CN116582450B - 低压配电网业务接入感知方法及系统 - Google Patents
低压配电网业务接入感知方法及系统 Download PDFInfo
- Publication number
- CN116582450B CN116582450B CN202310858388.8A CN202310858388A CN116582450B CN 116582450 B CN116582450 B CN 116582450B CN 202310858388 A CN202310858388 A CN 202310858388A CN 116582450 B CN116582450 B CN 116582450B
- Authority
- CN
- China
- Prior art keywords
- service
- service flow
- output
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 82
- 230000006870 function Effects 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 26
- 230000008447 perception Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
- H04L67/141—Setup of application sessions
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种低压配电网业务接入感知方法及系统,属于配电物联网技术领域。所述方法包括:响应于业务变更信号,采集对应的业务流信息;基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数;对所述业务流特性参数进行归一化处理,获得业务流特征集;采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征;基于所述关键特征进行专家库模糊匹配,确定业务类型。本发明方案提出的业务感知方法实现业务流关键特征的识别,进而实现业务的自动感知,提高业务接入效率。
Description
技术领域
本发明涉及配电物联网技术领域,具体地涉及一种低压配电网业务接入感知方法及一种低压配电网业务接入感知系统。
背景技术
终端通信接入网主要涉及配电和用电两个环节,分别对应于一次网架中的10kV和0.4kV电压等级电网,具有承载业务类型丰富、业务终端分布广广泛、通信距离相对较短、单个终端信息量小、网络拓扑复杂多变、建网资金相对紧张等特点。当前电力物联网面临海量终端的接入,终端智能感知是电力物联网的底层入口,研究终端接入将为建设电力物联网提供关键技术支撑,是确保电网安全运行,提升电网运行质效和社会综合能效。随供电负荷密度加大,相较于35kV及以上电压等级实现自动化,低压侧配网由于数量庞大自动化整体仍处于较低水平,业务承载能力和网络可靠性仍无法得到保障。随着新型电力系统建设,配电网测大量分布式能源、电动汽车等终端接入电网,广域分布、控制困难等特点让配电网侧管理难上加难。
随电力物联网深化应用,配电网采用“云-管-边”建设模式,更多依赖融合终端等边侧设备实现对辖区所需监控的柱上开关、开闭站、环网柜、电缆分接箱、配变等基于地理信息的监控与管理,从而实现10kV馈线上的故障诊断、故障隔离和非故障区域的快速恢复供电等功能。但目前融合终端对传感器及设备等多类型装置的自动接入业务感知能力差、业务接入效率低,未能形成高效精准的末端感知体系。针对现有配电网传感器及设备等类型装置类型的自动接入存在的效率低和业务感知能力差的问题,需要创造一种新的配电网业务接入感知方案。
发明内容
本发明实施方式的目的是提供一种低压配电网业务接入感知方法及系统,以至少解决现有配电网传感器及设备等类型装置的自动接入存在的效率低和业务感知能力差的问题。
为了实现上述目的,本发明第一方面提供一种低压配电网业务接入感知方法,所述方法包括:响应于业务变更信号,采集对应的业务流信息;基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数;对所述业务流特性参数进行归一化处理,获得业务流特征集;采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征;基于所述关键特征进行专家库模糊匹配,确定业务类型。
可选的,所述业务变更信号为配电网拓扑结构变化信号或业务接入信号。
可选的,所述特征提取模型为基于径向基函数神经网络构建的注意力机制模型。
可选的,所述基于特征提取模型,对所述业务流信息进行特征提取,包括:在径向基函数神经网络中,基于高斯函数确定的模型输入与模型输出之间的关系,将业务流信息处理为特征向量并输入,获得对应的输出向量;基于输出向量,引入Attention机制,获得对应的输出特征值;将所述输出特征值作为业务流特性参数。
可选的,模型输入与模型输出之间的关系的表达式为:
其中,为输入向量;n为隐含层神经元的数量;/>为第i个隐含层神经元的输出;/>为第i个隐含层神经元的径向基函数中心;/>为第i个隐含层神经元的宽度;/>为输出向量;/>为第i个隐含层神经元与第j个输出层神经元之间的权重。
可选的,所述对所述业务流特性参数进行归一化处理,其归一化关系式为:
其中,X为归一化处理后的数据集矩阵;为输入向量;/>为输出业务流特性参数中的最大值;/>为输出业务流特性参数中的最小值。
可选的,所述基于输出向量,引入Attention机制,获得对应的输出特征值,包括:自定义预设向量,并计算预设向量与输入向量之间的相关性,基于相关性进行注意力值分配;其中,对应的注意力值分配规则为:
其中,为第i个输入向量的注意力值;/>为注意力筛选函数;
q为预设向量;基于各输入向量确定的注意力值,计算所有输入向量的加权平均值作为输出特征值;其中,所有输入向量的加权平均值的计算规则为:
其中,为输出特征值。
可选的,所述采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征,包括:将所述样本集区分为历史数据和未来数据;基于所述业务流特性集分别向后学习所述历史数据和向前学习所述未来数据,获得学习结果;基于学习结果输出特征向量,作为关键特征。
可选的,所述基于所述关键特征进行专家库模糊匹配,确定业务类型,包括:将所述输出特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中。
本发明第二方面提供一种低压配电网业务接入感知系统,所述系统包括:采集单元,用于响应于业务变更信号,采集对应的业务流信息;特征提取单元,用于基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数;归一化单元,用于对所述业务流特性参数进行归一化处理,获得业务流特征集;学习单元,用于采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征;识别单元,用于基于所述关键特征进行专家库模糊匹配,确定业务类型。
可选的,所述基于特征提取模型,对所述业务流信息进行特征提取,包括:在径向基函数神经网络中,基于高斯函数确定的模型输入与模型输出之间的关系,将业务流信息处理为特征向量并输入,获得对应的输出向量;基于输出向量,引入Attention机制,获得对应的输出特征值;将所述输出特征值作为业务流特性参数。
可选的,所述采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征,包括:将所述样本集区分为历史数据和未来数据;基于所述业务流特性集分别向后学习所述历史数据和向前学习所述未来数据,获得学习结果;基于学习结果输出特征向量,作为关键特征。
可选的,所述基于所述关键特征进行专家库模糊匹配,确定业务类型,包括:将所述输出特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中。
另一方面,本发明提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的低压配电网业务接入感知方法。
通过上述技术方案,本发明方案提出一种新的低压配电网业务接入感知方法和一种低压配电网业务接入的业务流感知系统,根据系统拓扑结构的改变或业务接入的变化,对业务流进行感知与识别,同时提出一种基于径向基函数神经网络加注意力机制的业务感知方法实现业务流关键特征的识别,进而实现业务的自动感知,提高业务接入效率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的低压配电网业务接入感知方法的步骤流程图;
图2是本发明一种实施方式提供的关键特征识别的步骤流程图;
图3是本发明一种实施方式提供的低压配电网业务接入感知系统的系统结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
终端通信接入网主要涉及配电和用电两个环节,分别对应于一次网架中的10kV和0.4kV电压等级电网,具有承载业务类型丰富、业务终端分布广广泛、通信距离相对较短、单个终端信息量小、网络拓扑复杂多变、建网资金相对紧张等特点。当前电力物联网面临海量终端的接入,终端智能感知是电力物联网的底层入口,研究终端接入将为建设电力物联网提供关键技术支撑,是确保电网安全运行,提升电网运行质效和社会综合能效。随供电负荷密度加大,相较于35kV及以上电压等级实现自动化,低压侧配网由于数量庞大自动化整体仍处于较低水平,业务承载能力和网络可靠性仍无法得到保障。随着新型电力系统建设,配电网测大量分布式能源、电动汽车等终端接入电网,广域分布、控制困难等特点让配电网侧管理难上加难。
随电力物联网深化应用,配电网采用“云-管-边”建设模式,更多依赖融合终端等边侧设备实现对辖区所需监控的柱上开关、开闭站、环网柜、电缆分接箱、配变等基于地理信息的监控与管理,从而实现10kV馈线上的故障诊断、故障隔离和非故障区域的快速恢复供电等功能。但目前融合终端对传感器及设备等多类型装置的自动接入业务感知能力差、业务接入效率低,未能形成高效精准的末端感知体系。
针对现有配电网传感器及设备等类型装置类型的自动接入存在的效率低和业务感知能力差问题,本发明方案提出一种新的低压配电网业务接入感知方法,本发明方案提出一种低压配电网业务接入的业务流感知系统,根据系统拓扑结构的改变或业务接入的变化,对业务流进行感知与识别,同时提出一种基于径向基函数神经网络加注意力机制的业务感知方法实现业务流关键特征的识别,进而实现业务的自动感知,提高业务接入效率。
图1是本发明一种实施方式提供的低压配电网业务接入感知方法的方法流程图。如图1所示,本发明实施方式提供一种低压配电网业务接入感知方法,所述方法包括:
步骤S10:响应于业务变更信号,采集对应的业务流信息。
具体的,所述业务变更信号为配电网拓扑结构变化信号或业务接入信号。
在本发明实施例中,本发明方案在配电网存在新接入业务时,将自动进行业务感知和识别,以保证自动进行业务配置。所以,其是一个待触发状态,只要存在新接入业务,就需要将业务感知功能激活,进行业务感知和识别。所以,其激活条件为是否存在新接入业务。优选的,实时读取配电网拓扑信息,以及读取业务接口信息,当识别到电网拓扑结构变化信号或业务接入信号,表示可能存在新业务接入,则需要执行业务感知和识别,基于此,系统被激活。保证任何时候接入新业务时,系统都能够及时响应,无需人工触发,提高系统智能性。
步骤S20:基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数。
具体的,所述特征提取模型为基于径向基函数神经网络构建的注意力机制模型。径向基函数神经网络是一种使用径向基函数作为激活函数的人工神经网络。径向基函数网络的输出是输入的径向基函数和神经元参数的线性组合。径向基函数网络具有多种用途,包括函数近似法、时间序列预测、分类和系统控制。虽然因为其仅能对线性可分的问题进行处理,导致其在实践应用场景中相对局限,但是解决业务感知时,因为其具有很强的规律性和相似性,其将十分适用径向基函数神经网络,反而可以因为其单层感知器特性,使得处理效率极高,从整体上改善了现有方案感知效率低的问题。
进一步的,所述基于特征提取模型,对所述业务流信息进行特征提取包括:在径向基函数神经网络中,基于高斯函数确定的模型输入与模型输出之间的关系,将业务流信息处理为特征向量并输入,获得对应的输出向量;基于输出向量,引入Attention机制,获得对应的输出特征值;将所述输出特征值作为业务流特性参数。
优选的,模型输入与模型输出之间的关系的表达式为:
其中,为输入向量;n为隐含层神经元的数量;/>为第i个隐含层神经元的输出;/>为第i个隐含层神经元的径向基函数中心;/>为i个隐含层神经元的宽度;/>为输出向量;/>为第i个隐含层神经元与第j个输出层神经元之间的权重。
进一步的,所述基于输出向量,引入Attention机制,获得对应的输出特征值,包括:自定义预设向量,并计算其与输入向量之间的相关性,基于相关性进行注意力值分配,对应的注意力值分配规则为:
其中,表示为第i个输入向量的注意力值;/>为注意力筛选函数;q为预设向量;基于各输入向量确定的注意力值,计算所有输入向量的加权平均值,作为输出特征值;其中,所有输入向量的加权平均值的计算规则为:
其中,为输出特征值。
步骤S30:基于所述样本集对所述业务流特性参数进行归一化处理,获得业务流特征集。
具体的,所述基于所述样本集对所述业务流特性参数进行归一化处理,其归一化关系式为:
其中,X为归一化处理后的数据集矩阵;为输出业务流特性参数中的最大值;为输出业务流特性参数中的最小值。
在本发明实施例中,采用径向基函数神经网络及构建注意力机制模型对配电网接入业务的特性参数进行识别,通过调整算法的参数设定,提高业务识别精度,并根据业务流特征参数和历史数据样本,建立算法样本集,进行业务流特征参数归一化处理,确定业务流的特征集,完成对配电网业务接入的感知与识别。
步骤S40:采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征。
具体的,如图2,将所述样本集区分为历史数据和未来数据;基于所述业务流特性集分别向后学习所述历史数据和向前学习所述未来数据,获得学习结果;基于学习结果输出特征向量,作为关键特征。
在一种可能的实施方式中,依据Attention机制输出的特征值,系统开展双向学习,一个向后学习历史数据特征,另一个向前学习未来数据特征,在模型训练过程中可以同时利用历史和未来数据信息,并对其进行融合处理,表现出了更优越的性能。
步骤S50:基于所述关键特征进行专家库模糊匹配,确定业务类型。
具体的,将所述输出特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中。
在本发明实施例中,将特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中,对于新的业务识别需与已有的识别结果比对,不再进行深入识别,以提高效率。
在一种可能的实施方式中,在并行计算过程中,基于径向基函数神经网络及构建注意力机制模型对业务流特征提取识别,将特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中,对于新的业务识别需与已有的识别结果比对,不再进行深入识别,以提高效率。在特性新的业务流特征参数更新后,专家库进行实时更新。
图3是本发明一种实施方式提供的低压配电网业务接入感知系统的系统结构图。如图3所示,本发明实施方式提供一种低压配电网业务接入感知系统,所述系统包括:采集单元,用于响应于业务变更信号,采集对应的业务流信息;特征提取单元,用于基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数;归一化单元,用于基于所述样本集对所述业务流特性参数进行归一化处理,获得业务流特征集;学习单元,用于采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征;识别单元,用于基于所述关键特征进行专家库模糊匹配,确定业务类型。
在另一种可能的实施方式中,进行系统搭建时,采用微结构设计理念,根据分层自发的特性,设计一种分层分布的系统,整体结构在结构上是分层的,功能上是分布的,系统共分为数据层、基础层、感知层与用户层。数据层位于最底层,主要由融合终端/传感器等数据获取装置等构成,用于存储系统的所有数据,包括原始数据、中间数据、输出数据等。基础层通过通信技术与数据层进行数据交互,接受底层数据并进行相应的分析与判断,以此判断系统是否启动的依据。感知层根据系统拓扑结构的改变或业务接入的变化,对业务流进行感知与识别。用户层位整个系统的最高层,通过友好的人机交互界面输出感知识别结果。
本发明实施方式还提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的低压配电网业务接入感知方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述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。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (12)
1.一种低压配电网业务接入感知方法,其特征在于,所述方法包括:
响应于业务变更信号,采集对应的业务流信息;
基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数;其中,
所述基于特征提取模型,对所述业务流信息进行特征提取,包括:
在径向基函数神经网络中,基于高斯函数确定的模型输入与模型输出之间的关系,将业务流信息处理为特征向量并输入,获得对应的输出向量;
基于输出向量,引入Attention机制,获得对应的输出特征值;
将所述输出特征值作为业务流特性参数;
模型输入与模型输出之间的关系的表达式为:
其中,为输入向量;
n为隐含层神经元的数量;
为第i个隐含层神经元的输出;
为第i个隐含层神经元的径向基函数中心;
为第i个隐含层神经元的宽度;
为输出向量;
为第i个隐含层神经元与第j个输出层神经元之间的权重;
对所述业务流特性参数进行归一化处理,获得业务流特征集;
采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征;
基于所述关键特征进行专家库模糊匹配,确定业务类型。
2.根据权利要求1所述的方法,其特征在于,所述业务变更信号为配电网拓扑结构变化信号或业务接入信号。
3.根据权利要求1所述的方法,其特征在于,所述特征提取模型为基于径向基函数神经网络构建的注意力机制模型。
4.根据权利要求1所述的方法,其特征在于,所述对所述业务流特性参数进行归一化处理,其归一化关系式为:
其中,X为归一化处理后的数据集矩阵;
为输入向量;
为输出业务流特性参数中的最大值;
为输出业务流特性参数中的最小值。
5.根据权利要求1所述的方法,其特征在于,所述基于输出向量,引入Attention机制,获得对应的输出特征值,包括:
自定义预设向量,并计算预设向量与输入向量之间的相关性,基于相关性进行注意力值分配;其中,对应的注意力值分配规则为:
其中,为第i个输入向量的注意力值;/>为注意力筛选函数;
q为预设向量;m为输出层神经元序号;为第i个输入向量;N为输入向量数量;
基于各输入向量确定的注意力值,计算所有输入向量的加权平均值作为输出特征值;其中,所有输入向量的加权平均值的计算规则为:
其中,为输出特征值。
6.根据权利要求1所述的方法,其特征在于,所述采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征,包括:
将所述样本集区分为历史数据和未来数据;
基于所述业务流特性集分别向后学习所述历史数据和向前学习所述未来数据,获得学习结果;
基于学习结果输出特征向量,作为关键特征。
7.根据权利要求6所述的方法,其特征在于,所述基于所述关键特征进行专家库模糊匹配,确定业务类型,包括:
将所述输出特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中。
8.一种低压配电网业务接入感知系统,其特征在于,所述系统包括:
采集单元,用于响应于业务变更信号,采集对应的业务流信息;
特征提取单元,用于基于特征提取模型,对所述业务流信息进行特征提取,获得业务流特性参数;其中,
所述基于特征提取模型,对所述业务流信息进行特征提取,包括:
在径向基函数神经网络中,基于高斯函数确定的模型输入与模型输出之间的关系,将业务流信息处理为特征向量并输入,获得对应的输出向量;
基于输出向量,引入Attention机制,获得对应的输出特征值;
将所述输出特征值作为业务流特性参数;
模型输入与模型输出之间的关系的表达式为:
其中,为输入向量;
n为隐含层神经元的数量;
为第i个隐含层神经元的输出;
为第i个隐含层神经元的径向基函数中心;
为第i个隐含层神经元的宽度;
为输出向量;
为第i个隐含层神经元与第j个输出层神经元之间的权重;
归一化单元,用于对所述业务流特性参数进行归一化处理,获得业务流特征集;
学习单元,用于采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征;
识别单元,用于基于所述关键特征进行专家库模糊匹配,确定业务类型。
9.根据权利要求8所述的系统,其特征在于,所述基于特征提取模型,对所述业务流信息进行特征提取,包括:
在径向基函数神经网络中,基于高斯函数确定的模型输入与模型输出之间的关系,将业务流信息处理为特征向量并输入,获得对应的输出向量;
基于输出向量,引入Attention机制,获得对应的输出特征值;
将所述输出特征值作为业务流特性参数。
10.根据权利要求8所述的系统,其特征在于,所述采集当前配电网的历史业务接入数据,与所述业务流特性集共同构建样本集,并基于所述样本集进行机器学习,输出关键特征,包括:
将所述样本集区分为历史数据和未来数据;
基于所述业务流特性集分别向后学习所述历史数据和向前学习所述未来数据,获得学习结果;
基于学习结果输出特征向量,作为关键特征。
11.根据权利要求10所述的系统,其特征在于,所述基于所述关键特征进行专家库模糊匹配,确定业务类型,包括:
将所述输出特征向量与专家库特征项模糊匹配,选取向量数量最多的数据项作为业务类型的识别结果并存储在专家库中。
12.一种计算机可读储存介质,该计算机可读储存介质上储存有指令,其在计算机上运行时使得计算机执行权利要求1-7中任一项权利要求所述的低压配电网业务接入感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858388.8A CN116582450B (zh) | 2023-07-13 | 2023-07-13 | 低压配电网业务接入感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858388.8A CN116582450B (zh) | 2023-07-13 | 2023-07-13 | 低压配电网业务接入感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116582450A CN116582450A (zh) | 2023-08-11 |
CN116582450B true CN116582450B (zh) | 2023-12-01 |
Family
ID=87536408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310858388.8A Active CN116582450B (zh) | 2023-07-13 | 2023-07-13 | 低压配电网业务接入感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116582450B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696453A (zh) * | 2018-07-25 | 2018-10-23 | 北京智芯微电子科技有限公司 | 轻量级的电力通信网sdn业务流感知方法及系统 |
CN111711538A (zh) * | 2020-06-08 | 2020-09-25 | 中国电力科学研究院有限公司 | 基于机器学习分类算法的电力网络规划方法及系统 |
CN116149930A (zh) * | 2022-11-28 | 2023-05-23 | 国网江西省电力有限公司信息通信分公司 | 一种电力信息系统业务监控平台及监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11711310B2 (en) * | 2019-09-18 | 2023-07-25 | Tweenznet Ltd. | System and method for determining a network performance property in at least one network |
-
2023
- 2023-07-13 CN CN202310858388.8A patent/CN116582450B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696453A (zh) * | 2018-07-25 | 2018-10-23 | 北京智芯微电子科技有限公司 | 轻量级的电力通信网sdn业务流感知方法及系统 |
CN111711538A (zh) * | 2020-06-08 | 2020-09-25 | 中国电力科学研究院有限公司 | 基于机器学习分类算法的电力网络规划方法及系统 |
CN116149930A (zh) * | 2022-11-28 | 2023-05-23 | 国网江西省电力有限公司信息通信分公司 | 一种电力信息系统业务监控平台及监控方法 |
Non-Patent Citations (2)
Title |
---|
基于回声状态网络的电力EPON业务感知技术;李钟;;电力系统保护与控制;46(6);全文 * |
李钟 ; .基于回声状态网络的电力EPON业务感知技术.电力系统保护与控制.2018,46(6),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116582450A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems | |
CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN108020781B (zh) | 一种断路器故障诊断方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN104022552A (zh) | 一种用于电动汽车充电控制的智能检测方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
CN108803554A (zh) | 一种发电机信号的智能诊断方法 | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN112733456B (zh) | 一种反窃电行为识别方法和系统 | |
CN116582450B (zh) | 低压配电网业务接入感知方法及系统 | |
CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
CN111061152A (zh) | 基于深度神经网络攻击识别方法及智慧能源功率控制装置 | |
CN110348489A (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
CN114492578A (zh) | 一种基于bp神经网络的电气设备运行数据分类方法 | |
CN113191409A (zh) | 标签数据扩充与深度学习的居民异常用电行为检测方法 | |
CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
CN114266925B (zh) | 一种基于dlstm-rf的用户窃电检测方法及系统 | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
Li | Energy consumption prediction of public buildings based on PCA-RF-AdaBoost | |
CN113743537B (zh) | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |