CN112131792A - 一种地表电位还原方法、装置、设备及存储介质 - Google Patents
一种地表电位还原方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112131792A CN112131792A CN202011014211.2A CN202011014211A CN112131792A CN 112131792 A CN112131792 A CN 112131792A CN 202011014211 A CN202011014211 A CN 202011014211A CN 112131792 A CN112131792 A CN 112131792A
- Authority
- CN
- China
- Prior art keywords
- surface potential
- model
- earth surface
- potential reduction
- 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.)
- Granted
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地表电位还原方法，包括：获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值；根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型；采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型；将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。本发明能够实现地表电位衰减曲线的还原，大大减少了工程实际中地表电位数据采集的工作量。本发明还公开了一种地表电位还原装置、设备及存储介质。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种地表电位还原方法、装置、设备及存储介质。
背景技术
在世界轨道交通发展的历程中，对于地铁附近变电站变压器直流偏磁现象，国内外经过广泛研究，主要认为是跟变电站的地表电位和接触网与电网之间电磁场的耦合关系有影响。地表电位是因为地铁钢轨的部分电流泄漏通过在大地形成非均匀地表电位，使直流电流通过中性点接地的变压器侵入交流系统，接地回路中的直流电流会引起接地变压器发生直流偏磁，增加谐波含量，对电网设备产生多种危害。因此，分析直流偏磁对周围变压器的影响，可以研究周边区域入地电流的大小，而最直接的却是研究周边区域的地表电位分布规律。但目前国内外还没有关于地表电位还原的研究。
发明内容
本发明实施例提供一种地表电位还原方法、装置、设备及存储介质，能够实现地表电位衰减曲线的还原，大大减少了工程实际中地表电位数据采集的工作量。
本发明一实施例提供一种地表电位还原方法，包括：
获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值；
根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型；
采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型；
将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。
作为上述方案的改进，所述根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型，具体包括：
将所述地表电位数据按预设的第一比例划分为第一训练样本和第一测试样本；
采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型；
采用所述第一测试样本对所述训练后的神经网络模型进行测试，得到所述地表电位还原模型。
作为上述方案的改进，所述采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型，具体包括：
选取一组所述神经网络模型的模型参数；
将所述第一训练样本组织成小批量数据样本，并根据所述小批量数据样本，采用预设的反向函数计算第一小批量随机梯度；
将所述第一小批量随机梯度与预设参数的乘积作为所述模型参数在本次迭代的减小量，以根据所述减小量优化所述模型参数；
迭代地执行以上操作，直至达到预设的迭代次数；
基于迭代后的模型参数，获得所述训练后的神经网络模型。
作为上述方案的改进，在所述根据所述训练样本对预先建立的神经网络模型进行训练，得到地表电位还原模型之前，还包括：
基于SGD算法建立所述神经网络模型。
作为上述方案的改进，所述采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，包括：
当所述优化算法为Adam算法时，将所述地表电位数据按预设的第二比例划分为第二训练样本和第二测试样本；其中，所述第二训练样本的样本容量小于所述第一训练样本的样本容量；
根据所述第二训练样本，计算第二小批量随机梯度；
基于所述Adam算法对过去各时间步的第二小批量随机梯度的权值进行偏差修正，得到修正后的时间步动量变量、修正后的指数加权移动平均变量及修正后的第二小批量随机梯度的权值；
根据所述修正后的时间步动量变量和所述修正后的指数加权移动平均变量，将模型参数中每个元素的学习率通过按元素运算重新调整；
基于调整后的学习率和所述修正后的第二小批量随机梯度的权值对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
采用所述第二测试样本对所述优化后的地表电位还原模型进行测试。
作为上述方案的改进，所述采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，包括：
当所述优化算法为LAD线性回归算法时，将所述地表电位数据按预设的第三比例划分为第三训练样本和第三测试样本；其中，所述第三训练样本的样本容量小于所述第一训练样本的样本容量；
基于所述LAD线性回归算法和所述第三训练样本对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
采用所述第三测试样本对所述优化后的地表电位还原模型进行测试。
本发明另一实施例对应提供了一种地表电位还原装置，包括：
数据获取模块，用于获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值；
模型构建模块，用于根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型；
模型优化模块，用于采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型；
地表电位还原模块，用于将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。
本发明另一实施例提供了一种地表电位还原设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的地表电位还原方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的地表电位还原方法。
相比于现有技术，本发明实施例公开的一种地表电位还原方法、装置、设备及存储介质，具有如下有益效果：
通过获取地表电位数据，其中，所述地表电位数据包括地表坐标和电位测量值，根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型，采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线，这样将工程实际中测量得到的地表电位数据输入到该优化后的地表电位还原模型中，实现对地表电位衰减曲线的还原，从而实现了对地表电位的分布情况进行快速准确的还原，能有效降低实地地表电位采集的数据量，以使得大大减少了工程实际中地表电位数据采集的工作量，同时通过优化模型，能有效提高模型的还原准确度。
附图说明
图1是本发明一实施例提供的一种地表电位还原方法的流程示意图；
图2是本发明一实施例提供的地表电位还原模型的地表电位还原效果示意图；
图3是本发明一实施例提供的基于Adam算法的地表电位还原效果示意图；
图4是本发明一实施例提供的基于LAD线性回归算法的地表电位还原效果示意图；
图5是本发明一实施例提供的一种地表电位还原装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作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。
参见图1，是本发明一实施例提供的一种地表电位还原方法的流程示意图，所述方法包括步骤S101至S104。
S101、获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值。
优选的，采用CDEGS搭建高压输电系统模型和地铁系统模型，仿真得到多组地表电位分布数据，并从中截选部分数据作为本发明的地表电位数据。
S102、根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型。
在一些实施例中，在步骤S102之前，还包括：
基于SGD算法建立所述神经网络模型。
在一具体实施例中，将所述地表电位数据按预设的第一比例划分为第一训练样本和第一测试样本；
采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型；
采用所述第一测试样本对所述训练后的神经网络模型进行测试，得到所述地表电位还原模型。
本实施例中，神经网络模型由3个层级构成，分别为输入层、输出层及隐层，激活函数顺序为tanh函数、ReLU函数、sigmoid函数，该神经网络模型通过混合使用以上三种激活函数作为隐藏层的非线性激活。此外，为了便于神经网络的训练，将数据集进行归一化处理，即将训练样本与测试样本中点的数据分别除以各自数据样本的最大值，当通过神经网络最后一层sigmoid函数激活后，输出为0-1之间的数。其次，为了避免模型记忆训练顺序，将数据随机打乱，对数据随机分割成训练样本和测试样本，从而使用训练样本来训练模型，使用测试样本来验证模型的偏差。由此，示例性的，获取300个地表电位数据，按5：5的比例随意分割成第一训练样本和第一测试样本，用于构建地表电位还原模型。
更具体的，在一实施例中，所述采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型，包括：
选取一组所述神经网络模型的模型参数；
将所述第一训练样本组织成小批量数据样本，并根据所述小批量数据样本，采用预设的反向函数计算第一小批量随机梯度；
将所述第一小批量随机梯度与预设参数的乘积作为所述模型参数在本次迭代的减小量，以根据所述减小量优化所述模型参数；
迭代地执行以上操作，直至达到预设的迭代次数；
基于迭代后的模型参数，获得所述训练后的神经网络模型。
需要说明的是，在模型训练的过程中采用多次迭代模型参数的方式。先选取一组模型参数的初始值，如随机选取；进而对模型参数进行多次迭代，使得每次迭代都可能降低损失函数的值。具体的，在每次迭代中先随机均匀采样一个由固定数目训练数据样本所组成的小批量数据样本，然后通过调用反向函数t.gradients计算小批量数据样本中数据样本的平均损失有关模型参数的导数(即小批量随机梯度)，从而将小批量随机梯度与预先设定的一个正数参数的乘积作为模型参数在本次迭代的减小量。在一个迭代周期中完整遍历一遍训练样本，并对训练样本中所有数据都使用一次。其次，迭代训练中的学习率为超参数，分别设1～10和0.02。示例性的，迭代次数设置为10，参见图2，是本发明一实施例提供的地表电位还原模型的地表电位还原效果示意图，图2(a)为第一个迭代周期的地表电位还原效果示意图，图2(b)为第一个迭代周期的地表电位还原效果示意图，采用第一测试样本分别对第一个迭代周期后的模型以及第十个迭代周期后的模型进行电位还原测试。可见，第一个迭代周期后的模型尚不能捕捉数据产生机制的信息，因而是一条线性曲线，该线性曲线的一次项系数为-1.187011，截距项为281.29417。经过十个迭代周期训练后，模型的还原能力有了显著提升。
S103、采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型。
在一优选实施例中，步骤S103具体包括：
当所述优化算法为Adam算法时，将所述地表电位数据按预设的第二比例划分为第二训练样本和第二测试样本；其中，所述第二训练样本的样本容量小于所述第一训练样本的样本容量；
根据所述第二训练样本，计算第二小批量随机梯度；
基于所述Adam算法对过去各时间步的第二小批量随机梯度的权值进行偏差修正，得到修正后的时间步动量变量、修正后的指数加权移动平均变量及修正后的第二小批量随机梯度的权值；
根据所述修正后的时间步动量变量和所述修正后的指数加权移动平均变量，将模型参数中每个元素的学习率通过按元素运算重新调整；
基于调整后的学习率和所述修正后的第二小批量随机梯度的权值对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
采用所述第二测试样本对所述优化后的地表电位还原模型进行测试。
需要说明的是，使用Adam算法对所述地表电位还原模型进行优化，具体为基于Adam算法对过去各时间步的小批量随机梯度权值做偏差修正，将模型参数中每个元素的学习率通过按元素运算重新调整，并且目标函数自变量中每个元素都分别拥有自己的学习率。同时，将训练样本和测试样本按第二比例重新配置，减少了训练样本。参见图3，是本发明一实施例提供的基于Adam算法的地表电位还原效果示意图，将训练样本与测试样本按3：7的比例重新配置，从地表电位衰减曲线上可以看出，Adam算法大大提高了模型的拟合能力，并且在测试样本中有很好的预测效果，大大降低了实地地表电位采集的数据量。并且Adam对异常值(25m范围内的地表电位)更不敏感，更加符合实际需求。
在另一优选实施例中，步骤S103具体包括：
当所述优化算法为LAD线性回归算法时，将所述地表电位数据按预设的第三比例划分为第三训练样本和第三测试样本；其中，所述第三训练样本的样本容量小于所述第一训练样本的样本容量；
基于所述LAD线性回归算法和所述第三训练样本对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
采用所述第三测试样本对所述优化后的地表电位还原模型进行测试。
需要说明的是，使用LAD线性回归算法对所述地表电位还原模型进行优化，具体为基于LAD线性回归模型的神经网络，由于LAD回归准则对提高最小二乘法的稳健性有很大帮助。同时，将训练样本和测试样本按第三比例重新配置，减少了训练样本。参见图4，是本发明一实施例提供的基于LAD线性回归算法的地表电位还原效果示意图，将训练样本与测试样本按3：7的比例重新配置，测试的地表电位衰减曲线与真实的地表电位衰减曲线较为相符，因此，采用LAD回归极大地的方式优化模型，提高了神经网络模型的还原准确度。
S104、将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。
本发明实施例提供的一种地表电位还原方法，通过获取地表电位数据，其中，所述地表电位数据包括地表坐标和电位测量值，根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型，采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线，这样将工程实际中测量得到的地表电位数据输入到该优化后的地表电位还原模型中，实现对地表电位衰减曲线的还原，从而实现了对地表电位的分布情况进行快速准确的还原，能有效降低实地地表电位采集的数据量，以使得大大减少了工程实际中地表电位数据采集的工作量，同时通过优化模型，能有效提高模型的还原准确度。
参见图5，是本发明一实施例提供的一种地表电位还原装置的结构示意图，包括：
数据获取模块201，用于获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值；
模型构建模块202，用于根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型；
模型优化模块203，用于采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型；
地表电位还原模块204，用于将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。
优选的，模型构建模块202包括：
第一数据划分单元，用于将所述地表电位数据按预设的第一比例划分为第一训练样本和第一测试样本；
神经网络模型训练单元，用于采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型；
神经网络模型测试单元，用于采用所述第一测试样本对所述训练后的神经网络模型进行测试，得到所述地表电位还原模型。
优选的，神经网络模型训练单元包括：
模型参数选取单元，用于选取一组所述神经网络模型的模型参数；
第一小批量随机梯度计算单元，用于将所述第一训练样本组织成小批量数据样本，并根据所述小批量数据样本，采用预设的反向函数计算第一小批量随机梯度；
模型参数优化单元，用于将所述第一小批量随机梯度与预设参数的乘积作为所述模型参数在本次迭代的减小量，以根据所述减小量优化所述模型参数；
迭代单元，用于迭代地执行以上操作，直至达到预设的迭代次数；
训练后的神经网络模型构建单元，用于基于迭代后的模型参数，获得所述训练后的神经网络模型。
优选的，所述装置还包括：
神经网络模型构建模块，用于基于SGD算法建立所述神经网络模型。
优选的，模型优化模块203包括：
第二数据划分单元，用于当所述优化算法为Adam算法时，将所述地表电位数据按预设的第二比例划分为第二训练样本和第二测试样本；其中，所述第二训练样本的样本容量小于所述第一训练样本的样本容量；
第二小批量随机梯度计算单元，用于根据所述第二训练样本，计算第二小批量随机梯度；
偏差修正单元，用于基于所述Adam算法对过去各时间步的第二小批量随机梯度的权值进行偏差修正，得到修正后的时间步动量变量、修正后的指数加权移动平均变量及修正后的第二小批量随机梯度的权值；
学习率调整单元，用于根据所述修正后的时间步动量变量和所述修正后的指数加权移动平均变量，将模型参数中每个元素的学习率通过按元素运算重新调整；
第一优化后的地表电位还原模型构建单元，用于基于调整后的学习率和所述修正后的第二小批量随机梯度的权值对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
第一优化后的地表电位还原模型测试单元，用于采用所述第二测试样本对所述优化后的地表电位还原模型进行测试。
优选的，模型优化模块203包括：
第三数据划分单元，用于当所述优化算法为LAD线性回归算法时，将所述地表电位数据按预设的第三比例划分为第三训练样本和第三测试样本；其中，所述第三训练样本的样本容量小于所述第一训练样本的样本容量；
第二优化后的地表电位还原模型构建单元，用于基于所述LAD线性回归算法和所述第三训练样本对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
第二优化后的地表电位还原模型测试单元，用于采用所述第三测试样本对所述优化后的地表电位还原模型进行测试。
本发明实施例提供的一种地表电位还原装置，通过获取地表电位数据，其中，所述地表电位数据包括地表坐标和电位测量值，根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型，采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线，这样将工程实际中测量得到的地表电位数据输入到该优化后的地表电位还原模型中，实现对地表电位衰减曲线的还原，从而实现了对地表电位的分布情况进行快速准确的还原，能有效降低实地地表电位采集的数据量，以使得大大减少了工程实际中地表电位数据采集的工作量，同时通过优化模型，能有效提高模型的还原准确度。
该实施例的地表电位还原设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如地表电位还原程序。所述处理器执行所述计算机程序时实现上述各个地表电位还原方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述地表电位还原设备中的执行过程。
所述地表电位还原设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述地表电位还原设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是地表电位还原设备的示例，并不构成对地表电位还原设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述地表电位还原设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述地表电位还原设备的控制中心，利用各种接口和线路连接整个地表电位还原设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述地表电位还原设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述地表电位还原设备集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种地表电位还原方法，其特征在于，包括：
获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值；
根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型；
采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型；
将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。
2.如权利要求1所述的地表电位还原方法，其特征在于，所述根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型，具体包括：
将所述地表电位数据按预设的第一比例划分为第一训练样本和第一测试样本；
采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型；
采用所述第一测试样本对所述训练后的神经网络模型进行测试，得到所述地表电位还原模型。
3.如权利要求2所述的地表电位还原方法，其特征在于，所述采用所述第一训练样本对所述神经网络模型进行训练，得到训练后的神经网络模型，具体包括：
选取一组所述神经网络模型的模型参数；
将所述第一训练样本组织成小批量数据样本，并根据所述小批量数据样本，采用预设的反向函数计算第一小批量随机梯度；
将所述第一小批量随机梯度与预设参数的乘积作为所述模型参数在本次迭代的减小量，以根据所述减小量优化所述模型参数；
迭代地执行以上操作，直至达到预设的迭代次数；
基于迭代后的模型参数，获得所述训练后的神经网络模型。
4.如权利要求2所述的地表电位还原方法，其特征在于，在所述根据所述训练样本对预先建立的神经网络模型进行训练，得到地表电位还原模型之前，还包括：
基于SGD算法建立所述神经网络模型。
5.如权利要求3所述的地表电位还原方法，其特征在于，所述采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，包括：
当所述优化算法为Adam算法时，将所述地表电位数据按预设的第二比例划分为第二训练样本和第二测试样本；其中，所述第二训练样本的样本容量小于所述第一训练样本的样本容量；
根据所述第二训练样本，计算第二小批量随机梯度；
基于所述Adam算法对过去各时间步的第二小批量随机梯度的权值进行偏差修正，得到修正后的时间步动量变量、修正后的指数加权移动平均变量及修正后的第二小批量随机梯度的权值；
根据所述修正后的时间步动量变量和所述修正后的指数加权移动平均变量，将模型参数中每个元素的学习率通过按元素运算重新调整；
基于调整后的学习率和所述修正后的第二小批量随机梯度的权值对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
采用所述第二测试样本对所述优化后的地表电位还原模型进行测试。
6.如权利要求3所述的地表电位还原方法，其特征在于，所述采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型，包括：
当所述优化算法为LAD线性回归算法时，将所述地表电位数据按预设的第三比例划分为第三训练样本和第三测试样本；其中，所述第三训练样本的样本容量小于所述第一训练样本的样本容量；
基于所述LAD线性回归算法和所述第三训练样本对所述地表电位还原模型进行训练，得到优化后的地表电位还原模型；
采用所述第三测试样本对所述优化后的地表电位还原模型进行测试。
7.一种地表电位还原装置，其特征在于，包括：
数据获取模块，用于获取地表电位数据；其中，所述地表电位数据包括地表坐标和电位测量值；
模型构建模块，用于根据所述地表电位数据对预先建立的神经网络模型进行训练，得到地表电位还原模型；
模型优化模块，用于采用预设的优化算法对所述地表电位还原模型进行优化，获得优化后的地表电位还原模型；
地表电位还原模块，用于将待还原的地表电位数据输入到所述优化后的地表电位还原模型，得到地表电位衰减曲线。
8.一种地表电位还原设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的地表电位还原方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的地表电位还原方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011014211.2A CN112131792B (zh) | 2020-09-24 | 2020-09-24 | 一种地表电位还原方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011014211.2A CN112131792B (zh) | 2020-09-24 | 2020-09-24 | 一种地表电位还原方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131792A true CN112131792A (zh) | 2020-12-25 |
| CN112131792B CN112131792B (zh) | 2024-06-04 |
Family
ID=73839569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011014211.2A Active CN112131792B (zh) | 2020-09-24 | 2020-09-24 | 一种地表电位还原方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131792B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184708A1 (en) * | 2008-10-06 | 2011-07-28 | Mitiko Miura-Mattausch | Simulation method and simulation apparatus |
| US20170011155A1 (en) * | 2015-07-08 | 2017-01-12 | Within Technologies Ltd. | Lattice structure interfacing |
| CN107085646A (zh) * | 2017-04-28 | 2017-08-22 | 国家电网公司 | 一种输电线路下地面场强测量方法 |
| US20190171949A1 (en) * | 2017-12-04 | 2019-06-06 | Institute For Information Industry | Model training system, operating method of model training system and portable electronic device |
| CN110175519A (zh) * | 2019-04-22 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
| CN110490378A (zh) * | 2019-08-07 | 2019-11-22 | 中国南方电网有限责任公司 | 基于云scada大数据的电网状态估计精度的计算方法 |
| US20200090031A1 (en) * | 2018-09-13 | 2020-03-19 | Google Llc | Adaptive Optimization with Improved Convergence |
| CN111209709A (zh) * | 2019-12-24 | 2020-05-29 | 国网浙江省电力有限公司金华供电公司 | 一种基于人工神经网络的pcm阻值预测方法 |
| US20200175216A1 (en) * | 2018-12-04 | 2020-06-04 | Google Llc | Generating integrated circuit floorplans using neural networks |
| US20200265176A1 (en) * | 2018-06-07 | 2020-08-20 | The Institute of Microelectronics of Chinese Academy of Sciences | Method and apparatus for obtaining surface potential |
| US10769528B1 (en) * | 2019-06-07 | 2020-09-08 | Sas Institute Inc. | Deep learning model training system |
| CN111638396A (zh) * | 2020-06-02 | 2020-09-08 | 安徽大学 | 一种基于Boost的土壤杂散电流电位监测方法 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
-
2020
- 2020-09-24 CN CN202011014211.2A patent/CN112131792B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110184708A1 (en) * | 2008-10-06 | 2011-07-28 | Mitiko Miura-Mattausch | Simulation method and simulation apparatus |
| US20170011155A1 (en) * | 2015-07-08 | 2017-01-12 | Within Technologies Ltd. | Lattice structure interfacing |
| CN107085646A (zh) * | 2017-04-28 | 2017-08-22 | 国家电网公司 | 一种输电线路下地面场强测量方法 |
| US20190171949A1 (en) * | 2017-12-04 | 2019-06-06 | Institute For Information Industry | Model training system, operating method of model training system and portable electronic device |
| US20200265176A1 (en) * | 2018-06-07 | 2020-08-20 | The Institute of Microelectronics of Chinese Academy of Sciences | Method and apparatus for obtaining surface potential |
| US20200090031A1 (en) * | 2018-09-13 | 2020-03-19 | Google Llc | Adaptive Optimization with Improved Convergence |
| US20200175216A1 (en) * | 2018-12-04 | 2020-06-04 | Google Llc | Generating integrated circuit floorplans using neural networks |
| CN110175519A (zh) * | 2019-04-22 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
| US10769528B1 (en) * | 2019-06-07 | 2020-09-08 | Sas Institute Inc. | Deep learning model training system |
| CN110490378A (zh) * | 2019-08-07 | 2019-11-22 | 中国南方电网有限责任公司 | 基于云scada大数据的电网状态估计精度的计算方法 |
| CN111209709A (zh) * | 2019-12-24 | 2020-05-29 | 国网浙江省电力有限公司金华供电公司 | 一种基于人工神经网络的pcm阻值预测方法 |
| CN111638396A (zh) * | 2020-06-02 | 2020-09-08 | 安徽大学 | 一种基于Boost的土壤杂散电流电位监测方法 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131792B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
| Xu et al. | Probabilistic load flow calculation with quasi-Monte Carlo and multiple linear regression | |
| Sjöberg et al. | Initializing Wiener–Hammerstein models based on partitioning of the best linear approximation | |
| CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
| US20200050924A1 (en) | Data Processing Method and Apparatus for Neural Network | |
| CN113965313B (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
| CN114861542A (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
| CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN110703092B (zh) | 一种超低频振荡的水电机组模拟方法、装置及存储介质 | |
| CN117096875A (zh) | 一种基于ST-Transformer模型的短期负荷预测方法及系统 | |
| CN106651150B (zh) | 一种评估电网谐波影响的方法及装置 | |
| Alhalali et al. | State estimator for electrical distribution systems based on a particle filter | |
| de Jongh et al. | Physics-informed geometric deep learning for inference tasks in power systems | |
| CN109001805B (zh) | 一种地震震源反演不确定性分析方法、存储介质及服务器 | |
| CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
| CN114049162A (zh) | 模型训练方法、需求量预测方法、装置、设备和存储介质 | |
| Bertail et al. | Rademacher complexity for Markov chains: Applications to kernel smoothing and Metropolis–Hastings | |
| US10594136B1 (en) | System and method to simulate controls in the holomorphic embedding loadflow calculation | |
| CN112131792B (zh) | 一种地表电位还原方法、装置、设备及存储介质 | |
| CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
| CN112444675B (zh) | 一种输电网节点的谐波超标预警方法、装置、设备及介质 | |
| CN112861365B (zh) | 低压配电网负荷状态估计方法、装置及终端设备 | |
| Wills et al. | Estimation of generalised Hammerstein-Wiener systems | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |