CN111950928A - 配电网降损方法、装置、存储介质及计算设备 - Google Patents
配电网降损方法、装置、存储介质及计算设备 Download PDFInfo
- Publication number
- CN111950928A CN111950928A CN202010860506.5A CN202010860506A CN111950928A CN 111950928 A CN111950928 A CN 111950928A CN 202010860506 A CN202010860506 A CN 202010860506A CN 111950928 A CN111950928 A CN 111950928A
- Authority
- CN
- China
- Prior art keywords
- loss reduction
- historical
- distribution network
- power distribution
- loss
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 419
- 238000009826 distribution Methods 0.000 title claims abstract description 309
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 202
- 238000004458 analytical method Methods 0.000 claims abstract description 156
- 238000012549 training Methods 0.000 claims description 71
- 238000005070 sampling Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 19
- 230000007423 decrease Effects 0.000 claims 1
- 230000006735 deficit Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 26
- 210000004027 cell Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种配电网降损方法、装置、存储介质及计算设备,该方法包括:获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;基于降损策略对配电网运行状态进行调整,以实现降损。本申请至少解决由于确定降损策略过程复杂而导致的配电网降损效率低、效果差的技术问题。
Description
技术领域
本申请涉及配电网降损技术领域,具体而言,涉及一种配电网降损方法、装置、存储介质及计算设备。
背景技术
配电网的电能损耗(简称线损),可以包括电网经营企业在电能传输和营销过程中自发电厂出线起至客户电度表止所产生的电能消耗和损失。线损率是衡量线损高低的指标,它综合反映和体现了电力系统规划设计、生产运行和经营管理的水平,是电网经营企业的一项重要经济技术指标。
目前已有多种基于技术措施和/或管理措施的配电网降损策略,然而这些降损策略通常与配电网的整体架构和具体参数密切相关,不具备通用性;且在实际应用中,通常需要依赖技术人员的复杂分析才能确定配电网适用的降损策略,这也使得配电网的降损效果易于因技术人员的主观因素而出现偏差。
针对上述由于确定降损策略过程复杂而导致的配电网降损效率低、效果差的技术问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种配电网降损方法、装置、存储介质及计算设备,以至少解决由于确定降损策略过程复杂而导致的配电网降损效率低、效果差的技术问题。
根据本申请实施例的一个方面,提供了一种配电网降损方法,包括:获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;基于降损策略对配电网运行状态进行调整,以实现降损。
在上述方法的基础上,所述降损分析模型通过如下步骤进行训练:获取配电网历史运行数据,基于预设周期从所述配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;针对所述历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对所述历史降损策略进行编码;搭建降损分析模型,采用所述历史高维随机矩阵特征和所述历史降损策略对所述降损分析模型进行训练,直至所述降损分析模型的交叉熵损失小于预设值。
在上述任一方法的基础上,基于预设周期从所述配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵包括:获取预设的采样周期以及预设的采样次数T;获取预设的影响配电网线路损耗的N个线损影响因素;在每一个采样周期内,从所述配电网历史运行数据中提取对应的N个线损影响因素,构建得到N×T历史高维随机矩阵。
在上述任一方法的基础上,针对所述历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征包括:针对历史高维随机矩阵,提取平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的至少一种,作为表征配电网历史运行状态的历史高维随机矩阵特征。
在上述任一方法的基础上,获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对所述历史降损策略进行编码包括:获取预先设置的与配电网历史运行状态对应的多个历史降损策略,确定所述历史降损策略的个数;根据所述历史降损策略的个数确定对应的二进制位数;采用二进制编码方式对所述历史降损策略的个数进行逐个编码,以使所述历史降损策略对应的编码适于作为所述降损分析模型的输入。
在上述任一方法的基础上,搭建降损分析模型,采用所述历史高维随机矩阵特征和所述历史降损策略对所述降损分析模型进行训练,直至所述降损分析模型的交叉熵损失小于预设值包括:基于BI-LSTM搭建降损分析模型;将历史高维随机矩阵特征作为降损分析模型的输入,获取降损分析模型输出的预测降损策略;分别获取所述历史降损策略和所述预测降损策略的概率分布,并计算所述历史降损策略的概率分布和所述预测降损策略的概率分布之间的交叉熵;持续向所述降损分析模型输入历史高维随机矩阵特征进行训练,直至所述历史降损策略的概率分布和所述预测降损策略的概率分布之间的交叉熵损失小于预设值。
在上述任一方法的基础上,所述降损分析模型的学习过程包括:针对特定时间标签ct,构建:
gt=Sigmoid(Wgxt+Ught-1+bg)
it=Sigmoid(Wi+Ught-1+bg)
当前时刻输出ht可以用ct来进行计算
ot=Sigmoid(Woxt+Uoht-1+bo)
ht=ot⊙Tanh(ct)
其中:gt决定哪些信息需要丢弃,it决定哪些信息需要更新,ot确定哪些是输出信息,ct表示细胞状态时间,xt表示当前细胞输入信息,ht-1表示上个细胞的输出信息,ct-1表示上个细胞状态时间,表示更新细胞状态时间,W*、U*、b*表示响应门的权重参数,Sigmoid为激活函数,用于将变量压缩在(0,1)的范围,Tanh为双曲正切函数,用于将变量压缩在(-1,1)的范围,
在上述任一方法的基础上,所述交叉熵D(f||g)通过如下方式计算:
对于离散型随机变量:
对于连续型随机变量:
其中对于离散型随机变量,f和g表示概率矢量,对于连续型随机变量,f和g表示概率密度函数,D(f||g)≥0,当且仅当f=g时,等号成立,并且D(f||g)≠D(g||f),a,b,c为正整数。
根据本申请实施例的另一个方面,提供了一种用于配电网降损的降损分析模型训练方法,包括:获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码;搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值,其中,降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于降损策略对配电网运行状态进行调整,实现降损。
根据本申请实施例的另一方面,还提供了一种配电网降损装置,包括:第一获取模块,用于获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;第一提取模块,用于针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;预测模块,用于将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;调整模块,用于基于降损策略对配电网运行状态进行调整,以实现降损。
根据本申请实施例的另一方面,还提供了一种用于配电网降损的降损分析模型训练装置,其特征在于,包括:第二获取模块,用于获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;第二提取模块,用于针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;编码模块,获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码;训练模块,用于搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值,其中,降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于降损策略对配电网运行状态进行调整,实现降损。
根据本申请实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的配电网降损方法或用于配电网降损的降损分析模型训练方法。
根据本申请实施例的另一方面,还提供了一种计算设备,包括处理器,处理器用于运行程序,其中,程序运行时执行上述的配电网降损方法或用于配电网降损的降损分析模型训练方法。
在本申请实施例中,通过获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;采用针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征的手段;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;从而实现了基于降损策略对配电网运行状态进行调整,达到配电网降损的效果。
在上述过程中,通过一种基于线损影响因素特征提取的配电网降损优选方案分析方法,对配电网降损进行分析,实现依据配电网状态数据快速生成最优的降损策略,为线损管理人员提供辅助性决策,达到快速、准确对配电网进行降损这一技术目的,进而解决了由于确定降损策略过程复杂而导致的配电网降损效率低、效果差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现配电网降损方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本申请实施例的一种配电网降损方法的流程图;
图3是根据本申请实施例的一种用于配电网降损的降损分析模型训练方法的流程图;
图4是根据本申请实施例的一种可选的用于配电网降损的降损分析模型训练方法的流程图;
图5是根据本申请实施例的一种配电网降损装置的结构示意图;
图6是根据本申请实施例的一种用于配电网降损的降损分析模型训练装置的结构示意图;
图7是根据本申请实施例的一种BI-LSTM中长短记忆单元的网络结构示意图;以及
图8是根据本申请实施例的一种BI-LSTM的网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在对本申请实施例进行详细说明和解释之前,先对本申请实施例涉及到的一些术语和名词进行解释说明。
BI-LSTM:双向长短时记忆网络,非常适用于处理时序数据,可以更好的捕捉到较长距离的依赖关系。结构主要包括输入门、输出门、遗忘门、和长短时记忆单元。
高维随机矩阵,Large Dimensional Random Matrices,可由一个N×T维的时间序列矩阵进行表示,其中N表示矩阵中特征变量的个数,T表示采样的时间点或采样的时间段的个数。当该矩阵的维数大于10时通常可成为高维随机矩阵。
特征提取:从原始数据中找一些具有物理意义的特征,是机器学习算法能够有效工作的重要过程,好的特征能提高系统学习能力。
矩阵图法:从多维问题的事件中,找出成对的因素,排列成矩阵图,然后根据矩阵图来分析问题,确定关键点的方法,它是一种通过多因素综合思考,探索问题的好方法从问题事项中,找出成对的因素群,分别排列成行和列,找出其间行与列的相关性或相关程度的大小的一种方法。
模型搭建:利用Python和Tensorflow学习框架搭基于建BI-LSTM降损分析模型,由于神经元输出值为“0”或“1”,降损策略通过编码表示。
模型训练:利用预处理过的数据对模型进行优化训练。
交叉熵算法:熵用来衡量不确定度的度量准则,而交叉熵通常用来度量两个概率分布之间的信息量的差异。
实施例1
根据本申请实施例,还提供了一种配电网降损方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现配电网降损方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,......,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/0接口)、通用串行总线(USB)端口(可以作为I/0接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的配电网降损方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的配电网降损方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处,需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
本申请在上述运行环境下运行如图2所示的一种配电网降损方法。图2是根据本申请实施例的配电网降损方法的流程图,由图2可知,配电网降损方法可以包括:
步骤S202,获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵。
在一种可选的方案中,配电网当前运行数据例如包括:线路出口电压、公专变96点功率数据、电压水平、负荷分布、三相不平衡度等。线损影响因素即配电网运行数据中与线损相关的运行数据项,例如电压水平、负荷分布、三相不平衡度等。在一种具体实施方式中,可以将所有与线损有关的运行数据项均确定为线损影响因素,从而最大程度的涵盖所有的线损影响因素,提高模型训练和模型预测的精准度,在另一种具体实施方式中,可以先计算运行数据项与线损之间的关联度,将关联度大于预设阈值的数据项确定为线损影响因素,从而精确的涵盖最相关的几个线损影响因素,可以提高模型训练和模型预测的速度和效率。预设周期表示为时间段,例如1分钟,基于预设周期从配电网当前运行数据中提取线损影响因素,例如以每分钟为单位,从配电网当前运行数据中提取一次线损影响因素,提取多分钟的线损影响数据,即可形成时序数据。
步骤S204,针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征。
在一种可选的方案中,高维随机矩阵特征可以为高维随机矩阵的统计学特征,例如平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的一种或多种,通过对该高维随机矩阵进行特征提取,能够更简单有效的表征配电网运行状态,且所提取的特征比原始运行数据更适用于机器学习算法,使得机器学习算法能够有效工作。
步骤S206,将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略。
在一种可选的方案中,利用Python和Tensorflow学习框架搭建基于BI-LSTM降损分析模型,使得配电网能够进行降损分析;通过大量历史样本学习,对模型进行训练,训练直至交叉熵损失稳定在一定范围为止,使得最终得到训练好的降损分析模型。当需要对配电网进行降损时,只需将高维随机矩阵特征输入预先训练好的降损分析模型,模型即可输出对应降损策略的编码。
步骤S208,基于降损策略对配电网运行状态进行调整,以实现降损。
在一种可选的方案中,可以根据降损策略,自动控制配电网中的各元件和各设备自动动作,以实现降损,还可以将降损策略输出给线损管理人员,为线损管理人员提供辅助性决策。
在本申请实施例中,通过获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;采用针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征的手段;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;从而实现了基于降损策略对配电网运行状态进行调整,达到配电网降损的效果。
在上述过程中,通过一种基于线损影响因素特征提取的配电网降损优选方案分析方法,对配电网降损进行分析,实现依据配电网状态数据快速生成最优的降损策略,为线损管理人员提供辅助性决策,达到快速、准确对配电网进行降损这一技术目的,进而解决了由于确定降损策略过程复杂而导致的配电网降损效率低、效果差的技术问题。
进一步地,降损分析模型通过如下步骤S212-S218进行训练:
步骤S212:获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵。
在一种可选的方案中,从配电网运行数据中按分钟采样,获取高维时间序列,每个样本为N×T矩阵,N为特征变量个数,T为时间序列长度。采用矩阵图法构建高维随机矩阵,提高计算准确度和实时性。
步骤S214:针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征。
在一种可选的方案中,对线损影响因素进行特征提取,要求能够表征配电网运行状态。即提取高维时间序列的平均谱半径、最大/最小谱半径、圆环外/圆环上/圆环内的特征根分布比例以及矩阵模、协方差共8个统计特征。
步骤S216:获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码。
在一种可选的方案中,对降损策略进行编码,由于神经元输出为“0”或“1”,对降损策略采用二进制编码。二进制位数通过降损方案数量确定。例如有20种降损方案,则采用5位二进制对方案进行编码。
步骤S218:搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值。
在一种可选的方案中,搭建BI-LSTM降损分析模型,利用Python和Tensorflow学习框架搭建基于BI-LSTM降损分析模型,通过大量样本学习,对模型进行训练,训练直至交叉熵损失稳定在一定范围内为止,形成降损优选方案网络模型。
综上所述,上述步骤S212-S218通过获取大量的配电网历史运行数据以及与该数据对应的降损策略,将配电网历史运行数据转换为高维随机矩阵并提取矩阵的特征值,同时将降损策略进行二进制编码,从而实现了根据高维随机矩阵的特征值和二进制编码的降损策略对BI-LSTM降损分析模型进行训练,并设定模型训练的截至条件为交叉熵损失稳定在一定范围内,从而完成了降损分析模型的训练。
在一种可选的方案中,在建立降损分析模型后,该配电网降损方法还包括如下步骤:获取验证高维随机矩阵和验证降损策略;针对验证高维随机矩阵进行特征提取,得到用于表征配电网运行状态的验证高维随机矩阵特征;将验证高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;根据验证降损策略,对降损分析模型输出的降损策略进行验证。通过上述步骤,可以在模型建立完成后对模型的准确性进行验证。
进一步地,步骤S212:基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵具体可以包括:
步骤S2122:获取预设的采样周期以及预设的采样次数T;
步骤S2124:获取预设的影响配电网线路损耗的N个线损影响因素;
步骤S2126:在每一个采样周期内,从配电网历史运行数据中提取对应的N个线损影响因素,构建得到N×T历史高维随机矩阵。
进一步地,步骤S214:针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征具体可以包括:针对历史高维随机矩阵,提取平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的至少一种,作为表征配电网历史运行状态的历史高维随机矩阵特征。
在一种可选的方案中,上述历史高维随机矩阵特征可通过如下计算公式得到:
平均谱半径(Mean Spectral Radius,MSR)的计算公式为:其中λi为历史高维随机矩阵的特征值,N为历史高维随机矩阵的特征值的数量。|λi|在几何意义上表示特征值与原点的距离,即特征值半径。
进一步地,步骤S216:获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码具体可以包括:
步骤S2162:获取预先设置的与配电网历史运行状态对应的多个历史降损策略,确定历史降损策略的个数;
步骤S2164:根据历史降损策略的个数确定对应的二进制位数;
步骤S2166:采用二进制编码方式对历史降损策略的个数进行逐个编码,以使历史降损策略对应的编码适于作为降损分析模型的输入。
进一步地,步骤S218:搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值具体可以包括:
步骤S2182:基于BI-LSTM搭建降损分析模型;
步骤S2184:将历史高维随机矩阵特征作为降损分析模型的输入,获取降损分析模型输出的预测降损策略;
步骤S2186:分别获取历史降损策略和预测降损策略的概率分布,并计算历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵;
步骤S2188:持续向降损分析模型输入历史高维随机矩阵特征进行训练,直至历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵损失小于预设值。
进一步地,结合图7所述的BI-LSTM中长短记忆单元的网络结构示意图以及图8图8所述的BI-LSTM的网络结构示意图。从图8中可以看出,为了能够有效对时序信息进行抽取,BI-LSTM采取“正向-反向”的方式对输出信息进行双向处理。因此,可以得到降损分析模型的学习过程包括:针对特定时间标签ct,构建
gt=Sigmoid(Wgxt+Ught-1+bg)
it=Sigmoid(Wi+Ught-1+bg)
当前时刻输出ht可以用ct来进行计算
ot=Sigmoid(Woxt+Uoht-1+bo)
ht=ot⊙Tanh(ct)
其中:gt是遗忘门,it是输入门,ct是输出门,gt决定哪些信息需要丢弃,it决定哪些信息需要更新,ot确定哪些是输出信息,ct表示细胞状态时间,xt表示当前细胞输入信息,ht-1表示上个细胞的输出信息,ct-1表示上个细胞状态时间,表示更新细胞状态时间,W*、U*、b*是响应门的权重参数,Sigmoid为激活函数,用于将变量压缩在(0,1)的范围,Tanh为双曲正切函数,用于将变量压缩在(-1,1)的范围,
进一步地,熵用来衡量不确定度的度量准则,信息熵计算公式如下:
对于离散型随机变量:
式中P=(p1,...,pn)是变量X的分布概率,满足p1+p2+...+pn=1,对于连续性对于连续型随机变量:
特别地,当c=2时,信息熵的单位为比特;当c=e时,其单位为奈特。
根据熵的定义思想,定义了一种度量两个随机向量之间信息量差异的计算方法,称为交叉熵。用D(f||g)表示两概率分布的交叉熵。D(f||g)通过如下方式计算:
对于离散型随机变量:
对于连续型随机变量:
其中f和g在离散情况下表示概率矢量,连续情况分别表示概率密度函数,D(f||g)≥0,当且仅当f=g时,等号成立,并且D(f||g)≠D(g||f)。
交叉熵量化了信息之间的差异,交叉熵的取值越小,表示它们之间的接近程度越大。交叉熵具有优化全局的特性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的配电网降损方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种用于配电网降损的降损分析模型训练方法实施例,其中,图3示出了用于配电网降损的降损分析模型训练方法的流程图,如图3所示,该方法包括:
步骤S302,获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;
在一种可选的方案中,从配电网运行数据中按分钟采样,获取高维时间序列,每个样本为N×T矩阵,N为特征变量个数,T为时间序列长度。采用矩阵图法构建高维随机矩阵,提高计算准确度和实时性。
步骤S304,针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;
在一种可选的方案中,对线损影响因素进行特征提取,要求能够表征配电网运行状态。即提取高维时间序列的平均谱半径、最大/最小谱半径、圆环外/圆环上/圆环内的特征根分布比例以及矩阵模、协方差共8个统计特征。
步骤S306,获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码;
在一种可选的方案中,对降损策略进行编码,由于神经元输出为“0”或“1”,对降损策略采用二进制编码。二进制位数通过降损方案数量确定。例如有20种降损方案,则采用5位二进制对方案进行编码。
步骤S308,搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值,其中,降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于降损策略对配电网运行状态进行调整,实现降损。
在一种可选的方案中,搭建BI-LSTM降损分析模型,利用Python和Tensorflow学习框架搭建基于BI-LSTM降损分析模型,通过大量样本学习,对模型进行训练,训练直至交叉熵损失稳定在一定范围内为止,形成降损优选方案网络模型。
综上所述,上述步骤S302-S308通过获取大量的配电网历史运行数据以及与该数据对应的降损策略,将配电网历史运行数据转换为高维随机矩阵并提取矩阵的特征值,同时将降损策略进行二进制编码,从而实现了根据高维随机矩阵的特征值和二进制编码的降损策略对BI-LSTM降损分析模型进行训练,并设定模型训练的截至条件为交叉熵损失稳定在一定范围内,从而完成了降损分析模型的训练。
在上述训练过程中,在一种具体实施方式中,可以将所有与线损有关的运行数据项均确定为线损影响因素,从而最大程度的涵盖所有的线损影响因素,提高模型训练和模型预测的精准度,在另一种具体实施方式中,可以先计算运行数据项与线损之间的关联度,将关联度大于预设阈值的数据项确定为线损影响因素,从而精确的涵盖最相关的几个线损影响因素,可以提高模型训练和模型预测的速度和效率。同时,提取高维随机矩阵特征的统计学特征,例如平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的一种或多种,能够采用特征值来更简单有效的表征配电网运行状态,相比于复杂多样的原始运行数据,所提取的特征更适用于机器学习算法,使得机器学习算法能够有效工作。
在上述训练过程结束后,当需要使用模型对配电网当前的运行状态进行降损分析时,可以执行上述实施例1中的配电网降损方法,即,通过获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;采用针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征的手段;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;从而实现了基于降损策略对配电网运行状态进行调整,达到配电网降损的效果。
在上述训练和降损过程中,通过一种基于线损影响因素特征提取的配电网降损优选方案分析方法,对配电网降损进行分析,实现依据配电网状态数据快速生成最优的降损策略,为线损管理人员提供辅助性决策,达到快速、准确对配电网进行降损这一技术目的,进而解决了由于确定降损策略过程复杂而导致的配电网降损效率低、效果差的技术问题。
进一步地,步骤S302:基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵具体可以包括:
步骤S3022:获取预设的采样周期以及预设的采样次数T;
步骤S3024:获取预设的影响配电网线路损耗的N个线损影响因素;
步骤S3026:在每一个采样周期内,从配电网历史运行数据中提取对应的N个线损影响因素,构建得到N×T历史高维随机矩阵。
进一步地,步骤S204:针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征具体可以包括:针对历史高维随机矩阵,提取平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的至少一种,作为表征配电网历史运行状态的历史高维随机矩阵特征。
在一种可选的方案中,上述历史高维随机矩阵特征可通过如下计算公式得到:
平均谱半径(Mean spectral Radius,MSR)的计算公式为:其中λi为历史高维随机矩阵的特征值,N为历史高维随机矩阵的特征值的数量。|λi|在几何意义上表示特征值与原点的距离,即特征值半径。
进一步地,步骤S306:获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码具体可以包括:
步骤S3062:获取预先设置的与配电网历史运行状态对应的多个历史降损策略,确定历史降损策略的个数;
步骤S3064:根据历史降损策略的个数确定对应的二进制位数;
步骤S3066:采用二进制编码方式对历史降损策略的个数进行逐个编码,以使历史降损策略对应的编码适于作为降损分析模型的输入。
进一步地,步骤S308:搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值具体可以包括:
步骤S3082:基于BI-LSTM搭建降损分析模型;
步骤S3084:将历史高维随机矩阵特征作为降损分析模型的输入,获取降损分析模型输出的预测降损策略;
步骤S3086:分别获取历史降损策略和预测降损策略的概率分布,并计算历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵;
步骤S3088:持续向降损分析模型输入历史高维随机矩阵特征进行训练,直至历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵损失小于预设值。
进一步地,降损分析模型的学习过程包括:针对特定时间标签ct,构建
gt=Sigmoid(Wgxt+Ught-1+bg)
it=Sigmoid(Wi+Ught-1+bg)
当前时刻输出ht可以用ct来进行计算
ot=Sigmoid(Woxt+Uoht-1+bo)
ht=ot⊙Tanh(ct)
其中gt决定哪些信息需要丢弃,it决定哪些信息需要更新,ot确定哪些是输出信息,ct表示细胞状态时间,xt表示当前细胞输入信息,ht-1表示上个细胞的输出信息,ct-1表示上个细胞状态时间,表示更新细胞状态时间,W*、U*、b*是响应门的权重参数,Sigmoid为激活函数,用于将变量压缩在(0,1)的范围,Tanh为双曲正切函数,用于将变量压缩在(-1,1)的范围,
进一步地,熵用来衡量不确定度的度量准则,信息熵计算公式如下:
对于离散型随机变量:
式中P=(p1,...,pn)是变量X的分布概率,满足p1+p2+...+pn=1,对于连续性
对于连续型随机变量:
特别地,当c=2时,信息熵的单位为比特;当c=e时,其单位为奈特。
根据熵的定义思想,定义了一种度量两个随机向量之间信息量差异的计算方法,称为交叉熵。用D(f||g)表示两概率分布的交叉熵。D(f||g)通过如下方式计算:
对于离散型随机变量:
对于连续型随机变量:
其中f和g在离散情况下表示概率矢量,连续情况分别表示概率密度函数,D(f||g)≥0,当且仅当f=g时,等号成立,并且D(f||g)≠D(g||f)。
交叉熵量化了信息之间的差异,交叉熵的取值越小,表示它们之间的接近程度越大。交叉熵具有优化全局的特性。
图4是一种可选的配电网降损模型训练方法的流程图,由图4可知,配电网降损模型训练方法可以包括:
(1)构建高维随机矩阵,采用矩阵图法构建高维随机矩阵,提高计算准确度和实时性。具体而言,从配电网运行数据中按分钟采样,获取高维时间序列,每个样本为N×T矩阵,N为特征变量个数,T为时间序列长度。
(2)特征提取,对线损影响因素进行特征提取,要求能够表征配电网运行状态。即提取高维时间序列的平均谱半径、最大/最小谱半径、圆环外/圆环上/圆环内的特征根分布比例以及矩阵模、协方差共8个统计特征。
(3)对降损策略进行编码,由于神经元输出为“0”或“1”,对降损策略采用二进制编码。二进制位数通过降损方案数量确定。例如有20种降损方案,则采用5位二进制对方案进行编码。
(4)搭建BI-LSTM降损分析模型,利用Python和Tensorflow学习框架搭建基于BI-LSTM降损分析模型。
(5)模型优化训练,通过大量样本学习,对模型进行训练,判断交叉熵是否稳定在一定范围内,如果交叉熵未稳定在预设范围内,则持续通过大量样本对模型进行训练,如果交叉熵稳定在预设范围内,则形成降损优选方案网络模型,用于对配电网进行降损。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的用于配电网降损的降损分析模型训练方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例3
根据本申请实施例,还提供了一种用于实施上述配电网降损方法的配电网降损装置,如图5所示,该装置500包括:第一获取模块5002,第一提取模块5004,预测模块5006和调整模块5008。其中:
第一获取模块5002,用于获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵。
第一提取模块5004,用于针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;
预测模块5006,用于将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;
调整模块5008,用于基于降损策略对配电网运行状态进行调整,以实现降损。
此处,需要说明的是,上述第一获取模块5002,第一提取模块5004,预测模块5006和调整模块5008对应于实施例1中的步骤S202至步骤S208,上述四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,所述装置500还包括模型训练模块,用于对降损分析模型进行训练。该模型训练模块包括:获取单元,提取单元,编码单元以及训练单元。其中:
获取单元,用于获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵。
提取单元,用于针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征。
编码单元,用于获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码。
训练单元,用于搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值。
此处,需要说明的是,上述获取单元,提取单元,编码单元以及训练单元对应于实施例1中的步骤S212至步骤S218,上述四个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,上述获取单元包括:第一获取子单元,第二获取子单元以及构建单元。其中:
第一获取子单元,用于获取预设的采样周期以及预设的采样次数T;
第二获取子单元,用于获取预设的影响配电网线路损耗的N个线损影响因素;
构建单元,用于在每一个采样周期内,从配电网历史运行数据中提取对应的N个线损影响因素,构建得到N×T历史高维随机矩阵。
此处,需要说明的是,上述第一获取子单元,第二获取子单元以及构建单元对应于实施例1中的步骤S2122至步骤S2126,上述三个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,上述提取单元用于针对历史高维随机矩阵,提取平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的至少一种,作为表征配电网历史运行状态的历史高维随机矩阵特征。
在一种可选的方案中,上述编码单元包括:第三获取子单元、确定子单元以及编码子单元。其中:
第三获取子单元,用于获取预先设置的与配电网历史运行状态对应的多个历史降损策略,确定历史降损策略的个数;
确定子单元,用于根据历史降损策略的个数确定对应的二进制位数;
编码子单元,用于采用二进制编码方式对历史降损策略的个数进行逐个编码,以使历史降损策略对应的编码适于作为降损分析模型的输入。
此处,需要说明的是,上述第三获取子单元、确定子单元以及编码子单元对应于实施例1中的步骤S2162至步骤S2166,上述三个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,上述训练单元包括:模型搭建子单元、输出接收子单元、交叉熵计算子单元以及训练子单元。其中:
模型搭建子单元,用于基于BI-LSTM搭建降损分析模型;
输出接收子单元,用于将历史高维随机矩阵特征作为降损分析模型的输入,获取降损分析模型输出的预测降损策略;
交叉熵计算子单元,用于分别获取历史降损策略和预测降损策略的概率分布,并计算历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵;
训练子单元,用于持续向降损分析模型输入历史高维随机矩阵特征进行训练,直至历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵损失小于预设值。
此处,需要说明的是,上述模型搭建子单元、输出接收子单元、交叉熵计算子单元以及训练子单元对应于实施例1中的步骤S2182至步骤S2188,上述三个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例4
根据本申请实施例,还提供了一种用于实施上述配电网降损的降损分析模型训练方法的配电网降损的降损分析模型训练装置,如图6所示,该装置600包括:第二获取模块6002,第二提取模块6004,编码模块6006和训练模块6008。其中:
第二获取模块6002,用于获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;
第二提取模块6004,用于针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;
编码模块6006,获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码;
训练模块6008,用于搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值,其中,降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于降损策略对配电网运行状态进行调整,实现降损。
此处,需要说明的是,上述第二获取模块6002,第二提取模块6004,编码模块6006和训练模块6008对应于实施例1中的步骤S2122至步骤S2126或实施例2中的步骤S302至步骤S308,上述三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1或实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,上述第二获取模块6002包括:第一获取子单元,第二获取子单元以及构建单元。其中:
第一获取子单元,用于获取预设的采样周期以及预设的采样次数T;
第二获取子单元,用于获取预设的影响配电网线路损耗的N个线损影响因素;
构建单元,用于在每一个采样周期内,从配电网历史运行数据中提取对应的N个线损影响因素,构建得到N×T历史高维随机矩阵。
此处,需要说明的是,上述第一获取子单元,第二获取子单元以及构建单元对应于实施例1中的步骤S2122至步骤S2126或实施例2中的步骤S3022至步骤S3026,上述三个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1或实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,上述第二提取模块6004用于针对历史高维随机矩阵,提取平均谱半径、最大谱半径、最小谱半径、圆环外的特征根分布比例、圆环上的特征根分布比例、圆环内的特征根分布比例、矩阵模、协方差中的至少一种,作为表征配电网历史运行状态的历史高维随机矩阵特征。
在一种可选的方案中,上述编码模块6006包括:第三获取子单元、确定子单元以及编码子单元。其中:
第三获取子单元,用于获取预先设置的与配电网历史运行状态对应的多个历史降损策略,确定历史降损策略的个数;
确定子单元,用于根据历史降损策略的个数确定对应的二进制位数;
编码子单元,用于采用二进制编码方式对历史降损策略的个数进行逐个编码,以使历史降损策略对应的编码适于作为降损分析模型的输入。
此处,需要说明的是,上述第三获取子单元、确定子单元以及编码子单元对应于实施例1中的步骤S2162至步骤S2166或实施例2中的步骤S3062至步骤S3066,上述三个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1或实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在一种可选的方案中,上述训练模块6008包括:模型搭建子单元、输出接收子单元、交叉熵计算子单元以及训练子单元。其中:
模型搭建子单元,用于基于BI-LSTM搭建降损分析模型;
输出接收子单元,用于将历史高维随机矩阵特征作为降损分析模型的输入,获取降损分析模型输出的预测降损策略;
交叉熵计算子单元,用于分别获取历史降损策略和预测降损策略的概率分布,并计算历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵;
训练子单元,用于持续向降损分析模型输入历史高维随机矩阵特征进行训练,直至历史降损策略的概率分布和预测降损策略的概率分布之间的交叉熵损失小于预设值。
此处,需要说明的是,上述模型搭建子单元、输出接收子单元、交叉熵计算子单元以及训练子单元对应于实施例1中的步骤S2182至步骤S2188或实施例2中的步骤S3082至步骤S3088,上述三个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例5
本申请的实施例可以提供一种计算设备,该计算设备可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算设备也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述计算设备包括一个或多个处理器、存储器、以及传输装置。其中,存储器可用于存储软件程序以及模块,如本申请实施例中的配电网降损方法和装置对应的程序指令/模块、和/或用于配电网降损的降损分析模型训练方法和装置对应的程序指令/模块。处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的配电网降损方法和用于配电网降损的降损分析模型训练方法。
可选地,存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备120。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本实施例中,上述计算设备中的处理器运行存储的程序代码时可以执行以下方法步骤:获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;基于降损策略对配电网运行状态进行调整,以实现降损。
在本实施例中,上述计算设备中的处理器运行存储的程序代码时可以执行以下方法步骤:获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码;搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值,其中,降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于降损策略对配电网运行状态进行调整,实现降损。
进一步地,在本实施例中,上述计算设备中的处理器运行存储的程序代码时可以执行实施例1和/或实施例2中所列举的任一方法步骤,囿于篇幅不再赘述。
实施例6
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述配电网降损方法或用于配电网降损的降损分析模型训练方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取配电网当前运行数据,基于预设周期从配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;针对高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;将高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;基于降损策略对配电网运行状态进行调整,以实现降损
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取配电网历史运行数据,基于预设周期从配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;针对历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对历史降损策略进行编码;搭建降损分析模型,采用历史高维随机矩阵特征和历史降损策略对降损分析模型进行训练,直至降损分析模型的交叉熵损失小于预设值,其中,降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于降损策略对配电网运行状态进行调整,实现降损。
进一步地,在本实施例中,存储介质被设置为存储用于执行实施例1和/或实施例2中所列举的任一方法步骤的程序代码,囿于篇幅不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种配电网降损方法,其特征在于,包括:
获取配电网当前运行数据,基于预设周期从所述配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;
针对所述高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;
将所述高维随机矩阵特征输入预先训练好的降损分析模型,并接收所述降损分析模型输出的降损策略;
基于所述降损策略对配电网运行状态进行调整,以实现降损。
2.根据权利要求1所述的方法,其特征在于,所述降损分析模型通过如下步骤进行训练:
获取配电网历史运行数据,基于预设周期从所述配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;
针对所述历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;
获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对所述历史降损策略进行编码;
搭建降损分析模型,采用所述历史高维随机矩阵特征和所述历史降损策略对所述降损分析模型进行训练,直至所述降损分析模型的交叉熵损失小于预设值。
3.根据权利要求2所述的方法,其特征在于,基于预设周期从所述配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵包括:
获取预设的采样周期以及预设的采样次数T;
获取预设的影响配电网线路损耗的N个线损影响因素;
在每一个采样周期内,从所述配电网历史运行数据中提取对应的N个线损影响因素,构建得到N×T历史高维随机矩阵。
4.根据权利要求2所述的方法,其特征在于,获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对所述历史降损策略进行编码包括:
获取预先设置的与配电网历史运行状态对应的多个历史降损策略,确定所述历史降损策略的个数;
根据所述历史降损策略的个数确定对应的二进制位数;
采用二进制编码方式对所述历史降损策略的个数进行逐个编码,以使所述历史降损策略对应的编码适于作为所述降损分析模型的输入。
5.根据权利要求2所述的方法,其特征在于,搭建降损分析模型,采用所述历史高维随机矩阵特征和所述历史降损策略对所述降损分析模型进行训练,直至所述降损分析模型的交叉熵损失小于预设值包括:
基于BI-LSTM搭建降损分析模型;
将历史高维随机矩阵特征作为降损分析模型的输入,获取降损分析模型输出的预测降损策略;
分别获取所述历史降损策略和所述预测降损策略的概率分布,并计算所述历史降损策略的概率分布和所述预测降损策略的概率分布之间的交叉熵;
持续向所述降损分析模型输入历史高维随机矩阵特征进行训练,直至所述历史降损策略的概率分布和所述预测降损策略的概率分布之间的交叉熵损失小于预设值。
6.一种用于配电网降损的降损分析模型训练方法,其特征在于,包括:
获取配电网历史运行数据,基于预设周期从所述配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;
针对所述历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;
获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对所述历史降损策略进行编码;
搭建降损分析模型,采用所述历史高维随机矩阵特征和所述历史降损策略对所述降损分析模型进行训练,直至所述降损分析模型的交叉熵损失小于预设值,其中,所述降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于所述降损策略对配电网运行状态进行调整,实现降损。
7.一种配电网降损装置,其特征在于,包括:
第一获取模块,用于获取配电网当前运行数据,基于预设周期从所述配电网当前运行数据中提取线损影响因素,构建高维随机矩阵;
第一提取模块,用于针对所述高维随机矩阵进行特征提取,得到用于表征配电网运行状态的高维随机矩阵特征;
预测模块,用于将所述高维随机矩阵特征输入预先训练好的降损分析模型,并接收降损分析模型输出的降损策略;
调整模块,用于基于所述降损策略对配电网运行状态进行调整,以实现降损。
8.一种用于配电网降损的降损分析模型训练装置,其特征在于,包括:
第二获取模块,用于获取配电网历史运行数据,基于预设周期从所述配电网历史运行数据中提取线损影响因素,构建历史高维随机矩阵;
第二提取模块,用于针对所述历史高维随机矩阵进行特征提取,得到用于表征配电网历史运行状态的历史高维随机矩阵特征;
编码模块,获取预先设置的与配电网历史运行状态对应的多个历史降损策略,并对所述历史降损策略进行编码;
训练模块,用于搭建降损分析模型,采用所述历史高维随机矩阵特征和所述历史降损策略对所述降损分析模型进行训练,直至所述降损分析模型的交叉熵损失小于预设值,其中,所述降损分析模型用于接收从配电网当前运行数据中提取的高维随机矩阵特征,并输出对应的降损策略,以便基于所述降损策略对配电网运行状态进行调整,实现降损。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1-5任一项所述的方法。
10.一种计算设备,包括处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860506.5A CN111950928B (zh) | 2020-08-24 | 2020-08-24 | 配电网降损方法、装置、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860506.5A CN111950928B (zh) | 2020-08-24 | 2020-08-24 | 配电网降损方法、装置、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950928A true CN111950928A (zh) | 2020-11-17 |
CN111950928B CN111950928B (zh) | 2024-02-06 |
Family
ID=73360128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860506.5A Active CN111950928B (zh) | 2020-08-24 | 2020-08-24 | 配电网降损方法、装置、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950928B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573330A (zh) * | 2017-03-10 | 2018-09-25 | 国网甘肃省电力公司电力科学研究院 | 配电网降损方法及装置 |
WO2018214361A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
CN110571792A (zh) * | 2019-07-29 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种电网调控系统运行状态的分析评估方法及系统 |
CN110659779A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 一种基于长短期记忆网络的配电系统网损预测方法 |
CN110866592A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、能效预测方法、装置和存储介质 |
CN111191722A (zh) * | 2019-12-30 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 通过计算机训练预测模型的方法及装置 |
CN111260255A (zh) * | 2020-02-20 | 2020-06-09 | 南方电网科学研究院有限责任公司 | 一种配电网运行参数关键因素分析方法、系统以及设备 |
CN113554204A (zh) * | 2020-04-24 | 2021-10-26 | 北京三快在线科技有限公司 | 确定事件概率的方法、装置、存储介质和电子设备 |
WO2021212753A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 计算机性能数据确定方法、装置、计算机设备及存储介质 |
WO2022088890A1 (zh) * | 2020-10-28 | 2022-05-05 | 中国电力科学研究院有限公司 | 电网中长期检修计划的校核方法、系统、设备及存储介质 |
-
2020
- 2020-08-24 CN CN202010860506.5A patent/CN111950928B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573330A (zh) * | 2017-03-10 | 2018-09-25 | 国网甘肃省电力公司电力科学研究院 | 配电网降损方法及装置 |
WO2018214361A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
CN110571792A (zh) * | 2019-07-29 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种电网调控系统运行状态的分析评估方法及系统 |
CN110659779A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 一种基于长短期记忆网络的配电系统网损预测方法 |
CN110866592A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、能效预测方法、装置和存储介质 |
CN111191722A (zh) * | 2019-12-30 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 通过计算机训练预测模型的方法及装置 |
CN111260255A (zh) * | 2020-02-20 | 2020-06-09 | 南方电网科学研究院有限责任公司 | 一种配电网运行参数关键因素分析方法、系统以及设备 |
WO2021212753A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 计算机性能数据确定方法、装置、计算机设备及存储介质 |
CN113554204A (zh) * | 2020-04-24 | 2021-10-26 | 北京三快在线科技有限公司 | 确定事件概率的方法、装置、存储介质和电子设备 |
WO2022088890A1 (zh) * | 2020-10-28 | 2022-05-05 | 中国电力科学研究院有限公司 | 电网中长期检修计划的校核方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘勍,马义德,钱志柏: "一种基于交叉熵的改进型PCNN图像自动分割新方法", 中国图象图形学报, vol. 10, no. 5, pages 1 - 6 * |
邵美阳,吴俊勇,石琛,安然,朱孝文, 黄杏,蔡蓉: "基于数据驱动和深度置信网络的配电网无功优化", 电网技术, vol. 43, no. 8, pages 1 - 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111950928B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN110798365B (zh) | 基于神经网络的流量预测方法及装置 | |
CN113022378B (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN111260255B (zh) | 一种配电网运行参数关键因素分析方法、系统以及设备 | |
CN111833583B (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
CN111738852A (zh) | 业务数据处理方法、装置和服务器 | |
CN107135230B (zh) | 一种基于infigarch模型的网络流量异常检测方法及设备 | |
CN114722091A (zh) | 数据处理方法、装置、存储介质以及处理器 | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
CN111950928A (zh) | 配电网降损方法、装置、存储介质及计算设备 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
CN113919763A (zh) | 一种基于模糊评判矩阵的电网灾害分析方法及装置 | |
CN112730654A (zh) | 六氟化硫电气设备故障检测方法、装置及终端设备 | |
CN109242321B (zh) | 用户电力负荷在线分析方法及终端设备 | |
CN116800886A (zh) | 异常号码的识别方法、装置、存储介质以及电子设备 | |
CN116170330A (zh) | 业务套餐的推荐方法、装置及电子设备 | |
CN115759418A (zh) | 一种电力零售用户的可调容量预测方法及系统 | |
CN115936185A (zh) | 基于dcnn-lstm-ae-am的短期电力负荷和碳排放量预测方法及系统 | |
CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
CN114637896B (zh) | 数据的审核方法和装置、存储介质及电子装置 |
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 |