潮流调整模型的构建包括：
获取电力系统的历史潮流断面数据；
从所述历史潮流断面数据中提取用户行为日志信息；
把所述用户行为日志信息批处理为数据集；
根据所述数据集，基于深度学习算法构建潮流调整模型。
3.如权利要求2所述的电力系统调整潮流方法，其特征在于，所述把用户行为日志信息批处理为数据集，包括：
对用户行为日志信息中的每个电路元件进行编号，整理成(x,y)的数据形式，x表示各编号元件的参数，y表示是否收敛，y＝0不收敛，y＝1收敛；
把整理好的数据集随机打散后按80％、10％、10％的比例拆分成训练集、交叉验证集和测试集。
4.如权利要求3所述的电力系统调整潮流方法，其特征在于，根据所述数据集，基于深度学习算法构建潮流调整模型，包括：
基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；
基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。
5.如权利要求4所述的电力系统调整潮流方法，其特征在于，基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，包括：
通过反向传播算法对训练集进行拟合，得到至少一组初始超参数；
当所述超参数组数大于1时，对交叉验证集进行拟合，根据所述拟合结果确定最优超参数；否则，所述超参数为最优超参数。
6.如权利要求4所述的电力系统调整潮流方法，其特征在于，基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数，还包括：用分布式集群计算平台对所述数据集进行训练。
7.如权利要求4所述的电力系统调整潮流方法，其特征在于，基于所述最优超参数构建神经网络模型，包括：
用测试集对基于最优超参数构建的神经网络模型进行评价，若不符合预设的评价标准，则重新对数据集进行训练，得到新的最优超参数，直至基于最优超参数构建的神经网络模型符合预设的评价标准。
8.如权利要求4-7任一所述的电力系统调整潮流方法，其特征在于，所述超参数包括：神经网络模型类型、代价函数、正则化、优化方法。
9.如权利要求2所述的电力系统调整潮流方法，其特征在于，所述历史潮流断面数据包括：
电力系统的用户特征数据、后端日志以及业务数据。
10.如权利要求2所述的电力系统调整潮流方法，其特征在于，所述用户行为日志信息包括：用户人员信息、时间、电网调整参数和调整量。
11.一种基于深度学习和用户行为的电力系统调整潮流系统，其特征在于，包括：
采集模块，用于获取电力系统的当前潮流断面数据；
分析模块，用于将所述潮流断面数据输入预先基于深度学习算法和用户行为构建的潮流调整模型，得到用户调整潮流策略；
调整模块，用于根据所述用户调整潮流策略对潮流进行自动调整。
12.如权利要求11所述的电力系统调整潮流系统，其特征在于，所述分析模块包括用于构建潮流调整模型的构建子模块；
所述构建子模块包括：
采集单元，用于获取电力系统的历史潮流断面数据；
提取单元，用于从所述历史潮流断面数据中提取用户行为日志信息；
批处理单元，用于把所述用户行为日志信息批处理为数据集；
构建单元，用于根据所述数据集，基于深度学习算法构建潮流调整模型。
13.如权利要求12所述的电力系统调整潮流系统，其特征在于，所述构建单元包括：
训练子单元，用于基于深度学习算法对所述数据集进行训练，得到用于构建神经网络模型的最优超参数；
构建子单元，用于基于所述最优超参数构建神经网络模型，以所述神经网络模型作为潮流调整模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711247523.6A CN109873425B (zh) | 2017-12-01 | 2017-12-01 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711247523.6A CN109873425B (zh) | 2017-12-01 | 2017-12-01 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109873425A true CN109873425A (zh) | 2019-06-11 |
| CN109873425B CN109873425B (zh) | 2023-10-20 |
Family
ID=66913314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711247523.6A Active CN109873425B (zh) | 2017-12-01 | 2017-12-01 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109873425B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443447A (zh) * | 2019-07-01 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种基于深度强化学习调整电力系统潮流的方法及系统 |
| CN110532596A (zh) * | 2019-07-16 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种基于lstm算法生成电网仿真样本的方法和系统 |
| CN110829434A (zh) * | 2019-09-30 | 2020-02-21 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
| CN111209710A (zh) * | 2020-01-07 | 2020-05-29 | 中国电力科学研究院有限公司 | 一种潮流计算收敛的自动调整方法及装置 |
| CN113240105A (zh) * | 2021-03-30 | 2021-08-10 | 浙江大学 | 一种基于图神经网络池化的电网稳态判别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101540504A (zh) * | 2009-04-30 | 2009-09-23 | 东北大学 | 一种基于变步长神经网络的潮流分析装置及方法 |
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| CN105760945A (zh) * | 2014-12-19 | 2016-07-13 | 国家电网公司 | 风力发电功率的确定方法及装置 |
| CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
| CN107392025A (zh) * | 2017-08-28 | 2017-11-24 | 刘龙 | 基于深度学习的恶意安卓应用程序检测方法 |
-
2017
- 2017-12-01 CN CN201711247523.6A patent/CN109873425B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101540504A (zh) * | 2009-04-30 | 2009-09-23 | 东北大学 | 一种基于变步长神经网络的潮流分析装置及方法 |
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| CN105760945A (zh) * | 2014-12-19 | 2016-07-13 | 国家电网公司 | 风力发电功率的确定方法及装置 |
| CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
| CN107392025A (zh) * | 2017-08-28 | 2017-11-24 | 刘龙 | 基于深度学习的恶意安卓应用程序检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443447A (zh) * | 2019-07-01 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种基于深度强化学习调整电力系统潮流的方法及系统 |
| CN110443447B (zh) * | 2019-07-01 | 2022-12-09 | 中国电力科学研究院有限公司 | 一种基于深度强化学习调整电力系统潮流的方法及系统 |
| CN110532596A (zh) * | 2019-07-16 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种基于lstm算法生成电网仿真样本的方法和系统 |
| CN110829434A (zh) * | 2019-09-30 | 2020-02-21 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
| CN111209710A (zh) * | 2020-01-07 | 2020-05-29 | 中国电力科学研究院有限公司 | 一种潮流计算收敛的自动调整方法及装置 |
| CN111209710B (zh) * | 2020-01-07 | 2022-07-01 | 中国电力科学研究院有限公司 | 一种潮流计算收敛的自动调整方法及装置 |
| CN113240105A (zh) * | 2021-03-30 | 2021-08-10 | 浙江大学 | 一种基于图神经网络池化的电网稳态判别方法 |
| CN113240105B (zh) * | 2021-03-30 | 2022-01-07 | 浙江大学 | 一种基于图神经网络池化的电网稳态判别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109873425B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109873425A (zh) | 基于深度学习和用户行为的电力系统调整潮流方法及系统 | |
| CN112465664B (zh) | 一种基于人工神经网络及深度强化学习的avc智能控制方法 | |
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN108876001B (zh) | 一种基于孪生支持向量机的短期电力负荷预测方法 | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN103618315B (zh) | 一种基于bart算法和超吸收壁的电网电压无功优化方法 | |
| CN109742788A (zh) | 一种新能源电站并网性能评价指标修正方法 | |
| CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN110532596A (zh) | 一种基于lstm算法生成电网仿真样本的方法和系统 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| Słowik et al. | Multipopulation nature-inspired algorithm (MNIA) for the designing of interpretable fuzzy systems | |
| CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
| CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
| CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
| CN109842160B (zh) | 基于两个时点协调优化发电控制的决策方法、装置及系统 | |
| Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
| Wang et al. | Lightweight neural networks-based safety evaluation for smart construction devices | |
| CN113033064A (zh) | 一种基于支持向量机的电力设备冲击负荷模拟方法 | |
| CN112100902A (zh) | 一种基于流数据的锂离子电池寿命预测方法 | |
| CN110826763A (zh) | 一种基于引导学习策略的中长期合约电量分解方法 | |
| CN109886583A (zh) | 基于全寿命周期费用的电力设备成本最优评估方法和系统 | |
| Gupta | Coordinated Wide-Area Control of Multiple Controllers in a Modern Power System | |
| KR20200066740A (ko) | 복합 시스템들의 제어를 위한 무작위화된 강화 학습 | |
| CN112531741B (zh) | 一种柔性负荷参与调频的决策方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |