CN112633658A - 一种基于cnn-lstm的低压台区拓扑关系识别方法 - Google Patents
一种基于cnn-lstm的低压台区拓扑关系识别方法 Download PDFInfo
- Publication number
- CN112633658A CN112633658A CN202011492769.1A CN202011492769A CN112633658A CN 112633658 A CN112633658 A CN 112633658A CN 202011492769 A CN202011492769 A CN 202011492769A CN 112633658 A CN112633658 A CN 112633658A
- Authority
- CN
- China
- Prior art keywords
- cnn
- lstm
- user
- voltage
- time sequence
- 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 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于CNN‑LSTM的低压台区拓扑关系识别方法，包括：获取任一用户电表的电压时间序列及其所属的台区；采用粒子群算法对CNN‑LSTM网络模型进行训练，获得训练后的CNN‑LSTM网络模型；采用训练后的CNN‑LSTM网络模型判别户变关系未知用户所属的台区，并生成台区拓扑关系；若户变关系发生已知变化时，则获取改变后相应的电表电压时间序列及其所属台区数据；否则，保持原有的台区拓扑关系；采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN‑LSTM网络模型进行增量学习，以形成更新后的台区拓扑关系。通过上述方案。本发明具有识别高效准确、投入成本低廉等优点。
Description
技术领域
本发明涉及电力电子信息技术领域，尤其是一种基于CNN-LSTM的低压台区拓扑关系识别方法。
背景技术
台区线损率是电力公司运营维护的核心经济技术指标，同时，提高线损计算的正确率是节能降耗、提高效率的主要途径之一。而台区户变拓扑关系的正确识别，又是提高台区线损计算准确性的前提。随着国家智能化电网工作的不断推进，对电网精细化管理要求越来越高，但是，目前基于电力载波技术或电流脉冲技术的点对点台区识别仪，一般仅对于特定的部分进行辨识，不会进行全台区进行建模。因此，导致投入运行的部分集采台区存在户变拓扑关系混乱的情况，以至于影响台区线损分析等关键技术指标，严重制约了智能电网建设进程。为此，需要发展跨台区户变拓扑关系识别的方法，为实现台区精细化管理提供真实准确的基础数据。
目前，现有技术中的台区拓扑关系识别方法主要分为两大类：
第一种是电力载波或电流脉冲识别方法，其需要使用台区识别仪逐一进行人工测量或在用户电表上安装专用模块，其效率低、成本高。如专利申请号为“202010053765.7”、名称为“一种基于电力线载波N线电流监测的低压配网拓扑识别系统及方法”的中国发明专利，其由集中器和若干拓扑识别装置构成，所述拓扑识别装置分别装设于待识别拓扑关系的电网的分支箱之上；所述拓扑识别装置包括：N线载波信号传感器和拓扑识别处理终端，所述拓扑识别处理终端设置于所述分支箱的母线端，用于完成监听信号的处理；所述N线载波信号传感器设置于各分支线路的N线之上，完成过往电力载波电流信号监听；所述拓扑识别处理终端与所述集中器电性连接。
另外，第二种是基于数据聚类的方法，其利用用户电表的电压数据、电流数据、地理位置信息、异常信息等数据和k-means、c均值聚类等聚类方法，将多个电表自动归类为不同的台区，但是，其存在准确率较低、难以进行增量聚类的问题。如专利申请号为“202010030313.7”、名称为“一种低压配电台区拓扑自动识别系统”的中国发明专利，其包括管理计算机；无线通讯设备；配电台区，用于分配电能至各个下层级，所述配电台区安装有第一测量单元；多个主干线，每个所述主干线上安装有第二测量单元；多个用户总表，每个所述用户总表上安装有第三测量单元；多个用户电表，每个所述用户电表上安装有第四测量单元。本发明通过LoRa通讯技术实现第一测量单元、第二测量单元、第三测量单元和第四测量单元与管理计算机之间的实时数据无线传输，通过聚类分析法和遍历搜索算法确定上下层级关系和并行关系，实现拓扑自动识别，通过建立评价函数得到各相用电真实情况，解决了配电台区以下层级分析较难的问题，降低了工作量。
因此，急需要提出一种逻辑简单、计算工作量少、准确可靠的基于 CNN-LSTM的低压台区拓扑关系识别方法。
发明内容
针对上述问题，本发明的目的在于提供一种基于CNN-LSTM的低压台区拓扑关系识别方法，本发明采用的技术方案如下：
一种基于CNN-LSTM的低压台区拓扑关系识别方法，包括以下步骤：
步骤S1，获取任一用户电表的电压时间序列及其所属的台区；
步骤S2，采用粒子群算法对CNN-LSTM网络模型进行训练，获得训练后的 CNN-LSTM网络模型；
步骤S3，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，并生成台区拓扑关系；
步骤S4，若户变关系发生已知变化时，则获取改变后相应的电表电压时间序列及其所属台区数据，并进入步骤S5；否则，保持步骤S3中的台区拓扑关系；
步骤S5，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，以形成更新后的台区拓扑关系。
进一步地，所述步骤S1中，任一用户电表的电压时间序列为： X＝[X1，X2，...，Xj]；任一用户电表对应的台区为：Y＝[Y1，Y2，...，Yj]；其中， Xi＝[Xi 1，Xi 2，....，Xi j]，Xi j表示第i个用户的第j个时刻的电表电压，Yj表示第 i个用户所属的台区。
进一步地，所述CNN-LSTM网络模型采用卷积神经网络和长短时神经网络；所述卷积神经网络输出作为长短时神经网络的输入。
更进一步地，所述卷积神经网络由从前至后依次连接并封装而成的一维卷积层、一维池化层、一维全连接层组成，且一维卷积核以时间步长单一方向滑动。
更进一步地，所述长短时神经网络采用交叉熵损失函数或分类问题损失函数。
进一步地，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，其中，EWC算法采用以下公式：
其中，C表示增量学习中的损失函数，CB表示原训练的损失函数，λ表示可调超参数，Fn表示费希尔信息矩阵的第n个对角线元素,θn表示增量学习过程中神经网络模型的第n个参数,θA,n表示原训练后的神经网络中的第n个参数。
进一步地，所述步骤S3中，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，与已知户变关系的用户数据共同形成各台区的拓扑关系。
与现有技术相比，本发明具有以下有益效果：
(1)本发明巧妙地采用CNN-LSTM算法模型进行台区用户的判别，充分利用了用户电表电压数据的时间相关性和空间性，进而实现了低压台区拓扑关系的高效、准确识别，降低了人工和设备成本；
(2)本发明能很好的适用台区拓扑关系的变化，当发生用户数量增加、改迁等情况使台区拓扑关系发生已知改变时，本发明的神经网络模型可进行增量学习而不需要用原始数据集进行重新训练，提高了方法的实用性；
(3)本发明采用粒子群算法优化CNN-LSTM网络的训练过程，能自动完成全局最优解的搜索，进一步提高了方法的判别准确率；
(4)本发明采用了EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，其方便进行下一次户变关系判别工作的开展。同时，根据已知的户变关系变化形成新的台区拓扑；
综上所述，本发明具有识别高效准确、投入成本低廉等优点，在电力电子信息技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，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相关的附图。
图1为本发明的台区电压数据的时间相关性示意图。
图2为本发明的台区电压数据的空间相关性示意图。
图3为本发明的流程示意图。
图4为本发明的CNN-LSTM深度学习神经网络模型。
图5为本发明的粒子群算法优化流程图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。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的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1至图5所示，本实施例提供了一种基于CNN-LSTM的低压台区拓扑关系识别方法，用于识别和维护低压台区的拓扑关系，提高户变关系识别工作的准确度和效率，降低人力和设备成本。
本实施例，通过对台区电能采集数据变化趋势的分析不难发现，同一台区的电表在同一时间段所采集到的电压和电流数据起变化趋势基本相同，具有一定的相关性，包括时间相关性和空间性，而不同台区之间的数据相关性不同。如图1所示，台区电表的电压数据的时间相关性是指同一台区的所有电能采集设备在相同时间区间内的电压变化趋势基本相同，而不同台区电能采集设备的电压变化趋势在相同情况下存在一定差异。如图2所示，台区电表的电压数据的空间相关性是指在不同时刻的同一台区内所有电能采集设备的电压数据波动的趋势基本相同，而不同台区电能采集设备的电压变化趋势在相同情况下存在一定差异。综上所述，可利用CNN-LSTM网络提取台区中各用户电表的电压数据变化的特征，判别户变关系未知用户所属的台区，进而形成低压台区的拓扑关系。另一方面，随着台区的不断建设和发展，台区拓扑关系势必在不断变化，同时由于对台区拓扑关系的识别不可避免地存在一定程度的错误，故需要对基于深度学习方法的网络模型进行更新，在避免神经网络训练过程中的灾难遗忘问题的同时，适应数据的增加与判别任务的变化。
具体来说，本实施例的基于CNN-LSTM的低压台区拓扑关系识别方法，其包括以下步骤：
第一步，获取任一用户电表的电压时间序列及其所属的台区；在此，任一用户电表的电压时间序列为：X＝[X1，X2，...，Xj]；任一用户电表对应的台区为： Y＝[Y1，Y2，...，Yj]；其中，Xi＝[Xi 1，Xi 2，....，Xi j]，Xi j表示第i个用户的第j个时刻的电表电压，Yj表示第i个用户所属的台区。
第二步，采用粒子群算法对CNN-LSTM网络模型进行训练，获得训练后的 CNN-LSTM网络模型。其中，CNN即卷积神经网络采用的是一维卷积神经网络结构，由一维卷积层、一维池化层、一维全连接层堆叠而成。一维卷积核以时间步长单一方向滑动，CNN网络的输出作为LSTM即长短时神经网络的输入。 LSTM采用标准的结构，也可使用LSTM的多种改进变体。模型的评价指标采用交叉熵损失函数，亦可使用其他常见的分类问题损失函数。粒子群算法用于自动寻找最优的网络超参数，直至完成训练，其中粒子群算法优化流程如图5 所示。
第三步，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，并生成台区拓扑关系；用第二步训练完毕的模型对户变关系未知的用户进行判别，与已知户变关系的用户数据共同形成各台区的拓扑关系。
第四步，若户变关系发生已知变化时，则获取改变后相应的电表电压时间序列及其所属台区数据，并进入第五步；否则，保持第三步中的台区拓扑关系。在本步骤中，当户变关系发生已知变化时，收集用户数量增加、改迁等原因造成的户变关系变化情况，将这部分用户的电表电压时间序列及对应台区作为新增训练数据，形成用户电表的电压时间序列X′和对应的台区为Y′。
第五步，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，以形成更新后的台区拓扑关系。其中，EWC算法采用以下公式：
其中，C表示增量学习中的损失函数，CB表示原训练的损失函数，λ表示可调超参数，Fn表示费希尔信息矩阵的第n个对角线元素,θn表示增量学习过程中神经网络模型的第n个参数,θA,n表示原训练后的神经网络中的第n个参数。
在本实施例中，增量学习后网络模型将适应户变关系变化，方便进行下一次户变关系判别工作的开展。同时，根据已知的户变关系变化形成新的台区拓扑。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。
Claims (7)
1.一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，包括以下步骤：
步骤S1，获取任一用户电表的电压时间序列及其所属的台区；
步骤S2，采用粒子群算法对CNN-LSTM网络模型进行训练，获得训练后的CNN-LSTM网络模型；
步骤S3，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，并生成台区拓扑关系；
步骤S4，若户变关系发生已知变化时，则获取改变后相应的电表电压时间序列及其所属台区数据，并进入步骤S5；否则，保持步骤S3中的台区拓扑关系；
步骤S5，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，以形成更新后的台区拓扑关系。
2.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述步骤S1中，任一用户电表的电压时间序列为：X＝[X1，X2，...，Xj]；任一用户电表对应的台区为：Y＝[Y1，Y2，...，Yj]；其中，Xi＝[Xi 1，Xi 2，....，Xi j]，Xi j表示第i个用户的第j个时刻的电表电压，Yj表示第i个用户所属的台区。
3.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述CNN-LSTM网络模型采用卷积神经网络和长短时神经网络；所述卷积神经网络输出作为长短时神经网络的输入。
4.根据权利要求3所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述卷积神经网络由从前至后依次连接并封装而成的一维卷积层、一维池化层、一维全连接层组成，且一维卷积核以时间步长单一方向滑动。
5.根据权利要求3或4所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述长短时神经网络采用交叉熵损失函数或分类问题损失函数。
6.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，其中，EWC算法采用以下公式：
其中，C表示增量学习中的损失函数，CB表示原训练的损失函数，λ表示可调超参数，Fn表示费希尔信息矩阵的第n个对角线元素,θn表示增量学习过程中神经网络模型的第n个参数,θA，n表示原训练后的神经网络中的第n个参数。
7.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述步骤S3中，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，与已知户变关系的用户数据共同形成各台区的拓扑关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492769.1A CN112633658A (zh) | 2020-12-16 | 2020-12-16 | 一种基于cnn-lstm的低压台区拓扑关系识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492769.1A CN112633658A (zh) | 2020-12-16 | 2020-12-16 | 一种基于cnn-lstm的低压台区拓扑关系识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633658A true CN112633658A (zh) | 2021-04-09 |
Family
ID=75316249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011492769.1A Pending CN112633658A (zh) | 2020-12-16 | 2020-12-16 | 一种基于cnn-lstm的低压台区拓扑关系识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633658A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554097A (zh) * | 2021-07-26 | 2021-10-26 | 北京市商汤科技开发有限公司 | 模型量化方法、装置、电子设备和存储介质 |
| CN113657171A (zh) * | 2021-07-20 | 2021-11-16 | 国网上海市电力公司 | 基于图小波神经网络的低压配电网台区拓扑识别方法 |
| CN114118855A (zh) * | 2021-12-06 | 2022-03-01 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的台区线损率标杆值计算方法 |
| CN114123179A (zh) * | 2021-08-10 | 2022-03-01 | 北京智芯微电子科技有限公司 | 低压台区拓扑的识别方法、系统、装置及介质、芯片设备 |
| CN117932347A (zh) * | 2024-03-22 | 2024-04-26 | 四川大学 | 基于对抗性迁移学习的小样本时序预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
| US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
| CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
-
2020
- 2020-12-16 CN CN202011492769.1A patent/CN112633658A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
| CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
| CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| 杨英杰: "《粒子群算法及其应用研究》", 31 March 2017, 北京理工大学出版社, pages: 9 - 10 * |
| 蔡静颖: "《模糊聚类算法及应用》", 31 August 2015, 冶金工业出版社, pages: 73 * |
| 谷海彤 等: "基于数据挖掘的户变拓扑关系辨识算法研究", 《数字技术与应用》, vol. 37, no. 12, 31 December 2019 (2019-12-31), pages 116 - 117 * |
| 谷海彤 等: "基于深度学习的户变拓扑关系的识别方法研究", 《信息系统工程》, no. 3, 20 March 2020 (2020-03-20), pages 150 - 151 * |
| 邱锡鹏: "《神经网络与深度学习》", 30 April 2020, 机械工业出版社, pages: 249 - 252 * |
| 高敬鹏: "《深度学习 卷积神经网络技术与实践》", 30 June 2020, 机械工业出版社, pages: 47 - 48 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657171A (zh) * | 2021-07-20 | 2021-11-16 | 国网上海市电力公司 | 基于图小波神经网络的低压配电网台区拓扑识别方法 |
| CN113554097A (zh) * | 2021-07-26 | 2021-10-26 | 北京市商汤科技开发有限公司 | 模型量化方法、装置、电子设备和存储介质 |
| CN114123179A (zh) * | 2021-08-10 | 2022-03-01 | 北京智芯微电子科技有限公司 | 低压台区拓扑的识别方法、系统、装置及介质、芯片设备 |
| CN114123179B (zh) * | 2021-08-10 | 2024-05-28 | 北京智芯微电子科技有限公司 | 低压台区拓扑的识别方法、系统、装置及介质、芯片设备 |
| CN114118855A (zh) * | 2021-12-06 | 2022-03-01 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的台区线损率标杆值计算方法 |
| CN117932347A (zh) * | 2024-03-22 | 2024-04-26 | 四川大学 | 基于对抗性迁移学习的小样本时序预测方法及系统 |
| CN117932347B (zh) * | 2024-03-22 | 2024-06-11 | 四川大学 | 基于对抗性迁移学习的pm2.5预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633658A (zh) | 一种基于cnn-lstm的低压台区拓扑关系识别方法 | |
| CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
| CN110350528B (zh) | 一种低压台区拓扑自动辨识方法 | |
| CN109325545A (zh) | 低压配电网拓扑结构校验方法、装置、设备及存储介质 | |
| CN109617231A (zh) | 一种用于低压台区的用户网络拓扑识别装置及方法 | |
| CN110321919A (zh) | 一种用于低压单相用户户相关系辨识的聚类方法 | |
| CN111612056B (zh) | 一种基于模糊聚类和过零偏移的低压户变关系识别方法 | |
| CN111596167A (zh) | 基于模糊c均值聚类算法的故障区段定位方法及装置 | |
| CN106952027A (zh) | 一种10kV配电网线路规划接入容量计算方法 | |
| CN109784276A (zh) | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 | |
| CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
| CN113159488B (zh) | 一种低压台区拓扑辨识方法 | |
| CN109286188A (zh) | 一种基于多源数据集的10kV配电网理论线损计算方法 | |
| CN104376371A (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
| CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
| CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
| CN112615428A (zh) | 一种线损分析治理系统及方法 | |
| CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
| CN111861789A (zh) | 基于电流数据整数规划求解的户变关系识别方法及系统 | |
| CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
| CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN109946543A (zh) | 用于非侵入式负荷监测的v-i图样本数据集筛选方法 | |
| CN116561638B (zh) | 基于神经网络学习及状态评估的保护压板不对应校验方法 | |
| CN117171586A (zh) | 一种基于电流序列相似度的户变关系识别方法及系统 | |
| CN109271925A (zh) | 一种智能插座上的电器设备类型识别方法 |
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 |