CN115545191B - 电流降噪网络模型训练方法及故障限流器电流降噪方法 - Google Patents

电流降噪网络模型训练方法及故障限流器电流降噪方法 Download PDF

Info

Publication number
CN115545191B
CN115545191B CN202211528584.0A CN202211528584A CN115545191B CN 115545191 B CN115545191 B CN 115545191B CN 202211528584 A CN202211528584 A CN 202211528584A CN 115545191 B CN115545191 B CN 115545191B
Authority
CN
China
Prior art keywords
current
noise reduction
data
training
network model
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.)
Active
Application number
CN202211528584.0A
Other languages
English (en)
Other versions
CN115545191A (zh
Inventor
谷裕
徐攀腾
朱博
焦石
林良沛
曾兴
刘国特
周锦辉
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 Shuangdian Technology Co ltd
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangdong Shuangdian Technology Co ltd
Guangzhou Bureau of Extra High Voltage Power Transmission Co
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 Shuangdian Technology Co ltd, Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangdong Shuangdian Technology Co ltd
Priority to CN202211528584.0A priority Critical patent/CN115545191B/zh
Publication of CN115545191A publication Critical patent/CN115545191A/zh
Application granted granted Critical
Publication of CN115545191B publication Critical patent/CN115545191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H9/00—Emergency protective circuit arrangements for limiting excess current or voltage without disconnection
    • H02H9/02—Emergency protective circuit arrangements for limiting excess current or voltage without disconnection responsive to excess current
    • H02H9/021—Current limitation using saturable reactors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Monitoring And Testing Of Exchanges (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种电流降噪网络模型训练方法及故障限流器电流降噪方法。该模型训练方法包括：初始化电流降噪网络模型的权重和偏置；获取真实电流数据以及检测精度样本数据；基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，其中的电流数据的差值小于或等于预设阈值；从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；将上述样本数据输入至电流降噪网络模型，得到对应的预测降噪电流；将上述预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。采用本方法能够提高故障限流器限流准确性。

Description

电流降噪网络模型训练方法及故障限流器电流降噪方法
技术领域
本申请涉及电流降噪技术领域，特别是涉及一种电流降噪网络模型训练方法、故障限流器电流降噪方法、装置、计算机设备、存储介质和计算机程序产品以及故障限流器。
背景技术
随着电气化时代的到来，电力系统的容量增高，各网架构成互联电力系统，并使用大量的限流故障限流器，以降低因短路故障导致电网安全事故。
因此，故障限流器作为电力系统中的重要设备，其重要性不言而喻，目前还没有一种提高故障限流器限流准确性的方法。
发明内容
基于此，本申请提供一种高准确度的电流降噪网络模型训练方法、故障限流器电流降噪方法、装置、计算机设备、存储介质和计算机程序产品以及故障限流器。
第一方面，提供一种电流降噪网络模型训练方法，该方法包括：
初始化电流降噪网络模型的权重和偏置；
获取真实电流数据以及检测精度样本数据；
基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，各初始训练数据集合中的电流数据的差值小于或等于预设阈值；
从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；
将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流；
将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
在其中一个实施例中，电流降噪网络模型包括归一化层和降噪电流预测模型，将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流的步骤，包括：
将每个训练样本集中的真实电流样本数据和检测精度样本数据在归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据；
将归一化样本数据和所述训练样本集中的真实电流样本数据输入至降噪电流预测模型，得到每个训练样本集对应的预测降噪电流。
将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型，包括：
将每个训练样本集对应的预测降噪电流和检验样本集以及归一化样本数据输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
在其中一个实施例中，将每个训练样本集中的真实电流样本数据和检测精度样本数据在归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据，包括：
将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至第一激活模型，根据第一激活模型的权重和偏置，得到第一训练效率样本数据；
将第一训练效率样本数据输入至第二激活模型，根据第二激活模型的权重和偏置，得到第二训练效率样本数据；
将第二训练效率样本数据输入至第三激活模型，得到激活函数值；
对激活函数值和真实电流样本数据之和进行归一化处理，得到归一化样本数据。
在其中一个实施例中，第三激活模型为门控机制激活函数模型。
在其中一个实施例中，第一激活模型为指数线性单元激活函数模型。
第二方面，提供一种故障限流器电流降噪方法，方法包括：
获取故障限流器的电流；
将电流和预设的检测精度输入至电流降噪网络模型，得到预测降噪电流；
其中，电流降噪网络模型为通过执行上述实施例中的电流降噪网络模型训练方法的步骤得到的。
第三方面，提供一种电流降噪网络模型训练装置，装置包括：
初始化模块，用于初始化电流降噪网络模型的权重和偏置；
数据获取模块，用于获取真实电流数据以及检测精度样本数据；
数据筛选模块，用于基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，各初始训练数据集合中的电流数据的差值小于或等于预设阈值；
数据分类模块，用于从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；
预测模块，用于将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流；
模型优化模块，用于将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
第四方面，提供一种故障限流器，包括：
整流桥，具有第一桥臂和第二桥臂；
电抗器，电抗器一次侧绕组的一端连接第一桥臂的中点，电抗器一次侧绕组的另一端连接第二桥臂的中点；电抗器二次侧绕组的一端连接第一桥臂的中点，电抗器二次侧绕组的另一端连接第二桥臂的中点；
第一高温超导传感器元件，串接在一次侧绕组和一次侧绕组所连接的第二桥臂的中点之间，第一高温超导传感器元件用于采集流经一次侧绕组的第一电流，并将第一电流和预设的检测精度输入至电流降噪网络模型，得到基于第一电流采样的预测降噪电流；
其中，电流降噪网络模型为通过执行上述实施例中的电流降噪网络模型训练方法的步骤得到的。
在其中一个实施例中，故障限流器还包括：
第二高温超导传感器元件，串接在二次侧绕组和二次侧绕组所连接的第二桥臂的中点之间，第二高温超导传感器元件用于采集流经一次侧绕组的第二电流，并将第二电流和预设的检测精度输入至电流降噪网络模型，得到基于第二电流采样的预测降噪电流。
第五方面，提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一实施例中的方法的步骤。
上述电流降噪网络模型训练方法、故障限流器电流降噪方法、装置、计算机设备、存储介质和计算机程序产品以及故障限流器，通过初始化电流降噪网络模型的权重和偏置；并获取真实电流数据以及检测精度样本数据；基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，其中，各初始训练数据集合中的电流数据的差值小于或等于预设阈值；然后从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流；将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。基于上述训练方法训练好的电流降噪网络模型，对输入至故障限流器中的电流进行降噪，从而使故障限流器基于降噪后的电流实现精准限流。
附图说明
图1为一个实施例中电流降噪网络模型训练方法的应用环境图；
图2为一个实施例中电流降噪网络模型训练方法的流程示意图；
图3为另一个实施例中电流降噪网络模型训练方法的流程示意图；
图4为又一个实施例中电流降噪网络模型训练方法的流程示意图；
图5为再一个实施例中电流降噪网络模型训练方法的流程示意图；
图6为一个实施例中电流降噪网络模型训练装置的结构框图；
图7为一个实施例中计算机设备的内部结构图；
图8为一个实施例中故障限流器的结构示意图。
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电流降噪网络模型训练方法，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。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102获取故障限流器运行过程中所采集的数据，并将该数据上传至服务器104，采集的数据可以包括电流和检测精度以及故障限流器执行的动作数据，服务器104将数据存储在数据存储系统。服务器104初始化电流降噪网络模型的权重和偏置；并从数据存储系统获取真实电流数据以及检测精度样本数据；基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，每个初始训练数据集合中的任意两个电流数据的差值小于或等于预设阈值；从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流；将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。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、平板电脑等与故障限流器连接的设备，也可以是带有数据采集和传输功能的故障限流器等。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，提供了一种电流降噪网络模型训练方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤S202，初始化电流降噪网络模型的权重和偏置；
其中，电流降噪网络模型是指用于对输入的电流进行降噪的模型。具体地，是指用于对输入至故障限流器中的电流进行降噪的网络模型，在电网的日常使用中，对于交流电流而言，电流会在传输过程中因传输硬件或者介质产生一定干扰。例如，在电网因发生故障而导致传输电流发生异常，此时故障限流器会基于异常电流的具体数值进行限流控制，此时由于上述干扰的存在，导致输入到故障限流器中的电流不能准确反映电网故障的实际情况，导致无法精准限流，从而需要电流降噪网络模型对输入至故障限流器中的电流进行降噪以达到精准限流。权重和偏执是指常规神经网络模型的权重和偏置，本领域技术人员可熟知其表征的意义，在此不再赘述。
具体地，对于电流降噪网络模型的权重和偏置的初始化，本领域技术人员可采用包括但不限于随机初始化的方法，已达到初始化的目的，在此不再赘述。
步骤S204，获取真实电流数据以及检测精度样本数据；
其中，真实电流数据是指以往电网发生故障时经过高精度采样仪器所采集的电流值，能准确反映电网故障情况。上述真实电流数据可以直接存储于数据存储系统中，也可由终端输入。检测精度数据是指在进行电流检测时所采用测量精度等级，具体地，测量精度等级是指测量仪器的最大绝对误差与测量上限值的百分比；示例性地，如常规电表测量有一定的精度等级，0.1级、0.2级、0.5级、1级、1.5级、2.5级、5级，共7个等级。0.1级精度最高，5级精度最低。例如5级就是100A误差5A。需要说明的是，检测精度数据的选定，可由实际使用场景需要进行适应性选择，其数据量可为一个，也可为多个，在此不做限定。
步骤S206，基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，每个初始训练数据集合中的任意两个电流数据的差值小于或等于预设阈值；
其中，初始训练数据集合是指包括经过筛选后的真实电流数据和检测精度样本数据，具体地经过筛选后的真实电流数据需满足任意两电流数据的差值小于或等于预设阈值。预设阈值是指用于筛选符合要求的真实电流数据的评定标准。具体地，如在同一检测精度下，检测得到的真实电流数据为5.01A、5.02A、5.03A、5.04A、5.05A、6.05A、5.53A，此时的预设阈值则定义为0.1A，则经过筛选后得到的电流数据为5.01A、5.02A、5.03A、5.04A、5.05A，此时，将筛选后得到的电流数据和该检测精度数据作为一个初始训练数据集合，需要说明的是，该实施例中的数据只是作为举例说明，实际应用时并不限于上述数据。初始训练数据集合的获取，可以通过聚类等方式实现，在此不作以赘述。
具体地，基于检测精度样本数据和预设阈值的判定下，对获取的真实电流数据进行筛选，得到任意两个电流数据的差值小于或等于预设阈值的真实电流数据，最后将该真实电流数据对应的检测精度数据合并作为初始训练数据集合。
步骤S208，从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；
其中，样本数据包括经过上述步骤S206筛选后的真实电流数据和检测精度数据。训练样本集包括经过上述步骤S206筛选后的真实电流数据和检测精度数据。检验样本集包括经过上述步骤S206筛选后的真实电流数据。具体地，训练样本集中的真实电流数据和检验样本集中的真实电流数据可为相同的，也可为不同的。在一个实施例中，真实电流数据的样本量可以大于检验样本集中的样本量，例如，训练样本集中的真实电流数据的样本量和检验样本集中的真实电流数据的样本量的比例可为98:2。通过合理配置训练样本集和检验样本集的样本量，可以平衡训练精准度和训练效率。需要说明的是，为了使经过训练得到的电流降噪网络模型更准确，上述训练样本集和检验样本集中的样本量，及其之间的比例可根据实际应用需要进行适应性调整，在此不做限定。
步骤S210，将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流；
其中，预测降噪电流是指真实电流样本数据和检测精度样本数据输入至电流降噪网络模型后，基于初始化的权重和偏置，得到的预测数据。需要说明的是，由每个训练样本集得到的预测降噪电流数量可以为一个或多个。
具体地，一个真实电流样本数据和一个检测精度样本数据在输入至电流降噪网络模型后，可得到一个对应的预测降噪电流，进一地，在存在多个真实电流样本数据和检测精度样本数据时，一个训练样本集即可有多个对应的预测降噪电流；更进一步地，预测降噪电流还可由同一个检测精度样本数据和多个不同的真实电流样本数据分别确定。
步骤S212，将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
其中，降噪损失函数模型是指用于评定预测降噪电流和真实电流数据之间的偏差的一个评定标准，损失值则是降噪损失函数模型的输出。最小损失值则是在得到的多个损失值中数值最小的一个。结束条件可以是指每个训练样本集中对应的预测降噪电流和检验样本集所有的数据都输入至降噪损失函数模型中并得到损失值，也可以是指一直将每个训练样本集对应的预测降噪电流和检验样本集循环输入至降噪损失函数模型，直至得到的最小损失值小于或等于预设损失值，其中预设损失值可以根据实际应用中进行设定。
具体地，在一个具体实施例中，损失函数模型在对输入的训练样本集对应的预测降噪电流和检验样本集进行处理后，得到对应的多个损失值，当多个损失值中的最小损失值满足小于或等于预设损失值后，此时选择得到最小损失值所对应的预测降噪电流，并将得到该预测降噪电流所对应的电流降噪网络模型的权重和偏置替换初始化的电流降噪网络模型的权重和偏置，得到训练好的电流降噪网络模型。
上述电流降噪网络模型训练方法中，基于对真实电流数据以及检测精度样本数据进行初步筛选，使得到的初始训练数据集合中的电流数据的差值小于或等于预设阈值，保证了训练样本的客观和准确性。进一步地，从初始训练数据集合中得到具有筛选后的真实电流数据以及检测精度样本数据的训练样本集、具有筛选后的真实电流数据的检验样本集，并基于训练样本集得到预测降噪电流，最后基于预测降噪电流、检验样本集和降噪损失函数模型，得到对应的损失值，并基于最小损失值所对应的电流降噪网络模型确定训练好的电流降噪网络模型。从而得到一种具有高精度降噪效果的电流降噪网络模型，为提高故障限流器限流准确性的提供了基础。
在一个实施例中，如图3所示，电流降噪网络模型包括归一化层和降噪电流预测模型，将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流的步骤，包括：
步骤S302，将每个训练样本集中的真实电流样本数据和检测精度样本数据在归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据；
其中，归一化样本数据是指训练样本集中真实电流样本数据和检测精度样本数据所对应的介于(0,1)区间的数值。归一化样本数据可以是一个也可以是多个，具体数量视训练样本集中的真实电流样本数据和检测精度样本数据的数量而定。
步骤S304，将归一化样本数据和训练样本集中的真实电流样本数据输入至降噪电流预测模型，得到每个训练样本集对应的预测降噪电流。
其中，降噪电流预测模型为：
ỹ=q(a-Y)+M
其中，ỹ为预测降噪电流；q为输出分位数0.1、0.5、0.9中的一个；a为训练样本集中的真实电流样本数据；Y为戴维南电流损耗估计；取值范围为训练样本集中的真实电流样本数据的值的三分一到一倍；M为归一化样本数据。
在一个实施例中，将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型，包括：
步骤S306，将每个训练样本集对应的预测降噪电流和检验样本集以及归一化样本数据输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
其中，降噪损失函数模型为：
其中，Γ为降噪损失函数；Ω为检验样本集；yt为检验样本集中的真实电流样本数据；Q为输出分位数的集合，具体为Q={0.1,0.5,0.9}；q为集合Q中的一个数值；ϒ为训练次数，ϒmax为最大训练次数。QL为中间函数，具体运算过程为QL(yt,ỹ(q,a-Y),q)=q(yt-ỹ)++(1-q)(ỹ-yt)+，其中q(yt-ỹ)+=max()，即此时q选取Q中的最大值，(1-q)(ỹ-yt)+同理；a为训练样本集中的真实电流样本数据；M为归一化样本数据。
上述实施例中，将电流降噪网络模细分为于归一化层和，降噪电流预测模型
在一个实施例中，如图4所示，将每个训练样本集中的真实电流样本数据和检测精度样本数据在归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据，包括：
步骤S402，将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至第一激活模型，根据第一激活模型的权重和偏置，得到第一训练效率样本数据；
其中，第一激活模型为：
其中，η1为第一训练效率样本数据，f1为第一激活模型；a为每个训练样本集中的真实电流样本数据；c为检测精度样本数据；w1为关于每个训练样本集中的真实电流样本数据的权值；w2为关于检测精度样本数据的权重；b1为关于第一训练效率的偏置。
步骤S404，将第一训练效率样本数据输入至第二激活模型，根据第二激活模型的权重和偏置，得到第二训练效率样本数据；
其中，第二激活模型为：
其中，η2为第二训练效率样本数据；f2为第二激活模型；η1为第一训练效率样本数据，w3为关于第一训练效率的权重；b2为关于第二训练效率的偏置。
步骤S406，将第二训练效率样本数据输入至第三激活模型，得到激活函数值；
其中，第三激活模型为：
其中，f3为激活函数值，σ为第三激活模型，η2为第二训练效率样本数据；w4和w5为关于第二训练效率样本数据的权重，b3和b4为关于激活函数值的偏置。
步骤S408，对激活函数值和真实电流样本数据之和进行归一化处理，得到归一化样本数据。
其中，归一化样本数据通过以下公式计算得到：
其中，M为归一化样本数据；LayerNorm为标准层归一化函数；a为每个训练样本集中的真实电流样本数据，f3为激活函数值
上述实施例中，基于不同模型的一步步的优化，最终得到归一化样本数据，使得到的归一化样本数据更准确。
在一个实施例中，第三激活模型为门控机制激活函数模型。
在一个实施例中，第一激活模型为指数线性单元激活函数模型。
上述实施例中，通过门控机制激活函数模型和指数线性单元激活函数模型，使得到的归一化样本数据更准确。
在一个实施例中，如图5所示，提供一种故障限流器电流降噪方法，以该方法应用于故障限流器等终端102为例进行说明，该方法包括：
步骤S502，获取故障限流器的电流；
步骤S504，将电流和预设的检测精度输入至电流降噪网络模型，得到预测降噪电流；
其中，电流降噪网络模型为通过执行上述实施例中的电流降噪网络模型训练方法的步骤得到的。
其中，故障限流器的电流是指电网故障发生时，输入到故障限流器的电流，其具体数值由故障限流器进行检测可得。预设的检测精度和上述实施例的检测精度所表征的意义相同，进一步地，预设的检测精度可以是根据实际应用环境的需要进行选择，在此不再限定。
上述实施例中，基于训练好的电流降噪网络模型，对电网发生故障时的电流进行降噪，使得到的降噪电流更准确。
应该理解的是，虽然如上所述的各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，如上所述的各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实现上述所涉及的电流降噪网络模型训练方法的电流降噪网络模型训练装置。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电流降噪网络模型训练装置实施例中的具体限定可以参见上文中对于电流降噪网络模型训练方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种电流降噪网络模型训练装置，包括：
初始化模块602，用于初始化电流降噪网络模型的权重和偏置。
数据获取模块604，用于获取真实电流数据以及检测精度样本数据。
数据筛选模块606，用于基于真实电流数据和检测精度样本数据得到至少一个初始训练数据集合，每个初始训练数据集合中的任意两个电流数据的差值小于或等于预设阈值。
数据分类模块608，用于从每个初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集。
预测模块610，用于将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至电流降噪网络模型，得到每个训练样本集对应的预测降噪电流。
模型优化模块612，用于将每个训练样本集对应的预测降噪电流和检验样本集输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
在一个实施例中，上述预测模块包括：
归一化单元，用于将每个训练样本集中的真实电流样本数据和检测精度样本数据在归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据。
预测单元，用于将归一化样本数据和所述训练样本集中的真实电流样本数据输入至降噪电流预测模型，得到每个训练样本集对应的预测降噪电流。
在一个实施例中，上述模型优化模块包括：
模型优化单元，用于将每个训练样本集对应的预测降噪电流和检验样本集以及归一化样本数据输入至降噪损失函数模型，得到损失值，并基于损失值优化电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
在一个实施例中，上述归一化单元包括：
第一激活单元，用于将每个训练样本集中的真实电流样本数据和检测精度样本数据输入至第一激活模型，根据第一激活模型的权重和偏置，得到第一训练效率样本数据。
第二激活单元，用于将第一训练效率样本数据输入至第二激活模型，根据第二激活模型的权重和偏置，得到第二训练效率样本数据。
第三激活单元，用于将第二训练效率样本数据输入至第三激活模型，得到激活函数值。
确定单元，用于对激活函数值和真实电流样本数据之和进行归一化处理，得到归一化样本数据。
上述电流降噪网络模型训练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。上述各模块可以硬件形式内嵌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，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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电流降噪网络模型训练数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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流降噪网络模型训练方法。
本领域技术人员可以理解，图7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。
再提供一种终端侧的计算机设备，执行测量方法那套步骤……
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上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
在一个实施例中，如图8所示，提供一种故障限流器，包括：整流桥，具有第一桥臂（二极管D2和二极管D3）和第二桥臂（二极管D1和二极管D4）；电抗器，电抗器一次侧绕组L1的一端连接第一桥臂的中点（D2和D3连接通路上的一点），电抗器一次侧绕组L1的另一端连接第二桥臂的中点（D1和D4连接通路上的一点）；电抗器二次侧绕组L2的一端连接第一桥臂的中点（D2和D3连接通路上的一点），电抗器二次侧绕组L2的另一端连接第二桥臂的中点（D1和D4连接通路上的一点）；第一高温超导传感器元件802，串接在一次侧绕组L1和一次侧绕组L1所连接的第二桥臂的中点之间，第一高温超导传感器元件802用于采集流经一次侧绕组L1的第一电流，并将第一电流和预设的检测精度输入至电流降噪网络模型，得到基于第一电流采样的预测降噪电流；其中，电流降噪网络模型为通过执行上述实施例中的电流降噪网络模型训练方法的步骤得到的。桥臂的中点是指桥臂上两个二极管连接通路上的一个连接点。
其中，在一个具体实施例中，如图8所示，第一桥臂包括二极管D2和二极管D3，第二桥臂包括二极管D1和二极管D4；AC为交流电源，GND1表示接地，具体连接关系可参照图8所示，在此不再赘述。第一高温超导传感器元件802为具有临界电流的超导元件，当输入电流大于临界电流时，超导元件失超，表现为高电阻，具体材料和型号在此不做限定，本领域技术人员可根据实际使用场景进行选择。
具体地，在电网发生故障时，即此时供电端发生故障，此时故障电流输入至第一高温超导传感器元件802的电流，内置于第一高温超导传感器元件802的电流降噪网络模型对其进行降噪处理，得到此时故障电流的真实电流值，并基于该电流值调整电抗器一次侧绕组L1和二次侧绕组L2的线圈绕组数，使电抗器产生感生电势，从而产生与故障电流相反方向的电流，从而达到限流甚至断路的效果。
上述实施例通过基于内置于高温超导传感器元件的电流降噪网络模型对输入电流进行降噪，提高检测的精度，同时基于降噪后的电流改变两个线圈的绕组数方式进行断路操作，实现精准限流。
在一个实施例中，如图8所示，故障限流器还包括第二高温超导传感器元件804，串接在二次侧绕组L2和二次侧绕组L2所连接的第二桥臂的中点之间，第二高温超导传感器元件804用于采集流经一次侧绕组的第二电流，并将第二电流和预设的检测精度输入至电流降噪网络模型，得到基于第二电流采样的预测降噪电流。
其中，第二高温超导传感器元件804与上述第一高温超导传感器元件802属于同一类器件，在此不再赘述。
上述实施例中，通过添加第二高温超导传感器元件804，基于采集的第二电流所得到的预测降噪电流，与第一高温超导传感器元件802基于第一电流所确定的预测降噪电流，可以进一步对两个预测降噪电流之和取平均数处理，从而进一步提高故障电流的检测准确性。
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、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-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电流降噪网络模型训练方法，其特征在于，所述方法包括：
初始化电流降噪网络模型的权重和偏置；
获取真实电流数据以及检测精度样本数据；所述检测精度样本数据是指在进行电流检测时所采用的测量精度等级；
基于所述真实电流数据和所述检测精度样本数据得到至少一个初始训练数据集合，每个所述初始训练数据集合中的任意两个电流数据的差值小于或等于预设阈值；
从每个所述初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；
将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据输入至所述电流降噪网络模型，得到每个所述训练样本集对应的预测降噪电流；
将每个所述训练样本集对应的预测降噪电流和所述检验样本集输入至降噪损失函数模型，得到损失值，并基于所述损失值优化所述电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
2.根据权利要求1所述的方法，其特征在于，所述电流降噪网络模型包括归一化层和降噪电流预测模型，所述将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据输入至所述电流降噪网络模型，得到每个所述训练样本集对应的预测降噪电流的步骤，包括：
将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据在所述归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据；
将所述归一化样本数据和所述训练样本集中的真实电流样本数据输入至所述降噪电流预测模型，得到每个所述训练样本集对应的预测降噪电流；
所述将每个所述训练样本集对应的预测降噪电流和所述检验样本集输入至降噪损失函数模型，得到损失值，并基于所述损失值优化所述电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型，包括：
将每个所述训练样本集对应的预测降噪电流和所述检验样本集以及所述归一化样本数据输入至降噪损失函数模型，得到损失值，并基于所述损失值优化所述电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
3.根据权利要求2所述的方法，其特征在于，所述将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据在所述归一化层做归一化处理，得到每个所述训练样本集的归一化样本数据的步骤，包括：
将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据输入至第一激活模型，根据所述第一激活模型的权重和偏置，得到第一训练效率样本数据；
将所述第一训练效率样本数据输入至第二激活模型，根据所述第二激活模型的权重和偏置，得到第二训练效率样本数据；
将所述第二训练效率样本数据输入至第三激活模型，得到激活函数值；
对所述激活函数值和所述真实电流样本数据之和进行归一化处理，得到所述归一化样本数据。
4.根据权利要求3所述的方法，其特征在于，所述第三激活模型为门控机制激活函数模型。
5.根据权利要求3所述的方法，其特征在于，所述第一激活模型为指数线性单元激活函数模型。
6.一种故障限流器电流降噪方法，其特征在于，所述方法包括：
获取故障限流器的电流；
将所述电流和预设的检测精度输入至电流降噪网络模型，得到预测降噪电流；
其中，所述电流降噪网络模型为通过执行权利要求1至5任一项所述的电流降噪网络模型训练方法的步骤得到的。
7.一种电流降噪网络模型训练装置，其特征在于，所述装置包括：
初始化模块，用于初始化电流降噪网络模型的权重和偏置；
数据获取模块，用于获取真实电流数据以及检测精度样本数据；所述检测精度样本数据是指在进行电流检测时所采用的测量精度等级；
数据筛选模块，用于基于所述真实电流数据和所述检测精度样本数据得到至少一个初始训练数据集合，每个所述初始训练数据集合中的任意两个电流数据的差值小于或等于预设阈值；
数据分类模块，用于从每个所述初始训练数据集合中随机选取样本数据，得到训练样本集和检验样本集；
预测模块，用于将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据输入至所述电流降噪网络模型，得到每个所述训练样本集对应的预测降噪电流；
模型优化模块，用于将每个所述训练样本集对应的预测降噪电流和所述检验样本集输入至降噪损失函数模型，得到损失值，并基于所述损失值优化所述电流降噪网络模型中的权重和偏置，直至满足结束条件，并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降噪网络模型。
8.一种故障限流器，其特征在于，包括：
整流桥，具有第一桥臂和第二桥臂；
电抗器，所述电抗器一次侧绕组的一端连接所述第一桥臂的中点，所述电抗器一次侧绕组的另一端连接所述第二桥臂的中点；所述电抗器二次侧绕组的一端连接所述第一桥臂的中点，所述电抗器二次侧绕组的另一端连接所述第二桥臂的中点；
第一高温超导传感器元件，串接在所述一次侧绕组和所述一次侧绕组所连接的所述第二桥臂的中点之间，所述第一高温超导传感器元件用于采集流经所述一次侧绕组的第一电流，并将所述第一电流和预设的检测精度输入至电流降噪网络模型，得到基于所述第一电流采样的预测降噪电流；
其中，所述电流降噪网络模型为通过执行权利要求1至5任一项所述的电流降噪网络模型训练方法的步骤得到的。
9.根据权利要求8所述的故障限流器，其特征在于，还包括：
第二高温超导传感器元件，串接在所述二次侧绕组和所述二次侧绕组所连接的所述第二桥臂的中点之间，所述第二高温超导传感器元件用于采集流经所述一次侧绕组的第二电流，并将所述第二电流和预设的检测精度输入至所述电流降噪网络模型，得到基于所述第二电流采样的预测降噪电流。
10.一种计算机设备，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6中任一项所述的方法的步骤。
CN202211528584.0A 2022-12-01 2022-12-01 电流降噪网络模型训练方法及故障限流器电流降噪方法 Active CN115545191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211528584.0A CN115545191B (zh) 2022-12-01 2022-12-01 电流降噪网络模型训练方法及故障限流器电流降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211528584.0A CN115545191B (zh) 2022-12-01 2022-12-01 电流降噪网络模型训练方法及故障限流器电流降噪方法

Publications (2)

Publication Number Publication Date
CN115545191A CN115545191A (zh) 2022-12-30
CN115545191B true CN115545191B (zh) 2023-05-16

Family

ID=84722610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211528584.0A Active CN115545191B (zh) 2022-12-01 2022-12-01 电流降噪网络模型训练方法及故障限流器电流降噪方法

Country Status (1)

Country Link
CN (1) CN115545191B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749499A (zh) * 2012-07-27 2012-10-24 成都生辉电子科技有限公司 交流线路中电流测定的降噪结构
CN102759650A (zh) * 2012-07-27 2012-10-31 成都生辉电子科技有限公司 电力智能检测表

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9121879B2 (en) * 2011-06-09 2015-09-01 Varian Semiconductor Equipment Associates, Inc. Techniques for improving reliability of a fault current limiting system
CN106300309A (zh) * 2016-10-27 2017-01-04 天津大学 一种具有快速恢复能力的柔性直流电网故障限流器
CN110059357A (zh) * 2019-03-19 2019-07-26 中国电力科学研究院有限公司 一种基于自编码网络的智能电能表故障分类检测方法及系统
CN214204946U (zh) * 2020-10-26 2021-09-14 南京理工大学 一种基于超导限流和储能装置的船舶供电系统
CN112729381B (zh) * 2020-12-11 2023-05-02 广州致新电力科技有限公司 一种基于神经网络的高压断路器的故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749499A (zh) * 2012-07-27 2012-10-24 成都生辉电子科技有限公司 交流线路中电流测定的降噪结构
CN102759650A (zh) * 2012-07-27 2012-10-31 成都生辉电子科技有限公司 电力智能检测表

Also Published As

Publication number Publication date
CN115545191A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN111626821B (zh) 基于集成特征选择实现客户分类的产品推荐方法及系统
CN105637432A (zh) 识别被监控实体的异常行为
CN108053148B (zh) 一种电力信息系统故障高效诊断方法
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN112767106B (zh) 自动化审计方法、系统、计算机可读存储介质及审计设备
CN108802535A (zh) 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN113554526A (zh) 电力设备的故障预警方法、装置、存储介质及处理器
CN113343581A (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN115330435A (zh) 一种碳排放权价格指标体系建立方法、装置、设备及介质
CN114881157A (zh) 换流阀工作状态的检测方法、装置、设备和存储介质
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN115545191B (zh) 电流降噪网络模型训练方法及故障限流器电流降噪方法
CN112966778A (zh) 针对不平衡样本数据的数据处理方法及装置
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
CN115563477B (zh) 谐波数据识别方法、装置、计算机设备和存储介质
Pan et al. Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks
CN115964951A (zh) 电力系统运行可靠性评估方法、装置及电子设备
KR102635864B1 (ko) 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법
CN113723835B (zh) 火电厂用水评估方法和终端设备
CN113486742B (zh) 一种故障识别方法、装置、系统及计算机可读存储介质
CN116882333B (zh) 一种芯片极限频率的预测方法、装置、设备及介质
CN117572159B (zh) 基于大数据分析的电力故障检测方法及系统

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
GR01 Patent grant
GR01 Patent grant