CN114781875A - 一种基于深度卷积网络的微电网经济运行状态评估方法 - Google Patents
一种基于深度卷积网络的微电网经济运行状态评估方法 Download PDFInfo
- Publication number
- CN114781875A CN114781875A CN202210438349.8A CN202210438349A CN114781875A CN 114781875 A CN114781875 A CN 114781875A CN 202210438349 A CN202210438349 A CN 202210438349A CN 114781875 A CN114781875 A CN 114781875A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- operation state
- data
- economic operation
- index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101150014732 asnS gene Proteins 0.000 description 1
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000003064 k means clustering 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及机器学习技术领域,公开了一种深度卷积网络的微电网经济运行状态评估方法,步骤S1:对微电网经济运行状态特征数据进行分类和更新;步骤S2:采用朴素贝叶斯算法构建微电网经济运行状态评估特征指标特征标签,通过机器学习先验概率和后验概率,计算出新增微电网特征数据的最佳输出特征指标分类,以获得新增指标分类的最终特征标签;步骤S3:通过深度卷积神经网络评估微电网的各个特征指标的权重值,并将此权重值存入指标权重库中;步骤S4:将已输入的微电网经济运行状态特征数据与微电网指标权重库的值进行比较,以获取微电网的状态评分,实现对微电网经济运行状态评分,本发明用于各种类型微电网的状态评估。
Description
技术领域
本发明涉及机器学习技术领域,具体地说,是一种基于深度卷积网络的微电网经济运行状态评估方法,用于各种类型微电网的状态评估。
背景技术
传统的微电网状态评价中,缺乏对微电网的发展协同性、经济效益综合分析,缺少自主学习评价指标集的问题。现今分布式能源规模不断的扩大,“源-网-荷-储”设备安全、可靠运行在微能源系统运行中的重要性日趋凸显。微电网作为微能源系统末端中电能生产、传输、存储和转换的配电系统,直接面向终端用户,其能否安全、可靠地运行将直接决定微电网的可靠性,但传统的微电网评价中,缺少对微电网发展协同性、经济效益等方面的研究,同时微电网评估指标权重设置固定,针对不同区域、类型的微电网经济运行状态评估适应性不强,不能实现对新增微电网经济运行状态数据进行指标分类评估。
传统的微电网评估方法主要针对微电网运行状态进行评估,主要表现为以下几种形式:
(1)基于电能质量的微电网评估方法,采用三相不平衡度、电压偏差和频率偏差等指标评估微电网的运行状态。
(2)基于热评估的微电网运行状态评估方法,通过循环神经网络热预测,对微电网的状态进行评估。
(3)基于独立分量分析的微电网的评估方法,以准确度、响应时间、最小可分辨温差等独立分量参数为基础,实现微电网的运行状态评估。
(4)基于数据驱动的微电网容量评估方法,通过对比微电网短路阻抗和零序阻抗与标准参考值,形成微电网容量评估报告。
传统的微电网评估方法主要针对微电网运行状态进行评估。但上述方法对微电网分析不够全面,缺少对微电网发展协同性、经济效益等方面的研究,同时微电网评估指标权重设置固定,针对不同区域、类型的微电网经济运行状态评估适应性不强,因此,需要采用机器学习技术对新增的发展协同性、经济效益等方面微电网经济运行状态数据进行指标分类和动态调整指标阈值、权重。
采用机器学习的微电网运行状态评估方法主要表现为以下几种形式:
(1)基于MI-PSO-BP算法的配电设备状态实时评估方法,采用BP神经网络调整指标阈值。
(2)基于信息熵降维的微电网评估方法,通过对新能源消纳、网络损耗、馈线均衡的K均值聚类分析,形成微电网评估方法。
采用机器学习的微电网运行状态评估方法可学习指标样本,以动态调整指标阈值。但此类方法仅能对已设定的指标阈值进行调整,不能实现对新增微电网经济运行状态数据进行指标分类。深度卷积神经网络具有其他算法不具备的表征学习能力,能按其结构对输入的经济运行信息进行综合评估处理,因此,若要实现对微电网的经济运行状态评估,则需采用深度卷积网络算法对微电网的运行现状、协同发展、运营和经济效能进行多维度分析。
因此,本发明提供了一种基于深度卷积网络的微电网经济运行状态评估方法
发明内容
本发明的目的在于提供一种基于深度卷积网络的微电网经济运行状态评估方法,实用于各种类型微电网的状态评估。
本发明通过下述技术方案实现:一种基于深度卷积网络的微电网经济运行状态评估方法,包括以下步骤:
步骤S1:将已输入的微电网经济运行状态特征数据与现有的微电网特征分类集合数据进行比较,若微电网经济运行状态特征数据在已有的微电网经济运行状态特征数据分类中,则将该指标直接归纳入已知分类中,如果已知分类中,未包含输入的微电网经济运行状态特征数据,就需新增微电网特征标签指标;
步骤S2:采用朴素贝叶斯算法构建微电网经济运行状态评估特征指标特征标签,通过机器学习先验概率和后验概率,计算出新增微电网特征数据的最佳输出特征指标分类,以获得新增指标分类的最终特征标签;
步骤S3:通过深度卷积神经网络评估微电网的各个特征指标的权重值,并将此权重值存入指标权重库中;
步骤S4:将已输入的微电网经济运行状态特征数据与微电网指标权重库的值进行比较,以获取微电网的状态评分,实现对微电网经济运行状态评分。
微电网经济运行状态评估建模,其目标是通过深度卷积神经元网络评估指标权重值,以适应不同区域、不同类型的微电网经济运行状态评估。
深度卷积神经网络分卷积层、池化层和全连接层。其中,卷积层通过在输入的微电网运行情况、发展规划、运营和经济效能等状态评估数据和原有指标权重上提取特征信息;池化层通过微电网经济运行状态评估数据和原有指标权重特征后稀疏参数来减少学习的参数,降低网络的复杂度;全连接层,在整个卷积神经网络中起到“分类器”的作用,将学到的“微电网经济运行状态评估指标权重分布式特征”整合为一类权重值,并映射到样本标记空间,最后输出微电网经济运行状态权重调整值。本方法分为正向传播、反向传播两部分,其中正向传播实现误差函数计算与卷积层功能,反向传播实现池化层和全连接层的功能,微电网经济运行评分结合深度卷积网络输出的指标权重及微电网量测及档案数据生成微电网经济运行状态评估结果。
为了更好地实现本发明,进一步地,步骤S1中对微电网经济运行状态特征数据分类的方法包括:
根据微电网的量测数据和档案数据对微电网的评估数据进行分类;
所述量测数据包括采用智能融合终端采集微电网的负载数据、电压数据、储能容量数据、高低压侧接头温度数据和环境湿度数据;
所述档案数据包括生产管理数据、营销系统中的微电网各类设备型号数据、生产厂家数据和出厂年月数据;
所述微电网的评估数据分为四类,分别为一类数据、二类数据、三类数据和四类数据。
为了更好地实现本发明,进一步地,步骤S2包括:
设输入的指标的个数为n,新增指标输入集合X为{x1,x2,……,xn},设新增指标出的个数为k,输出的指标集合Y为{y1,y2,……,yk},设i为输入的指标序列,微电网经济运行状态评估特征指标的先验概率P(Y)为:
微电网经济运行状态评估特征指标的条验概率P(Hs)为:
微电网经济运行状态评估特征指标的后验概率P(Hq)为:
通过训练模型,得出最佳的输出特征指标分类Y为:。
为了更好地实现本发明,进一步地,步骤S3包括:
深度卷积神经网络包括卷积层、池化层和全连接层;
所述卷积层通过在输入的微电网评估数据和指标权重库中的原有指标权重上提取特征信息;
所述池化层通过微电网经济运行状态评估数据和原有指标权重特征后稀疏参数;
所述全连接层将在卷积层和池化层学到的微电网经济运行状态评估指标权重的分布式特征整合为一类权重值,并映射到卷积神经网络的样本标记空间,最后输出微电网经济运行状态权重调整值。
为了更好地实现本发明,进一步地,采用正向传播方法计算卷积神经网络的激活值。
为了更好地实现本发明,进一步地,采用反向传播方法实现池化层和全连接层的功能,将误差信息逐层传递。
为了更好地实现本发明,进一步地,步骤S4包括:
将微电网的档案数据与量测数据输入微电网经济运行状态评估模型中,获得微电网的状态评分。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明针对传统微电网经济运行状态评估存在的“源-网-荷-储”设备类型适应度不高、评估效果差的问题,提出了基于卷积神经网络算法的微电网经济运行状态评估方法;
(2)本发明能够实现对微电网的经济运行状态评估,能够用于各种类型微电网的状态评估。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明所提供的一种基于深度卷积网络的微电网经济运行状态评估方法中微电网经济运行状态评估架构图。
图2为本发明所提供的一种基于深度卷积网络的微电网经济运行状态评估方法中微电网数据分类示意图。
图3为本发明所提供的一种基于深度卷积网络的微电网经济运行状态评估方法中卷积神经网络架构图。
图4为本发明所提供的一种基于深度卷积网络的微电网经济运行状态评估方法中微电网经济运行状态评分标准示意图。
图5为本发明所提供的一种基于深度卷积网络的微电网经济运行状态评估方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
术语解释:
微电网(Micro-Grid)也译为微网,是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。微电网的提出旨在实现分布式电源的灵活、高效应用,解决数量庞大、形式多样的分布式电源并网问题。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入,实现对负荷多种能源形式的高可靠供给,是实现主动式配电网的一种有效方式,使传统电网向智能电网过渡。
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。
最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型(Naive Bayesian Model,NBM)。和决策树模型相比,朴素贝叶斯分类器(Naive BayesClassifier或NBC)发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。理论上,NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为NBC模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,这给NBC模型的正确分类带来了一定影响。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)。
实施例1:
本实施例的一种基于深度卷积网络的微电网经济运行状态评估方法,如图1-图5所示,微电网经济运行状态评估数据分类环节,基于微电网的运行现状、协同发展、运营和经济效能建立微电网经济运行状态评估信息分类。构建评估指标集环节,针对新增微电网数据,针对新增的微电网特征数据,采用朴素贝叶斯算法(Naive Bayesian Model,NBM),确定指标所属的类别。微电网经济运行状态评模型环节,针对不同区域和不同型号的微电网,采用深度卷积神经元网络(Convolutional Neural Networks,CNN),动态调整微电网的指标评估权重。微电网经济运行状态评分环节,按照区域、微电网类型生成微电网评估报告。首先,构建微电网经济运行状态经济运行评估分类方法,基于微电网的运行情况、发展规划、运营和经济效能建立微电网经济运行状态评估信息分类;在此基础上,构建微电网经济运行评估指标集,采用朴素贝叶斯算法实现微电网经济运行新增指标的标签识别;其次,构建微电网经济运行状态评估模型,基于深度卷积神经元网络动态调整评估指标权重,形成微电网经济运行状态评估结果。
实施例2:
本实施例在实施例1的基础上做进一步优化,如图2所示,在微电网经济运行状态评估中,合理的选取评估指标将直接对评估结果产生决定性的影响。微电网经济运行状态评估的指标选取应准确反映微电网的运行情况、发展规划、运营和经济效能,并对微电网运行检修提供改进指导意见。
微电网的评估数据来自于微电网的量测数据和档案数据,量测数据为采用智能融合终端采集微电网的负载、电压、储能容量、高低压侧接头温度、环境湿度等信息,档案数据为生产管理、营销系统中的微电网各类设备型号、生产厂家、出厂年月等信息。
微电网数据按运行情况、发展规划、运营和经济效能分成四类,一类数据包括微电网的运行情况,二类数据包括微电网的发展规划,三类数据包括微电网的运营效能,四类数据包括微电网的经济效能。在此基础上,将已有的微电网经济运行状态评估特征指标按专家经验值进行归类,如图2所示。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,在本实施例中,电网公司所获取的微电网的状态特征指标越来越多。针对新增指标数据类型,采用朴素贝叶斯算法构建微电网经济运行状态评估特征指标分类。
设输入的指标的个数为n,新增指标输入集合X为{x1,x2,……,xn},设新增指标出的个数为k,输出的指标集合Y为{y1,y2,……,yk},设i为输入的指标序列,微电网经济运行状态评估特征指标的先验概率P(Y)为:
微电网经济运行状态评估特征指标的条验概率P(Hs)为:
微电网经济运行状态评估特征指标的后验概率P(Hq)为:
通过训练模型,得出最佳的输出特征指标分类。
由特征指标分类可见,通过朴素贝叶斯算法,计算最佳输出特征指标分类,可获得新增指标的最终特征标签,并对原有微电网特征标签指标进行补充。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,如图3所示,本实施例通过深度卷积神经网络评估微电网的各个特征指标的权重值,并将此权重值存入指标权重库中。微电网经济运行状态评估建模,其目标是通过深度卷积神经元网络评估指标权重值,以适应不同区域、不同类型的微电网经济运行状态评估。
深度卷积神经网络分卷积层、池化层和全连接层。其中,卷积层通过在输入的微电网上的四类状态评估数据和原有指标权重上提取特征信息;池化层通过微电网经济运行状态评估数据和原有指标权重特征后稀疏参数来减少学习的参数,降低网络的复杂度;全连接层,在整个卷积神经网络中起到“分类器”的作用,将学到的“微电网经济运行状态评估指标权重分布式特征”整合为一类权重值,并映射到样本标记空间,最后输出微电网经济运行状态权重调整值。本方法分为正向传播、反向传播两部分,其中正向传播实现误差函数计算与卷积层功能,反向传播实现池化层和全连接层的功能,微电网经济运行评分结合深度卷积网络输出的指标权重及微电网量测及档案数据生成微电网经济运行状态评估结果,如图3所示。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项基础上做进一步优化,在本实施例中,在进行微电网经济运行状态评估时,通过正向传播计算卷积神经网络激活值。
若要使卷积神经网络的输出与真实值更接近,第a个样本的误差函数可以优化为:
设模型训练有l层,Wl为l层的权重,d为l层的调整系数,激活函数为f,l层输入激活值βl为:
βl=f(Wlβl-1+dl(1));
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
实施例6:
本实施例在上述实施例1-5任一项基础上做进一步优化,在本实施例中,在进行微电网经济运行状态评估时,预测值与实际值之间存在误差,通过反向传播,将误差信息逐层传递,以尽量减少误差。
为获取微电网单个状态评估指标样本的误差函数对参数的影响,定义σ为误差影响因子,指标灵敏度δ为误差输出的变化率,可得:
设zl为l层的输出,则:
zl=Wlβl-1+dl;
设Wl为l层的权重,zl为l层的输出,σ为误差影响因子,传播误差为Eh,对于状态评估中的编置δl,可由链式求导获得:
设样本的ε维度为τε,ε维度卷积神经网络输出为γε,激活函数为f,因卷积神经网络每一层的灵敏度不同,状态评估中的编置δl,可计算为:
δl=f(zl)×(γε-τε);
进一步求解传播误差Eh权重的偏移:
因每一层具体的输入、输出获取难度大,所以采用灵敏度回传如式(14)。
采用全连接,反向传播公式可优化为:
δl=(δl+1Wl+1)×f(zl);
由上可见,通过卷积神经网络的指标权重学习,可提高微电网经济运行状态评估准确度,以适应不同区域、不同类型微电网评估的要求。
本实施例的其他部分与上述实施例1-5任一项相同,故不再赘述。
实施例7:
本实施例在上述实施例1-6任一项基础上做进一步优化,如图5所示,将微电网的档案数据与量测数据输入微电网经济运行状态评估模型中,获得微电网的状态评分,设评估指标有n个,指标集为λ1,λ2......λn,指标权重为Ws1,Ws2......Wsn,评估结果Fa为:
评分标准从绝对健康到绝对危险分5类,如图5所示。
本实施例的其他部分与上述实施例1-6任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.一种基于深度卷积网络的微电网经济运行状态评估方法,其特征在于,包括以下步骤:
步骤S1:将已输入的微电网经济运行状态特征数据与现有的微电网特征分类集合数据进行比较,若微电网经济运行状态特征数据在已有的微电网经济运行状态特征数据分类中,则将该指标直接归纳入已知分类中,如果已知分类中,未包含输入的微电网经济运行状态特征数据,就需新增微电网特征标签指标;
步骤S2:采用朴素贝叶斯算法构建微电网经济运行状态评估特征指标特征标签,通过机器学习先验概率和后验概率,计算出新增微电网特征数据的最佳输出特征指标分类,以获得新增指标分类的最终特征标签;
步骤S3:通过深度卷积神经网络评估微电网的各个特征指标的权重值,并将此权重值存入指标权重库中;
步骤S4:将已输入的微电网经济运行状态特征数据与微电网指标权重库的值进行比较,以获取微电网的状态评分,实现对微电网经济运行状态评分。
2.根据权利要求1所述的一种基于深度卷积网络的微电网经济运行状态评估方法,其特征在于,所述步骤S1中对微电网经济运行状态特征数据分类的方法包括:
根据微电网的量测数据和档案数据对微电网的评估数据进行分类;
所述量测数据包括采用智能融合终端采集微电网的负载数据、电压数据、储能容量数据、高低压侧接头温度数据和环境湿度数据;
所述档案数据包括生产管理数据、营销系统中的微电网各类设备型号数据、生产厂家数据和出厂年月数据;
所述微电网的评估数据分为四类,分别为一类数据、二类数据、三类数据和四类数据。
4.根据权利要求1所述的一种基于深度卷积网络的微电网经济运行状态评估方法,其特征在于,所述步骤S3包括:
深度卷积神经网络包括卷积层、池化层和全连接层;
所述卷积层通过在输入的微电网评估数据和指标权重库中的原有指标权重上提取特征信息;
所述池化层通过微电网经济运行状态评估数据和原有指标权重特征后稀疏参数;
所述全连接层将在卷积层和池化层学到的微电网经济运行状态评估指标权重的分布式特征整合为一类权重值,并映射到卷积神经网络的样本标记空间,最后输出微电网经济运行状态权重调整值。
5.根据权利要求4所述的一种基于深度卷积网络的微电网经济运行状态评估方法,其特征在于,包括:采用正向传播方法计算卷积神经网络的激活值。
6.根据权利要求4所述的一种基于深度卷积网络的微电网经济运行状态评估方法,其特征在于,还包括:采用反向传播方法实现池化层和全连接层的功能,将误差信息逐层传递。
7.根据权利要求1所述的一种基于深度卷积网络的微电网经济运行状态评估方法,其特征在于,所述步骤S4包括:
将微电网的档案数据与量测数据输入微电网经济运行状态评估模型中,获得微电网的状态评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210438349.8A CN114781875A (zh) | 2022-04-25 | 2022-04-25 | 一种基于深度卷积网络的微电网经济运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210438349.8A CN114781875A (zh) | 2022-04-25 | 2022-04-25 | 一种基于深度卷积网络的微电网经济运行状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781875A true CN114781875A (zh) | 2022-07-22 |
Family
ID=82433835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210438349.8A Pending CN114781875A (zh) | 2022-04-25 | 2022-04-25 | 一种基于深度卷积网络的微电网经济运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781875A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519054A (zh) * | 2023-12-11 | 2024-02-06 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
CN118095970A (zh) * | 2024-04-26 | 2024-05-28 | 湖北华中电力科技开发有限责任公司 | 微电网状态评估方法、相关装置、计算设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977869A (zh) * | 2019-03-27 | 2019-07-05 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
CN112488149A (zh) * | 2020-11-03 | 2021-03-12 | 杭州电子科技大学 | 一种基于1d-cnn特征重构的网络安全数据分类方法 |
CN112884008A (zh) * | 2021-01-25 | 2021-06-01 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
US20210192272A1 (en) * | 2019-07-16 | 2021-06-24 | Northeastern University | Decision-making method of comprehensive alumina production indexes based on multi-scale deep convolutional network |
-
2022
- 2022-04-25 CN CN202210438349.8A patent/CN114781875A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977869A (zh) * | 2019-03-27 | 2019-07-05 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
US20210192272A1 (en) * | 2019-07-16 | 2021-06-24 | Northeastern University | Decision-making method of comprehensive alumina production indexes based on multi-scale deep convolutional network |
CN112488149A (zh) * | 2020-11-03 | 2021-03-12 | 杭州电子科技大学 | 一种基于1d-cnn特征重构的网络安全数据分类方法 |
CN112884008A (zh) * | 2021-01-25 | 2021-06-01 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
江秀臣等: "电力设备状态大数据分析的研究和应用", 高电压技术, no. 04, 16 April 2018 (2018-04-16), pages 1041 - 1050 * |
马丽叶等: "基于可拓云模型的配电网经济运行综合评价及灵敏度分析", 电工电能新技术, vol. 35, no. 7, 31 July 2016 (2016-07-31), pages 8 - 16 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519054A (zh) * | 2023-12-11 | 2024-02-06 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
CN117519054B (zh) * | 2023-12-11 | 2024-06-11 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
CN118095970A (zh) * | 2024-04-26 | 2024-05-28 | 湖北华中电力科技开发有限责任公司 | 微电网状态评估方法、相关装置、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saxena et al. | Evaluating algorithm performance metrics tailored for prognostics | |
CN114781875A (zh) | 一种基于深度卷积网络的微电网经济运行状态评估方法 | |
Liu et al. | Transfer learning for battery smarter state estimation and ageing prognostics: Recent progress, challenges, and prospects | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN108985455A (zh) | 一种计算机应用神经网络预测方法及系统 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN116402227A (zh) | 一种基于云计算的风电大数据分析方法及系统 | |
Malakouti | Babysitting hyperparameter optimization and 10-fold-cross-validation to enhance the performance of ML methods in Predicting Wind Speed and Energy Generation | |
Gu et al. | A time-series Wasserstein GAN method for state-of-charge estimation of lithium-ion batteries | |
CN111525197B (zh) | 一种蓄电池soh实时估算系统及方法 | |
KR20230043466A (ko) | 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법 | |
Wang et al. | Remaining useful life prediction of lithium-ion battery based on cycle-consistency learning | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
Zhao et al. | From Grayscale Image to Battery Aging Awareness—A New Battery Capacity Estimation Model With Computer Vision Approach | |
Mehta et al. | A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery | |
Li et al. | Remaining useful life prediction of lithium battery based on ACNN-Mogrifier LSTM-MMD | |
Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
CN113496255A (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
Feng et al. | State of charge estimation for lithium‐ion battery pack based on real vehicle data and optimized backpropagation method by adaptive cross mutation sparrow search algorithm | |
CN117220318B (zh) | 电网数字化驱动控制方法及系统 |
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 |