CN116541714B - 电网调控模型训练方法、系统、计算机设备及存储介质 - Google Patents
电网调控模型训练方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116541714B CN116541714B CN202310803693.7A CN202310803693A CN116541714B CN 116541714 B CN116541714 B CN 116541714B CN 202310803693 A CN202310803693 A CN 202310803693A CN 116541714 B CN116541714 B CN 116541714B
- Authority
- CN
- China
- Prior art keywords
- training
- power grid
- training data
- grid regulation
- bodies
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 386
- 230000033228 biological regulation Effects 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 8
- 238000013077 scoring method Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力自动化领域，公开了一种电网调控模型训练方法、系统、计算机设备及存储介质，包括：获取电网调控模型训练数据并分组，得到若干训练数据组；按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将训练数据组划分为若干训练数据单元，并获取各训练数据单元的训练效果得到共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；最后组合若干执行体得到电网调控模型。通过并行训练和并行预测，实现以量换质，并实现优质样本数据的共享学习，有效提升训练效果，能够有效减少大数据条件下电网调控模型的训练时间。
Description
技术领域
本发明属于电力自动化领域，涉及一种电网调控模型训练方法、系统、计算机设备及存储介质。
背景技术
新型电力系统发展背景下，电网调控面临着海量数据的汇总分析及统一计算要求。从技术发展角度，大数据、云计算及人工智能等新技术进入了飞速发展的阶段，基于数据驱动的方法通过海量数据输入弥补了模型驱动方法的不足，可有效解决电网非线性、非连续性以及不确定性和随机性等问题。然而，目前人工智能技术在电网中的应用仍存在局限，存在模型可解释性差及分析预测结果不稳定等问题，难以满足电网调控系统稳定、可靠及安全运行的要求，究其原因，如果没有准确、完整的数据，人工智能技术在电网中的大规模应用就存在风险。因此，以数据为中心的人工智能技术（Data-centric AI）成为各行业发展的趋势，以数据为中心的方法认为，AI已经达到了数据比模型更重要的地步。如果将AI视为一个有移动部件的系统，那么就应该保持模型的相对固定，专注于高质量的数据来微调模型，而不是继续推动模型的边际改进。
虽然电网运行积累了海量的数据资源，但是电网调控大数据的价值密度低，能够满足特定业务模型训练的优质样本数据较少，尤其是常态化运行数据居多，异常或故障等具有特殊特征的数据较少，数据质量较低，这导致某些机器学习任务存在样本不均衡或者小样本问题，进而影响基于AI模型的电网调控模型的训练过程和发布后的预测效果。电网调控大数据校验和清洗处理后，数据质量提升了，但数据校验多是基于简化的校验规则，数据清洗多是采用等值或近似计算方法，无法确保数据质量满足所有人工智能业务模型的训练需求。另外大数据一般采用分布式并行计算技术，机器学习一般采用内存计算技术，大数据无法直接加载到内存进行机器学习模型训练。所以，在数据质量及数据均衡性等方面无法完全保证的前提下，如何利用海量调控数据资源尽可能的提升电网调控模型的训练效果和电网调控模型发布后的预测效果，是目前急需解决的问题。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种电网调控模型训练方法、系统、计算机设备及存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，提供一种电网调控模型训练方法，包括：获取电网调控模型训练数据并分组，得到若干训练数据组；按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型；组合若干执行体得到电网调控模型；其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出。
可选的，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：按照训练数据组和学习体一一对应的关系，通过若干训练数据组，结合预设的与各学习体一一对应的评价体，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。
可选的，所述若干电网调控业务AI模型通过两种及两种以上的机器学习算法或人工智能算法构建。
可选的，所述若干电网调控业务AI模型中的各电网调控业务AI模型为执行同类电网调控业务的电网调控业务AI模型，或执行互补电网调控业务的电网调控业务AI模型。
可选的，还包括：周期性获取电网调控模型中各执行体对电网调控模型实时数据的第一预设预测指标值；当电网调控模型中存在一执行体的第一预设预测指标值连续预设次不满足预设的第一预设预测指标值要求时，从电网调控模型中剔除该执行体，或者，通过电网调控模型训练数据重新训练该执行体。
可选的，还包括：获取执行体的第二预设预测指标值低于预设的第二预设预测指标值预测要求的电网调控模型实时数据，得到具有关键特征的数据；以及将具有关键特征的数据作为电网调控模型训练数据共享至各训练数据组得到若干更新训练数据组；根据更新训练数据组和学习体一一对应的关系，通过若干更新训练数据组并行训练预设的若干学习体，得到若干更新执行体；采用若干更新执行体替换电网调控模型中的若干执行体。
可选的，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：获取具有关键特征的数据的相关数据，并将具有关键特征的数据的相关数据作为电网调控模型训练数据共享至各更新训练数据组；其中，所述相关数据包括：与具有关键特征的数据存在时间关系的数据、与具有关键特征的数据对应的设备存在拓扑连接关系的设备的数据以及与具有关键特征的数据存在业务逻辑关系的数据。
可选的，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：采用数据特征分析方法，提取具有关键特征的数据的特征得到提取特征；获取优化方式，并根据优化方式优化各更新训练数据组内的电网调控模型训练数据或若干学习体；其中，优化方式采用人工分析的方式，获取各学习体的测试评估效果和各执行体的推理效果，并根据提取特征，结合各学习体的测试评估效果、各执行体的推理效果以及业务领域知识得到。
可选的，所述优化方式包括下述中的一个或几个：变更电网调控模型训练数据的数据范围、变更电网调控模型训练数据的数据维度、变更电网调控模型训练数据的数据校验规则、变更电网调控模型训练数据的数据清洗规则以及变更学习体的数量。
可选的，所述将若干执行体的输出融合作为电网调控模型的输出包括：将若干执行体的输出根据各执行体预设的加权系数加权叠加后作为电网调控模型的输出；或者，将若干执行体的输出根据打分法进行处理，得到电网调控模型的输出。
可选的，还包括：在动态频率下动态调整各执行体预设的加权系数；所述各执行体预设的加权系数通过下述方式调整：获取各执行体的预测准确率或预测精确率；根据各执行体的预测准确率或预测精确率，采用因子分析法、主成分分析法、AHP层次法、优序图法、熵值法、CRITIC权重法、独立性权重法或信息量权重法，调整各执行体的加权系数。
本发明第二方面，提供一种电网调控模型训练系统，包括：数据获取模块，用于获取电网调控模型训练数据并分组，得到若干训练数据组；模型训练模块，用于按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型；模型组装模块，用于组合若干执行体得到电网调控模型；其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出。
可选的，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：按照训练数据组和学习体一一对应的关系，通过若干训练数据组，结合预设的与各学习体一一对应的评价体，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。
可选的，还包括再训练模块，所述再训练模块用于获取执行体的第二预设预测指标值低于预设的第二预设预测指标值预测要求的电网调控模型实时数据，得到具有关键特征的数据；以及将具有关键特征的数据作为电网调控模型训练数据共享至各训练数据组得到若干更新训练数据组；根据更新训练数据组和学习体一一对应的关系，通过若干更新训练数据组并行训练预设的若干学习体，得到若干更新执行体；采用若干更新执行体替换电网调控模型中的若干执行体。
可选的，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：采用数据特征分析方法，提取具有关键特征的数据的特征得到提取特征；获取优化方式，并根据优化方式优化各更新训练数据组内的电网调控模型训练数据或若干学习体；其中，优化方式采用人工分析的方式，根据提取特征并结合业务领域知识得到。
本发明第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电网调控模型训练方法的步骤。
本发明第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电网调控模型训练方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明电网调控模型训练方法，通过获取电网调控模型训练数据并分组，进而对若干学习体实现分组训练得到若干执行体，然后组合若干执行体得到电网调控模型，充分考虑大数据环境下电网调控模型训练数据的数据量大、数据类型多以及具备长周期历史数据的特点，通过并行训练和并行预测，实现以量换质，极大的缩小模型训练所需时间，提升电网调控模型的训练效果和预测效果。同时，针对电网调控模型训练数据的优质样本少、样本不均衡或者小样本问题，将训练数据组划分为若干训练数据单元，并基于各训练数据单元的训练效果和预设的训练效果要求筛选优质样本，即共享训练数据单元并将共享训练数据单元共享至各训练数据组，实现优质样本数据的共享学习，有效提升训练效果，并且能够进一步减少大数据条件下电网调控模型的训练时间。
附图说明
图1为本发明实施例的电网调控模型训练方法流程图。
图2为本发明实施例的电网调控模型训练方法原理示意图。
图3为本发明实施例的电网调控模型训练方法细节流程示意图。
图4为本发明实施例的学习体并行训练原理示意图。
图5为本发明实施例的执行体权重系数修改原理示意图。
图6为本发明实施例的电网调控模型训练系统结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1至4，本发明一实施例中，提供一种电网调控模型训练方法，通过并行训练和并行预测，实现基于调控大数据的电网调控模型的并行训练及预测，提升数据不确定性条件下电网调控模型的训练及预测效果，实现大数据环境下的以量换质。具体的，该电网调控模型训练方法包括以下步骤：
S1：获取电网调控模型训练数据并分组，得到若干训练数据组。
S2：按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体。
其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型。
S3：组合若干执行体得到电网调控模型。
其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出。
其中，调控大数据一般指基于电网调控大数据平台汇集的电网运行相关的数据集合，包括电网模型数据、监控数据、告警数据及操作记录等所有电网调度运行相关的信息记录，其数据规模符合大数据的5V特征，其采集和处理等过程应用了大数据平台技术和相关的大数据算法。电网调控模型训练数据则可以从调控大数据中，基于不同的调控业务需求进行获取。具体的，可根据具体的电网调控业务AI模型的需求，筛选业务数据和相关数据，进而通过数据融合技术形成电网调控模型训练所需的电网调控模型训练数据集合。
具体的，由于电网调控大数据的历史运行数据量比较大，数据质量和均衡性方面难以准确评估，为充分发挥大数据海量、多类型等特征优势，因而对海量电网调控模型训练数据划分子集的方式，分别灌入不同的学习体中进行学习。此外，不同训练数据组之间可允许存在交叉。
具体的，学习体的数量可根据需要学习的数据量、学习的时间要求等进行动态扩展。可采用基于容器化部署的方式，进行学习体的快速部署和弹性伸缩。
具体的，在学习体的具体训练过程中，学习体的学习过程可以分阶段进行，即将训练数据组划分为若干训练数据单元进行分阶段学习，如最简单的按数据的时间进行划分，每个训练数据单元分别进行学习，同时根据各训练数据单元对当前学习体的训练效果，确定各训练数据单元的学习效果，学习效果较好的训练数据单元可以给其他训练数据组进行共享，以提升其他学习体的学习效果。
综上所述，本发明电网调控模型训练方法，通过获取电网调控模型训练数据并分组，进而对若干学习体实现分组训练得到若干执行体，然后组合若干执行体得到电网调控模型，充分考虑大数据环境下电网调控模型训练数据的数据量大、数据类型多以及具备长周期历史数据的特点，通过并行训练和并行预测，实现以量换质，极大的缩小模型训练所需时间，提升电网调控模型的训练效果和预测效果。同时，针对电网调控模型训练数据的优质样本少、样本不均衡或者小样本问题，将训练数据组划分为若干训练数据单元，并基于各训练数据单元的训练效果和预设的训练效果要求筛选优质样本，即共享训练数据单元并将共享训练数据单元共享至各训练数据组，实现优质样本数据的共享学习，有效提升训练效果，并且能够进一步减少大数据条件下电网调控模型的训练时间。
在一种可能的实施方式中，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：按照训练数据组和学习体一一对应的关系，通过若干训练数据组，结合预设的与各学习体一一对应的评价体，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。
具体的，在训练完成后获取各学习体的预设预测指标，预设预测指标可以是预测准确率或预测精确率，可以通过设置测试集的形式获取各学习体的预设预测指标。可选的，可以为各学习体设置单独的评价体来对各学习体的学习效果进行评价，评价体的评价结果影响执行体的输出融合过程。可选的，学习和评价是一个循环反馈的过程，即训练和测试可以循环迭代，直到一定数量的学习体满足调控业务的需求，即这些学习体的预设预测指标达到预先设置的阈值要求，然后将学习体中的参数固化并将所需的环境及依赖打包到一起，封装为执行体。
此外，训练可以是一个持续的过程，例如在电网调控模型发布后，依然可以继续学习体的训练，可以通过版本管理的方式完成学习体各个版本的管理，并根据调控业务的预测情况，进行电网调控模型的升级发布。
其中，评价体是对学习体的学习效果进行评价的模块，评价体和学习体共同作为学习单元，评价体的评价结果会影响基于该学习体训练得到的执行体在后续的应用，如影响对应执行体的权重。
在进行学习体的训练时，学习体的学习和评价体的评价之间一个循环反馈的过程，基于评价体的评价来提升学习体的学习效果。
在一种可能的实施方式中，所述若干电网调控业务AI模型通过两种及两种以上的机器学习算法或人工智能算法构建。具体的，学习体采用不同的算法进行建模，可以有效减少算法本身对于学习体的学习效果的影响。
在一种可能的实施方式中，所述若干电网调控业务AI模型中的各电网调控业务AI模型可以为执行同类电网调控业务的电网调控业务AI模型，也可以为执行互补电网调控业务的电网调控业务AI模型。
具体的，执行体通过将学习体封装发布得到，由多个执行体组合起来进行并行预测得到电网调控模型。基于电网调控业务AI模型的设计，如各电网调控业务AI模型为执行同类电网调控业务的电网调控业务AI模型，那么学习封装后得到的执行体就是执行同类电网调控业务的执行体，是为了能够通过群体决策提升预测的准确率。如各电网调控业务AI模型为执行互补电网调控业务的电网调控业务AI模型，那么学习封装后得到的执行体就是执行互补电网调控业务的执行体，是为了通过多个角度进行预测分析，提升预测的准确率。
针对执行同类电网调控业务，比如都是做母线负荷预测，一个电网调控业务AI模型是通过LSTM算法进行建模训练后形成的，另一个电网调控业务AI模型是通过BP神经网络算法进行建模训练后形成的。两个电网调控业务AI模型只是算法不同，但都是做母线负荷预测这一个任务的，所以称为执行同类电网调控业务的电网调控业务AI模型。还有一种理解方式，采用同样的算法，但训练数据不一样，形成的执行体也是有差别的，但仍然是执行同类任务。最终的执行体的组合方式比较灵活，而且可以根据电网调控业务动态调整组合。
针对执行互补电网调控业务，比如一个电网调控业务AI模型预测电网中哪些设备会发生故障，故障发生的概率和时间，另一个电网调控业务AI模型预测设备发生故障时的影响范围，再一个电网调控业务AI模型预测设备故障后的恢复时间等。3个电网调控业务各有侧重和交叉，组合起来，可以作为“电网设备故障影响分析”的互补子任务。
实际预测时，根据大数据平台提供的电网调控模型实时数据，分别输入到各个执行体中，将执行体的执行结果进行融合，得到最终的预测结果并输出。
在一种可能的实施方式中，所述电网调控模型训练方法还包括：周期性获取电网调控模型中各执行体对电网调控模型实时数据的第一预设预测指标值；当电网调控模型中存在一执行体的第一预设预测值连续预设次不满足预设的第一预设预测指标值要求时，从电网调控模型中剔除该执行体，或者，通过电网调控模型训练数据重新训练该执行体。
具体的，随着时间的推移，之前的预测结果是否正确，或者正确率能够通过电网的实际运行情况得到验证。以母线负荷预测为例，通过预测的数据和电网运行的实测数据进行对比，可计算出每个执行体预测的准确率及精确率等指标，进一步根据各执行体的指标计算结果，动态调整各执行体。例如，可以将连续3次不满足预设的预测准确率阈值的执行体剔除出电网调控模型，以保证电网调控模型的预测结果不会被准确率较低的执行体影响，保证预测的准确性。此外，对于此类执行体还可以采用重新训练的方式进行调整。
在一种可能的实施方式中，所述电网调控模型训练方法还包括：获取执行体的第二预设预测指标值低于预设的第二预设预测指标值预测要求的电网调控模型实时数据，得到具有关键特征的数据；以及将具有关键特征的数据作为电网调控模型训练数据共享至各训练数据组得到若干更新训练数据组；根据更新训练数据组和学习体一一对应的关系，通过若干更新训练数据组并行训练预设的若干学习体，得到若干更新执行体；采用若干更新执行体替换电网调控模型中的若干执行体。
具体的，执行体并行预测过程中，设置准确率等指标的阈值作为电网调控模型实时数据收集反馈阈值，对于执行体的准确率或精确率等指标未达到对应阈值的情况，将相应的电网调控模型实时数据自动收集起来，作为新的电网调控模型训练数据反馈给学习体进行学习，进一步提升学习体的学习效果。
在一种可能的实施方式中，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：获取具有关键特征的数据的相关数据，并将具有关键特征的数据的相关数据作为电网调控模型训练数据共享至各更新训练数据组。
具体的，根据不同的业务场景，除了收集该具有关键特征的数据外，也可以收集具有关键特征的数据的相关数据，如与具有关键特征的数据具有时间逻辑关系或者其他关系的相关数据，以日前母线负荷预测为例，可以收集当天的数据、前一天的数据和后一天的数据，作为新的电网调控模型训练数据反馈给学习体。
其中，所述相关数据包括：与具有关键特征的数据存在时间关系的数据、与具有关键特征的数据对应的设备存在拓扑连接关系的设备的数据以及与具有关键特征的数据存在业务逻辑关系的数据。
在一种可能的实施方式中，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：采用数据特征分析方法，提取具有关键特征的数据的特征得到提取特征；获取优化方式，并根据优化方式优化各更新训练数据组内的电网调控模型训练数据或若干学习体；其中，优化方式采用人工分析的方式，获取各学习体的测试评估效果和各执行体的推理效果，并根据提取特征，结合各学习体的测试评估效果、各执行体的推理效果以及业务领域知识得到。
其中，领域知识指特定的、专门的学科或领域的知识，本发明指电网调控相关的专业知识，包括电网运行的约束条件和相关业务规则等。
具体的，采用数据特征分析方法，提取具有关键特征的数据的特征，反馈给人工进行辅助分析，通过人工分析的方式，确认具有关键特征的数据造成执行体预测准确率等指标下降的原因，以此为依据进一步分析是否需要优化学习体模型或者扩充学习体的训练数据范围等。
所述优化方式包括下述中的一个或几个：变更电网调控模型训练数据的数据范围、变更电网调控模型训练数据的数据维度、变更电网调控模型训练数据的数据校验规则、变更电网调控模型训练数据的数据清洗规则以及变更学习体的数量。
具体的，对于变更电网调控模型训练数据的数据校验规则和数据清洗规则，以母线负荷预测为例，可扩充母线平衡和厂站平衡校验规则，或者在低电压等级母线缺少量测数据或量测数据准确率较差的情况下，通过线路对端代或者利用电量数据计算母线功率等方式，提升采集的量测数据的准确率。对于变更电网调控模型训练数据的数据维度，可以采用增加电网调控模型训练数据的数据维度的方式，以母线负荷预测为例，可以在电网运行量测数据的基础上，进一步扩充气象数据、节假日信息及负荷类型等数据。
在一种可能的实施方式中，所述将若干执行体的输出融合作为电网调控模型的输出包括：将若干执行体的输出根据各执行体预设的加权系数加权叠加后作为电网调控模型的输出；或者，将若干执行体的输出根据打分法进行处理，得到电网调控模型的输出。
具体的，所述将若干执行体的输出根据打分法进行处理时，通常采用的打分法有均值打分法、聚类算法（如K-Means、GMM等）以及临近性度量方法（如基于距离（KNN）和基于密度（LOF）的异常数据检测方法）等类似方法。其中，均值打分法一般是去掉一个最大值和一个最小值，然后计算平均值。而在执行体较多时，一般会采用聚类算法以及临近性度量方法等。其中，采用聚类方法包括：将所有执行体的预测值通过聚类算法（如K-Means算法）划分为多个类簇，然后计算簇大小、紧密度以及间隔度，从而得到较高的簇内相似度和较低的簇间相似度，进一步得到最大和最紧密的簇的聚类中心，作为电网调控模型的输出。
可选的，参见图5，所述各执行体预设的加权系数通过下述方式设定：获取各执行体的预测准确率或预测精确率；根据各执行体的预测准确率或预测精确率，采用因子分析法、主成分分析法、AHP层次法、优序图法、熵值法、CRITIC权重法、独立性权重法或信息量权重法，设定各执行体的加权系数。可选的，各执行体预设的加权系数叠加和为1。
在一种可能的实施方式中，所述电网调控模型训练方法还包括：在动态频率下动态调整各执行体预设的加权系数。
具体的，各执行体预设的加权系数是一个动态变化的过程，各执行体预设的加权系数首先可以根据各执行体在设置的测试集上的预测准确率或预测精确率来确定，然后在后续的并行预测过程中，可以根据各执行体对一定时间内的电网调控模型实时数据的预测准确率或预测精确率来动态调整，例如，可以将预测准确率较高的执行体的权重系数增大，较低的执行体的权重系数减小。其中，预测准确率或预测精确率的获取和各执行体的权重系数调整可以根据具体的业务应用需求，来设置相应的获取频率和调整频率。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
参见图6，本发明再一个实施例中，提供一种电网调控模型训练系统，能够用于实现上述的电网调控模型训练方法，具体的，该电网调控模型训练系统包括数据获取模块、模型训练模块以及模型组装模块。其中，数据获取模块用于获取电网调控模型训练数据并分组，得到若干训练数据组；模型训练模块用于按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型；模型组装模块用于组合若干执行体得到电网调控模型；其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出。
在一种可能的实施方式中，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：按照训练数据组和学习体一一对应的关系，结合预设的与各学习体一一对应的评价体，通过若干训练数据组，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。
在一种可能的实施方式中，所述若干电网调控业务AI模型通过两种及两种以上的机器学习算法或人工智能算法构建。
在一种可能的实施方式中，所述若干电网调控业务AI模型中的各电网调控业务AI模型为执行同类电网调控业务的电网调控业务AI模型，或执行互补电网调控业务的电网调控业务AI模型。
在一种可能的实施方式中，还包括监测模块，所述监测模块用于周期性获取电网调控模型中各执行体对电网调控模型实时数据的第一预设预测指标值；当电网调控模型中存在一执行体的第一预设预测值连续预设次不满足预设的第一预设预测指标值要求时，从电网调控模型中剔除该执行体，或者，通过电网调控模型训练数据重新训练该执行体。
在一种可能的实施方式中，还包括再训练模块，所述再训练模块用于获取执行体的第二预设预测指标值低于预设的第二预设预测指标值预测要求的电网调控模型实时数据，得到具有关键特征的数据；以及将具有关键特征的数据作为电网调控模型训练数据共享至各训练数据组得到若干更新训练数据组；根据更新训练数据组和学习体一一对应的关系，通过若干更新训练数据组并行训练预设的若干学习体，得到若干更新执行体；采用若干更新执行体替换电网调控模型中的若干执行体。
在一种可能的实施方式中，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：获取具有关键特征的数据的相关数据，并将具有关键特征的数据的相关数据作为电网调控模型训练数据共享至各更新训练数据组。
在一种可能的实施方式中，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：采用数据特征分析方法，提取具有关键特征的数据的特征得到提取特征；获取优化方式，并根据优化方式优化各更新训练数据组内的电网调控模型训练数据或若干学习体；其中，优化方式采用人工分析的方式，根据提取特征并结合业务领域知识得到。
在一种可能的实施方式中，所述优化方式包括下述中的一个或几个：变更电网调控模型训练数据的数据范围、变更电网调控模型训练数据的数据维度、变更电网调控模型训练数据的数据校验规则、变更电网调控模型训练数据的数据清洗规则以及变更学习体的数量。
在一种可能的实施方式中，所述将若干执行体的输出融合作为电网调控模型的输出包括：将若干执行体的输出根据各执行体预设的加权系数加权叠加后作为电网调控模型的输出；或者，将若干执行体的输出根据打分法进行处理，得到电网调控模型的输出。
在一种可能的实施方式中，所述电网调控模型训练系统还包括：在动态频率下动态调整各执行体预设的加权系数；所述各执行体预设的加权系数通过下述方式调整：获取各执行体的预测准确率或预测精确率；根据各执行体的预测准确率或预测精确率，采用因子分析法、主成分分析法、AHP层次法、优序图法、熵值法、CRITIC权重法、独立性权重法或信息量权重法，调整各执行体的加权系数。
前述的电网调控模型训练方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的电网调控模型训练系统所对应的功能模块的功能描述，在此不再赘述。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于电网调控模型训练方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网调控模型训练方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (17)
1.一种电网调控模型训练方法，其特征在于，包括：
获取电网调控模型训练数据并分组，得到若干训练数据组；其中，电网调控模型训练数据是从调控大数据中基于不同的调控业务需求进行获取；调控大数据指电网运行相关的数据集合，包括电网模型数据、监控数据、告警数据及操作记录；
按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型；
组合若干执行体得到电网调控模型；其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出；
其中，电网调控业务为母线负荷预测或电网设备故障预测。
2.根据权利要求1所述的电网调控模型训练方法，其特征在于，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：
按照训练数据组和学习体一一对应的关系，通过若干训练数据组，结合预设的与各学习体一一对应的评价体，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。
3.根据权利要求1所述的电网调控模型训练方法，其特征在于，所述若干电网调控业务AI模型通过两种及两种以上的机器学习算法或人工智能算法构建。
4.根据权利要求1所述的电网调控模型训练方法，其特征在于，所述若干电网调控业务AI模型中的各电网调控业务AI模型为执行同类电网调控业务的电网调控业务AI模型，或执行互补电网调控业务的电网调控业务AI模型。
5.根据权利要求1所述的电网调控模型训练方法，其特征在于，还包括：
周期性获取电网调控模型中各执行体对电网调控模型实时数据的第一预设预测指标值；
当电网调控模型中存在一执行体的第一预设预测指标值连续预设次不满足预设的第一预设预测指标值要求时，从电网调控模型中剔除该执行体，或者，通过电网调控模型训练数据重新训练该执行体。
6.根据权利要求1所述的电网调控模型训练方法，其特征在于，还包括：
获取执行体的第二预设预测指标值低于预设的第二预设预测指标值预测要求的电网调控模型实时数据，得到具有关键特征的数据；以及将具有关键特征的数据作为电网调控模型训练数据共享至各训练数据组得到若干更新训练数据组；
根据更新训练数据组和学习体一一对应的关系，通过若干更新训练数据组并行训练预设的若干学习体，得到若干更新执行体；
采用若干更新执行体替换电网调控模型中的若干执行体。
7.根据权利要求6所述的电网调控模型训练方法，其特征在于，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：
获取具有关键特征的数据的相关数据，并将具有关键特征的数据的相关数据作为电网调控模型训练数据共享至各更新训练数据组；
其中，所述相关数据包括：与具有关键特征的数据存在时间关系的数据、与具有关键特征的数据对应的设备存在拓扑连接关系的设备的数据以及与具有关键特征的数据存在业务逻辑关系的数据。
8.根据权利要求6所述的电网调控模型训练方法，其特征在于，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：
采用数据特征分析方法，提取具有关键特征的数据的特征得到提取特征；
获取优化方式，并根据优化方式优化各更新训练数据组内的电网调控模型训练数据或若干学习体；其中，优化方式采用人工分析的方式，获取各学习体的测试评估效果和各执行体的推理效果，并根据提取特征，结合各学习体的测试评估效果、各执行体的推理效果以及业务领域知识得到。
9.根据权利要求8所述的电网调控模型训练方法，其特征在于，所述优化方式包括下述中的一个或几个：
变更电网调控模型训练数据的数据范围、变更电网调控模型训练数据的数据维度、变更电网调控模型训练数据的数据校验规则、变更电网调控模型训练数据的数据清洗规则以及变更学习体的数量。
10.根据权利要求1所述的电网调控模型训练方法，其特征在于，所述将若干执行体的输出融合作为电网调控模型的输出包括：
将若干执行体的输出根据各执行体预设的加权系数加权叠加后作为电网调控模型的输出；或者，将若干执行体的输出根据打分法进行处理，得到电网调控模型的输出。
11.根据权利要求10所述的电网调控模型训练方法，其特征在于，还包括：在动态频率下动态调整各执行体预设的加权系数；
所述各执行体预设的加权系数通过下述方式调整：
获取各执行体的预测准确率或预测精确率；
根据各执行体的预测准确率或预测精确率，采用因子分析法、主成分分析法、AHP层次法、优序图法、熵值法、CRITIC权重法、独立性权重法或信息量权重法，调整各执行体的加权系数。
12.一种电网调控模型训练系统，其特征在于，包括：
数据获取模块，用于获取电网调控模型训练数据并分组，得到若干训练数据组；其中，电网调控模型训练数据从调控大数据中基于不同的调控业务需求进行获取；调控大数据指电网运行相关的数据集合，包括电网模型数据、监控数据、告警数据及操作记录；
模型训练模块，用于按照训练数据组和学习体一一对应的关系，通过若干训练数据组并行训练预设的若干学习体，得到若干执行体；其中，通过训练数据组训练学习体时，将当前训练数据组划分为若干训练数据单元，并通过若干训练数据单元依次训练当前学习体，并获取各训练数据单元对当前学习体的训练效果；以及将所述训练效果满足预设的训练效果要求的训练数据单元作为共享训练数据单元，并将共享训练数据单元共享至除所属训练数据组外的其他训练数据组；其中，若干学习体为根据电网调控需求构建的若干电网调控业务AI模型；
模型组装模块，用于组合若干执行体得到电网调控模型；其中，组合包括将若干执行体的输入共同作为电网调控模型的输入，将若干执行体的输出融合作为电网调控模型的输出；
其中，电网调控业务为母线负荷预测或电网设备故障预测。
13.根据权利要求12所述的电网调控模型训练系统，其特征在于，所述通过若干训练数据组并行训练预设的若干学习体，得到若干执行体包括：
按照训练数据组和学习体一一对应的关系，通过若干训练数据组，结合预设的与各学习体一一对应的评价体，并行训练预设的若干学习体；以及在训练完成后，通过各评价体获取各学习体的预设预测指标，并将预设预测指标满足预设的预设预测指标训练要求的学习体作为执行体。
14.根据权利要求12所述的电网调控模型训练系统，其特征在于，还包括再训练模块，所述再训练模块用于获取执行体的第二预设预测指标值低于预设的第二预设预测指标值预测要求的电网调控模型实时数据，得到具有关键特征的数据；以及将具有关键特征的数据作为电网调控模型训练数据共享至各训练数据组得到若干更新训练数据组；根据更新训练数据组和学习体一一对应的关系，通过若干更新训练数据组并行训练预设的若干学习体，得到若干更新执行体；采用若干更新执行体替换电网调控模型中的若干执行体。
15.根据权利要求14所述的电网调控模型训练系统，其特征在于，所述通过若干更新训练数据组并行训练预设的若干学习体前还包括：采用数据特征分析方法，提取具有关键特征的数据的特征得到提取特征；获取优化方式，并根据优化方式优化各更新训练数据组内的电网调控模型训练数据或若干学习体；其中，优化方式采用人工分析的方式，根据提取特征并结合业务领域知识得到。
16.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至11任一项所述电网调控模型训练方法的步骤。
17.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述电网调控模型训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310803693.7A CN116541714B (zh) | 2023-07-03 | 2023-07-03 | 电网调控模型训练方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310803693.7A CN116541714B (zh) | 2023-07-03 | 2023-07-03 | 电网调控模型训练方法、系统、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116541714A CN116541714A (zh) | 2023-08-04 |
| CN116541714B true CN116541714B (zh) | 2023-09-01 |
Family
ID=87452782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310803693.7A Active CN116541714B (zh) | 2023-07-03 | 2023-07-03 | 电网调控模型训练方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541714B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106872867A (zh) * | 2017-03-10 | 2017-06-20 | 华北电力大学 | 电力设备局部放电故障的识别方法、装置及系统 |
| WO2022038206A1 (en) * | 2020-08-19 | 2022-02-24 | Hitachi Energy Switzerland Ag | Method and computer system for generating a decision logic for a controller |
| CN114676846A (zh) * | 2022-03-10 | 2022-06-28 | 清华大学 | 一种多智能体强化学习方法及系统 |
| CN116113967A (zh) * | 2020-07-16 | 2023-05-12 | 强力交易投资组合2018有限公司 | 用于控制数字知识相关权利的系统和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10418811B2 (en) * | 2017-09-12 | 2019-09-17 | Sas Institute Inc. | Electric power grid supply and load prediction using cleansed time series data |
-
2023
- 2023-07-03 CN CN202310803693.7A patent/CN116541714B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106872867A (zh) * | 2017-03-10 | 2017-06-20 | 华北电力大学 | 电力设备局部放电故障的识别方法、装置及系统 |
| CN116113967A (zh) * | 2020-07-16 | 2023-05-12 | 强力交易投资组合2018有限公司 | 用于控制数字知识相关权利的系统和方法 |
| WO2022038206A1 (en) * | 2020-08-19 | 2022-02-24 | Hitachi Energy Switzerland Ag | Method and computer system for generating a decision logic for a controller |
| CN114676846A (zh) * | 2022-03-10 | 2022-06-28 | 清华大学 | 一种多智能体强化学习方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多源数据和模型融合的超短期母线负荷预测方法;范士雄 等;《电网技术》;第45卷(第1期);第243-250页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116541714A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
| CN110191015B (zh) | 基于cpi指标的云服务性能智能预测方法和装置 | |
| CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
| WO2024212614A1 (zh) | 基于多维资源预测的混合弹性伸缩方法 | |
| CN110837857A (zh) | 工业用电负荷预测方法、系统及其存储介质 | |
| CN116541714B (zh) | 电网调控模型训练方法、系统、计算机设备及存储介质 | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
| KR20190071174A (ko) | 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템 | |
| CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
| CN112100902A (zh) | 一种基于流数据的锂离子电池寿命预测方法 | |
| CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
| CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
| Scrimieri et al. | Modular reconfiguration of flexible production systems using machine learning and performance estimates | |
| CN113095642A (zh) | 梯级水电计划编制方法、系统、设备及存储介质 | |
| Xiao et al. | Resource prediction based on program granularity combined with data purification | |
| CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 | |
| Ning | Comparison of several common intelligent fault diagnosis knowledge-based method under nonlinear small sample conditions | |
| CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 |
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 |