CN114429246A - 一种基于异构神经网络的电网潜在安全确定方法及装置 - Google Patents

一种基于异构神经网络的电网潜在安全确定方法及装置 Download PDF

Info

Publication number
CN114429246A
CN114429246A CN202210072577.8A CN202210072577A CN114429246A CN 114429246 A CN114429246 A CN 114429246A CN 202210072577 A CN202210072577 A CN 202210072577A CN 114429246 A CN114429246 A CN 114429246A
Authority
CN
China
Prior art keywords
neural network
prediction result
result set
power grid
preset
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
Application number
CN202210072577.8A
Other languages
English (en)
Inventor
古振威
杨云帆
吴勤勤
梅发茂
吴迪
张少荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210072577.8A priority Critical patent/CN114429246A/zh
Publication of CN114429246A publication Critical patent/CN114429246A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于异构神经网络的电网潜在安全确定方法及装置，所述方法包括：获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成；采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集；采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果；根据所述目标预测结果集确定电网的潜在安全威胁。本发明可以利用电网设备的异常数据进行多次的迭代更新，以更新各个神经网络的权重，从而可以利用更新后的权重调用各个神经网络进行安全风险预测，以提高预测的准确率。

Description

一种基于异构神经网络的电网潜在安全确定方法及装置
技术领域
本发明涉及电网管理的技术领域，尤其涉及一种基于异构神经网络的电网潜在安全确定方法及装置。
背景技术
电力网络的安全运行是国家能源安全的重要环节也是保证国家工业和经济命脉稳定发展的重要部分。为了确保电网的稳定运行，除了实时监测与记录电网的运行数据外，还需要根据所记录的运行数据进行安全预测，以避免因监控或管理出现遗漏而导致电网运行出错的情况。
目前常用的电网安全威胁预测方法是利用历史异常数据信息进行复杂的数学建模，再利用建立的模型进行安全威胁预测。
但传统方法有如下技术问题：数学建模的耗时长，且步骤复杂，不但增加了预测的难度，也降低了预测处理的效率，而且数学建模需要手动提取历史异常数据的特征，而人工手动提取容易出错，导致模型的单一预测模型鲁棒性不足，预测精度较低。
发明内容
本发明提出一种基于异构神经网络的电网潜在安全确定方法及装置，所述方法可以自动对历史异常数据进行迭代更新，并根据更新后的历史异常数据进行安全预测，以提高预测的准确率。
本发明实施例的第一方面提供了一种基于异构神经网络的电网潜在安全确定方法，所述方法包括：
获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成；
采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集；
采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果；
根据所述目标预测结果集确定电网的潜在安全威胁。
在第一方面的一种可能的实现方式中，所述迭代更新计算具体为：
计算所述基础预测结果集与所述训练样本集之间的真值差值；
基于所述真值差值计算每个所述预设的异构神经网络的基础预测结果的内积，得到多个内积；
利用所述多个内积分别更新每个所述预设的异构神经网络的计算权重得到多个更新权重；
采用所述多个更新权重和所述基础预测结果集计算得到目标预测结果集。
在第一方面的一种可能的实现方式中，所述采用所述多个更新权重和所述基础预测结果集计算得到目标预测结果集，包括：
对所述多个更新权重进行归一化处理得到归一化权重；
采用所述归一化权重和所述基础预测结果集计算得到目标预测结果集；
所述归一化权重和所述基础预测结果集的计算公式如下所示：
Figure BDA0003482648800000021
其中，E(A)*为目标预测结果集；Wscale *为归一化权重，A为基础预测结果。
在第一方面的一种可能的实现方式中，所述利用所述多个内积分别更新每个所述预设的异构神经网络的计算权重得到多个更新权重，包括：
从所述多个内积中筛选数值最小的内积为更新内积；
根据所述更新内积更新每个所述预设的异构神经网络的计算权重，得到多个更新权重；
根据所述更新内积更新计算权重的计算公式如下所示：
Figure BDA0003482648800000022
其中，
Figure BDA0003482648800000031
为更新权重；ωi为在先权重；τ为权重调整参数；
Figure BDA0003482648800000032
为更新内积。
在第一方面的一种可能的实现方式中，所述内积的计算如下式所示：
Figure BDA0003482648800000033
其中，
Figure BDA0003482648800000034
为内积；
Figure BDA0003482648800000035
为第i个异构神经网络对应的基础预测结果；
Figure BDA0003482648800000036
为基础预测结果集与所述训练样本集之间的真值差值。
在第一方面的一种可能的实现方式中，所述真值差值计算如下式所示：
Figure BDA0003482648800000037
其中，
Figure BDA0003482648800000038
为真值差值；E(A)为基础预测结果集；
Figure BDA0003482648800000039
为训练样本集的真值。
在第一方面的一种可能的实现方式中，所述将所述多个基础预测结果集合成基础预测结果集，包括：
分别计算得到每个所述预设的异构神经网络的初始权重，并将每个所述初始权重组成形成初始矩阵，得到多个初始矩阵；
集成所述多个初始矩阵与所述多个基础预测结果得到基础预测结果集。
在第一方面的一种可能的实现方式中，所述根据所述目标预测结果集确定电网的潜在安全威胁，包括：
分别将所述目标预测结果集的每行预测数据与预设阈值进行比较，其中，每行数据对应一个异常样本，每个所述异常样本是一段时间内的连续历史异常数据；
当预设数据大于或等于预设阈值时，则确定所述预测数据对应的异常数据样本存在潜在的安全威胁；
当预设数据小于预设阈值时，则确定所述预测数据对应的异常数据样本不存在潜在的安全威胁。
在第一方面的一种可能的实现方式中，所述预设的异构神经网络包括卷积神经网络、残差网络、长短期记忆网络、门控循环单元、卷积神经网络串联长短期记忆网络、卷积神经网络串联门控循环单元、残差网络串联门控循环单元、卷积神经网络并联长短期记忆网络、卷积神经网络并联门控循环单元或残差网络并联门控循环单元。
本发明实施例的第二方面提供了一种基于异构神经网络的电网潜在安全确定装置，所述装置包括：
获取模块，用于获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成；
训练与集成模块，用于采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集；
迭代更新模块，用于采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果；
确定模块，用于根据所述目标预测结果集确定电网的潜在安全威胁。
相比于现有技术，本发明实施例提供的基于异构神经网络的电网潜在安全确定方法及装置，其有益效果在于：本发明可以利用电网设备的异常数据进行多次的迭代更新，以更新各个神经网络的权重，从而可以利用更新后的权重调用各个神经网络进行安全风险预测，以提高预测的准确率。
附图说明
图1是本发明一实施例提供的一种基于异构神经网络的电网潜在安全确定方法的流程示意图；
图2是本发明一实施例提供的一种基于异构神经网络的电网潜在安全确定方法的操作流程图；
图3是本发明一实施例提供的一种基于异构神经网络的电网潜在安全确定装置的结构示意图。
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。
现有的安全隐患确定方法有如下技术问题：由于数学建模的耗时长，且步骤复杂，不但增加了预测的难度，也降低了预测处理的效率，而且数学建模需要手动提取历史异常数据的特征，而人工手动提取容易出错，导致模型的单一预测模型鲁棒性不足，预测精度较低。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于异构神经网络的电网潜在安全确定方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种基于异构神经网络的电网潜在安全确定方法的流程示意图。
在一可选的实现方式中，所述方法可以适用于电网系统，用于确定电网所存在的潜在安全隐患。
其中，作为示例的，所述基于异构神经网络的电网潜在安全确定方法，可以包括：
S11、获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成。
在一实施例中，可以在电网系统中搭载多个传感器，每个传感器可以用于检测一个设备的运行数据，并当运行数据不满足预设标准时，确定该运行数据为异常数据样本。将多个不同的设备的异常数据样本组成成训练样本集。
S12、采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集。
在一实施例中，所述预设的异构神经网络包括卷积神经网络、残差网络、长短期记忆网络、门控循环单元、卷积神经网络串联长短期记忆网络、卷积神经网络串联门控循环单元、残差网络串联门控循环单元、卷积神经网络并联长短期记忆网络、卷积神经网络并联门控循环单元或残差网络并联门控循环单元。
可选地，可以将训练样本集分别输入至每个预设的异构神经网络进行训练预测，每个预设的异构神经网络均可以输出基础预测结果，最后将多个基础预测结果集合生成对应的基础预测结果集，以方便后续的预测处理。
由于不同的异构神经网络的预测处理不同，为了提高预测的准确率，使各个异构神经网络可以更好地协同处理，在一可选的实施例中，步骤S12可以包括以下子步骤：
子步骤S121、分别计算得到每个所述预设的异构神经网络的初始权重，并将每个所述初始权重组成形成初始矩阵，得到多个初始矩阵。
子步骤S122、集成所述多个初始矩阵与所述多个基础预测结果得到基础预测结果集。
具体地，结合10个异构神经网络作详细说明，
在本实施例中，10个异构神经网络如下表所示：
Figure BDA0003482648800000061
其中，卷积神经网络模型交替使用三个一维卷积层和一维平均池化层提取样本特征，三个一维卷积层的神经元个数分别为6、6、12，卷积核大小分别为2、4、2，激活函数采用ReLU，一维平均池化层尺寸均为2，一层平坦层和一层全连接层神经元数量为1，选取Adam优化器。
残差网络基本结构与卷积神经网络类似，但增加了层与层之间的残差连接。残差网络模型中共设置三个结构相同的卷积块，每个卷积块包含三个一维卷积层，神经元个数分别为16、8、12，卷积核大小均为2。为实现残差连接，加入一个对本卷积块输入数据进行扩展的一维卷积层，神经元个数为12，卷积核大小为1。在卷积块最后将前三层的卷积结果与扩展层的卷积结果结合并输出。在三个卷积块之后添加一层全局平均池化层，最后一层是神经元个数为1的全连接层，所选优化器为Adam，所有激活函数均为ReLu。
长短期记忆网络有两个LSTM层，神经元个数分别为30、20，一个Dropout层，Dropout比率为0.3，以及一个神经元个数为1的全连接层。该模型所使用优化器为Adam。
门控循环单元模型包含一个GRU层，神经元个数为30，一个Dropout层，Dropout比率为0.2，以及一个神经元个数为1的全连接层。该模型所使用优化器为Adam，激活函数为ReLu。
剩余6种融合模型以上述4个神经网络模型为基本结构联结而成。串联，即先经过卷积神经网络或残差网络提取局部特征再输入门控循环单元或长短期记忆网络提取时序特征。并联，即同时将数据分别输入卷积神经网络和门控循环单元提取局部特征和时序特征，将两种特征在最后一层融合后再输出。
使用样本集训练每个异构神经网络，并保存训练好的模型，当有新数据需要预测时将其按照样本处理方式生成样本并将数据送入异构神经网络即可完成预测。
在具体实现中，可以以
Figure BDA0003482648800000071
表示10个异构神经网络得到的预测结果的集合，n为预测结果的数量。
接着将训练样本集自身产生的样本送入异构神经网络进行预测，得到10个基础预测结果，其中基础预测结果的组成矩阵如下所示(此处为了展示方便，保留4位小数)：
Figure BDA0003482648800000081
然后将多个异构神经网络预测结果所对应的权重表示为W＝{ωi|i＝1,2,…,m}，其中，ωi需要满足
Figure BDA0003482648800000082
接着利用下式计算每个异构神经网络的初始权重，将得到的初始权重组成形成初始矩阵W；
Figure BDA0003482648800000083
根据得到的初始矩阵W结合下式，得到一个基础预测结果集E(A)，其中基础预测结果集E(A)如下式所示：
E(A)＝AWT
其矩阵如下：
Figure BDA0003482648800000084
S13、采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果。
可以按照预设的迭代更新次数，调用基础预测结果集对多个预设的异构神经网络进行迭代更新计算，以得到目标预测结果。
其中，预设的迭代更新次数可以根据实际需要进行调整。
为了准确得到目标预测结果，在其中一种的实施例中，步骤S13可以包括以下子步骤：
子步骤S131、计算所述基础预测结果集与所述训练样本集之间的真值差值。
具体地，所述真值差值计算如下式所示：
Figure BDA0003482648800000091
其中，
Figure BDA0003482648800000092
为真值差值；E(A)为基础预测结果集；
Figure BDA0003482648800000093
为训练样本集的真值。
子步骤S132、基于所述真值差值计算每个所述预设的异构神经网络的基础预测结果的内积，得到多个内积。
具体地，所述内积的计算如下式所示：
Figure BDA0003482648800000094
其中，
Figure BDA0003482648800000095
为内积；
Figure BDA0003482648800000096
为第i个异构神经网络对应的基础预测结果；
Figure BDA0003482648800000097
为基础预测结果集与所述训练样本集之间的真值差值。
子步骤S133、利用所述多个内积分别更新每个所述预设的异构神经网络的计算权重得到多个更新权重。
具体地，子步骤S133可以包括：
子步骤S1331、从所述多个内积中筛选数值最小的内积为更新内积；
子步骤S1332、根据所述更新内积更新每个所述预设的异构神经网络的计算权重，得到多个更新权重；
根据所述更新内积更新计算权重的计算公式如下所示：
Figure BDA0003482648800000098
其中，
Figure BDA0003482648800000099
为更新权重；ωi为在先权重；τ为权重调整参数；
Figure BDA00034826488000000910
为更新内积。
子步骤S134、采用所述多个更新权重和所述基础预测结果集计算得到目标预测结果集。
具体地，子步骤S134可以包括：
子步骤S1341、对所述多个更新权重进行归一化处理得到归一化权重。
子步骤S1342、采用所述归一化权重和所述基础预测结果集计算得到目标预测结果集。
所述归一化权重和所述基础预测结果集的计算公式如下所示：
Figure BDA0003482648800000101
其中，E(A)*为目标预测结果集；Wscale *为归一化权重，A为基础预测结果。
具体地，结合上述10个异构神经网络输出的基础预测结果集E(A)作进一步说明。
在实际操作中，可以利用下式计算基础集成结果E(A)与训练样本集真值
Figure BDA0003482648800000102
的差值
Figure BDA0003482648800000103
Figure BDA0003482648800000104
其结果如下矩阵所示：
Figure BDA0003482648800000105
然后，采用下式计算该差值
Figure BDA0003482648800000106
与各神经网络预测结果
Figure BDA0003482648800000107
的内积：
Figure BDA0003482648800000108
其结果如下所示：
Figure BDA0003482648800000109
接着按照内积越小权重越大的原则更新当前权重。
具体可以根据下式更新权重，得到更新权重
Figure BDA00034826488000001010
Figure BDA00034826488000001011
其中，ωi为原有权重，τ为权重调整参数。在一可选的实施例中，此处的τ＝0.01。
计算结果如下所示：
Figure BDA0003482648800000111
再接着可以按照下式对更新权重进行归一化，得到归一化权重：
Figure BDA0003482648800000112
结果如下所示：
Figure BDA0003482648800000113
再通过下式结合归一化权重更新集成结果，得到更新集成结果：
Figure BDA0003482648800000114
其中，E(A)*为更新集成结果；Wscale *为归一化权重的集合。
其结果如下所示：
Figure BDA0003482648800000115
然后可以判断是否达到预设的迭代更新次数，若未达到预设的迭代更新次数，则将更新集成结果集合成更新集成结果集，并以更新集成结果集为基础预测结果集，重复执行计算所述基础预测结果集与所述训练样本集之间的真值差值的步骤；若达到预设的迭代更新次数，则以更新集成结果计算对应的更新权重，并以更新权重作为目标权重，利用目标权重计算各个异构神经网络对应的得到目标预测结果，将各个目标预测结果集合成目标预测结果集。
在本实施例中，输出得到的目标预测结果集如下式所示：
E(A)*＝AW**T，其中，W**T表示目标权重。
其中目标权重如下所示：
Figure BDA0003482648800000121
目标预测结果集如下所示：
Figure BDA0003482648800000122
S14、根据所述目标预测结果集确定电网的潜在安全威胁。
可以根据目标预测结果集的数值大小，以确定电网是否存在安全威胁。
具体地，为了准确确定电网的潜在安全威胁，在一实施例中，步骤S14可以包括以下子步骤：
子步骤S141、分别将所述目标预测结果集的每行预测数据与预设阈值进行比较，其中，每行数据对应一个异常样本，每个所述异常样本是一段时间内的连续历史异常数据。
子步骤S142、当预设数据大于或等于预设阈值时，则确定所述预测数据对应的异常数据样本存在潜在的安全威胁。
子步骤S143、当预设数据小于预设阈值时，则确定所述预测数据对应的异常数据样本不存在潜在的安全威胁。
在本实施例里，在集成结果中每行预测数据对应的每个小数是一个概率值，每个概率值对应一个样本出现安全威胁的可能性；
集成结果为一列数据，每行数据对应一个异常样本；每个异常样本的本质是一段时间内的连续历史异常数据。
参照图2，示出了本发明一实施例提供的一种基于异构神经网络的电网潜在安全确定方法的操作流程图。
具体地，可以先获取异常设备的测量数据及控制指令异常检测序列形成训练样本集；然后利用多个预设的异构神经网络在训练样本集自身上得到各自预测结果并以平均法计算基础预测结果集；接着计算基础预测结果集与训练样本集真值的差值以及将计算该差值与每个异构神经网络的基础预测结果的内积；再接着按照内积越小权重越大的原则更新权重并以此权重计算更新集成结果，并判断是否达到预设迭代更新次数，当未达到预设的迭代更新次数时，重复计算基础预测结果集与训练样本集真值的差值以及将计算该差值与每个异构神经网络的基础预测结果的内积，当达到预设的迭代更新次数时，以迭代更新结束时得到的权重计算混合神经网络集成目标预测结果集；最后基于目标预测结果集确定电网是否存在潜在的安全威胁。
在本实施例中，本发明实施例提供了一种基于异构神经网络的电网潜在安全确定方法，其有益效果在于：本发明可以利用电网设备的异常数据进行多次的迭代更新，以更新各个神经网络的权重，从而可以利用更新后的权重调用各个神经网络进行安全风险预测，以提高预测的准确率。
本发明实施例还提供了一种基于异构神经网络的电网潜在安全确定装置，参见图3，示出了本发明一实施例提供的一种基于异构神经网络的电网潜在安全确定装置的结构示意图。
其中，作为示例的，所述基于异构神经网络的电网潜在安全确定装置可以包括：
获取模块301，用于获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成；
训练与集成模块302，用于采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集；
迭代更新模块303，用于采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果；
确定模块304，用于根据所述目标预测结果集确定电网的潜在安全威胁。
可选地，所述迭代更新模块还用于：
计算所述基础预测结果集与所述训练样本集之间的真值差值；
基于所述真值差值计算每个所述预设的异构神经网络的基础预测结果的内积，得到多个内积；
利用所述多个内积分别更新每个所述预设的异构神经网络的计算权重得到多个更新权重；
采用所述多个更新权重和所述基础预测结果集计算得到目标预测结果集。
可选地，所述迭代更新模块还用于：
对所述多个更新权重进行归一化处理得到归一化权重；
采用所述归一化权重和所述基础预测结果集计算得到目标预测结果集；
所述归一化权重和所述基础预测结果集的计算公式如下所示：
Figure BDA0003482648800000141
其中，E(A)*为目标预测结果集；Wscale *为归一化权重，A为基础预测结果。
可选地，所述迭代更新模块还用于：
从所述多个内积中筛选数值最小的内积为更新内积；
根据所述更新内积更新每个所述预设的异构神经网络的计算权重，得到多个更新权重；
根据所述更新内积更新计算权重的计算公式如下所示：
Figure BDA0003482648800000142
其中，
Figure BDA0003482648800000143
为更新权重；ωi为在先权重；τ为权重调整参数；
Figure BDA0003482648800000144
为更新内积。
可选地，所述内积的计算如下式所示：
Figure BDA0003482648800000145
其中，
Figure BDA0003482648800000151
为内积；
Figure BDA0003482648800000152
为第i个异构神经网络对应的基础预测结果；
Figure BDA0003482648800000153
为基础预测结果集与所述训练样本集之间的真值差值。
可选地，所述真值差值计算如下式所示：
Figure BDA0003482648800000154
其中，
Figure BDA0003482648800000155
为真值差值；E(A)为基础预测结果集；
Figure BDA0003482648800000156
为训练样本集的真值。
可选地，所述训练与集成模块还用于：
分别计算得到每个所述预设的异构神经网络的初始权重，并将每个所述初始权重组成形成初始矩阵，得到多个初始矩阵；
集成所述多个初始矩阵与所述多个基础预测结果得到基础预测结果集。
可选地，所述确定模块还用于：
分别将所述目标预测结果集的每行预测数据与预设阈值进行比较，其中，每行数据对应一个异常样本，每个所述异常样本是一段时间内的连续历史异常数据；
当预设数据大于或等于预设阈值时，则确定所述预测数据对应的异常数据样本存在潜在的安全威胁；
当预设数据小于预设阈值时，则确定所述预测数据对应的异常数据样本不存在潜在的安全威胁。
可选地，所述预设的异构神经网络包括卷积神经网络、残差网络、长短期记忆网络、门控循环单元、卷积神经网络串联长短期记忆网络、卷积神经网络串联门控循环单元、残差网络串联门控循环单元、卷积神经网络并联长短期记忆网络、卷积神经网络并联门控循环单元或残差网络并联门控循环单元。
进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于异构神经网络的电网潜在安全确定方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于异构神经网络的电网潜在安全确定方法。
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 (10)

1.一种基于异构神经网络的电网潜在安全确定方法，其特征在于，所述方法包括：
获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成；
采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集；
采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果；
根据所述目标预测结果集确定电网的潜在安全威胁。
2.根据权利要求1所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述迭代更新计算具体为：
计算所述基础预测结果集与所述训练样本集之间的真值差值；
基于所述真值差值计算每个所述预设的异构神经网络的基础预测结果的内积，得到多个内积；
利用所述多个内积分别更新每个所述预设的异构神经网络的计算权重得到多个更新权重；
采用所述多个更新权重和所述基础预测结果集计算得到目标预测结果集。
3.根据权利要求2所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述采用所述多个更新权重和所述基础预测结果集计算得到目标预测结果集，包括：
对所述多个更新权重进行归一化处理得到归一化权重；
采用所述归一化权重和所述基础预测结果集计算得到目标预测结果集；
所述归一化权重和所述基础预测结果集的计算公式如下所示：
Figure FDA0003482648790000021
其中，E(A)*为目标预测结果集；Wscale *为归一化权重，A为基础预测结果。
4.根据权利要求2所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述利用所述多个内积分别更新每个所述预设的异构神经网络的计算权重得到多个更新权重，包括：
从所述多个内积中筛选数值最小的内积为更新内积；
根据所述更新内积更新每个所述预设的异构神经网络的计算权重，得到多个更新权重；
根据所述更新内积更新计算权重的计算公式如下所示：
Figure FDA0003482648790000022
其中，
Figure FDA0003482648790000023
为更新权重；ωi为在先权重；τ为权重调整参数；
Figure FDA0003482648790000024
为更新内积。
5.根据权利要求2所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述内积的计算如下式所示：
Figure FDA0003482648790000025
其中，
Figure FDA0003482648790000026
为内积；
Figure FDA0003482648790000027
为第i个异构神经网络对应的基础预测结果；
Figure FDA0003482648790000028
为基础预测结果集与所述训练样本集之间的真值差值。
6.根据权利要求2所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述真值差值计算如下式所示：
Figure FDA0003482648790000029
其中，
Figure FDA00034826487900000210
为真值差值；E(A)为基础预测结果集；
Figure FDA00034826487900000211
为训练样本集的真值。
7.根据权利要求1所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述将所述多个基础预测结果集合成基础预测结果集，包括：
分别计算得到每个所述预设的异构神经网络的初始权重，并将每个所述初始权重组成形成初始矩阵，得到多个初始矩阵；
集成所述多个初始矩阵与所述多个基础预测结果得到基础预测结果集。
8.根据权利要求1所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述根据所述目标预测结果集确定电网的潜在安全威胁，包括：
分别将所述目标预测结果集的每行预测数据与预设阈值进行比较，其中，每行数据对应一个异常样本，每个所述异常样本是一段时间内的连续历史异常数据；
当预设数据大于或等于预设阈值时，则确定所述预测数据对应的异常数据样本存在潜在的安全威胁；
当预设数据小于预设阈值时，则确定所述预测数据对应的异常数据样本不存在潜在的安全威胁。
9.根据权利要求1-8任意一项所述的基于异构神经网络的电网潜在安全确定方法，其特征在于，所述预设的异构神经网络包括卷积神经网络、残差网络、长短期记忆网络、门控循环单元、卷积神经网络串联长短期记忆网络、卷积神经网络串联门控循环单元、残差网络串联门控循环单元、卷积神经网络并联长短期记忆网络、卷积神经网络并联门控循环单元或残差网络并联门控循环单元。
10.一种基于异构神经网络的电网潜在安全确定装置，其特征在于，所述装置包括：
获取模块，用于获取训练样本集，其中，所述训练样本集由多个关于电网运行的异常数据样本组成；
训练与集成模块，用于采用多个预设的异构神经网络对所述训练样本集进行训练预测得到多个基础预测结果，并将所述多个基础预测结果集合成基础预测结果集；
迭代更新模块，用于采用所述基础预测结果集对多个预设的异构神经网络进行迭代更新计算得到目标预测结果；
确定模块，用于根据所述目标预测结果集确定电网的潜在安全威胁。
CN202210072577.8A 2022-01-21 2022-01-21 一种基于异构神经网络的电网潜在安全确定方法及装置 Pending CN114429246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210072577.8A CN114429246A (zh) 2022-01-21 2022-01-21 一种基于异构神经网络的电网潜在安全确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210072577.8A CN114429246A (zh) 2022-01-21 2022-01-21 一种基于异构神经网络的电网潜在安全确定方法及装置

Publications (1)

Publication Number Publication Date
CN114429246A true CN114429246A (zh) 2022-05-03

Family

ID=81314195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210072577.8A Pending CN114429246A (zh) 2022-01-21 2022-01-21 一种基于异构神经网络的电网潜在安全确定方法及装置

Country Status (1)

Country Link
CN (1) CN114429246A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933499A (zh) * 2024-03-22 2024-04-26 中国铁建电气化局集团有限公司 高速铁路接触网的入侵风险预测方法、装置和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933499A (zh) * 2024-03-22 2024-04-26 中国铁建电气化局集团有限公司 高速铁路接触网的入侵风险预测方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN112735094B (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
CN112966714A (zh) 一种边缘时序数据异常检测和网络可编程控制方法
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
EP4350575A1 (en) Image classification method and related device thereof
CN114429246A (zh) 一种基于异构神经网络的电网潜在安全确定方法及装置
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN114611372A (zh) 一种基于物联网边缘计算的工业设备健康预测方法
CN116572747A (zh) 电池故障检测方法、装置、计算机设备和存储介质
CN112444748A (zh) 电池异常检测方法、装置、电子设备及存储介质
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
CN114911788A (zh) 一种数据插补方法、装置及存储介质
CN113541985A (zh) 物联网故障诊断方法、模型的训练方法及相关装置
CN114154622A (zh) 交通运行体系流量数据采集缺失补全的算法模型
CN113110961A (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN115600747B (zh) 一种基于物联网的隧道状态监测管理方法及系统
WO2014173271A1 (zh) 数字化人机界面监视单元数量优化方法及系统
CN109884548B (zh) 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
CN115616408A (zh) 电池热管理数据处理方法及系统
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN115618928A (zh) 一种边坡位移预测方法、装置和电子设备
CN112423031B (zh) 基于iptv的kpi监测方法、装置及其系统
CN115660231B (zh) 维修差错预测方法和装置、电子设备
CN116701857A (zh) 干燥过程中目标对象含水率与干燥能耗预测方法和装置

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