CN110796203A - 电网运行断面的匹配方法和装置 - Google Patents
电网运行断面的匹配方法和装置 Download PDFInfo
- Publication number
- CN110796203A CN110796203A CN201911057126.1A CN201911057126A CN110796203A CN 110796203 A CN110796203 A CN 110796203A CN 201911057126 A CN201911057126 A CN 201911057126A CN 110796203 A CN110796203 A CN 110796203A
- Authority
- CN
- China
- Prior art keywords
- power grid
- sample set
- operation section
- grid operation
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了电网运行断面的匹配方法和装置，包括：获取电网运行断面样本集；将电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；将预训练的权重、偏差参数和训练样本集通过初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将测试样本集输入目标堆叠自动编码器中，得到相似性分类结果；将相似性分类结果与预存分类结果进行比对，得到比对结果；根据比对结果确定匹配率，可以使用较少有标签样本，提高迭代速度和匹配的准确率。
Description
技术领域
本发明涉及电力技术领域，尤其是涉及电网运行断面的匹配方法和装置。
背景技术
当电网在运行时，每5分钟到15分钟会记录一次整个区域内电网的整体运行状态，电网的整体运行状态包括保存当前时刻电网各节点的电压(幅值和相角)、母线和支路运行状态、发电量和负荷量等各种运行信息，以及在当前状态下电网调度和控制的工作票信息。
将电网某一时刻的整体运行状态称为一个电网运行断面。与此对应，运行断面信息应该包括这一时刻电网各部分的运行数据，并且包含这一运行断面下的工作票信息，其中，工作票信息包括运行方式安排、事故处理预案和工作批答等。
目前，采用K-means算法和CNN算法为当前电网运行断面匹配相似的历史运行断面，但是，采用上述两种方式匹配错误率较高，无法为当前电网运行断面匹配出相似的历史运行断面。
发明内容
有鉴于此，本发明的目的在于提供电网运行断面的匹配方法和装置，可以使用较少有标签样本，提高迭代速度和匹配的准确率。
第一方面，本发明实施例提供了电网运行断面的匹配方法，所述方法包括：
获取电网运行断面样本集；将所述电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将所述无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；
将所述预训练的权重、所述偏差参数和所述训练样本集通过所述初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将所述测试样本集输入所述目标堆叠自动编码器中，得到相似性分类结果；
将所述相似性分类结果与预存分类结果进行比对，得到比对结果；根据所述比对结果确定匹配率。
进一步的，所述电网运行断面样本集通过以下方式获取：
获取原始特征量库和统计量库；
根据所述原始特征量库中的原始特征量和所述统计量库中的统计量的函数关系，得到多个电网运行断面的特征量；
从所述多个电网运行断面的特征量中选取多个电网运行断面样本，所述多个电网运行断面样本构成所述电网运行断面样本集。
进一步的，所述原始特征量库包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷、节点无功负荷、发电机有功出力和发电机无功出力中的至少一种；所述统计量库包括最大值、最小值、平均值、中位数、偏度和峰度中的至少一种。
进一步的，所述将所述相似性分类结果与预存分类结果进行比对，得到比对结果，包括：
将所述相似性分类结果与所述预存分类结果进行比对，得到正确分类的样本数量和错误分类的样本数量。
进一步的，所述根据所述比对结果确定匹配率，包括：
根据所述正确分类的样本数量与所述电网运行断面样本集中电网运行断面样本的数量，得到匹配准确率；
根据所述错误分类的样本数量与所述电网运行断面样本的数量，得到匹配错误率。
第二方面，本发明实施例提供了电网运行断面的匹配装置，所述装置包括：
样本集获取单元，用于获取电网运行断面样本集；将所述电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将所述无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；将所述预训练的权重、所述偏差参数和所述训练样本集通过所述初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将所述测试样本集输入所述目标堆叠自动编码器中，得到相似性分类结果；
确定单元，用于将所述相似性分类结果与预存分类结果进行比对，得到比对结果；根据所述比对结果确定匹配率。
进一步的，所述电网运行断面样本集通过以下方式获取：
获取原始特征量库和统计量库；
根据所述原始特征量库中的原始特征量和所述统计量库中的统计量的函数关系，得到多个电网运行断面的特征量；
从所述多个电网运行断面的特征量中选取多个电网运行断面样本，所述多个电网运行断面样本构成所述电网运行断面样本集。
进一步的，所述原始特征量库包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷、节点无功负荷、发电机有功出力和发电机无功出力中的至少一种；所述统计量库包括最大值、最小值、平均值、中位数、偏度和峰度中的至少一种。
第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
第四方面，本发明实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。
本发明提供了电网运行断面的匹配方法和装置，包括：获取电网运行断面样本集；将电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；将预训练的权重、偏差参数和训练样本集通过初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将测试样本集输入目标堆叠自动编码器中，得到相似性分类结果；将相似性分类结果与预存分类结果进行比对，得到比对结果；根据比对结果确定匹配率，可以使用较少有标签样本，提高迭代速度和匹配的准确率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为自动编码器结构示意图；
图2为堆叠自动编码器结构示意图；
图3为第二层自编码器的编码形式示意图；
图4为堆叠自动编码器的网络模型示意图；
图5为IEEE39节点系统接线示意图；
图6为本发明实施例一提供的电网运行断面的匹配方法流程图；
图7为本发明实施例一提供的目标堆叠自动编码器的网络结构示意图；
图8为本发明实施例一提供的匹配准确率随迭代次数的变化情况示意图；
图9为本发明实施例二提供的电网运行断面的匹配装置示意图。
图标：
10-样本集获取单元；20-确定单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
目前，常用的深度学习模型有深层神经网络(Deep Neural Network，DNN)、卷积神经网络(Convolutional Neural Network,CNN)、深度置信网络(Deep Belief Network，DBN)和堆叠自动编码器(Stacked Auto Encoder，SAE)。SAE以多层AE堆叠的结构，通过无监督预训练和监督微调的训练过程，具有结构灵活可调，对样本要求较低，特征提取能力强和训练难度小等优点。
本申请采用电网运行断面样本集，并以矩阵的形式表现出来，然后利用堆叠自动编码器对电网运行断面进行相似性匹配，并以IEEE39节点系统为基础构建了仿真算例，结果表明，堆叠自动编码器对电网运行断面的相似性匹配，具有十分优越的性能和应用价值。
自动编码器AE的结构图参照图1，AE的整体结构共分三层：输入层、隐含层和输出层，且由编码器和解码器两部分构成，其中输入层由公式(1)可知：
x＝[x1,x2,…,xdx]T
其中，xdx为输入x的元素，dx为输入向量的维度。首先，编码器将输入层x通过映射函数f(x)投影至隐含层，由公式(2)可知：
h＝[h1,h2,…,hdh]T
其中，hdh为隐含层h的元素，dh为隐含层的维度。其中映射函数f(x)由公式(3)可知：
h＝f(x)＝σ(wx+b)
其中，w为权重矩阵，b为偏差向量，σ(x)为解码器的激活函数，有sigmoid函数、tanh函数等多种选择。
自动编码器为了更准确地重建原始输入，在得到隐含层后，通过新的映射函数
将隐含层重建至输出层由公式(4)可知：
其中，
为输出层，
和
分别是新的权重矩阵和偏差向量，σ(x)为激活函数。综上，整个AE的参数集由公式(5)可知：
若训练样本的输入为X＝{x(1),x(2),…,x(N)}，其中，N为训练样本总数，AE通过不断修正网络参数来重建输出，从而使其尽可能与输入相似。每一训练样本xi都被投影至隐含层hi，然后再被重构为
模型参数则通过计算均方重构误差最小化来重构损失函数，由公式(6)可知：
自编码器是由单个编码器构成的，是一个简单的三层网络，即
当输入数据维度较高时，单个编码器所起到的特征提取功能并不能满足需求，而是希望由多层编码器提取更深层次的特征。堆叠自动编码器就是将第一层AE得到的特征表达h作为原始信息，输入到一个新的自编码器中，得到新的特征表达，多层自编码器堆叠，从而能够获取更深层次的特征表达，堆叠自动编码器的基本结构参照图2，堆叠自编码器网络的训练是逐层进行的，每一层都单独得到一个隐含层，然后该隐含层以新的输入形式训练下一层网络，以此形式多层叠加，从而完成算法的第一阶段训练，也即逐层非监督预训练阶段，下面以三层网络为例，详细说明整个网络的训练过程。
将样本输入第一层自编码器，编码形式仍如图1所示，然后以此为基础，将第一层隐含层，即该样本的一阶特征输入至第二层自编码器，形式如图3所示，由第二层自编码器学习得到第二隐含层h(2)，也即该样本的二阶特征，由于是三层网络，可直接将二阶特征作为分类器的输入，从而得到一个能够提取样本二阶特征，并能将其映射至数字标签的三层堆叠自动编码器模型，具体参照图4所示。堆叠自动编码器具有强大的降维和特征表达能力，不仅能够原始输入的一阶特征，并且能够通过深层网络，学习得到一阶特征的隐含规则，且随着网络结构的增加，还能学习到更加高阶的特征，具有深度神经网络的所有优点。
由于本申请处理数据量较大，因此需要将稀疏约束加入到自动编码器的损失函数中，也即采用稀疏自编码技术。既然隐含层的任务是尽量提取数据特征，用最小的维度来代表输入数据，可以理解为使隐含层之间的参数矩阵尽可能稀疏。若神经元j的平均激活度由公式(7)可知：
其中，m为样本个数，
为在给定输入为x(i)情况下，自编码神经网络隐藏神经元j的激活值，由各层参数w和b及输入数据决定。使矩阵尽可能稀疏即使神经元平均激活度
趋近于零，引入KL散度作为网络的正则约束项，由公式(8)可知：
自编码网络的损失函数由公式(9)可知：
综上，引入稀疏自编码后，由于增加了稀疏约束项，网络的特征提取能力大大增强，且在一定程度上增加了训练速度。
本申请IEEE39节点系统为基础，考虑发电机出力在基础潮流数据情况下，在±40％范围内随机波动；各负荷节点的负荷数据在基础潮流数据基础上，在±20％范围内随机波动，并保证各母线电压维持在0.95p.u.-1.05p.u.的合理范围内，基础网架结构如图5所示。在模型训练时电网运行断面样本集分成三组，第一组为无标签样本集T1，用于进行第一阶段的无监督预训练，第二组为带标签的训练样本集T2，用于进行第二阶段的全网络监督微调，第三组为测试样本集T3，用于测试最终模型的匹配准确度。上述三组样本集共同为深度学习算法网络参数、分类器参数的训练和模型测试提供数据支持。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图6为本发明实施例一提供的电网运行断面的匹配方法流程图。
参照图6，该方法包括以下步骤：
步骤S101，获取电网运行断面样本集；
步骤S102，将电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；
步骤S103，将无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；
步骤S104，将预训练的权重、偏差参数和训练样本集通过初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；
具体地，将预训练的权重、偏差参数和训练样本集通过初始堆叠自动编码器进行监督微调，即以预训练的权重和偏差参数为初始参数，然后采用梯度下降法自顶向下有监督地微调网络参数，具体参照图7所示。
步骤S105，将测试样本集输入目标堆叠自动编码器中，得到相似性分类结果；
这里，在训练完成后得到目标堆叠自动编码器，通过测试相本集对目标堆叠自动编码器进行验证，得到相似性分类结果。
步骤S106，将相似性分类结果与预存分类结果进行比对，得到比对结果；
步骤S107，根据比对结果确定匹配率。
进一步的，电网运行断面样本集通过以下方式获取，具体包括以下步骤：
步骤S201，获取原始特征量库和统计量库；
步骤S202，根据原始特征量库中的原始特征量和统计量库中的统计量的函数关系，得到多个电网运行断面的特征量；
本申请中，为了表征电网运行断面的特征量库，为避免复杂的暂态稳定计算，所选取的特征量以静态物理量为主，其中，每一表征电网运行断面的特征量由公式(10)可知：
Fi＝f(pi,si)
其中，Fi为电网运行断面的特征量，是由原始特征量和统计量通过一定的函数关系确定。pi为原始特征量，pi∈P，P为原始特征量库，如表1所示。si为统计量，si∈S，S为统计量库，如表2所示。
表1
表2
步骤S203，从多个电网运行断面的特征量中选取多个电网运行断面样本，多个电网运行断面样本构成电网运行断面样本集。
由表1和表2可知，根据原始特征量库中的原始特征量和统计量库中的统计量的函数关系，得到多个电网运行断面的特征量，从多个电网运行断面的特征量中选取多个电网运行断面样本，多个电网运行断面样本构成电网运行断面样本集。每个电网运行断面样本包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷和节点无功负荷、发电机有功出力和发电机无功出力、发电机功率因数等多方面数据，从而构成了一个28*28维的运行断面样本，并最终构成电网运行断面样本集。
将电网运行断面样本集分为无标签样本集T1、训练样本集T2和测试样本集T3。其中，训练样本集T2为带标签样本，带标签样本分为10类，标签为0,1，…，9。标签的标注原则即为分类标准，按照样本的负荷水平和电压水平等因素考量。本申请选取激活函数，激活函数为sigmoid函数，并设置学习率、权值惩罚项和稀疏参数，并利用无标签样本集T1对初始堆叠自动编码器SAE进行无监督预训练，得到预训练的权重和偏差参数。
进一步的，原始特征量库包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷、节点无功负荷、发电机有功出力和发电机无功出力中的至少一种；统计量库包括最大值、最小值、平均值、中位数、偏度和峰度中的至少一种。
进一步的，步骤S106包括：
将相似性分类结果与预存分类结果进行比对，得到正确分类的样本数量和错误分类的样本数量。
进一步的，步骤S107包括以下步骤：
步骤S301，根据正确分类的样本数量与电网运行断面样本集中电网运行断面样本的数量，得到匹配准确率；
步骤S302，根据错误分类的样本数量与电网运行断面样本的数量，得到匹配错误率。
这里，将正确分类的样本数量与电网运行断面样本集中电网运行断面样本的数量的比值，称为匹配准确率；反之，将错误分类的样本数量与电网运行断面样本的数量的比值，称为匹配错误率。不同算法的匹配准确率具体参照表3：
深度学习算法基于其深度架构和大数据处理能力，匹配准确率明显高于普通机器学习算法。但也有其固有缺陷，深度学习模型一般所需训练样本的数量较多，且需要大量带有标签的样本，这使得算法应用难度和数据预处理难度都大大增加。虽然在表3中堆叠自动编码器比卷积神经网络(CNN)的匹配准确率略高，另外，本申请从匹配错误率随迭代次数变化的角度出发，通过多次测试，拟合出堆叠自动编码器和卷积神经网络的匹配错误率的变化曲线，参照图8所示。堆叠自动编码器和卷积神经网络的匹配错误率随迭代次数的增加不断降低，其中，堆叠自动编码器的错误率下降速度明显高于卷积神经网络，这是由于堆叠自动编码器在第一阶段的无监督预训练，能够为监督训练提供一个较好的初值，使得该方法的错误率下降速度较快，因此，堆叠自动编码器在电网运行断面相似性匹配领域有着十分优越的性能和应用价值。
本申请为挖掘电网历史信息的剩余价值，给电网静态安全分析、特征模式提取和态势感知等工作提供数据基础，给电网工作者提供有价值的历史工作票信息，提出了电网运行断面的匹配方法。通过上述方法，可以使电网运行断面样本集将该电网运行断面的潮流、负荷、节点电压和网架结构等信息全部包含在内，从而保证了匹配精度。然后在IEEE39节点系统的基础上，利用训练样本集对初始堆叠自动编码器进行了训练，训练分为逐层无监督预训练和监督微调两个阶段。训练完成后，利用测试样本集对目标堆叠自动编码器的匹配性能进行了评估。因此，训练后的目标堆叠自动编码器能够充分利用深层构架挖掘样本数据与相似性分类结果之间的潜在映射关系，且准确率和迭代速度较高。
实施例二：
图9为本发明实施例二提供的电网运行断面的匹配装置示意图。
参照图9，该装置包括：
样本集获取单元10，用于获取电网运行断面样本集；将所述电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将所述无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；将所述预训练的权重、所述偏差参数和所述训练样本集通过所述初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将所述测试样本集输入所述目标堆叠自动编码器中，得到相似性分类结果；
确定单元20，用于将所述相似性分类结果与所述预存分类结果进行比对，得到比对结果；根据所述比对结果确定匹配率。
进一步的，电网运行断面样本集通过以下方式获取：
获取原始特征量库和统计量库；
根据原始特征量库中的原始特征量和统计量库中的统计量的函数关系，得到多个电网运行断面的特征量；
从多个电网运行断面的特征量中选取多个电网运行断面样本，多个电网运行断面样本构成所述电网运行断面样本集。
进一步的，原始特征量库包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷、节点无功负荷、发电机有功出力和发电机无功出力中的至少一种；统计量库包括最大值、最小值、平均值、中位数、偏度和峰度中的至少一种。
本发明提供了电网运行断面的匹配装置，包括：获取电网运行断面样本集；将电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；将预训练的权重、偏差参数和训练样本集通过初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将测试样本集输入目标堆叠自动编码器中，得到相似性分类结果；将相似性分类结果与预存分类结果进行比对，得到比对结果；根据比对结果确定匹配率，可以使用较少有标签样本，提高迭代速度和匹配的准确率。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的电网运行断面的匹配方法的步骤。
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，计算机可读介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的电网运行断面的匹配方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种电网运行断面的匹配方法，其特征在于，所述方法包括：
获取电网运行断面样本集；将所述电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将所述无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；
将所述预训练的权重、所述偏差参数和所述训练样本集通过所述初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将所述测试样本集输入所述目标堆叠自动编码器中，得到相似性分类结果；
将所述相似性分类结果与预存分类结果进行比对，得到比对结果；根据所述比对结果确定匹配率。
2.根据权利要求1所述的电网运行断面的匹配方法，其特征在于，所述电网运行断面样本集通过以下方式获取：
获取原始特征量库和统计量库；
根据所述原始特征量库中的原始特征量和所述统计量库中的统计量的函数关系，得到多个电网运行断面的特征量；
从所述多个电网运行断面的特征量中选取多个电网运行断面样本，所述多个电网运行断面样本构成所述电网运行断面样本集。
3.根据权利要求2所述的电网运行断面的匹配方法，其特征在于，所述原始特征量库包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷、节点无功负荷、发电机有功出力和发电机无功出力中的至少一种；所述统计量库包括最大值、最小值、平均值、中位数、偏度和峰度中的至少一种。
4.根据权利要求1所述的电网运行断面的匹配方法，其特征在于，所述将所述相似性分类结果与预存分类结果进行比对，得到比对结果，包括：
将所述相似性分类结果与所述预存分类结果进行比对，得到正确分类的样本数量和错误分类的样本数量。
5.根据权利要求4所述的电网运行断面的匹配方法，其特征在于，所述根据所述比对结果确定匹配率，包括：
根据所述正确分类的样本数量与所述电网运行断面样本集中电网运行断面样本的数量，得到匹配准确率；
根据所述错误分类的样本数量与所述电网运行断面样本的数量，得到匹配错误率。
6.一种电网运行断面的匹配装置，其特征在于，所述装置包括：
样本集获取单元，用于获取电网运行断面样本集；将所述电网运行断面样本集进行划分，得到无标签样本集、训练样本集和测试样本集；将所述无标签样本集通过初始堆叠自动编码器进行无监督预训练，得到预训练的权重和偏差参数；将所述预训练的权重、所述偏差参数和所述训练样本集通过所述初始堆叠自动编码器进行监督训练，得到目标堆叠自动编码器；将所述测试样本集输入所述目标堆叠自动编码器中，得到相似性分类结果；
确定单元，用于将所述相似性分类结果与预存分类结果进行比对，得到比对结果；根据所述比对结果确定匹配率。
7.根据权利要求6所述的电网运行断面的匹配装置，其特征在于，所述电网运行断面样本集通过以下方式获取：
获取原始特征量库和统计量库；
根据所述原始特征量库中的原始特征量和所述统计量库中的统计量的函数关系，得到多个电网运行断面的特征量；
从所述多个电网运行断面的特征量中选取多个电网运行断面样本，所述多个电网运行断面样本构成所述电网运行断面样本集。
8.根据权利要求7所述的电网运行断面的匹配装置，其特征在于，所述原始特征量库包括节点电压幅值、线路有功潮流、线路无功潮流、节点有功负荷、节点无功负荷、发电机有功出力和发电机无功出力中的至少一种；所述统计量库包括最大值、最小值、平均值、中位数、偏度和峰度中的至少一种。
9.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057126.1A CN110796203A (zh) | 2019-10-31 | 2019-10-31 | 电网运行断面的匹配方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057126.1A CN110796203A (zh) | 2019-10-31 | 2019-10-31 | 电网运行断面的匹配方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110796203A true CN110796203A (zh) | 2020-02-14 |
Family
ID=69442399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911057126.1A Pending CN110796203A (zh) | 2019-10-31 | 2019-10-31 | 电网运行断面的匹配方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796203A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112054527A (zh) * | 2020-08-04 | 2020-12-08 | 中国电力科学研究院有限公司 | 一种基于断面调整获取电网潮流仿真样本的方法及系统 |
| CN113568351A (zh) * | 2021-07-29 | 2021-10-29 | 石家庄通合电子科技股份有限公司 | 一种环境试验设备实时监控系统 |
| CN114372941A (zh) * | 2021-12-16 | 2022-04-19 | 佳源科技股份有限公司 | 一种低光照图像增强方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103326358A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 基于同步相角测量装置的电力系统动态状态估计方法 |
| CN103715718A (zh) * | 2014-01-10 | 2014-04-09 | 华北电力大学 | 网源联合仿真及其多级调度闭环控制系统 |
| CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
| CN104917174A (zh) * | 2015-06-08 | 2015-09-16 | 北京交通大学 | 一种针对主动配电网的静态电压稳定性判定方法 |
| CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
| CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
| CN110110815A (zh) * | 2019-05-22 | 2019-08-09 | 国网河北省电力有限公司 | 相似类型时间断面的确定方法、装置以及电子设备 |
-
2019
- 2019-10-31 CN CN201911057126.1A patent/CN110796203A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103326358A (zh) * | 2013-06-17 | 2013-09-25 | 西南交通大学 | 基于同步相角测量装置的电力系统动态状态估计方法 |
| CN103715718A (zh) * | 2014-01-10 | 2014-04-09 | 华北电力大学 | 网源联合仿真及其多级调度闭环控制系统 |
| CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
| CN104917174A (zh) * | 2015-06-08 | 2015-09-16 | 北京交通大学 | 一种针对主动配电网的静态电压稳定性判定方法 |
| CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
| CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
| CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN110110815A (zh) * | 2019-05-22 | 2019-08-09 | 国网河北省电力有限公司 | 相似类型时间断面的确定方法、装置以及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 朱乔木 等: ""基于堆叠自动编码器的电力系统暂态稳定评估"", 《中国电机工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112054527A (zh) * | 2020-08-04 | 2020-12-08 | 中国电力科学研究院有限公司 | 一种基于断面调整获取电网潮流仿真样本的方法及系统 |
| CN113568351A (zh) * | 2021-07-29 | 2021-10-29 | 石家庄通合电子科技股份有限公司 | 一种环境试验设备实时监控系统 |
| CN114372941A (zh) * | 2021-12-16 | 2022-04-19 | 佳源科技股份有限公司 | 一种低光照图像增强方法、装置、设备及介质 |
| CN114372941B (zh) * | 2021-12-16 | 2024-04-26 | 佳源科技股份有限公司 | 一种低光照图像增强方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhai et al. | Deep structured energy based models for anomaly detection | |
| CN112070128B (zh) | 一种基于深度学习的变压器故障诊断方法 | |
| CN110796203A (zh) | 电网运行断面的匹配方法和装置 | |
| CN105447569B (zh) | 一种基于深度学习的乳腺癌细胞特征分析系统 | |
| CN110163261A (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
| CN111311400A (zh) | 基于gbdt算法的评分卡模型的建模方法及其系统 | |
| CN110009030B (zh) | 基于stacking元学习策略的污水处理故障诊断方法 | |
| CN108510083A (zh) | 一种神经网络模型压缩方法以及装置 | |
| US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
| CN109165743A (zh) | 一种基于深度压缩自编码器的半监督网络表示学习算法 | |
| CN107223260B (zh) | 用于动态地更新分类器复杂度的方法 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN118070682B (zh) | 基于人工智能的螺旋栓吊环受损评估方法及装置 | |
| CN117851921B (zh) | 基于迁移学习的设备寿命预测方法及装置 | |
| CN109409434A (zh) | 基于随机森林的肝脏疾病数据分类规则提取的方法 | |
| CN112098833A (zh) | 一种继电器寿命预测方法、系统、介质及设备 | |
| US20230012643A1 (en) | Method for predicting c-axis length of lithium compound crystal structure, method for building learning model, and system for predicting crystal structure having maximum c-axis length | |
| Merino et al. | Neighborhood-based stopping criterion for contrastive divergence | |
| CN115187266A (zh) | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 | |
| CN114238852A (zh) | 运营数据的分析方法、装置、存储介质及电子设备 | |
| CN113326971A (zh) | 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法 | |
| CN112906871A (zh) | 基于混合多层神经网络模型的温度预测方法及系统 | |
| Huang et al. | Dynamic boosting in deep learning using reconstruction error | |
| CN117910145B (zh) | 气动系数的确定方法、确定装置及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |
|
| RJ01 | Rejection of invention patent application after publication |