CN115496144A - 配电网运行场景确定方法、装置、计算机设备和存储介质 - Google Patents
配电网运行场景确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115496144A CN115496144A CN202211149161.8A CN202211149161A CN115496144A CN 115496144 A CN115496144 A CN 115496144A CN 202211149161 A CN202211149161 A CN 202211149161A CN 115496144 A CN115496144 A CN 115496144A
- Authority
- CN
- China
- Prior art keywords
- network
- scene
- power distribution
- sample
- label
- 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
Images
Classifications
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请涉及一种配电网运行场景确定方法、装置、计算机设备和存储介质。该方法包括获取目标配电网的指定场景类别标签;将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。采用本方法能够解决现有技术中传统的对抗生成网络随机生成、可解释性弱以及收敛性差的缺陷,实现特定指标类别的配电网运行场景的生成。
Description
技术领域
本申请涉及配电网技术领域,特别是涉及一种配电网运行场景确定方法、装置、计算机设备和存储介质。
背景技术
在电力系统中,配电网是重要的末端环节,直接面向各类用户供给电能。在应用时,需要基于确定出配电网的运行场景对配电网的运行进行控制。
然而,随着新型电力系统的发展,新能源的占比不断升高,导致配电网运行控制过程中蕴含着很强的不确定性,例如,天气的动态和时变特点、非线性的能量转换过程、以及复杂的时空相关性等。在现有的相关技术中,通常是通过配电网自动化运行和人工智能技术,对配电网进行分析和决策来确定配电网的运行场景。但是,相关技术中确定配电网的运行场景的方式无法确定出满足特定指标类别的配电网运行场景。
基于此,实现配电网的功率平衡与安全运行并保证用户的供电可靠性和电能质量存在很大困难。
发明内容
基于此,有必要针对上述技术问题,提供一种能够确定配电网运行场景的确定方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种配电网运行场景确定方法,该方法包括:
获取目标配电网的指定场景类别标签;
将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
在其中一个实施例中,场景生成网络包括生成器网络、编码器网络和判别器网络,生成器网络、编码器网络和判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
在其中一个实施例中,场景生成网络的构建过程,包括:
获取多个样本配电网的样本场景类别标签;
通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定初始场景生成网络训练完成,得到场景生成网络。
在其中一个实施例中,获取多个样本配电网的样本场景类别标签,包括:
获取各样本配电网运行的边界条件;边界条件包括风电出力、光伏出力以及负荷出力;
根据边界条件,获取各样本配电网的状态量数据;
根据各样本配电网的状态量数据,获取各状态量数据相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在其中一个实施例中,初始场景生成网络包括初始生成器网络和初始编码器网络;
通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试运行场景满足预设的收敛条件包括:
将各样本场景类别标签和各样本配电网运行数据的随机噪声输入至初始生成器网络中,得到初始生成器网络输出的样本标签;
将样本标签和各样本场景类别标签输入至初始编码器网络中,得到初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景;
将样本标签、各样本场景类别标签以及各标签特征数据输入至初始判别器网络中,得到标签量化值,根据标签量化值确定调整生成器网络的网络参数,直至标签特征数据对应的测试运行场景满足收敛条件。
在其中一个实施例中,根据初始场景生成网络输出的测试运行场景满足预设的收敛条件,包括:
测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;
对测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
在其中一个实施例中,对测试运行场景进行准确度评估,包括:
通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对测试运行场景进行准确度评估,得到准确度评估值。
第二方面,本申请实施例提供一种配电网运行场景确定装置,该装置包括:
标签获取模块,用于获取目标配电网的指定场景类别标签;
场景生成模块,用于将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,处理器执行该计算机程序时实现以下步骤:
获取目标配电网的指定场景类别标签;
将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标配电网的指定场景类别标签;
将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
上述配电网运行场景确定方法、装置、计算机设备和存储介质,通过确定目标配电网运行场景的场景类别标签,并将该场景类别标签输入至预先训练好的场景生成网络中,以得到想要的目标配电网运行场景。该方法解决了传统的生成式对抗网络随机生成、可解释性弱以及收敛性差的问题,并充分考虑了配电网运行场景时序性特征,生成了满足特定指标类别的配电网运行场景。
附图说明
图1为一个实施例中配电网运行场景确定方法的应用环境图;
图2为一个实施例中配电网运行场景确定方法的流程示意图;
图3为一个实施例中场景生成网络的结构框图;
图4为另一个实施例中构建场景生成网络的流程示意图;
图5为另一个实施例中获取多个样本配电网的样本场景类别标签的流程示意图;
图6为另一个实施例中对初始场景生成网络进行训练的流程示意图;
图7为一个实施例中场景生成网络中初始生成器网络的结构示意图;
图8为一个实施例中场景生成网络中初始编码器网络的结构示意图;
图9为一个实施例中场景生成网络中初始判别器网络的结构示意图;
图10为一个实施例中配电网运行场景确定装置的结构框图;
图11为一个实施例中标签获取模块的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的配电网运行场景确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信,获取目标配电网的指定场景类别标签;进一步的,将获取到的目标配电网的制定场景类别标签输入至预设的场景生成网络106中,获取到与目标配电网的制定场景标签相对应的目标配电网的运行场景。在本实施例中,预设的场景生成网络106是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后得到的。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种配电网运行场景确定方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
S201,获取目标配电网的指定场景类别标签。
实际应用中,在生成配电网运行场景之前,首先需要明确需求,即需要说明所需要的场景类别,也即确定目标配电网运行场景的场景类别标签。
本实施例中,目标配电网的指定场景即为指定类别的配电网运行场景,即,该配电网运行场景可以是预先指定场景类别标签的场景,也可以是最终想要通过场景生成网络生成的场景。
场景类别标签指的是对配电网运行场景进行分类后得到的标签。
示例地,获取目标配电网的指定场景类别标签的方式可以是通过对配电网运行评价指标进行分类得到的,当然,也可以是用户根据自己的实际需求进行设置的标签。本申请实施例对此不作限定。
S202,将该指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
基于上述步骤中确定目标配电网运行场景的场景类别标签的基础上,将确定的场景类别标签输入至预先训练好的场景生成网络中,由该场景生成网络输出目标配电网的运行场景。
其中,该场景生成网络是根据目标配电网运行场景的时序性特征对传统的生成式对抗网络的输入数据和网络结构进行调整后训练得到的。传统的生成式对抗网络由两个网络组成,即生成器网络和判别器网络。生成器网络的输入为一组从简单分布中采样得到的随机数,如均匀分布和标准正态分布,其输出为一组虚假样本。判别器网络的输入为生成器网络生成的虚假样本,输出为一个标量,表示输入样本为真实样本的概率。对传统的生成式对抗网络的改进综合考虑到了传统的生成式对抗网络所存在的一些缺陷,以及配电网运行场景的实际需求。例如,配电网运行场景为一组时序潮流数据,其特殊性在于时序性和潮流约束,故也可以根据配电网运行场景的特性,对传统的生成式对抗网络进行改进。
上述配电网运行场景确定方法中,在获取到目标配电网的指定场景类别标签后,将获取到的目标配电网的制定场景类别标签输入至预设的场景生成网络中,得到该目标配电网的运行场景。上述方案,考虑到现有的相关技术中确定配电网的运行场景的方式无法确定出满足特定指标类别的配电网运行场景,本实施例中,通过将目标配电网的指定场景类别标签输入至预设好的场景生成网络中,使得得到目标配电网的运行场景更加简单方便。
在一个实施例中,如图3所示,进一步对上述S202中的场景生成网络进行说明。上述场景生成网络包括:
生成器网络、编码器网络和判别器网络。该生成器网络、编码器网络和判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
需要说明的是,传统的生成式对抗网络中生成器的输入为多元独立标准正态分布,即高斯噪声,输入数据中不带有任何信息,从而导致其输出的样本也是完全随机的,无法生成指定条件的样本。
虽然传统的生成式对抗网络能够生成满足特定类别的样本,但在每一类样本中仍然是随机生成,这在一定程度上限制了生成式对抗网络的可解释性。另外,在深度学习中,传统的生成式对抗网络容易产生梯度消失现象,即损失函数的梯度在对网络参数传播过程中接近于零,导致网络无法训练。
基于传统的生成式对抗网络存在上述的问题,并充分考虑配电网运行场景本身存在时序性特征,本发明针对传统的生成式对抗网络进行调整。具体的,通过对传统的生成式对抗网络的输入数据和网络结构进行调整,得到了场景生成网络。
在本实施例中,生成器、编码器以及判别器中都包括自注意力网络层,而自注意力网络层中引入了位置编码。因为自注意力网络层实际上表征不同数据点之间的相关性,对于不同位置的数据进行的计算是一致的。然而,原始的注意力网络层并不能识别时序信息,通过位置编码能够增强自注意力网络层的时序性,以适用于本发明中的配电网运行场景的生成。
上述场景生成网络中,通过对传统的生成式对抗网络的输入数据和网络结构进行改进,具体地,在传统的生成式对抗网络中增加编码器网络,并在生成器、编码器以及判别器中增加了自注意力网络层,且自注意力网络层中引入了位置编码,得到的场景生成网络克服了传统的生成式对抗网络的随机生成,可解释性弱以及收敛性差等缺陷,并充分考虑了配电网运行场景的时序性特征,训练后的场景生成网络能够生成满足特定指标类别的配电网运行场景。
在一个实施例中,如图4所示,进一步对上述场景生成网络进行构建。具体可以包括以下步骤:
S401,获取多个样本配电网的样本场景类别标签。
本实施例中,样本配电网的样本场景类别标签可以是通过对配电网运行场景进行分类得到的样本标签,也可以是用户根据自己的实际需求进行设置得到的样本标签。
可以理解的是,想要对初始场景生成网络进行训练,需要获得多个样本配电网的样本场景类别标签,对场景生成网络进行多次训练,直至该初始场景生成网络输出的测试运行场景满足预设的收敛条件。
S402,通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至该初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定初始场景生成网络训练完成,得到场景生成网络。
在本实施例中,通过对传统的生成式对抗网络进行调整,得到场景生成网络,场景生成网络包括生成器,编码器以及判别器。在此基础上,利用上述S401中获取到的多个样本配电网的样本场景类别标签与获取到的随机噪声,将得到的场景生成网络训练至收敛,训练好的场景生成网络能够生成满足特定指标类别的配电网运行场景。
可选地,该收敛条件包括:测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;对测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
根据初始编码器网络得到的标签特征数据,可以获取到相对应的测试运行场景。具体地,将上述测试运行场景与对应的样本场景类别标签的标准运行场景进行对比,得到一个误差。进一步的,将测试运行场景与对应的样本场景类别标签的标准运行场景的误差与预设的误差值进行对比,若测试运行场景与对应的样本场景类别标签的标准运行场景之间的误差小于预设的误差值,那么,可以判断的是,此次得到的测试运行场景满足预设的收敛条件。
或者,可以通过多项指标对根据初始编码器网络得到的标签特征数据获取到的相对应的测试运行场景进行准确性评估。将得到的准确度评估值与预设的准确度阈值进行对比,若准确度评估值小于预设的准确度阈值,那么可以说明的是,此次获取到的测试运行场景与对应的样本场景类别标签相差较大,没有满足预设的收敛条件;若准确度评估值大于预设的准确度阈值,可以说明的事,此次获取到的测试运行场景与对应的样本场景类别标签相差较小,满足预设的收敛条件。
本申请实施例中,通过获取到的多个样本配电网的样本场景类别标签对初始场景生成网络进行多次训练,得到输出的测试运行场景满足预设的收敛条件的场景生成网络,最终得到的场景生成网络克服了传统的生成式对抗网络的随机生成,可解释性弱以及收敛性差等缺陷,并充分考虑了配电网运行场景的时序性特征,训练后的场景生成网络能够生成满足特定指标类别的配电网运行场景。
在一个实施例中,如图5所示,进一步对上述S401进行说明。具体可以包括以下步骤:
S501,获取各样本配电网运行的边界条件;边界条件包括风电出力、光伏出力以及负荷出力。
在配电网运行场景中,风电出力、光伏出力和负荷出力都有较强的时序性特征,例如,光伏只在每天的特定时段出力。若不针对数据的时序性特征进行网络改进,由于卷积层的平移不变性,基于卷积层的网络生成的数据可能会产生“时序平移”现象,即网络无法完全学习到的时序特征。
针对数据的时序性特征,可以作出如下改进:首先使用一维卷积层替换二维卷积层。这是因为二维卷积核提取的数据不仅有相邻的数据点,还有相距较远的数据点,其相关性一般较弱,而对于时序性特征提取效果较差。但一维卷积能够完整保留数据的时序信息,更适用于本发明的配电网运行场景的生成。
S502,根据边界条件,获取各样本配电网的状态量数据。
在本实施例中,获取配电网运行边界条件,即风电出力、光伏出力以及负荷出力,并通过潮流计算得到配电网系统的状态量数据。
具体地,在配电网运行过程中,状态量数据需要满足潮流约束,考虑潮流约束的生成器网络优化问题如下:
其中,E表示编码器,D表示判别器,G表示生成器,下标loss表示网络损失。
原始的潮流约束为一组非线性方程组,为了方便神经网络进行优化,定义潮流损失函数如下:
PFloss=[PFi]T[PFi]i=1,2,...,p
显然,当且仅当潮流损失为零时满足潮流约束,因此,在原优化问题基础上考虑潮流损失,并且使用拉格朗日乘数法可以得到:
由于式中PFloss恒为正数,因此只需要在优化Dloss的过程中增大λ即可。为了实现上述优化过程,同时考虑让网络更易收敛,提出下述启发式方法:
其中,潮流损失的权重由判别器损失梯度的指数移动平均的二范数确定,k1和k2为超参数,分别表示潮流损失的最大权重和受判别器损失梯度影响的敏感程度,EMA为指数移动平均值。
该启发式方法能够实现潮流损失跟随判别器损失的梯度动态调整。在判别器损失的梯度较小时,认为接近局部最优值,此时逐渐增大潮流损失的权重,实现优化问题从极值向条件极值的调整,使用该启发式方法后,相比固定λ权重的优化过程,网络收敛性会明显提高。
需要说明的是,虽然深层的网络结构拥有更强的表达能力,但由于电力系统中使用的数据集与图像领域中使用的规模相比一般较小,使用过深的网络结构反而会使得性能反而变差。
并且,实验显示,在该结构基础上增加网络深度也会产生网络性能下降、训练难以收敛等现象,因此,本发明所提供的改进型对抗生成网络没有采用更深的网络结构。同样地,一些用于深层网络的设计技巧也没有在改进型对抗生成网络中使用,包括残差连接、批归一化等,因为使用后反而会使得网络性能下降。
网络的中间层激活函数可以使用LeakyReLU(一种深度学习中的激活函数),其负半轴斜率为0.2。LeakyReLU为ReLU激活函数的变体,能够改善ReLU(一种深度学习中的激活函数)在更新过程中产生的“神经元死亡”问题。生成器和编码器中,输出层的激活函数可以选择Tanh(双曲正切函数),用于输出的标准化,并且相比于传统的Sigmoid函数(一个在生物学中常见的S型函数)更不容易产生梯度消失现象。
S503,根据各样本配电网的状态量数据,获取各状态量数据相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在本实施例中,需要获取多个样本配电网的样本场景类别标签,具体地,先通过上述S501,获取配电网运行边界条件,即风电出力、光伏出力以及负荷出力,并通过上述S502,进行潮流计算,得到配电网系统的状态量数据,根据该状态量数据,获取与该状态量数据相对应的场景类别标签。
可以理解的是,通过获取多个样本配电网的样本场景类别标签,以及获取随机噪声,将改进型对抗生成网络训练至收敛,训练好的改进型对抗生成网络能够生成满足特定指标类别的配电网运行场景,使得得到目标配电网的运行场景更加方便且准确。
在一个实施例中,如图6所示,进一步对上述S402进行说明。具体可以包括以下步骤:
S601,将各样本场景类别标签和各样本配电网运行数据的随机噪声输入至初始生成器网络中,得到初始生成器网络输出的样本标签。
具体地,图7示出了本发明所提供的场景生成网络中初始生成器网络的网络结构示意图。图7中的X、y、z分别代表样本标签、各样本场景类别标签和随机噪声。Dense表示全连接层,Conv表示卷积层,其中ConvUp表示带有上采样的卷积层,ConvDown表示带有下采样的卷积层,Conv1x1表示卷积核大小为1的卷积层,用于数据的维度变换。SelfAtt表示自注意力网络层,Inner Product表示向量内积。
初始生成器网络的输入为各样本配电网运行数据的随机噪声z和各样本场景类别标签y,输出为样本标签X。具体地,将各样本配电网运行数据的随机噪声z和场景类别标签y输入到初始生成器网络中,生成器网络采用了分层嵌入技巧,即将场景类别标签y输入到生成器网络中的多个不同的层中,得到输出的样本标签X。
S602,将样本标签和各样本场景类别标签输入至初始编码器网络中,得到初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景。
具体地,图8示出了本发明所提供的场景生成网络中初始编码器网络的网络结构示意图。图8中的X、y、z分别代表数据样本标签、各样本场景标签和标签特征数据。Dense表示全连接层,Conv表示卷积层,其中,ConvDown表示带有下采样的卷积层,Conv1x1表示卷积核大小为1的卷积层,用于数据的维度变换。SelfAtt表示自注意力网络层,Inner Product表示向量内积。
初始编码器网络输入为样本标签X和各样本场景类别标签y,输出为标签特征数据z。具体地,将样本标签X和各样本场景类别标签y输入至初始编码器网络中,上述编码器网络也采用了与生成器网络相同的分层嵌入技巧,即将各样本场景类别标签y输入到编码器网络中的多个不同的层中,得到输出的标签特征数据z。其中,得到的不同的标签特征数据分别代表不同的测试运行场景,即分别可以作为不同的测试运行场景的代表数据输入到判别器中,进行进一步判别,得到更准确的结果。
S603,将样本标签、各样本场景类别标签以及各标签特征数据输入至初始判别器网络中,得到标签量化值,根据标签量化值确定调整生成器网络的网络参数,直至标签特征数据对应的测试运行场景满足收敛条件。
具体地,图9示出了本发明所提供的场景生成网络中初始生成器网络的网络结构示意图。图9中的X、y、z分别代表样本标签、各样本场景标签和标签特征数据。Dense表示全连接层,Conv表示卷积层,其中ConvUp表示带有上采样的卷积层,ConvDown表示带有下采样的卷积层,Conv1x1表示卷积核大小为1的卷积层,用于数据的维度变换。SelfAtt表示自注意力网络层,Inner Product表示向量内积。
判别器的输入为样本标签X、各样本场景类别标签y和上述初始编码器网络得到的标签特征数据z,输出为标签量化值。具体地,将样本标签X、各样本场景类别标签y和上述初始编码器网络得到的标签特征数据z输入至初始判别器网络中,上述初始判别器网络采用了投影的技巧,即将标签的独特编码与网络中间层输出做内积,得到与各样本测试运行场景相对应的标签量化值。
进一步的,根据得到的与各样本测试运行场景相对应的标签量化值,乐意确定调整上述生成器的网络参数,直至上述初始编码器网络得到的标签特征数据相对应的测试运行场景满足收敛条件。具体地,判别器的损失函数可以使用铰链损失,该损失函数类似于支持向量机(Support Vector Machine,SVM)的损失函数,只会优化边界附近的样本,能够提高训练的稳定性。优化器可以选择RAdam(一种优化器),训练时能够自适应调整学习率,并且在训练初期提供自适应的预热,能够稳定训练并加快收敛。网络的初始化可以选择Kaiming初始化(权重初始化),能够更好地初始化各层网络参数的方差,使网络更好地收敛。
在一个具体的实施例中,训练中可调整的超参数如下表1:
表1
参数名称 | 数值 |
批大小(Batch Size) | 128 |
训练批次(epochs) | 500 |
学习率(learning rate) | D=4e-4,G=E=1e-4 |
每次训练D更新次数(D Steps) | 1 |
潮流损失动态权重(k1 k2) | k1=500,k2=5e5 |
可以理解的是,通过利用初始生成器网络和初始编码器网络,对获取到的样本标签X、各样本场景类别标签y和随机噪声z进行计算,得到与各样本测试运行场景相对应的标签特征数据z。进一步的,将得到的与各样本测试运行场景相对应的标签特征数据z输入至初始判别器网络中进行计算,得到标签量化值,根据标签量化值对初始生成网络的网络参数进行调整,直至标签特征数据对应的测试运行场景满足收敛条件。得到的满足收敛条件的生成器网络克服了初始生成器网络的随机生成、可解释性弱和收敛性差等缺陷,使调整后的场景生成网络能够更加准确、快速地生成满足特定指标类别的配电网运行场景。
进一步的,在上述实施例的基础上,可以通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对测试运行场景进行准确度评估。
具体地,由于场景生成网络的训练是生成器、编码器以及判别器之间的博弈过程,通常比较不稳定,因此,需要在训练过程中每隔一定批次生成一批测试运行场景进行评估。
场景生成网络在训练中往往会出现模式坍塌现象,指的是生成的样本十分单一,此时需要提前停止训练。考虑到模式坍塌现象,本实施例制定了真实性指标D1和多样性指标D2,分别用于评估生成样本(即训练结果)的真实性和多样性,对改进型对抗生成网络的训练过程实时监控。其中,真实性指标和多样性指标的计算公式如下:
其中,来自生成样本集,x来自原始样本集,D1表示生成样本与原始样本最小距离的均值,该指标越小表明生成样本与原始样本越相似,真实性越高。D2表示生成样本之间距离的均值,该指标越大表明生成样本越分散,多样性越高,没有发生模式坍塌现象。综合考虑上述两个指标可以对生成样本的质量进行评估。
由于本发明的目的是为了生成目标配电网运行场景,即指定场景类别标签之后,希望网络能够生成对应标签的样本,因此,需要对网络生成的配电网运行场景的准确性进行评估。
混淆矩阵的定义如下:
其中,cij表示给定标签为第i类时,生成样本满足第j类标签的样本数量。
基于混淆矩阵可以给出准确率p如下:
准确率表示网络生成正确标签的样本数占总生成样本数的比例,反应网络不同类别样本的分辨能力。
在一个具体的实施例中,将5类场景类别标签各150个输入至生成器,观察生成样本的混淆矩阵如下表2:
表2
标签类别1 | 标签类别2 | 标签类别3 | 标签类别4 | 标签类别5 | |
生成样本类别1 | 149 | 1 | |||
生成样本类别2 | 1 | 149 | |||
生成样本类别3 | 150 | 1 | |||
生成样本类别4 | 149 | ||||
生成样本类别5 | 150 |
此时准确率指标计算如下:
可以看到准确率达到99.6%,证明网络对场景类别标签的识别能力较强,能够生成满足特定指标类别的配电网运行场景。
除了上述提供的真实性、多样性和准确率等指标外,还可以通过直接比较生成样本和原始样本的空间分布进行评估。具体地,由于样本的维度较高,若要通过可视化方法进行比较,需要经过数据降维,常用的降维方法有主成分分析法和降维算法(t-distributedstochastic neighbor embedding,t-SNE)算法。
对于原始样本,首先计算原始样本对应的运行评价指标,如线损率、电压质量和重载率等,然后将多维的指标数据通过降维方法降到二维,做出原始样本在二维平面上的图像。对于生成样本,同样需要计算运行评价指标,然后使用和原始样本同样的方法进行降维,保证对应的二维平面与原始样本相同,做出图像。通过比较原始样本和生成样本在二维平面上的分布,评估生成效果。若二者图像十分相像,则说明生成效果较好。
在本实施例中,通过在训练过程中,利用真实性指标、多样性指标、准确性指标以及空间分布,对生成的训练结果进行评估,进一步验证了场景生成网络生成配电网运行场景的有效性。
应该理解的是,虽然上述的个实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述的个实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于生成上述所涉及的目标配电网运行场景的配电网运行场景确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个配电网运行场景确定装置实施例中的具体限定可以参见上文中对目标配电网运行场景确定方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种配电网运行场景确定装置1,包括:标签获取模块10以及场景生成模块20,其中:
标签获取模块10,用于获取目标配电网的指定场景类别标签;
场景生成模块20,用于将所述指定场景类别标签输入至预设的场景生成网络中,得到所述目标配电网的运行场景;其中,所述场景生成网络是根据所述目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
在一个实施例中,上述场景生成网络包括生成器网络、编码器网络和判别器网络,生成器网络、编码器网络和判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
在一个实施例中,配电网运行场景确定装置1还包括:
训练标签获取模块,用于获取多个样本配电网的样本场景类别标签;
网络训练模块,用于通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定初始场景生成网络训练完成,得到场景生成网络。
在一个实施例中,上述训练标签获取模块包括:
边界条件获取单元,用于获取各样本配电网运行的边界条件;边界条件包括风电出力、光伏出力以及负荷出力;
状态量数据获取单元,用于根据边界条件,获取各样本配电网的状态量数据;
标签获取单元,用于根据各样本配电网的状态量数据,获取各状态量数据相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在一个实施例中,初始场景生成网络包括初始生成器网络和初始编码器网络;上述网络训练模块包括:
第一输入单元,用于将各样本场景类别标签和各样本配电网运行数据的随机噪声输入至初始生成器网络中,得到初始生成器网络输出的样本标签;
第二输入单元,用于将样本标签和各样本场景类别标签输入至初始编码器网络中,得到初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景;
第三输入单元,用于将样本标签、各样本场景类别标签以及各标签特征数据输入至初始判别器网络中,得到标签量化值,根据标签量化值确定调整生成器网络的网络参数,直至标签特征数据对应的测试运行场景满足收敛条件。
在一个实施例中,上述收敛条件包括:测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;对测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
在一个实施例中,上述对测试运行场景进行准确度评估包括:通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对测试运行场景进行准确度评估,得到准确度评估值。
在一个实施例中,如图11所示,上图10中的标签获取模块10还可以包括:
边界条件生成单元11,用于根据风电出力、光伏出力以及负荷出力与配电网运行边界条件的对应关系,获取配电网运行边界条件;
类别标签生成单元12,用于根据状态量数据,获取相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在一个实施例中,通过边界条件生成单元,根据风电出力、光伏出力一级负荷出力与配电网运行边界条件的对应关系,得到配电网运行边界条件;通过类别标签生成单元;根据状态量数据获取相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。进一步的,通过标签获取模块10得到多个样本配电网运行场景的样本场景类别标签;进一步的,利用得到的多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试配电网运行场景满足预设的收敛条件;最后,确定目标配电网运行场景的场景类别标签,将场景类别标签输入至收敛的场景生成网络中,生成目标配电网运行场景。该装置解决了初始场景生成网络随机生成,可解释性弱以及收敛性差的问题,并充分考虑了配电网运行场景的时序性特征,生成了满足特定指标类别的配电网运行场景。
上述配电网运行场景生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌用于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器或终端,在计算机设备为服务器的情况下,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储获取到的样本场景类别标签、随机噪声、标签特征数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电晕放电现象识别方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标配电网的指定场景类别标签;
将该指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
在一个实施例中,上述场景生成网络包括:生成器网络、编码器网络和判别器网络,生成器网络、编码器网络和判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
在一个实施例中,处理器执行计算机程序时实现以下步骤:
获取多个样本配电网的样本场景类别标签;
通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定初始场景生成网络训练完成,得到场景生成网络。
在一个实施例中,处理器执行计算机程序时实现了以下步骤:
获取各样本配电网运行的边界条件;边界条件包括风电出力、光伏出力以及负荷出力;
根据边界条件,获取各样本配电网的状态量数据;
根据各样本配电网的状态量数据,获取各状态量数据相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在一个实施例中,上述初始场景生成网络包括初始生成器网络和初始编码器网络;该处理器执行计算机程序时实现以下步骤:
将各样本场景类别标签和各样本配电网运行数据的随机噪声输入至初始生成器网络中,得到初始生成器网络输出的样本标签;
将样本标签和各样本场景类别标签输入至初始编码器网络中,得到初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景;
将样本标签、各样本场景类别标签以及各标签特征数据输入至初始判别器网络中,得到标签量化值,根据标签量化值确定调整生成器网络的网络参数,直至标签特征数据对应的测试运行场景满足收敛条件。
在一个实施例中,上述收敛条件包括:测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;对测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
在一个实施例中,该处理器执行计算机程序时实现以下步骤:
通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对测试运行场景进行准确度评估,得到准确度评估值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标配电网的指定场景类别标签;
将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
在一个实施例中,上述场景生成网络包括:生成器网络、编码器网络和判别器网络,生成器网络、编码器网络和判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
在一个实施例中,计算机程序中被处理器执行时还实现以下步骤:
获取多个样本配电网的样本场景类别标签;
通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定初始场景生成网络训练完成,得到场景生成网络。
在一个实施例中,计算机程序被处理器执行时还实现了以下步骤:
获取各样本配电网运行的边界条件;边界条件包括风电出力、光伏出力以及负荷出力;
根据边界条件,获取各样本配电网的状态量数据;
根据各样本配电网的状态量数据,获取各状态量数据相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在一个实施例中上述初始场景生成网络包括初始生成器网络和初始编码器网络;计算机程序中被处理器执行时还实现以下步骤:
将各样本场景类别标签和各样本配电网运行数据的随机噪声输入至初始生成器网络中,得到初始生成器网络输出的样本标签;
将样本标签和各样本场景类别标签输入至初始编码器网络中,得到初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景;
将样本标签、各样本场景类别标签以及各标签特征数据输入至初始判别器网络中,得到标签量化值,根据标签量化值确定调整生成器网络的网络参数,直至标签特征数据对应的测试运行场景满足收敛条件。
在一个实施例中,上述收敛条件包括:测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;对测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
在一个实施例中,计算机程序被处理器执行时,还实现了以下步骤:
通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对测试运行场景进行准确度评估,得到准确度评估值。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标配电网的指定场景类别标签;
将指定场景类别标签输入至预设的场景生成网络中,得到目标配电网的运行场景;其中,场景生成网络是根据目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
在一个实施例中,上述场景生成网络包括:生成器网络、编码器网络和判别器网络,生成器网络、编码器网络和判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个样本配电网的样本场景类别标签;
通过多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定初始场景生成网络训练完成,得到场景生成网络。
在一个实施例中,计算机程序被处理器执行时还实现了以下步骤:
获取各样本配电网运行的边界条件;边界条件包括风电出力、光伏出力以及负荷出力;
根据边界条件,获取各样本配电网的状态量数据;
根据各样本配电网的状态量数据,获取各状态量数据相对应的场景类别标签,得到多个样本配电网的样本场景类别标签。
在一个实施例中,上述初始场景生成网络包括初始生成器网络和初始编码器网络;计算机程序中被处理器执行时还实现以下步骤:
将各样本场景类别标签和各样本配电网运行数据的随机噪声输入至初始生成器网络中,得到初始生成器网络输出的样本标签;
将样本标签和各样本场景类别标签输入至初始编码器网络中,得到初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景;
将样本标签、各样本场景类别标签以及各标签特征数据输入至初始判别器网络中,得到标签量化值,根据标签量化值确定调整生成器网络的网络参数,直至标签特征数据对应的测试运行场景满足收敛条件。
在一个实施例中,上述收敛条件包括:测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;对测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
在一个实施例中,计算机程序被处理器执行时,还实现了以下步骤:
通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对测试运行场景进行准确度评估,得到准确度评估值。
需要说明的是,本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网运行场景确定方法,其特征在于,所述方法包括:
获取目标配电网的指定场景类别标签;
将所述指定场景类别标签输入至预设的场景生成网络中,得到所述目标配电网的运行场景;其中,所述场景生成网络是根据所述目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述场景生成网络包括生成器网络、编码器网络和判别器网络,所述生成器网络、所述编码器网络和所述判别器网络中均包括引入了位置编码的预设数量的自注意力网络层。
3.根据权利要求1或2所述的方法,其特征在于,所述场景生成网络的构建过程包括:
获取多个样本配电网的样本场景类别标签;
通过所述多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至所述初始场景生成网络输出的测试运行场景满足预设的收敛条件,确定所述初始场景生成网络训练完成,得到所述场景生成网络。
4.根据权利要求3所述的方法,其特征在于,所述获取多个样本配电网的样本场景类别标签,包括:
获取各所述样本配电网运行的边界条件;所述边界条件包括风电出力、光伏出力以及负荷出力;
根据所述边界条件,获取各所述样本配电网的状态量数据;
根据各所述样本配电网的状态量数据,获取各所述状态量数据相对应的场景类别标签,得到所述多个样本配电网的样本场景类别标签。
5.根据权利要求3所属的方法,其特征在于,所述初始场景生成网络包括初始生成器网络和初始编码器网络;
所述通过所述多个样本配电网的样本场景类别标签对初始场景生成网络进行训练,直至所述初始场景生成网络输出的测试运行场景满足预设的收敛条件包括:
将各所述样本场景类别标签和各所述样本配电网运行数据的随机噪声输入至所述初始生成器网络中,得到所述初始生成器网络输出的样本标签;
将所述样本标签和各所述样本场景类别标签输入至所述初始编码器网络中,得到所述初始编码器网络输出的标签特征数据;不同的标签特征数据表示不同的测试运行场景;
将所述样本标签、各所述样本场景类别标签以及各所述标签特征数据输入至所述初始判别器网络中,得到标签量化值,根据所述标签量化值确定调整所述生成器网络的网络参数,直至所述标签特征数据对应的测试运行场景满足所述收敛条件。
6.根据权利要求3所述的方法,其特征在于,所述收敛条件,包括:
所述测试运行场景与对应样本场景类别标签的标准运行场景之间的误差小于预设误差值;或者;
对所述测试运行场景进行准确度评估,得到的准确度评估值大于预设准确度阈值。
7.根据权利要求6所述的方法,其特征在于,所述对所述测试运行场景进行准确度评估,包括:
通过预设的真实性指标、多样性指标、准确性指标以及空间分布指标,对所述测试运行场景进行准确度评估,得到所述准确度评估值。
8.一种配电网运行场景确定装置,其特征在于,所述装置包括:
标签获取模块,用于获取目标配电网的指定场景类别标签;
场景生成模块,用于将所述指定场景类别标签输入至预设的场景生成网络中,得到所述目标配电网的运行场景;其中,所述场景生成网络是根据所述目标配电网运行场景的时序性特征对生成式对抗网络的输入数据和网络结构进行调整后训练得到的。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211149161.8A CN115496144A (zh) | 2022-09-21 | 2022-09-21 | 配电网运行场景确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211149161.8A CN115496144A (zh) | 2022-09-21 | 2022-09-21 | 配电网运行场景确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496144A true CN115496144A (zh) | 2022-12-20 |
Family
ID=84469998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211149161.8A Pending CN115496144A (zh) | 2022-09-21 | 2022-09-21 | 配电网运行场景确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496144A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167289A (zh) * | 2023-04-26 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
-
2022
- 2022-09-21 CN CN202211149161.8A patent/CN115496144A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167289A (zh) * | 2023-04-26 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
CN116167289B (zh) * | 2023-04-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
CN116756548B (zh) * | 2023-08-22 | 2023-10-24 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruthotto et al. | An introduction to deep generative modeling | |
US20200401939A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
CN111279362B (zh) | 胶囊神经网络 | |
CN111291183B (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
CN109754078A (zh) | 用于优化神经网络的方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Zheng | Gradient descent algorithms for quantile regression with smooth approximation | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
CN109902714B (zh) | 一种基于多图正则化深度哈希的多模态医学图像检索方法 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
Lu | CNN Convolutional layer optimisation based on quantum evolutionary algorithm | |
Ibragimovich et al. | Effective recognition of pollen grains based on parametric adaptation of the image identification model | |
CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
WO2020091919A1 (en) | Computer architecture for multiplier-less machine learning | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
Pham et al. | Unsupervised training of Bayesian networks for data clustering | |
CN112200296A (zh) | 网络模型量化方法、装置、存储介质及电子设备 | |
Lataniotis | Data-driven uncertainty quantification for high-dimensional engineering problems | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
EP3888008A1 (en) | Computer architecture for artificial image generation | |
CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN113516182B (zh) | 视觉问答模型训练、视觉问答方法和装置 | |
CN115565115A (zh) | 一种舾装件智能识别方法、计算机设备 |
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 |