CN115510954A - 基于正交图注意力神经网络的配电网故障诊断方法及装置 - Google Patents
基于正交图注意力神经网络的配电网故障诊断方法及装置 Download PDFInfo
- Publication number
- CN115510954A CN115510954A CN202211083739.4A CN202211083739A CN115510954A CN 115510954 A CN115510954 A CN 115510954A CN 202211083739 A CN202211083739 A CN 202211083739A CN 115510954 A CN115510954 A CN 115510954A
- Authority
- CN
- China
- Prior art keywords
- neural network
- attention
- orthogonal
- power distribution
- distribution network
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了基于正交图注意力神经网络的配电网故障诊断方法及装置,其中的方法包括获取训练数据;构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;对模型进行训练,得到配电网故障诊断模型。本申请提出的基于图正交注意力神经网络机制的配电网故障诊断算法适用于频繁变化的配电网故障诊断,具有精度高,对数据扰动和缺失具有鲁棒性的优点,对配电网重构时拓扑结构的改变具有更好的适应性,提高了故障定位模型的拓扑泛化能力,以达到更好的配电网故障诊断的效果。
Description
技术领域
本申请涉及配电网故障诊断领域,尤其是基于正交图注意力神经网络的配电网故障诊断方法及装置。
背景技术
配电网为电网的神经末梢,用电量大,所用电器种类极多,较为容易发生故障,需要对配电网故障进行快速的推断。当前的传统方案多依据行波法或零序电流法对配电故障位置进行定位诊断。传统配电网故障诊断方法对于信号传输的准确度要求较高,当上传信号有较大噪声时,该方法对配电故障判断的准确度急剧下降。另外,配电网的拓扑结构错综复杂,且拓扑结构随着用电峰谷波动、天气、气温等因素的变化而变化,传统方法针对拓扑改变要重新生成网络矩阵或数据库,大大地增加了计算量,人工智能的方法虽然在一定程度上适应网络拓扑改变,但不能准确地定位到故障区段,在微弱特征信号的提取方面存在着困难。
因此,相关技术存在的上述技术问题亟待解决。
发明内容
本申请旨在解决相关技术中的技术问题之一。为此,本申请实施例提供基于正交图注意力神经网络的配电网故障诊断方法及装置,能够较为准确地对配电网进行故障诊断。
根据本申请实施例一方面,提供基于正交图注意力神经网络的配电网故障诊断方法,所述方法包括:
获取训练数据;
构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;
对模型进行训练,得到配电网故障诊断模型。
在其中一个实施例中,所述图神经网络的输入为三相电压电流幅值信息,所述图神经网络的每个节点包括用于表示故障状态的标签,所述图神经网络的输出为所述图神经网络的每个节点的状态判别结果。
在其中一个实施例中,所述图神经网络的每个节点包括用于表示故障状态的标签,包括:
所述图神经网络的每个节点包含一个二进制编码,0表示正常状态,1表示故障状态;或者,1表示正常状态,0表示故障状态。
在其中一个实施例中,所述方法还包括:
用数学式表示注意力机制;
通过计算得到节点之间的相关度并进行softmax归一化处理得到注意力系数;
在所述注意力系数上增加正交约束。
在其中一个实施例中,所述数学式包括:
Attention(Q,S)=∑<Q,S>·S
式中,S代表电网拓扑所有邻居节点的特征向量;Q是中心节点的特征向量。
在其中一个实施例中,所述注意力系数的表达式包括:
式中,L表示ReLU激活函数;α表示计算两个电网节点相关度的函数;W表示电网节点从输入特征维度变换到输出特征维度的权重参数矩阵。
在其中一个实施例中,所述正交约束为:
L=minαiαj
式中,L表示ReLU激活函数,当损失L降为0时,不同的注意力系数呈现彼此正交的状况。
在其中一个实施例中,所述对模型进行训练,得到配电网故障诊断模型,包括:
使用梯度下降法对模型进行训练,得到配电网故障诊断模型。
根据本申请实施例一方面,提供基于正交图注意力神经网络的配电网故障诊断装置,所述装置包括:
第一模块,用于获取训练数据;
第二模块,用于构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;
第三模块,用于对模型进行训练,得到配电网故障诊断模型。
根据本申请实施例一方面,提供一种基于正交图注意力神经网络的配电网故障诊断装置,所述装置包括:
至少一个处理器;
至少一个存储器,所述存储器用于存储至少一个程序;
当至少一个所述程序被至少一个所述处理器执行时实现如前面实施例所述的基于正交图注意力神经网络的配电网故障诊断方法。
本申请实施例提供的基于正交图注意力神经网络的配电网故障诊断方法及装置的有益效果为:获取训练数据;构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;对模型进行训练,得到配电网故障诊断模型。本申请提出的基于图正交注意力神经网络机制的配电网故障诊断算法适用于频繁变化的配电网故障诊断,具有精度高,对数据扰动和缺失具有鲁棒性的优点,对配电网重构时拓扑结构的改变具有更好的适应性,提高了故障定位模型的拓扑泛化能力,以达到更好的配电网故障诊断的效果。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于正交图注意力神经网络的配电网故障诊断方法的流程图;
图2为本申请实施例提供的两头正交注意力机制的计算原理示意图;
图3为本申请实施例提供的基于正交图注意力神经网络的配电网故障诊断装置的示意图;
图4为本申请实施例提供的另一种基于正交图注意力神经网络的配电网故障诊断装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
配电网为电网的神经末梢,用电量大,所用电器种类极多,较为容易发生故障,需要对配电网故障进行快速的推断。当前的传统方案多依据行波法或零序电流法对配电故障位置进行定位诊断。随着人工智能的发展,基于人工智能的方法也逐渐收到行业专家的关注。如有学者采用分层Petri网对复杂电网拓扑网络分层,从而进行有效地求解。有学者使用基于树方法对低压智能配电网进行故障诊断,用固定数量的插值来替换特定支路的测量值。
传统配电网故障诊断方法对于信号传输的准确度要求较高,当上传信号有较大噪声时,该方法对配电故障判断的准确度急剧下降。另外,配电网的拓扑结构错综复杂,且拓扑结构随着用电峰谷波动、天气、气温等因素的变化而变化,传统方法针对拓扑改变要重新生成网络矩阵或数据库,大大地增加了计算量,人工智能的方法虽然在一定程度上适应网络拓扑改变,但不能准确地定位到故障区段,在微弱特征信号的提取方面存在着困难,因此需要开发对拓扑变化不敏感且对传输信号噪声鲁棒的配电网故障诊断方法。
为了解决上述问题,本申请提出了一种基于正交图注意力神经网络的配电网故障诊断方法及装置。本申请的图神经网络可以对电网拓扑的拓扑结构进行有效建模,正交注意力机制与传统注意力机制相比具有更好的分化特征提取能力,可以应对配电网拓扑局部的微小变动,更敏锐捕捉到配电网的拓扑变化,对变化的部分动态赋予不同的权重,因此两个模型的结合非常适合实际拓扑变化非常频繁的情形。同时,通过在训练过程中对输入注入噪声,提出的方法可以对输入噪声鲁棒。
图1为本申请实施例提供的基于正交图注意力神经网络的配电网故障诊断方法的流程图,如图1所示,本申请实施例提供的基于正交图注意力神经网络的配电网故障诊断方法包括:
S101、获取训练数据。
S102、构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制。
S103、对模型进行训练,得到配电网故障诊断模型。
需要说明的是,针对图神经网络,所述图神经网络的输入为三相电压电流幅值信息,所述图神经网络的每个节点包括用于表示故障状态的标签,所述图神经网络的输出为所述图神经网络的每个节点的状态判别结果。
此外,所述图神经网络的每个节点包括用于表示故障状态的标签,包括:所述图神经网络的每个节点包含一个二进制编码,0表示正常状态,1表示故障状态;或者,1表示正常状态,0表示故障状态。
可选地,所述方法还包括:用数学式表示注意力机制;通过计算得到节点之间的相关度并进行softmax归一化处理得到注意力系数;在所述注意力系数上增加正交约束。
所述数学式包括:
Attention(Q,S)=∑<Q,S>·S
式中,S代表电网拓扑所有邻居节点的特征向量;Q是中心节点的特征向量。
所述注意力系数的表达式包括:
式中,L表示ReLU激活函数;α表示计算两个电网节点相关度的函数;W表示电网节点从输入特征维度变换到输出特征维度的权重参数矩阵。
本实施例中的所述正交约束为:
L=minαiαj
式中,L表示ReLU激活函数,当损失L降为0时,不同的注意力系数呈现彼此正交的状况。
可选地,所述对模型进行训练,得到配电网故障诊断模型,包括:使用梯度下降法对模型进行训练,得到配电网故障诊断模型。
具体地,接下来说明本申请中构建基于正交注意力机制的图神经网络模型的关键技术点。
(1)图神经网络
本申请的核心在于图神经网络。本申请的图神经网络是一种深度学习网络结构,在传统的全连接网络基础上增加了对图节点邻接关系的建模,相邻节点的关系被建模为邻接矩阵。图神经网络由多个图神经网络层堆叠而成。一个图神经网络层由一个全连接网络和一个可学习的邻接矩阵组成,输入变成向量经过全连接网络后,再与可学习的邻接矩阵做矩阵乘法,最后经过激活函数即可得到该层的输出。邻接矩阵使用随机初始化赋予初值。多个图神经网络层的堆叠形成一个图神经网络。
本申请的图神经网络模型的输入特征采用最直接的三相电压电流幅值信息,每个节点有表示故障状态的标签,用二进制来编码,0表示正常状态,1表示故障状态,模型的输出为节点的状态判别结果。
(2)正交注意力机制
图2为本申请实施例提供的两头正交注意力机制的计算原理示意图,如图2所示,本提案的核心在于正交注意力机制,传统注意力机制可以用如下数学式子表示:
Attention(Q,S)=∑<Q,S>·S
式中:S代表电网拓扑所有邻居节点的特征向量;Q是当前中心节点的特征向量。所以注意力机制的思想就是对所有的节点特征进行加权求和,权重代表了中心节点与邻居节点特征之间的相关度,越相关,权重越大。
具体来说,令电网的某拓扑节点为vi,每个电网节点可能会有很多个邻接电网节点vj,为了简单叙述起见,实施例只考虑一阶相邻的电网节点。传统的注意力机制通过计算可以得到节点之间的相关度并进行softmax归一化处理得到注意力系数aij:
式中:L表示ReLU激活函数;α表示计算两个电网节点相关度的函数;W表示电网节点从输入特征维度变换到输出特征维度的权重参数矩阵。
得到注意力系数之后,按照对各电网节点特征做加权和的思路便可以得到电网节点vi的输出特征向量:
式中:h表示该层节点vi的新的特征向量;表示激活函数;通常使用eLU函数。
当单注意力机制完成后,通用做法为使用多头注意力机制提取多个注意力特征,并对注意力特征进行聚合,获得更全面的信息并增强模型的稳定性。多个注意力特征的整合方式一般有两种,分别为拼接操作和取平均操作,数学表达式如下式
正交注意力机制与传统注意力机制相比,增加了对不同注意力系数对注意力稀疏增加约束,意在使得不同组的注意力机制具有更强的区分性,区分性增强后,即可对电网拓扑的变化更加敏感,能够敏锐捕捉到电网的拓扑微调。正交注意力机制的实现也较为简单,只需在多原始注意力系数的基础上增加正交约束:
L=minαiαj
当损失L降为0时,不同的注意力系数呈现彼此正交的状况。
一般情况下,正交注意力层和图网络层是交替堆叠的。网络的特征提取层对特征进行拼接可以提升注意力层的表达能力,最后一层通常采用取平均操作方式来缩减特征维度。图1展示了正交三头注意力机制的计算原理,通过3组相互独立的多头注意力机制,使节点之间的注意力权重分配更加明确,提高了模型的学习能力,同时降低了过拟合的风险。
综合来说,本申请在生成对抗网络结构上采用了深度卷积生成对抗网络DCGAN,在生成器G和判别器D都加入卷积网络,基于卷积网络较强的特征提取能力来提升GAN生成的数据质量,以及提升GAN特征判别能力;在生成对抗网络训练时加入了类别标签,并将类别标签作为数据生成和判别输入的一部分,通过类别标签引导,使得生成对抗网络的训练方向能够沿同一个方向进行迭代,提升训练效果。在得到出力曲线后,本申请通过结合高斯混合模型GMM计算每一个类别标签对应的出力的上下限,通过结合出力曲线和出力的上下限调整DG配置。
因此,本申请的基于图正交注意力神经网络机制的配电网故障诊断算法适用于频繁变化的配电网故障诊断,具有精度高,对数据扰动和缺失具有鲁棒性的优点。与普通注意力机制相比,提出的正交注意力机制更加注重于相邻节点对中心节点的影响,对配电网重构时拓扑结构的改变具有更好的适应性,提高了故障定位模型的拓扑泛化能力,以达到更好的配电网故障诊断的效果。
此外,本申请还提出了基于正交图注意力神经网络的配电网故障诊断装置,如图3所示,所述装置包括:
第一模块,用于获取训练数据;
第二模块,用于构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;
第三模块,用于对模型进行训练,得到配电网故障诊断模型。
此外,本申请还提出了一种基于正交图注意力神经网络的配电网故障诊断装置,如图4所示,所述装置包括:
至少一个处理器;
至少一个存储器,所述存储器用于存储至少一个程序;
当至少一个所述程序被至少一个所述处理器执行时实现如前面实施例所述的基于正交图注意力神经网络的配电网故障诊断方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能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,本申请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)执行本申请各个实施例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-Only Memory)、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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述方法包括:
获取训练数据;
构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;
对模型进行训练,得到配电网故障诊断模型。
2.根据权利要求1所述的基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述图神经网络的输入为三相电压电流幅值信息,所述图神经网络的每个节点包括用于表示故障状态的标签,所述图神经网络的输出为所述图神经网络的每个节点的状态判别结果。
3.根据权利要求1所述的基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述图神经网络的每个节点包括用于表示故障状态的标签,包括:
所述图神经网络的每个节点包含一个二进制编码,0表示正常状态,1表示故障状态;或者,1表示正常状态,0表示故障状态。
4.根据权利要求1所述的基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述方法还包括:
用数学式表示注意力机制;
通过计算得到节点之间的相关度并进行softmax归一化处理得到注意力系数;
在所述注意力系数上增加正交约束。
5.根据权利要求4所述的基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述数学式包括:
Attention(Q,S)=∑<Q,S>·S
式中,S代表电网拓扑所有邻居节点的特征向量;Q是中心节点的特征向量。
7.根据权利要求4所述的基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述正交约束为:
L=minαiαj
式中,L表示ReLU激活函数,当损失L降为0时,不同的注意力系数呈现彼此正交的状况。
8.根据权利要求1所述的基于正交图注意力神经网络的配电网故障诊断方法,其特征在于,所述对模型进行训练,得到配电网故障诊断模型,包括:
使用梯度下降法对模型进行训练,得到配电网故障诊断模型。
9.基于正交图注意力神经网络的配电网故障诊断装置,其特征在于,所述装置包括:
第一模块,用于获取训练数据;
第二模块,用于构建基于正交注意力机制的图神经网络模型,所述基于正交注意力机制的图神经网络模型包括图神经网络和正交注意力机制;
第三模块,用于对模型进行训练,得到配电网故障诊断模型。
10.基于正交图注意力神经网络的配电网故障诊断装置,其特征在于,所述装置包括:
至少一个处理器;
至少一个存储器,所述存储器用于存储至少一个程序;
当至少一个所述程序被至少一个所述处理器执行时实现如权利要求1-8中任一项所述的基于正交图注意力神经网络的配电网故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211083739.4A CN115510954A (zh) | 2022-09-06 | 2022-09-06 | 基于正交图注意力神经网络的配电网故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211083739.4A CN115510954A (zh) | 2022-09-06 | 2022-09-06 | 基于正交图注意力神经网络的配电网故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510954A true CN115510954A (zh) | 2022-12-23 |
Family
ID=84504516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211083739.4A Pending CN115510954A (zh) | 2022-09-06 | 2022-09-06 | 基于正交图注意力神经网络的配电网故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510954A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562917A (zh) * | 2023-04-18 | 2023-08-08 | 云南电网能源投资有限责任公司 | 一种电网售电量预测方法及售电管理系统 |
CN117609824A (zh) * | 2023-11-09 | 2024-02-27 | 武汉华源电力设计院有限公司 | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 |
-
2022
- 2022-09-06 CN CN202211083739.4A patent/CN115510954A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562917A (zh) * | 2023-04-18 | 2023-08-08 | 云南电网能源投资有限责任公司 | 一种电网售电量预测方法及售电管理系统 |
CN117609824A (zh) * | 2023-11-09 | 2024-02-27 | 武汉华源电力设计院有限公司 | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 |
CN117609824B (zh) * | 2023-11-09 | 2024-05-07 | 武汉华源电力设计院有限公司 | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115510954A (zh) | 基于正交图注意力神经网络的配电网故障诊断方法及装置 | |
Bacciu et al. | Contextual graph markov model: A deep and generative approach to graph processing | |
CN108108854B (zh) | 城市路网链路预测方法、系统及存储介质 | |
CN112001498B (zh) | 基于量子计算机的数据识别方法、装置及可读存储介质 | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
Li et al. | Deep feature learning architectures for daily reservoir inflow forecasting | |
CN106529569A (zh) | 基于深度学习的三维模型三角面特征学习分类方法及装置 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
Huang et al. | Deep architecture for traffic flow prediction | |
Boers et al. | Evolving neural networks using the “Baldwin effect” | |
CN114970774B (zh) | 一种智能变压器故障预测方法和装置 | |
CN112598151A (zh) | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 | |
Yu et al. | Forecasting a short‐term wind speed using a deep belief network combined with a local predictor | |
Yu et al. | Whittle networks: A deep likelihood model for time series | |
Jiang et al. | An intelligent recommendation approach for online advertising based on hybrid deep neural network and parallel computing | |
Leite | Comparison of genetic and incremental learning methods for neural network-based electrical machine fault detection | |
CN116204786B (zh) | 生成指定故障趋势数据的方法和装置 | |
CN114549689B (zh) | 一种基于图卷积神经网络的河流模式识别方法与装置 | |
CN115168864A (zh) | 一种基于特征交叉的智能交叉合约漏洞检测方法 | |
Lahmiri et al. | A supervised classification system of financial data based on wavelet packet and neural networks | |
CN114691981A (zh) | 一种会话推荐方法、系统、装置及存储介质 | |
CN114862496A (zh) | 一种基于用户个性化建模的会话推荐方法、装置及介质 | |
Ding et al. | Evolving neural network using hybrid genetic algorithm and simulated annealing for rainfall-runoff forecasting | |
JP7230324B2 (ja) | ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置 | |
CN112632291B (zh) | 本体概念增强的归纳式图谱表征方法 |
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 |