CN116228014A - 一种基础设施入网的直流配电网效益评估系统及其方法 - Google Patents
一种基础设施入网的直流配电网效益评估系统及其方法 Download PDFInfo
- Publication number
- CN116228014A CN116228014A CN202310183154.8A CN202310183154A CN116228014A CN 116228014 A CN116228014 A CN 116228014A CN 202310183154 A CN202310183154 A CN 202310183154A CN 116228014 A CN116228014 A CN 116228014A
- Authority
- CN
- China
- Prior art keywords
- feature map
- energy consumption
- global
- utility
- feature
- 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
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请涉及智能评估领域,其具体地公开了一种基础设施入网的直流配电网效益评估系统及其方法,其通过采用基于深度学习的神经网络模型挖掘出多个基础设施在接入直流配电网下的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施接入直流配电网的入网效益进行精准评估,从而实现多主体参与的直流电网资源全寿命周期综合效益量化。
Description
技术领域
本申请涉及智能评估领域,且更为具体地,涉及一种基础设施入网的直流配电网效益评估系统及其方法。
背景技术
随着物联网、数字化建设,企业内外部信息通信需求不断增长,通过5G基站、数据中心建设提供基础资源,满足企业内部管理和社会居民对于信息通信方面的需求。最初的新基建仅仅是覆盖5G基础设施建设、物联网、大数据中心、人工智能和工业互联网等信息化、网络化和数字化技术的基础设施建设,但随着新一轮全球经济和贸易格局的变化,新基建则增加了特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩等,形成包括工业互联网的七大领域。
近年来高压直流输电技术逐渐成熟,并且己广泛应用于电力系统中,换流器、滤波器、断路器等各方面发展也较为成熟,直流输电网比交流输电网更加稳定,采用直流模式建设大电网可以从根本上消除交流电网的稳定性问题,因此直流配电技术逐渐受到国内外学者的广泛关注。
在直流配电侧市场开放背景下,5G基站、数据中心等新型数字基础设施参与直流配电网互动的必要条件是新型数字基础设施与电力市场相配合,从而为电网、运营商及社会创造效益。但是,目前由于5G基站、数据中心等新型数字基础设施建设正处于起步阶段,缺乏对5G基站、数据中心参与直流配电网协同优化的全寿命周期综合效益评估。传统的效益评估方案只能对于单个基础设施的直流电网资源效益进行粗略性的估计,并不能够有效地适用于多主体参与的直流电网资源的效应评估场景。
因此,期望一种优化的基础设施入网的直流配电网效益评估系统,其能够对于多主体参与的电网资源全寿命周期综合效益量化。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基础设施入网的直流配电网效益评估系统及其方法,其通过采用基于深度学习的神经网络模型挖掘出多个基础设施在接入直流配电网下的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施接入直流配电网的入网效益进行精准评估,从而实现多主体参与的直流电网资源全寿命周期综合效益量化。
根据本申请的一个方面,提供了一种基础设施入网的直流配电网效益评估系统,其包括:
设施数据采集模块,用于获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;
能耗时序分布模块,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;
效用时序分布模块,用于将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;
空间特征增强模块,用于将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;
差异性特征提取模块,用于计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;
特征优化模块,用于对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及
入网效益结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
在上述基础设施入网的直流配电网效益评估系统中,所述能耗时序分布模块,包括:能耗时序排列单元,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照所述时间维度分别排列为行向量以得到多个能耗行向量;以及,能耗样本排列单元,用于将所述多个能耗行向量按照所述待评估基础设施样本维度排列为所述能耗成本全局输入矩阵。
在上述基础设施入网的直流配电网效益评估系统中,所述效用时序分布模块,包括:行向量构造单元,用于将所述各个待评估基础设施在预定时间周期内多个预定天的负荷值按照所述时间维度排列为行向量以得到多个行向量;二维排列单元,用于将所述多个行向量按照所述设备样本维度进行排列
以得到所述效用全局输入矩阵。
在上述基础设施入网的直流配电网效益评估系统中,所述空间特征增强模块,包括:深度卷积编码单元,用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述能耗成本全局输入矩阵和所述效用全局输入矩阵进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及,空间注意力单元,用于将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述能耗成本全局特征图和所述效用全局特征图。
在上述基础设施入网的直流配电网效益评估系统中,所述差异性特征提取模块,用于:以如下公式计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;其中,所述公式为:
在上述基础设施入网的直流配电网效益评估系统中,所述特征优化模块,包括:优化因数计算单元,用于计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及,加权优化单元,用于以所述加权特征向量的各个位置的特征值作为权重来分别对所述差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
在上述基础设施入网的直流配电网效益评估系统中,所述优化因数计算单元,用于:以如下公式计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述公式为:
其中mi,j表示所述差分特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述差分特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述差分特征图的每个特征矩阵的的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
在上述基础设施入网的直流配电网效益评估系统中,所述入网效益结果生成模块,包括:展开单元,用于将所述分类特征图基于行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种基础设施入网的电网效益评估方法,其包括:
获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;
将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;
将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;
将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;
计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;
对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基础设施入网的电网效益评估方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基础设施入网的电网效益评估方法。
与现有技术相比,本申请提供的一种基础设施入网的直流配电网效益评估系统及其方法,其通过采用基于深度学习的神经网络模型挖掘出多个基础设施在接入直流配电网下的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施接入直流配电网的入网效益进行精准评估,从而实现多主体参与的直流电网资源全寿命周期综合效益量化。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基础设施入网的直流配电网效益评估系统的框图;
图2为根据本申请实施例的基础设施入网的直流配电网效益评估系统的系统架构图;
图3为根据本申请实施例的基础设施入网的直流配电网效益评估系统中能耗时序分布模块的框图;
图4为根据本申请实施例的基础设施入网的直流配电网效益评估系统中效用时序分布模块的框图;
图5为根据本申请实施例的基础设施入网的直流配电网效益评估系统中特征优化模块的框图;
图6为根据本申请实施例的基础设施入网的直流配电网效益评估系统中入网效益结果生成模块的框图;
图7为根据本申请实施例的基础设施入网的电网效益评估方法的流程图;
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,目前由于5G基站、数据中心等新型数字基础设施建设正处于起步阶段,缺乏对5G基站、数据中心参与直流配电网协同优化的全寿命周期综合效益评估。传统的效益评估方案只能对于单个基础设施的直流电网资源效益进行粗略性的估计,并不能够有效地适用于多主体参与的直流电网资源的效应评估场景。因此,期望一种优化的基础设施入网的直流配电网效益评估系统,其能够对于多主体参与的电网资源全寿命周期综合效益量化。
相应地,考虑到在实际进行新型数字基础设施接入电网资源的全寿命周期综合效益量化评估过程中,需要关注于5G基站、数据中心规模化应用的投资运营成本与节能收益、配电网经济性之间的平衡关系。也就是说,应基于基础设施的使用成本和效用值来综合进行基础设施的入网效益检测评估。但是,考虑到由于每个基础设施的使用成本和效用值在时间维度上都具有着不同的变化情况,并且在进行多主体参与的电网资源全寿命周期综合效益量化时,应考虑到各个基础设施之间的效益关联性关系。
基于此,在本申请的技术方案中,通过对于多个基础设施在预定时间周期内的使用成本和效用值两方面的时序动态关联变化信息来综合进行多主体参与的电网资源效益评估。在此过程中,基础设施的使用成本可以通过对于该基础设施的能耗值进行监测来得到,且基础设施的效用值可以通过对于该基础设施的负荷值进行监测来获得。而难点在于如何建立所述多个基础设施的能耗值时序变化和负荷值时序变化间的映射关系,以挖掘出所述多个基础设施的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施的入网效益进行精准评估,从而实现多主体参与的电网资源全寿命周期综合效益量化。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述多个基础设施的使用成本和效用值在时间维度上的时序协同差异性关联特征信息提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述多个基础设施的能耗值时序变化和负荷值时序变化之间的复杂映射关系,以此来挖掘出所述多个基础设施的使用成本和效用值在时间维度上的时序协同差异性关联特征信息。
具体地,在本申请的技术方案中,首先,获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值。值得一提的是,这里,所述能耗值能够表现出所述待评估基础设施的使用成本,而所述负荷值表示所述待评估基础设施的效用值。接着,对于所述多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值来说,为了能够挖掘出所述多个待评估基础设施的能耗值和负荷值分别在时间维度上的动态关联特征信息,以此来提取出所述多个待评估基础设施的使用成本和效用值的时序变化特征信息,需要构建其在时序上的数据关联关系。也就是,具体地,进一步将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵,并且将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵。
然后,使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来分别进行所述能耗成本全局输入矩阵和所述效用全局输入矩阵中关于所述多个待评估基础设施的能耗值和负荷值的时序动态关联特征挖掘。特别地,考虑到在实际进行所述多个待评估基础设施的入网效益评估时,由于所述多个待评估基础设施的能耗值和负荷值在样本维度上都具有着时序关联性关系,并且,所述各个待评估基础设施所设置的空间位置不同会导致这种时序关联性特征的不同。因此,在实际进行特征挖掘来评估基础设施的入网效益时,应更加关注于空间位置上关于所述多个待评估基础设施的能耗值和负荷值的时序动态关联特征。
应可以理解,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型中进行处理,以分别提取出提取出所述能耗成本全局输入矩阵和所述效用全局输入矩阵中关于所述多个待评估基础设施的能耗值和负荷值分别聚焦于空间位置上的时序动态关联特征信息,从而得到能耗成本全局特征图和效用全局特征图。特别地,这里,所述空间注意力所提取到的关联特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出聚焦于空间上关于所述各个待评估基础设施间的使用成本和效用值的时序动态关联变化特征信息。
进一步地,计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图,以此来表示所述多个待评估基础设施的能耗时序关联特征与负荷时序关联特征间的差异性特征分布信息,也就是,所述多个待评估基础设施间的使用成本和效用值在时间维度上的动态变化特征的差异性特征信息,以此来对于多个基础设施的入网效益特征信息进行充分有效地挖掘。
接着,进一步再将所述分类特征图通过分类器以得到用于表示所述多个待评估基础设施的入网效益的等级标签的分类结果。相应地,在本申请的一个具体的示例中,所述入网效益的等级标签包括入网效益良好、入网效益一般和入网效益不良。也就是,在本申请的技术方案中,所述分类器的标签为所述多个待评估基础设施的入网效益的等级标签,其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签,以此来基于所述多个基础设施的使用成本和效用值在时间维度上的时序协同差异性关联特征来对于所述多个基础设施的入网效益进行精准评估。
特别地,在本申请的技术方案中,本申请的申请人考虑到所述差分特征图为所述能耗成本全局特征图和所述效用全局特征图之间的特征分布差分,且所述能耗成本全局特征图和所述效用全局特征图通过使用空间注意力机制的卷积神经网络模型得到。因此,所述差分特征图在空间维度的特征分布具有空间可鉴别性。因此,如果能够对所述差分特征图进一步施加通道注意力机制,则显然能够进一步提升所述差分特征图的解码结果的准确性。
进一步地,考虑到在对所述差分特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式得到用于对所述差分特征图的各个特征矩阵进行加权的加权特征向量时,由于特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息,即图像特征语义信息,因此期望所述加权特征向量能够尽量表达所述差分特征图所表达的由各个特征矩阵之间的整体分布相关而表达的通道维度的特征分布信息。
基于此,计算所述差分特征图的每个特征矩阵的实例归一化和一致性相关恢复因数,表示为:
μ和σ是特征集合mi,j∈M的均值和方差,mi,j为特征矩阵M的第(i,j)位置的特征值,且W和H分别是特征矩阵的宽度和高度。
这里,所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题,在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization:IN)的基础上,通过从类概率的统计残差特征中蒸馏一致性相关的特征,来将统计信息中的一致性相关的相干性恢复到特征值表示中,以实现所述加权特征向量相对于所述差分特征图的由特征矩阵的空间分布引起的通道因果关系约束的恢复。这样,通过以该因数作为所述加权特征向量的各个位置的特征值来得到所述加权特征向量,就可以通过以所述加权特征向量对所述差分特征图施加通道注意力机制来改进其通过分类器得到的分类结果的准确性。这样,能够精准地对于多个基础设施的入网效益进行评估,以实现多主体参与的电网资源全寿命周期综合效益量化。
基于此,本申请提出了一种基础设施入网的直流配电网效益评估系统,其包括:设施数据采集模块,用于获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;能耗时序分布模块,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;效用时序分布模块,用于将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;空间特征增强模块,用于将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;差异性特征提取模块,用于计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;特征优化模块,用于对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及,入网效益结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的基础设施入网的直流配电网效益评估系统的框图。如图1所示,根据本申请实施例的基础设施入网的直流配电网效益评估系统300,包括:设施数据采集模块310;能耗时序分布模块320;效用时序分布模块330;空间特征增强模块340;差异性特征提取模块350;特征优化模块360;以及,入网效益结果生成模块370。
其中,所述设施数据采集模块310,用于获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;所述能耗时序分布模块320,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;所述效用时序分布模块330,用于将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;所述空间特征增强模块340,用于将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;所述差异性特征提取模块350,用于计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;所述特征优化模块360,用于对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及,所述入网效益结果生成模块370,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
图2为根据本申请实施例的基础设施入网的直流配电网效益评估系统的系统架构图。如图2所示,在该网络架构中,首先通过所述设施数据采集模块310获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;接着,所述能耗时序分布模块320将所述设施数据采集模块310获取的多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;所述效用时序分布模块330将所述设施数据采集模块310获取的多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;然后,所述空间特征增强模块340将所述能耗时序分布模块320得到的能耗成本全局输入矩阵和所述效用时序分布模块330得到的效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;所述差异性特征提取模块350计算所述空间特征增强模块340得到的能耗成本全局特征图和所述效用全局特征图之间的差分特征图;所述特征优化模块360对所述差异性特征提取模块350计算所得的差分特征图进行沿通道维度的特征分布优化以得到分类特征图;进而,所述入网效益结果生成模块370将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
具体地,在所述基础设施入网的直流配电网效益评估系统300的运行过程中,所述设施数据采集模块310,用于获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值。应可以理解,考虑到在实际进行新型数字基础设施接入电网资源的全寿命周期综合效益量化评估过程中,应基于基础设施的使用成本和效用值来综合进行基础设施的入网效益检测评估。因此,在本申请的技术方案中,可通过对于基础设施的能耗值和负荷值两方面的时序动态关联变化信息来综合进行多主体参与的电网资源效益评估。特别地,这里,所述能耗值能够表现出所述待评估基础设施的使用成本,而所述负荷值表示所述待评估基础设施的效用值。考虑到由于每个基础设施的使用成本和效用值在时间维度上都具有着不同的变化情况,并且在进行多主体参与的电网资源全寿命周期综合效益量化时,应考虑到各个基础设施之间的效益关联性关系,因此,可通过挖掘出所述多个基础设施的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施的入网效益进行精准评估,从而实现多主体参与的电网资源全寿命周期综合效益量化。在本申请的一个具体示例中,首先,获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值。
具体地,在所述基础设施入网的直流配电网效益评估系统300的运行过程中,所述能耗时序分布模块320和所述效用时序分布模块330,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;以及,将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵。为了能够挖掘出所述多个待评估基础设施的能耗值和负荷值分别在时间维度上的动态关联特征信息,以此来提取出所述多个待评估基础设施的使用成本和效用值的时序变化特征信息,需要构建其在时序上的数据关联关系。也就是,具体地,进一步将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵,并且将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵。
图3为根据本申请实施例的基础设施入网的直流配电网效益评估系统中能耗时序分布模块的框图。如图3所示,所述能耗时序分布模块320,包括:能耗时序排列单元321,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照所述时间维度分别排列为行向量以得到多个能耗行向量;以及,能耗样本排列单元322,用于将所述多个能耗行向量按照所述待评估基础设施样本维度排列为所述能耗成本全局输入矩阵。
图4为根据本申请实施例的基础设施入网的直流配电网效益评估系统中效用时序分布模块的框图。如图4所示,所述效用时序分布模块330,包括:行向量构造单元331,用于将所述各个待评估基础设施在预定时间周期内多个预定天的负荷值按照所述时间维度排列为行向量以得到多个行向量;二维排列单元332,用于将所述多个行向量按照所述设备样本维度进行排列以得到所述效用全局输入矩阵。
具体地,在所述基础设施入网的直流配电网效益评估系统300的运行过程中,所述空间特征增强模块340,用于将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图。也就是,使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来分别进行所述能耗成本全局输入矩阵和所述效用全局输入矩阵中关于所述多个待评估基础设施的能耗值和负荷值的时序动态关联特征挖掘。特别地,考虑到在实际进行所述多个待评估基础设施的入网效益评估时,由于所述多个待评估基础设施的能耗值和负荷值在样本维度上都具有着时序关联性关系,并且,所述各个待评估基础设施所设置的空间位置不同会导致这种时序关联性特征的不同。因此,在实际进行特征挖掘来评估基础设施的入网效益时,应更加关注于空间位置上关于所述多个待评估基础设施的能耗值和负荷值的时序动态关联特征。特别地,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型中进行处理,以分别提取出提取出所述能耗成本全局输入矩阵和所述效用全局输入矩阵中关于所述多个待评估基础设施的能耗值和负荷值分别聚焦于空间位置上的时序动态关联特征信息,从而得到能耗成本全局特征图和效用全局特征图。特别地,这里,所述空间注意力所提取到的关联特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出聚焦于空间上关于所述各个待评估基础设施间的使用成本和效用值的时序动态关联变化特征信息。在一个具体示例中,所述卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述卷积神经网络的编码过程中,所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。更具体地,在本申请的一个具体示例中,首先,使用所述卷积神经网络模型的各层在层的正向传递中分别对所述能耗成本全局输入矩阵和所述效用全局输入矩阵进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;再将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述能耗成本全局特征图和所述效用全局特征图。
具体地,在所述基础设施入网的直流配电网效益评估系统300的运行过程中,所述差异性特征提取模块350,用于计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图。在本申请的技术方案中,计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图来表示所述多个待评估基础设施的能耗时序关联特征与负荷时序关联特征间的差异性特征分布信息,也就是,所述多个待评估基础设施间的使用成本和效用值在时间维度上的动态变化特征的差异性特征信息,在本申请的一个具体示例中,可通过按位置差分的方式来进行计算,更具体地,以如下公式计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;其中,所述公式为:
具体地,在所述基础设施入网的直流配电网效益评估系统300的运行过程中,所述特征优化模块360,用于对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图。在本申请的技术方案中,本申请的申请人考虑到所述差分特征图为所述能耗成本全局特征图和所述效用全局特征图之间的特征分布差分,且所述能耗成本全局特征图和所述效用全局特征图通过使用空间注意力机制的卷积神经网络模型得到。因此,所述差分特征图在空间维度的特征分布具有空间可鉴别性。因此,如果能够对所述差分特征图进一步施加通道注意力机制,则显然能够进一步提升所述差分特征图的解码结果的准确性。进一步地,考虑到在对所述差分特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式得到用于对所述差分特征图的各个特征矩阵进行加权的加权特征向量时,由于特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息,即图像特征语义信息,因此期望所述加权特征向量能够尽量表达所述差分特征图所表达的由各个特征矩阵之间的整体分布相关而表达的通道维度的特征分布信息。基于此,计算所述差分特征图的每个特征矩阵的实例归一化和一致性相关恢复因数,表示为:
其中mi,j表示所述差分特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述差分特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述差分特征图的每个特征矩阵的的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。这里,所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题,在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization:IN)的基础上,通过从类概率的统计残差特征中蒸馏一致性相关的特征,来将统计信息中的一致性相关的相干性恢复到特征值表示中,以实现所述加权特征向量相对于所述差分特征图的由特征矩阵的空间分布引起的通道因果关系约束的恢复。这样,通过以该因数作为所述加权特征向量的各个位置的特征值来得到所述加权特征向量,就可以通过以所述加权特征向量对所述差分特征图施加通道注意力机制来改进其通过分类器得到的分类结果的准确性。这样,能够精准地对于多个基础设施的入网效益进行评估,以实现多主体参与的电网资源全寿命周期综合效益量化。
图5为根据本申请实施例的基础设施入网的直流配电网效益评估系统中特征优化模块的框图。如图5所示,所述特征优化模块360,包括:优化因数计算单元361,用于计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及,加权优化单元362,用于以所述加权特征向量的各个位置的特征值作为权重来分别对所述差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
具体地,在所述基础设施入网的直流配电网效益评估系统300的运行过程中,所述入网效益结果生成模块370,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。也就是,将所述分类特征图通过分类器以得到分类结果,具体地,使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述分类特征图投影为向量,例如,在一个具体的示例中,将所述分类特征图沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的一个具体的示例中,所述入网效益的等级标签包括入网效益良好、入网效益一般和入网效益不良。也就是,在本申请的技术方案中,所述分类器的标签为所述多个待评估基础设施的入网效益的等级标签,其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签,以此来基于所述多个基础设施的使用成本和效用值在时间维度上的时序协同差异性关联特征来对于所述多个基础设施的入网效益进行精准评估。
图6为根据本申请实施例的基础设施入网的直流配电网效益评估系统中入网效益结果生成模块的框图。如图6所示,所述入网效益结果生成模块370,包括:展开单元371,用于将所述分类特征图基于行向量或列向量展开为分类特征向量;全连接编码单元372,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元373,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基础设施入网的直流配电网效益评估系统300被阐明,其通过采用基于深度学习的神经网络模型挖掘出多个基础设施在接入直流配电网下的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施接入直流配电网的入网效益进行精准评估,从而实现多主体参与的直流电网资源全寿命周期综合效益量化。
如上所述,根据本申请实施例的基础设施入网的直流配电网效益评估系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基础设施入网的直流配电网效益评估系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基础设施入网的直流配电网效益评估系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基础设施入网的直流配电网效益评估系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基础设施入网的直流配电网效益评估系统300与该终端设备也可以是分立的设备,并且该基础设施入网的直流配电网效益评估系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图7为根据本申请实施例的基础设施入网的电网效益评估方法的流程图。如图7所示,根据本申请实施例的基础设施入网的电网效益评估方法,包括步骤:S110,获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;S120,将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;S130,将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;S140,将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;S150,计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;S160,对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及。S170,将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
在一个示例中,在上述基础设施入网的电网效益评估方法中,所述步骤S120,包括:将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照所述时间维度分别排列为行向量以得到多个能耗行向量;以及,将所述多个能耗行向量按照所述待评估基础设施样本维度排列为所述能耗成本全局输入矩阵。
在一个示例中,在上述基础设施入网的电网效益评估方法中,所述步骤S130,包括:将所述各个待评估基础设施在预定时间周期内多个预定天的负荷值按照所述时间维度排列为行向量以得到多个行向量;将所述多个行向量按照所述设备样本维度进行排列以得到所述效用全局输入矩阵。
在一个示例中,在上述基础设施入网的电网效益评估方法中,所述步骤S140,包括:使用所述卷积神经网络模型的各层在层的正向传递中分别对所述能耗成本全局输入矩阵和所述效用全局输入矩阵进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及,将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述能耗成本全局特征图和所述效用全局特征图。
在一个示例中,在上述基础设施入网的电网效益评估方法中,所述步骤S150,包括:以如下公式计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;其中,所述公式为:
在一个示例中,在上述基础设施入网的电网效益评估方法中,所述步骤S160,包括:计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及,以所述加权特征向量的各个位置的特征值作为权重来分别对所述差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。其中,计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下公式计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;
其中,所述公式为:
其中mi,j表示所述差分特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述差分特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述差分特征图的每个特征矩阵的的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
在一个示例中,在上述基础设施入网的电网效益评估方法中,所述步骤S170,包括:将所述分类特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基础设施入网的电网效益评估方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出多个基础设施在接入直流配电网下的使用成本和效用值在时间维度上的时序协同差异性关联特征信息,以此来对于所述多个基础设施接入直流配电网的入网效益进行精准评估,从而实现多主体参与的直流电网资源全寿命周期综合效益量化。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基础设施入网的直流配电网效益评估系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如差分特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基础设施入网的电网效益评估方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基础设施入网的电网效益评估方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基础设施入网的直流配电网效益评估系统,其特征在于,包括:
设施数据采集模块,用于获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;
能耗时序分布模块,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;
效用时序分布模块,用于将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;
空间特征增强模块,用于将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;
差异性特征提取模块,用于计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;
特征优化模块,用于对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及
入网效益结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
2.根据权利要求1所述的基础设施入网的直流配电网效益评估系统,其特征在于,所述能耗时序分布模块,包括:
能耗时序排列单元,用于将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照所述时间维度分别排列为行向量以得到多个能耗行向量;以及
能耗样本排列单元,用于将所述多个能耗行向量按照所述待评估基础设施样本维度排列为所述能耗成本全局输入矩阵。
3.根据权利要求2所述的基础设施入网的直流配电网效益评估系统,其特征在于,所述效用时序分布模块,包括:
行向量构造单元,用于将所述各个待评估基础设施在预定时间周期内多个预定天的负荷值按照所述时间维度排列为行向量以得到多个行向量;
二维排列单元,用于将所述多个行向量按照所述设备样本维度进行排列以得到所述效用全局输入矩阵。
4.根据权利要求3所述的基础设施入网的直流配电网效益评估系统,其特征在于,所述空间特征增强模块,包括:
深度卷积编码单元,用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述能耗成本全局输入矩阵和所述效用全局输入矩阵进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及
空间注意力单元,用于将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述能耗成本全局特征图和所述效用全局特征图。
6.根据权利要求5所述的基础设施入网的直流配电网效益评估系统,其特征在于,所述特征优化模块,包括:
优化因数计算单元,用于计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及
加权优化单元,用于以所述加权特征向量的各个位置的特征值作为权重来分别对所述差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
7.根据权利要求6所述的基础设施入网的直流配电网效益评估系统,其特征在于,所述优化因数计算单元,用于:以如下公式计算所述差分特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;
其中,所述公式为:
其中mi,j表示所述差分特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述差分特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述差分特征图的每个特征矩阵的的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
8.根据权利要求7所述的基础设施入网的直流配电网效益评估系统,其特征在于,所述入网效益结果生成模块,包括:
展开单元,用于将所述分类特征图基于行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基础设施入网的电网效益评估方法,其特征在于,包括:
获取多个待评估基础设施在预定时间周期内多个预定天的能耗值和负荷值;
将所述多个待评估基础设施在预定时间周期内多个预定天的能耗值按照时间维度和设备样本维度排列为能耗成本全局输入矩阵;
将所述多个待评估基础设施在预定时间周期内多个预定天的负荷值按照时间维度和设备样本维度排列为效用全局输入矩阵;
将所述能耗成本全局输入矩阵和所述效用全局输入矩阵分别通过使用空间注意力机制的卷积神经网络模型以得到能耗成本全局特征图以及效用全局特征图;
计算所述能耗成本全局特征图和所述效用全局特征图之间的差分特征图;
对所述差分特征图进行沿通道维度的特征分布优化以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果为所述多个待评估基础设施的入网效益的等级标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310183154.8A CN116228014A (zh) | 2023-02-24 | 2023-02-24 | 一种基础设施入网的直流配电网效益评估系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310183154.8A CN116228014A (zh) | 2023-02-24 | 2023-02-24 | 一种基础设施入网的直流配电网效益评估系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116228014A true CN116228014A (zh) | 2023-06-06 |
Family
ID=86588780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310183154.8A Pending CN116228014A (zh) | 2023-02-24 | 2023-02-24 | 一种基础设施入网的直流配电网效益评估系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116557787A (zh) * | 2023-07-11 | 2023-08-08 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
-
2023
- 2023-02-24 CN CN202310183154.8A patent/CN116228014A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116557787A (zh) * | 2023-07-11 | 2023-08-08 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
CN116557787B (zh) * | 2023-07-11 | 2023-09-15 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution | |
CN115775116B (zh) | 基于bim的路桥工程管理方法及系统 | |
CN113065974A (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN113761250A (zh) | 模型训练方法、商户分类方法及装置 | |
CN116228014A (zh) | 一种基础设施入网的直流配电网效益评估系统及其方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN115168443A (zh) | 一种基于gcn-lstm和注意力机制的异常检测方法及系统 | |
Tan et al. | Knowledge transfer in evolutionary multi-task optimization: A survey | |
Wu et al. | A novel hybrid genetic algorithm and simulated annealing for feature selection and kernel optimization in support vector regression | |
CN115880036A (zh) | 一种车位级动态共享智能管控交易平台 | |
Dai et al. | Forecasting power load: A hybrid forecasting method with intelligent data processing and optimized artificial intelligence | |
CN108960511B (zh) | 一种风速预测方法及相关装置 | |
Huai et al. | Latency-constrained DNN architecture learning for edge systems using zerorized batch normalization | |
CN116306780B (zh) | 一种动态图链接生成方法 | |
Yuan et al. | Image restoration via exponential scale mixture‐based simultaneous sparse prior | |
Wells et al. | Predicting Localized Primordial Star Formation with Deep Convolutional Neural Networks | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
Tang et al. | A deep map transfer learning method for face recognition in an unrestricted smart city environment | |
CN115331081A (zh) | 图像目标检测方法与装置 | |
Deng et al. | EV charging load forecasting model mining algorithm based on hybrid intelligence | |
CN112862070A (zh) | 一种利用图神经网络和胶囊网络的链路预测系统 | |
Zhu | A graph neural network-enhanced knowledge graph framework for intelligent analysis of policing cases | |
CN111476408A (zh) | 一种电力通信设备状态预测方法及系统 | |
Wu et al. | GADF-VGG16 based fault diagnosis method for HVDC transmission lines |
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 |