CN112767190A - 一种基于多层堆叠式神经网络的台区相序识别方法及装置 - Google Patents
一种基于多层堆叠式神经网络的台区相序识别方法及装置 Download PDFInfo
- Publication number
- CN112767190A CN112767190A CN202011628746.9A CN202011628746A CN112767190A CN 112767190 A CN112767190 A CN 112767190A CN 202011628746 A CN202011628746 A CN 202011628746A CN 112767190 A CN112767190 A CN 112767190A
- Authority
- CN
- China
- Prior art keywords
- sample data
- time sequence
- voltage sample
- phase
- time
- 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
- 238000000819 phase cycle Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 2
- 230000005284 excitation Effects 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004027 cell Anatomy 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
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process 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
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- 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
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于多层堆叠式神经网络的台区相序识别方法及装置，通过获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据，并对时序电压样本数据进行预处理；对处理后得到的样本集生成训练集和测试集，采用CNN网络对训练集训练得到时间序列特征，采用LSTM网路对时间序列特征和训练集进行训练建立相序预测模型；采用相序预测模型预测测试集中用户电表与配电变压器各相的相序。该台区相序识别方法不需要目标台区外挂其他终端设备的前提下，即可准确梳理用户电表的相序归属关系，成本低且工程应用价值高，解决现有对台区“变‑线‑相‑户”物理拓扑的识别，存在额外增加终端设备的问题。
Description
技术领域
本发明涉及低压配电网技术领域，尤其涉及一种基于多层堆叠式神经网络的台区相序识别方法及装置。
背景技术
在低压配电网中采用传统的低压运维管理模式进行管理，传统的低压运维管理模式由于缺乏台区拓扑关系的支撑，易导致停电通知不及时、抢修复电不及时、低电压解决时间长或未解决、台区频繁异动、台区线损异常等问题，进而导致用电用户的不满意。为此，研究台区“变-线-相-户”(配电变压器-低压出线-相位-用户电表)物理拓扑识别技术显得尤为重要。针对此问题，研究注入信号法、数据标签法与数据分析法对台区“变-线-相-户”物理拓扑进行识别。现有的注入信号法和数据标签法都需要增加额外的终端设备，投资量大，运维压力大，且在微功率无线方案台区难以应用。
发明内容
本发明实施例提供了一种基于多层堆叠式神经网络的台区相序识别方法及装置，用于解决现有采用注入信号法、数据标签法或数据分析法对台区“变-线-相-户”物理拓扑的识别，存在额外增加终端设备，投资量大，运维压力大的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于多层堆叠式神经网络的台区相序识别方法，包括以下步骤：
S10.获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据；
S20.对所述时序电压样本数据进行预处理，得到样本集；
S30.从所述样本集中选取时序电压样本数据生成训练集和测试集；
S30.从所述样本集中选取时序电压样本数据生成训练集和测试集；
S40.对所述训练集采用CNN网络进行深度学习，从CNN网络的特征提取模型提取与所述训练集对应的时间序列特征，并将所述时间序列特征和所述训练集输入LSTM网路进行训练建立相序预测模型。
优选地，在步骤S10中，获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据满足第一约束条件，第一约束条件包括：所述时序电压样本数据的时间跨度不小于96个采样点，所述时序电压样本数据的时间断面数不少于所述用户电表的总数，所述时序电压样本数据的缺失比例不小于20％，与所述时序电压样本数据对应目标台区的三相不平衡度大于0.02
其中，所述时序电压样本数据的缺失比例为获取的所述时序电压样本数据的缺失采样点数量与时序电压样本数据的时间跨度的比值百分比。
优选地，在步骤S20中，对所述时序电压样本数据进行预处理包括：对缺失比例不大于5％的所述时序电压样本数据采用拉格朗日插值算法进行缺失数据填充；
对缺失比例大于5％的所述时序电压样本数据采用K近邻算法进行缺失数据填充。
优选地，在步骤S30中，从所述样本集中选取时序电压样本数据生成训练集和测试集的步骤包括：
将获取所述时序电压样本数据建立M×N矩阵；
在所述M×N矩阵中选取M×T矩阵，即得到与所述M×T矩阵对应处理后的时序电压样本数据作为训练集，在所述M×N矩阵中，得到与M×(N-T)矩阵对应处理后的时序电压样本数据作为测试集；
其中，N为获取所有时序电压样本数据的时间片段总数，M为目标台区中用户电表的总数，T为训练集中获取时序电压样本数据的时间片段，T<N。
优选地，在步骤S40中，建立所述相序预测模型的步骤包括：
S41.将所述训练集输入CNN网络进行深度学习，得到特征提取模型；
S42.采用所述特征提取模型的若干层卷积层对所述训练集中的时序电压样本数据进行对应若干次数的一维卷积，得到与所述训练集对应的时间序列特征；
S43.将所述时间序列特征和所述训练集输入LSTM网路进行训练，建立相序预测模型。
优选地，在步骤S42中，所述特征提取模型中一维卷积的映射特征表达式为：
式中，*表示卷积运算，k为网络层数，Wij k为第k层中第i行第j列的卷积核，yj k为第k层的训练集中的时序电压样本数据，g为CNN网络的ReLU非线性激活函数，Xi k-1为第k-1层的中第i行第j列卷积层的输入量，bj k为第k层中第j列的偏置向量。
优选地，在步骤S40中，所述LSTM网路采用armup预热学习率和Nadam算法对所述时间序列特征和所述训练集训练；其中，所述LSTM网路包括输入层、一层conv1d卷积层、三层lstm隐含层和全连接层。
本发明还提供一种基于多层堆叠式神经网络的台区相序识别装置，包括数据获取模块、数据处理模块、样本分类模块、模型建立模块和识别模块；
所述数据获取模块，用于获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据；
所述数据处理模块，用于对所述时序电压样本数据进行预处理，得到样本集；
所述样本分类模块，用于从所述样本集中选取时序电压样本数据生成训练集和测试集；
所述模型建立模块，用于对所述训练集采用CNN网络进行深度学习，从CNN网络的特征提取模型提取与所述训练集对应的时间序列特征，并将所述时间序列特征和所述训练集输入LSTM网路进行训练建立相序预测模型；
所述识别模块，用于采用所述相序预测模型和CNN网络的特征提取模型对所述测试集进相序识别，得到目标台区中用户电表的相序。
本发明还提供一种计算机可读存储介质，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机执行上述所述的基于多层堆叠式神经网络的台区相序识别方法。
本发明还提供一种终端设备，包括处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于根据所述程序代码中的指令执行上述所述的基于多层堆叠式神经网络的台区相序识别方法。
从以上技术方案可以看出，本发明实施例具有以下优点：该基于多层堆叠式神经网络的台区相序识别方法及装置通过获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据，并对时序电压样本数据进行预处理；对处理后得到的样本集生成训练集和测试集，采用CNN网络对训练集训练得到时间序列特征，采用LSTM网路对时间序列特征和训练集进行训练建立相序预测模型；采用相序预测模型预测测试集中用户电表与配电变压器各相的相序。该基于多层堆叠式神经网络的台区相序识别方法不需要目标台区外挂其他终端设备的前提下，即可准确梳理用户电表的相序归属关系，成本低且工程应用价值高，解决了现有采用注入信号法、数据标签法或数据分析法对台区“变-线-相-户”物理拓扑的识别，存在额外增加终端设备，投资量大，运维压力大的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法的步骤流程图。
图2为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法用户电表各时间断面下的时序电压分布图。
图3为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法建立相序预测模型的步骤流程图。
图4为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法的LSTM网路结构图。
图5为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
本申请实施例提供了一种基于多层堆叠式神经网络的台区相序识别方法及装置，解决了现有采用注入信号法、数据标签法或数据分析法对台区“变-线-相-户”物理拓扑的识别，存在额外增加终端设备，投资量大，运维压力大的技术问题。
实施例一：
图1为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法的步骤流程图，图2为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法用户电表各时间断面下的时序电压分布图。
如图1和图2所示，本发明实施例提供了一种基于多层堆叠式神经网络的台区相序识别方法，包括以下步骤：
S10.获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据；
S20.对时序电压样本数据进行预处理，得到样本集；
S30.从样本集中选取时序电压样本数据生成训练集和测试集；
S40.对训练集采用CNN网络进行深度学习，从CNN网络的特征提取模型提取与训练集对应的时间序列特征，并将时间序列特征和训练集输入LSTM网路进行训练建立相序预测模型；
S50.采用相序预测模型和CNN网络的特征提取模型对测试集进相序识别，得到目标台区中用户电表的相序。
在本发明实施例的步骤S10中，主要是从电力系统中获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据。
需要说明的是，获取的时序电压样本数据需要满足第一约束条件，第一约束条件包括：时序电压样本数据的时间跨度不小于96个采样点，时序电压样本数据的时间断面数不少于用户电表的总数，时序电压样本数据的缺失比例不小于20％，与时序电压样本数据对应目标台区的三相不平衡度大于0.02。在本实施例中，每个采样点采用一个电压数据，即是时序电压样本数据至少包括96个时刻点的电压数据。时序电压样本数据的时间断面不小于目标台区内用户电表的总数。
在本发明实施例中，时序电压样本数据的缺失比例为获取的时序电压样本数据的缺失采样点的数量与时序电压样本数据的时间跨度的比值百分比。
需要说明的是，(null/m)×100％≤20％，其中，null为缺失采样点的数量，m为时序电压样本数据的时间跨度。
在本发明实施例中，与时序电压样本数据对应目标台区的三相不平衡度为：
S＝mean{sac、sbc、sab)
式中，
为目标台区的集中器中A相的时序电压，
为目标台区的集中器中B相的时序电压，
为目标台区的集中器中C相的时序电压。
在本发明实施例的步骤S20中，主要是对时序电压样本数据进行预处理，确保样本集中数据的完整性，为建立相序预测模型识别结果的准确性提供保障。
在本发明实施例的步骤S30中，主要是从样本集选取时序电压样本数据生成训练集和测试集，为建立相序预测模型提供训练数据和测试数据，从而得到能够识别目标台区中用户电表的缺失数据。
在本发明实施例的步骤S40中，主要是采用CNN网络和LSTM网路对训练集进行训练建立相序预测模型。
需要说明的是，卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络CNN具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。长短期记忆网络LSTM是一种时间循环神经网络。
在本发明实施例的步骤S50中，采用训练的相序预测模型识别测试集的时序电压样本数据中用户电表与目标台区的配电变压器各相之间的相序关系，从而得到目标台区中用户电表的相序。
需要说明的是，若目标台区的用户电表的数量为68，通过步骤S10获取目标台区每个用户电表的288个时刻的时序电压样本数据，如图2所示。经过步骤S20至步骤S40得到能够识别目标台区中用户电表的缺失数据，识别的结果如表1所示。
表1为目标台区的用户电表与配电变压器各相相序关系的识别结果
由上述表1可知，正确识别62个用户电表的相序，错误识别3个用户电表的相序，本发明的基于多层堆叠式神经网络的台区相序识别方法建立的相序预测模型识别目标台区中用户电表与配电变压器各相相序关系的准确率能够达到91.18％，准确率相对高，且验证了本发明提供的基于多层堆叠式神经网络的台区相序识别方法的有效性与可行性。
本发明提供的一种基于多层堆叠式神经网络的台区相序识别方法通过获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据，并对时序电压样本数据进行预处理；对处理后得到的样本集生成训练集和测试集，采用CNN网络对训练集训练得到时间序列特征，采用LSTM网路对时间序列特征和训练集进行训练建立相序预测模型；采用相序预测模型预测测试集中用户电表与配电变压器各相的相序。该基于多层堆叠式神经网络的台区相序识别方法不需要目标台区外挂其他终端设备的前提下，即可准确梳理用户电表的相序归属关系，成本低且工程应用价值高，解决了现有采用注入信号法、数据标签法或数据分析法对台区“变-线-相-户”物理拓扑的识别，存在额外增加终端设备，投资量大，运维压力大的技术问题。
在本发明的一个实施例中，在步骤S20中，对时序电压样本数据进行预处理包括：对缺失比例不大于5％的时序电压样本数据采用拉格朗日插值算法进行缺失数据填充；对缺失比例大于5％的时序电压样本数据采用K近邻算法进行缺失数据填充。
需要说明的是，主要是对获取的时序电压样本数据中缺失的数据进行填充，使得获取的时序电压样本数据的完整，避免数据的不完整得到的相序预测模型识别结果不准确。
在本发明的一个实施例中，在步骤S30中，从样本集中选取时序电压样本数据生成训练集和测试集的步骤包括：
将获取时序电压样本数据建立M×N矩阵；
在M×N矩阵中选取M×T矩阵，即得到与M×T矩阵对应处理后的时序电压样本数据作为训练集，在M×N矩阵中，得到与M×(N-T)矩阵对应处理后的时序电压样本数据作为测试集；
其中，N为获取所有时序电压样本数据的时间片段总数，M为目标台区中用户电表的总数，T为训练集中获取时序电压样本数据的时间片段，T<N。
需要说明的是，将步骤S10采集的时序电压样本数据经过处理后样本集中的采样数据形成M×N的矩阵，将样本集中的采样数据分割成训练集和测试集，其中训练集中的采样数据为M×T的矩阵组成处理后的时序电压样本数据，测试集中的采样数据为M×(N-T)的矩阵组成处理后的时序电压样本数据。T、N、M均为大于0的自然数。
图3为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法建立相序预测模型的步骤流程图。
如图3所示，在本发明的一个实施例中，在步骤S40中，建立相序预测模型的步骤包括：
S41.将训练集输入CNN网络进行深度学习，得到特征提取模型；
S42.采用特征提取模型的若干层卷积层对训练集中的时序电压样本数据进行对应若干次数的一维卷积，得到与训练集对应的时间序列特征；
S43.将时间序列特征和训练集输入LSTM网路进行训练，建立相序预测模型。
在本发明实施例中，在步骤S42中，特征提取模型中一维卷积的映射特征表达式为：
式中，*表示卷积运算，k为网络层数，Wij k为第k层中第i行第j列的卷积核，yj k为第k层的训练集中的时序电压样本数据，g为CNN网络的ReLU非线性激活函数，Xi k-1为第k-1层的中第i行第j列卷积层的输入量，bj k为第k层中第j列的偏置向量。其中，ReLU非线性激活函数，一部分神经元输出为0。
需要说明的是，训练集输入到CNN网络进行训练后，得到特征提取模型，从特征提取模型提取与训练集中每个时序电压样本数据对应的时间序列特征。在特征提取模型中包括若干层卷积层，每层卷积都采用ReLU激活函数，采用若干层卷积层对训练集中处理后的时序电压样本数据进行若干次一维卷积，可以得到训练集中的时间序列特征。在LSTM网络对时间序列特征和训练集训练的过程中，所选择的输入对象包括CNN网络输出的时间序列特征和训练集这两部分构成的数据集；在LSTM网络训练过程采用LSTM网络参数进行训练，建立相序预测模型，LSTM网络参数按如下公式更新：
其中，ft表示遗忘门，it表示输入门，ot表示输出门，符号·表示向量的点乘，符号*表示向量元素按位相乘，Wf、Wi、WC以及Wo均为权重参数，bf、bi、bC以及bo均为偏置量参数，为当前输入的单元状态，Ct为当前时刻的单元状态，Ct-1为上一时刻的单元状态，[ht-1，xt]为将上一时刻的输出ht-1和当前时刻的输入xt]连接成的一个新向量，σ为sigmoid函数。
图4为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别方法的LSTM网路结构图。
如图4所示，在本发明的一个实施例中，在步骤S40中，LSTM网路采用armup预热学习率和Nadam算法对时间序列特征和训练集训练；其中，LSTM网路包括输入层、一层conv1d卷积层、三层lstm隐含层和全连接层。
需要说明的是，LSTM网路的参数主要包括：初始化学习率、隐含层神经元个数、输入序列的时间步步长和批次训练的样本量。在本实施例中，初始化学习率设置为0.01，隐含层神经元个数设置为20，输入序列的时间步步长设置为96，批次训练的样本量设置为256。LSTM网路的网络架构如图3所示。LSTM网路的训练策略方主要采用Warmup学习率预热策略，在训练初期采用一个较小的学习率，随着迭代次数的增加，慢慢增大学习率，当达到最初设置的学习率时，便进入学习率指数衰减阶段。LSTM网路采用Nadam算法对参数矩阵的优化，Nadam算法计算速度快对于不同的参数设置不同的学习率，特别适合大数据样本集和高维度空间。
实施例二：
图5为本发明实施例所述的基于多层堆叠式神经网络的台区相序识别装置的框架图。
如图5所示，本发明实施例还提供一种基于多层堆叠式神经网络的台区相序识别装置，包括数据获取模块10、数据处理模块20、样本分类模块30、模型建立模块40和识别模块50；
数据获取模块10，用于获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据；
数据处理模块20，用于对时序电压样本数据进行预处理，得到样本集；
样本分类模块30，用于从样本集中选取时序电压样本数据生成训练集和测试集；
模型建立模块40，用于对训练集采用CNN网络进行深度学习，从CNN网络的特征提取模型提取与训练集对应的时间序列特征，并将时间序列特征和训练集输入LSTM网路进行训练建立相序预测模型；
识别模块50，用于采用相序预测模型和CNN网络的特征提取模型对测试集进相序识别，得到目标台区中用户电表的相序。
需要说明的是，实施例二装置中的模块对应于实施例一方法中的步骤，实施例一方法中的步骤已在实施例一中详细阐述了，在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三：
本发明实施例提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机执行上述的基于多层堆叠式神经网络的台区相序识别方法。
实施例四：
本发明实施例提供了一种终端设备，包括处理器以及存储器；
存储器，用于存储程序代码，并将程序代码传输给处理器；
处理器，用于根据程序代码中的指令执行上述的基于多层堆叠式神经网络的台区相序识别方法。
需要说明的是，处理器用于根据所程序代码中的指令执行上述的一种基于多层堆叠式神经网络的台区相序识别方法实施例中的步骤。或者，处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。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，该指令段用于描述计算机程序在终端设备中的执行过程。
终端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。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，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，例如终端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。
存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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，在本发明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-OnlyMemory)、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。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多层堆叠式神经网络的台区相序识别方法，其特征在于，包括以下步骤：
S10.获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据；
S20.对所述时序电压样本数据进行预处理，得到样本集；
S30.从所述样本集中选取时序电压样本数据生成训练集和测试集；
S40.对所述训练集采用CNN网络进行深度学习，从CNN网络的特征提取模型提取与所述训练集对应的时间序列特征，并将所述时间序列特征和所述训练集输入LSTM网路进行训练建立相序预测模型；
S50.采用所述相序预测模型和CNN网络的特征提取模型对所述测试集进相序识别，得到目标台区中用户电表的相序。
2.根据权利要求1所述的基于多层堆叠式神经网络的台区相序识别方法，其特征在于，在步骤S10中，获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据满足第一约束条件，第一约束条件包括：所述时序电压样本数据的时间跨度不小于96个采样点，所述时序电压样本数据的时间断面数不少于所述用户电表的总数，所述时序电压样本数据的缺失比例不小于20％，与所述时序电压样本数据对应目标台区的三相不平衡度大于0.02；
其中，所述时序电压样本数据的缺失比例为获取的所述时序电压样本数据的缺失采样点数量与时序电压样本数据的时间跨度的比值百分比。
3.根据权利要求2所述的基于多层堆叠式神经网络的台区相序识别方法，其特征在于，在步骤S20中，对所述时序电压样本数据进行预处理包括：对缺失比例不大于5％的所述时序电压样本数据采用拉格朗日插值算法进行缺失数据填充；
对缺失比例大于5％的所述时序电压样本数据采用K近邻算法进行缺失数据填充。
4.根据权利要求1所述的基于多层堆叠式神经网络的台区相序识别方法，其特征在于，在步骤S30中，从所述样本集中选取时序电压样本数据生成训练集和测试集的步骤包括：
将获取所述时序电压样本数据建立M×N矩阵；
在所述M×N矩阵中选取M×T矩阵，即得到与所述M×T矩阵对应处理后的时序电压样本数据作为训练集，在所述M×N矩阵中，得到与M×(N-T)矩阵对应处理后的时序电压样本数据作为测试集；
其中，N为获取所有时序电压样本数据的时间片段总数，M为目标台区中用户电表的总数，T为训练集中获取时序电压样本数据的时间片段，T<N。
5.根据权利要求1所述的基于多层堆叠式神经网络的台区相序识别方法，其特征在于，在步骤S40中，建立所述相序预测模型的步骤包括：
S41.将所述训练集输入CNN网络进行深度学习，得到特征提取模型；
S42.采用所述特征提取模型的若干层卷积层对所述训练集中的时序电压样本数据进行对应若干次数的一维卷积，得到与所述训练集对应的时间序列特征；
S43.将所述时间序列特征和所述训练集输入LSTM网路进行训练，建立相序预测模型。
6.根据权利要求5所述的基于多层堆叠式神经网络的台区相序识别方法，其特征在于，在步骤S42中，所述特征提取模型中一维卷积的映射特征表达式为：
式中，*表示卷积运算，k为网络层数，
为第k层中第i行第j列的卷积核，yj k为第k层的训练集中的时序电压样本数据，g为CNN网络的ReLU非线性激活函数，
为第k-1层的中第i行第j列卷积层的输入量，bj k为第k层中第j列的偏置向量。
7.根据权利要求1所述的基于多层堆叠式神经网络的台区相序识别方法，其特征在于，在步骤S40中，所述LSTM网路采用armup预热学习率和Nadam算法对所述时间序列特征和所述训练集训练；其中，所述LSTM网路包括输入层、一层conv1d卷积层、三层lstm隐含层和全连接层。
8.一种基于多层堆叠式神经网络的台区相序识别装置，其特征在于，包括数据获取模块、数据处理模块、样本分类模块、模型建立模块和识别模块；
所述数据获取模块，用于获取目标台区在某时间段内的配电变压器各相低压出线与各用户电表之间的时序电压样本数据；
所述数据处理模块，用于对所述时序电压样本数据进行预处理，得到样本集；
所述样本分类模块，用于从所述样本集中选取时序电压样本数据生成训练集和测试集；
所述模型建立模块，用于对所述训练集采用CNN网络进行深度学习，从CNN网络的特征提取模型提取与所述训练集对应的时间序列特征，并将所述时间序列特征和所述训练集输入LSTM网路进行训练建立相序预测模型；
所述识别模块，用于采用所述相序预测模型和CNN网络的特征提取模型对所述测试集进相序识别，得到目标台区中用户电表的相序。
9.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的基于多层堆叠式神经网络的台区相序识别方法。
10.一种终端设备，其特征在于，包括处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于根据所述程序代码中的指令执行如权利要求1-7任意一项所述的基于多层堆叠式神经网络的台区相序识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011628746.9A CN112767190B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011628746.9A CN112767190B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767190A true CN112767190A (zh) | 2021-05-07 |
| CN112767190B CN112767190B (zh) | 2023-03-14 |
Family
ID=75699485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011628746.9A Active CN112767190B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767190B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113608163A (zh) * | 2021-09-10 | 2021-11-05 | 天目数据(福建)科技有限公司 | 一种堆叠循环神经网络的电表故障诊断方法及装置 |
| CN114239801A (zh) * | 2021-12-10 | 2022-03-25 | 国网江苏省电力有限公司 | 一种调控工作管理系统用智能化断面信号异常检测方法 |
| CN115144780A (zh) * | 2022-06-16 | 2022-10-04 | 中国第一汽车股份有限公司 | 电池的健康检测方法及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120062399A1 (en) * | 2010-08-12 | 2012-03-15 | The Hong Kong University Of Science And Technology | Determination of Long Binary Sequences Having Low Autocorrelation Functions |
| CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
| CN110991510A (zh) * | 2019-11-25 | 2020-04-10 | 山大地纬软件股份有限公司 | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 |
| CN111881415A (zh) * | 2020-07-31 | 2020-11-03 | 广东电网有限责任公司计量中心 | 一种台区相序与线户关系识别方法及装置 |
-
2020
- 2020-12-30 CN CN202011628746.9A patent/CN112767190B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120062399A1 (en) * | 2010-08-12 | 2012-03-15 | The Hong Kong University Of Science And Technology | Determination of Long Binary Sequences Having Low Autocorrelation Functions |
| CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
| CN110991510A (zh) * | 2019-11-25 | 2020-04-10 | 山大地纬软件股份有限公司 | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 |
| CN111881415A (zh) * | 2020-07-31 | 2020-11-03 | 广东电网有限责任公司计量中心 | 一种台区相序与线户关系识别方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113608163A (zh) * | 2021-09-10 | 2021-11-05 | 天目数据(福建)科技有限公司 | 一种堆叠循环神经网络的电表故障诊断方法及装置 |
| CN114239801A (zh) * | 2021-12-10 | 2022-03-25 | 国网江苏省电力有限公司 | 一种调控工作管理系统用智能化断面信号异常检测方法 |
| CN115144780A (zh) * | 2022-06-16 | 2022-10-04 | 中国第一汽车股份有限公司 | 电池的健康检测方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767190B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112767190B (zh) | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 | |
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| Rafiei et al. | Probabilistic forecasting of hourly electricity price by generalization of ELM for usage in improved wavelet neural network | |
| Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
| CN112750051B (zh) | 基于随机森林算法的台区相序识别方法、装置及终端设备 | |
| CN111860588A (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN112560997B (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
| JP2023520970A (ja) | リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| Luo et al. | Graph convolutional network-based interpretable machine learning scheme in smart grids | |
| CN112199884B (zh) | 物品分子生成方法、装置、设备及存储介质 | |
| CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
| CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
| CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
| Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
| CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
| Zhang et al. | Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN108496174B (zh) | 用于面部识别的方法和系统 | |
| Chen et al. | Physics-guided residual learning for probabilistic power flow analysis | |
| CN115952928B (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
| Roy et al. | Hardware efficient, neuromorphic dendritically enhanced readout for liquid state machines |
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 |