CN116933010A - 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 - Google Patents
一种基于多源数据融合与深度学习的负载率分析评价方法和系统 Download PDFInfo
- Publication number
- CN116933010A CN116933010A CN202310886684.9A CN202310886684A CN116933010A CN 116933010 A CN116933010 A CN 116933010A CN 202310886684 A CN202310886684 A CN 202310886684A CN 116933010 A CN116933010 A CN 116933010A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- power system
- model
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000000556 factor analysis Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据融合与深度学习的负载率分析评价方法，主要步骤包括：首先对数据进行预处理，收集电力系统的实际负载率和额定负载率，对数据进行预处理，其次对收集到的多个数据源融合，得到包含更多信息的数据集，用DBN模型对数据集进行训练，建立电力系统负载率预测模型，使用验证集对模型验证，将训练好的模型对新数据进行预测，预测出电力系统的负载率，根据预测结果和外部因素数据，分析电力系统的实际负载率，根据分析结果，及时更新模型，提高预测精度和适应性。通过对负载率的分析和评价，可以提高电力系统的安全性和稳定性，同时确保电力系统的安全运行。
Description
技术领域
本发明涉及一种多源数据融合领域的基于多源数据融合与深度学习的负载率分析评价方法和系统。
背景技术
负载率分析和评价是电力系统运行管理的重要环节，主要用于评估电力系统各个部分的电力负载情况。其目的是了解电力系统的工作状态，预测系统的运行情况，提高电力系统的运行效率和稳定性，确保电力系统的可靠供电。负载率的高低反映了电力系统运行的负荷状况，是评价电力系统经济性和可靠性的重要指标之一。
目前，电力系统中负载率分析和评价仍然存在一些挑战问题。具体来说，主要包括以下方面：(1)数据来源多样性和数据量巨大：电力系统中的数据来自不同的设备和系统，而这些设备和系统又有着各自不同的数据格式和数据存储方式。因此，在进行负载率分析和评价时，需要处理多源数据，且数据量通常很大，难以高效地进行分析和处理。(2)精度和准确性问题：由于电力系统本身的复杂性和不确定性，以及数据质量的限制，当前负载率分析和评价的精度和准确性仍然存在着一定的局限性。(3)预测能力不足：目前的负载率分析和评价方法主要是基于历史数据进行预测，难以应对电力系统突发事件或新变化的情况。
为了克服这些挑战，当前研究者们正在积极探索和应用新的技术和方法，例如深度学习、大数据分析、人工智能等，以提高负载率分析和评价的精度和效率。同时，也需要建立更完善的数据采集和处理系统，以确保数据的准确性和一致性。一种基于多源数据融合与深度学习的负载率分析和评价方法主要需考虑两个方面的问题：(1)如何对大量数据处理分析划分对应类别；(2)如何使用输入数据完成整体最优模型建模和计算负载率。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种基于多源数据融合与深度学习的负载率分析评价方法和系统，用以针对变压器负载率进行分析评价，预测变压器负载能力。
实现上述目的的一种技术方案是：一种基于多源数据融合与深度学习的负载率分析评价方法，包括如下步骤：
S1：首先对有源配电网下采集大批量数据，收集电力系统的实际负载数据和额定负载数据，并且从天气预报、节假日安排获取外部因素数据，收集完数据，进入步骤2；
S2：对步骤1的数据进行数据预处理，数据预处理包含如下部分：
S2.1数据收集：收集电力系统的相关数据，包括发电机容量、负荷数据、线路数据、变电站数据；
S2.2数据清洗：将数据中的错误、缺失值和异常值进行清洗和处理，以确保数据的准确性和完整性；
S2.3数据转换：将数据转换为标准格式，以方便后续的分析处理；
S2.4数据归一化：将数据进行归一化处理，以消除不同数据之间的量纲差异，使得不同数据可以进行比较和分析。
S2.5数据采样：对于大数据量的数据，采用数据采样的方法，从中随机选取一部分数据进行分析处理，以节省计算资源和时间；
S2.6：对数据进行匿名处理，为了保护数据的隐私安全，进入到S3；
S3：接收步骤2的匿名数据后，对数据进行关联性验证，验证之后进入S4；
S4：对数据进行分类，分类为训练集、验证集、测试集，之后进入S5；
S5：对S4中的多个数据进行融合，得到包含更多信息的数据集，进入S6；
S6：将S5分类后的数据作为深度信念网络模型的输入，按照似然函数方程带入：
再对上式求导：
求得σ的值，此时σ值为预测模型的最优参数解,进入S7；
S7：使用验证集对模型进行验证，评估模型的预测性能，进入到S8；
S8：S7的参数通过反向传播神经网络BP算法修正网络权值和阈值，完成整体最优模型的建模，进入S9；
S9：根据S8的数据建模，使用训练好的模型对新数据进行预测，预测出电力系统的实际负载和额定负载之比，即负载率，进入到S10；
S10：根据预测结果和外部因素数据，分析和评价电力系统的负载率，可以使用图表和可视化工具进行展示，帮助用户更好地理解和决策，并根据分析结果更新模型。
采用上述基于多源数据融合与深度学习的负载率分析评价方法的负载率分析评价方法系统，包括数据处理器、多源数据融合器、负载率预测器和分析评价处理器；
数据处理器用于采集电力系统的实际和额定负载数据并对数据预处理,执行步骤S1至S4；多源数据融合器对收集到的多种数据进行融合得到包含更多信息的数据集，执行步骤S5；负载率预测器采用深度信念网络模型对数据集进行训练，建立电力系统负载率预测模型，预测出负载率，执行步骤S6至S9；分析评价处理器根据预测结果和外部因素分析评价电力系统负载率，根据分析结果更新模型，执行步骤S10。
进一步的，数据处理器收集电力系统的实际负载数据和额定负载数据，并从天气预报、节假日安排获取外部因素数据，对收集到的数据进行预处理，包括数据清洗、归一化、特征提取。
进一步的，多源数据融合器将来自不同数据源的信息进行融合和整合，从而得到更准确和全面的负载率分析评价结果：通过融合天气预报数据，对负载率的波动趋势进行精准预测；通过融合历史数据，对负载率的长期趋势进行更全面的分析；通过融合实时监测数据，对负载率的瞬时变化进行更快速的反应；经过多种分析后把各种结果相结合，最后把结果输入给深度信念网络模型。
进一步的，负载率分析器将实际负载除以额定负载，即可计算出电力系统的负载率，负载率的值越接近于1，表示电力系统的利用效率越高，反之则表示效率较低，根据负载率的计算结果，结合电力系统的运行情况和历史数据，分析影响负载率的因素。
进一步的，分析评价处理器根据分析结果，提出改进电力系统负载率的方案。
本发明的基于多源数据融合与深度学习的负载率分析评价方法和系统可以充分挖掘电网数据信息，精确预测电力系统的潜在隐患，保证整个电力系统的安全稳定运行。
附图说明
图1是负载率分析评价方法系统结构图；
图2是数据清洗流程图；
图3是本发明方法的流程示意图。
具体实施方式
为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：
本发明的技术方案使用深度学习的评估预测算法来对变压器的负载率进行预测和评估。具体来说，首先对数据进行预处理，收集电力系统的实际负载率和额定负载率，对数据进行预处理，其次对收集到的多个数据源融合，得到包含更多信息的数据集，用DBN模型对数据集进行训练，建立电力系统负载率预测模型，使用验证集对模型验证，将训练好的模型对新数据进行预测，预测出电力系统的负载率，根据预测结果和外部因素数据，分析电力系统的实际负载率，根据分析结果，及时更新模型，提高预测精度和适应性。通过对负载率的分析和评价，可以提高电力系统的安全性和稳定性，同时确保电力系统的安全运行。
请参阅图1，负载率分析评价方法系统主要包括四个部分：数据处理器、多源数据融合器、负载率预测器和分析评价处理器。数据处理器用于采集电力系统的实际和额定负载数据并对数据预处理；多源数据融合器是对收集到的多种数据进行融合得到包含更多信息的数据集；负载率预测器是深度信念网络(Deep Bel ief Network，简称DBN模型)对数据集进行训练，建立电力系统负载率预测模型，预测出负载率；分析评价处理器根据预测结果和外部因素分析评价电力系统负载率，根据分析结果更新模型。下面给出具体介绍：
数据处理器：收集电力系统的实际负载数据和额定负载数据，并从天气预报、节假日安排等多个来源获取外部因素数据。对收集到的数据进行预处理，包括数据清洗、归一化、特征提取等等。由于电力系统中收集的实时数据通常包含一些噪声和异常值，这些数据会对负载率分析和评价产生干扰和误差。因此，在进行负载率分析和评价之前，需要对数据进行预处理，以提高数据的质量和准确性，从而得到更可靠的分析和评价结果。数据预处理包含步骤如下：
(1)数据收集：首先需要收集电力系统的相关数据，包括发电机容量、负荷数据、线路数据、变电站数据等。
(2)数据清洗：将数据中的错误、缺失值和异常值进行清洗和处理，以确保数据的准确性和完整性。
(3)数据转换：将数据转换为合适的格式，以方便后续的分析处理。例如，可以将时间数据转换为标准时间格式，将功率数据转换为相应的单位(如千瓦、兆瓦)。
(4)数据归一化：将数据进行归一化处理，以消除不同数据之间的量纲差异，使得不同数据可以进行比较和分析。例如，可以使用最大最小值归一化或标准差归一化等方法。
(5)数据采样：如果数据量很大，可以采用数据采样的方法，从中随机选取一部分数据进行分析处理，以节省计算资源和时间。
首先对所有的数据进行匿名审核，对全部数据统一分析，并且评价不符合规范，异常的数据。匿名功能是在不改变相互关联的数据基础上，对数据的ID匿名处理，对不同的数据采用不同的处理方法。对访问数据的用户精确授权，其他用户无法越权访问，对访问的用户进行记录，记录分析敏感数据访问的信息。这样不仅能广泛利用数据非敏感部分，还能最大化避免数据隐私泄露和加强了数据的管理性。
数据质量评估是确保数据准确性、完整性、一致性和可靠性的重要步骤，以确保数据的质量，使其适用于后续分析和决策。离线专业化剖析工具是进行数据质量评估的重要工具之一，可以对数据表进行全字段、全数据记录的数据剖析，以识别数据质量问题并提供解决方案。
在数据结构层面，数据质量评估主要分析数据的值域及分布、数据类型、数据格式等，以识别数据的规范性和准确性。在数据内容层面，自动分析并直观展现数据实体及属性信息，以识别数据的完整性和一致性。在数据关系层面，剖析各字段的数据值及分布、数据格式及分布、填充值值域、填充值长度、填充值分散度、空值率等重要数据特征，以识别数据的可靠性和相关性。
以主变压器数据质量分析为例，数据质量评估可以通过对主变压器台账信息表、变压器油色谱表、变压器铁芯电流表进行数据质量评估，展现数据关联率、数据不规范率、数据异常值率和数据非空值率等数据质量指标，以确定数据质量问题所在。同时，数据质量评估还可以通过设备编码关联，展现主变压器匹配装置数和主变压器匹配监测数数，以识别数据的完整性和一致性，同时还可以展现未匹配装置的主变压器列表和未匹配监测数据的主变压器列表，为数据治理提供依据。
数据清洗是发现并纠正数据中可识别错误的一道程序，具体是检查数据是否缺失、数据是否有效和数据的一致性。数据清洗主要是对残缺数据、错误数据和重复数据进行处理。残缺数据主要对应的是应该有的信息确实，比如对应类别、客户名字、公司部门的信息缺失。对于这一类缺失数据会在规定时间内补全，再进入数据库；对于错误数据，比如日期格式不对、字符不对等数据，这一类错误需要数据库用SQL的方式挑出来交给相关部门修正之后再抽取数据信息；对于重复的数据则是不断地重复筛选，根据不同的过滤规则验证。等待数据清洗后，将数据存入平台数据库，最后将数据进行分类，进行数据挖掘和使用。
数据清洗的主要途径与流程如图2所示。
数据清洗机制首先阐述了清洗的规则，批量导入和导出数据，统一了清洗规则和集中管理数据补全残缺数据、纠正错误数据、删除重复数据；对电力系统中的不同场景提供了各自的清洗方案，大大地提高了数据的准确率，并且自动设置了清洗时间，在规定时间内有效的完成所有场景的数据清洗工作；清洗后的数据清晰明朗，数据直观可见，反馈整体数据清洗的情况，更好的帮助使用者根据不同的维度进行数据分类，更快的分类训练集、验证集和测试集。
多源数据融合器：多源数据融合器可以将来自不同数据源的信息进行融合和整合，从而得到更准确和全面的负载率分析评价结果。通过融合天气预报数据，可以对负载率的波动趋势进行更精准的预测；通过融合历史数据，可以对负载率的长期趋势进行更全面的分析；通过融合实时监测数据，可以对负载率的瞬时变化进行更快速的反应。经过多种分析后把各种结果相结合，最后把结果输入给DBN模型。
多源数据融合模块可以将来自不同传感器、设备和系统的数据进行整合，从而获得更为全面、准确的负载率信息。这些数据可能包括电力负载、传输线路的电流和电压等参数、天气数据等。通过对这些数据的分析，可以更好地了解电力系统的运行状态，发现问题和风险，及时采取措施，具体来说，多源数据融合模块的作用包括：
(1)提高负载率的准确度：多源数据融合模块可以融合来自不同数据源的数据，如用电负荷、天气预报、发电机运行状况等，从而提高负载率分析的准确度。
(2)实时监控电力系统运行状况：多源数据融合模块可以实时监控电力系统运行状况，及时检测异常情况，帮助运营管理人员做出相应的决策。
(3)优化电力系统运行：多源数据融合模块可以分析电力系统中不同元素之间的关系，提供优化建议，帮助电力系统运行更加高效和可靠。
(4)支持智能化决策：多源数据融合模块可以利用人工智能技术，对电力系统运行状况进行分析，从而支持运营管理人员做出智能化决策。
多源数据融合模块在电力系统中的负载率分析与评价中具有重要作用，在数据预处理后，对所有的数据融合得到包含更多信息的数据集，可以提高电力系统运行的效率和可靠性。
负载率分析器：将实际负载除以额定负载，即可计算出电力系统的负载率。负载率的值越接近于1，表示电力系统的利用效率越高，反之则表示效率较低。根据负载率的计算结果，结合电力系统的运行情况和历史数据，分析影响负载率的因素。负载预测器是使用深度学习模型对数据集进行训练，以建立电力系统负载率预测模型，再使用验证集对模型进行验证，评估模型的预测性能，最后使用训练好的模型对新数据进行预测，预测出电力系统的实际负载和额定负载之比，即负载率.
分析评价处理器：根据分析结果，提出改进电力系统负载率的方案。可能的改进方案包括优化负荷调度策略、增加电力设备的容量、鼓励节能减排等。对改进方案的实施效果进行评估，及时更新模型，根据预测结果和外部因素数据，分析和评价电力系统的负载率。可以使用图表和可视化工具进行展示，帮助用户更好地理解和决策。以提高预测精度和适应性。看是否达到预期的效果。
DBN模型是以深度学习模型的深度信念网络(Deep Bel ief Network，简称DBN)为模型建造的。通过采用逐层训练的方式，解决了深层次神经网络的优化问题，通过逐层训练为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。而在逐层训练的时候起到最重要作用的是“受限玻尔兹曼机”(Res tricted Boltzmann Machines，简称RBM)。
DBN模型通过堆叠多个RBM层来学习数据的特征表示。每个RBM层由可见层和隐层组成，其中可见层接收原始输入数据，隐层用于提取特征。在DBN中，每个RBM层的隐层也被称为特征检测器，因为它们学习了输入数据的高级特征。
DBN模型的训练是逐层进行的，从最底部的RBM层开始，以原始输入数据进行训练。然后，该RBM层的隐层特征被用作顶部RBM层的输入，继续训练。这个过程被重复，直到所有RBM层都被训练完毕。这种逐层的训练过程使得模型能够逐步学习数据的复杂特征表示，并且可以避免深层神经网络中的梯度消失问题。
在DBN模型被训练或者收敛到一个稳定状态之后，它可以用于生成新数据。这是因为，通过学习数据的概率模型，DBN可以生成新的、与原始数据类似的样本。这个能力对于解决样本数量不足的问题非常有用。
在“受限玻尔兹曼机”中讲训练样本作为输入，通过改变参数σ，调整受σ影响的RBM训练数据概率分布一致性和分布曲线最高，求取最大似然函数值，下面为似然函数方程：
对(1)式求导：
令导数为0，求得σ的值，此时σ值为预测模型的最优参数解。在实际过程中，输入的数据都比理论计算值要更复杂，因此需要自上而下逐层训练RMB的方式，建立模型之后通过反向神经网络BP算法修真阈值和权值，优化了计算程度。使用验证集对模型进行验证，评估模型的预测性能，使用训练好的模型对新数据进行预测，结合多种外部因素影响，预测出电力系统的实际负载和额定负载之比，即负载率。
本发明的一种基于多源数据融合与深度学习的负载率分析和评价方法包含的步骤为：
S1：首先对有源配电网下采集大批量数据，收集电力系统的实际负载数据和额定负载数据，并且从天气预报、节假日安排获取外部因素数据，收集完数据，进入步骤2；
S2：对步骤1的数据进行数据预处理，数据预处理包含如下部分：
S2.1数据收集：收集电力系统的相关数据，包括发电机容量、负荷数据、线路数据、变电站数据；
S2.2数据清洗：将数据中的错误、缺失值和异常值进行清洗和处理，以确保数据的准确性和完整性；
S2.3数据转换：将数据转换为标准格式，以方便后续的分析处理；
S2.4数据归一化：将数据进行归一化处理，以消除不同数据之间的量纲差异，使得不同数据可以进行比较和分析。
S2.5数据采样：对于大数据量的数据，采用数据采样的方法，从中随机选取一部分数据进行分析处理，以节省计算资源和时间；
S2.6：对数据进行匿名处理，为了保护数据的隐私安全，进入到S3；
S3：接收步骤2的匿名数据后，对数据进行关联性验证，验证之后进入S4；
S4：对数据进行分类，分类为训练集、验证集、测试集，之后进入S5；
S5：对S4中的多个数据进行融合，得到包含更多信息的数据集，进入S6；
S6：将S5分类后的数据作为深度信念网络模型的输入，按照似然函数方程带入：
再对上式求导：
求得σ的值，此时σ值为预测模型的最优参数解,进入S7；
S7：使用验证集对模型进行验证，评估模型的预测性能，进入到S8；
S8：S7的参数通过反向传播神经网络BP算法修正网络权值和阈值，完成整体最优模型的建模，进入S9；
S9：根据S8的数据建模，使用训练好的模型对新数据进行预测，预测出电力系统的实际负载和额定负载之比，即负载率，进入到S10；
S10：根据预测结果和外部因素数据，分析和评价电力系统的负载率，可以使用图表和可视化工具进行展示，帮助用户更好地理解和决策，并根据分析结果更新模型。
对于电力系统的安全运行与控制，系统的负载率是选定的工作时间周期内允许设备连续负载的时间，即通过负载率可以有效的清晰的展现系统工作的时间，在维护其安全性的同时，达到最高的运行效率，影响负载率的因素很多，比如天气、节假日安排等多个外部因素数据。可以通过建立DBN模型预测出电力系统的负载率，再结合外部因素数据分析评价电力系统的负载率，从而在保障电力系统安全运行的情况下充分发挥电力系统的运行能力。
其具体的实施方案为：
(1)首先收集电力系统的实际负载数据和额定负载数据，并从天气预报、节假日安排等多个来源获取外部因素数据。
(2)再对收集到的数据进行预处理，包括数据清洗、归一化、特征提取等。将收集到的多个数据源进行融合，得到包含更多信息的数据集。最后数据分类为：训练集、验证集、测试集。
(3)然后将分类后的数据放入DBN模型模拟计算，最后得到最优参数解，使用验证集对模型进行验证，评估模型的预测性能，再使用训练好的模型对新数据进行预测，预测出电力系统的实际负载和额定负载之比，即负载率。
(4)最后根据预测结果和外部因素数据，分析和评价电力系统的负载率。可以使用图表和可视化工具进行展示，根据分析结果，及时更新模型，以提高预测精度和适应性。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (6)
1.一种基于多源数据融合与深度学习的负载率分析评价方法，其特征在于，包括如下步骤：
S1：首先对有源配电网下采集大批量数据，收集电力系统的实际负载数据和额定负载数据，并且从天气预报、节假日安排获取外部因素数据，收集完数据，进入步骤2；
S2：对步骤1的数据进行数据预处理，数据预处理包含如下部分：
S2.1数据收集：收集电力系统的相关数据，包括发电机容量、负荷数据、线路数据、变电站数据；
S2.2数据清洗：将数据中的错误、缺失值和异常值进行清洗和处理，以确保数据的准确性和完整性；
S2.3数据转换：将数据转换为标准格式，以方便后续的分析处理；
S2.4数据归一化：将数据进行归一化处理，以消除不同数据之间的量纲差异，使得不同数据可以进行比较和分析。
S2.5数据采样：对于大数据量的数据，采用数据采样的方法，从中随机选取一部分数据进行分析处理，以节省计算资源和时间；
S2.6：对数据进行匿名处理，为了保护数据的隐私安全，进入到S3；
S3：接收步骤2的匿名数据后，对数据进行关联性验证，验证之后进入S4；
S4：对数据进行分类，分类为训练集、验证集、测试集，之后进入S5；
S5：对S4中的多个数据进行融合，得到包含更多信息的数据集，进入S6；
S6：将S5分类后的数据作为深度信念网络模型的输入，按照似然函数方程带入：
再对上式求导：
求得σ的值，此时σ值为预测模型的最优参数解,进入S7；
S7：使用验证集对模型进行验证，评估模型的预测性能，进入到S8；
S8：S7的参数通过反向传播神经网络BP算法修正网络权值和阈值，完成整体最优模型的建模，进入S9；
S9：根据S8的数据建模，使用训练好的模型对新数据进行预测，预测出电力系统的实际负载和额定负载之比，即负载率，进入到S10；
S10：根据预测结果和外部因素数据，分析和评价电力系统的负载率，可以使用图表和可视化工具进行展示，帮助用户更好地理解和决策，并根据分析结果更新模型。
2.采用上述基于多源数据融合与深度学习的负载率分析评价方法的负载率分析评价方法系统，其特征在于，包括数据处理器、多源数据融合器、负载率预测器和分析评价处理器；
数据处理器用于采集电力系统的实际和额定负载数据并对数据预处理,执行步骤S1至S4；多源数据融合器对收集到的多种数据进行融合得到包含更多信息的数据集，执行步骤S5；负载率预测器采用深度信念网络模型对数据集进行训练，建立电力系统负载率预测模型，预测出负载率，执行步骤S6至S9；分析评价处理器根据预测结果和外部因素分析评价电力系统负载率，根据分析结果更新模型，执行步骤S10。
3.根据权利要求2所述的一种负载率分析评价系统，其特征在于，数据处理器收集电力系统的实际负载数据和额定负载数据，并从天气预报、节假日安排获取外部因素数据，对收集到的数据进行预处理，包括数据清洗、归一化、特征提取。
4.根据权利要求2所述的一种负载率分析评价系统，其特征在于，多源数据融合器将来自不同数据源的信息进行融合和整合，从而得到更准确和全面的负载率分析评价结果：通过融合天气预报数据，对负载率的波动趋势进行精准预测；通过融合历史数据，对负载率的长期趋势进行更全面的分析；通过融合实时监测数据，对负载率的瞬时变化进行更快速的反应；经过多种分析后把各种结果相结合，最后把结果输入给深度信念网络模型。
5.根据权利要求2所述的一种负载率分析评价系统，其特征在于，负载率分析器将实际负载除以额定负载，即可计算出电力系统的负载率，负载率的值越接近于1，表示电力系统的利用效率越高，反之则表示效率较低，根据负载率的计算结果，结合电力系统的运行情况和历史数据，分析影响负载率的因素。
6.根据权利要求2所述的一种负载率分析评价系统，其特征在于，分析评价处理器根据分析结果，提出改进电力系统负载率的方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886684.9A CN116933010A (zh) | 2023-07-19 | 2023-07-19 | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886684.9A CN116933010A (zh) | 2023-07-19 | 2023-07-19 | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933010A true CN116933010A (zh) | 2023-10-24 |
Family
ID=88389063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310886684.9A Pending CN116933010A (zh) | 2023-07-19 | 2023-07-19 | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933010A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557009A (zh) * | 2024-01-12 | 2024-02-13 | 东莞市华灏技术有限公司 | 一种电源效率监测方法及系统 |
| CN117573328A (zh) * | 2024-01-15 | 2024-02-20 | 西北工业大学 | 基于多模型驱动的并行任务快速处理方法及系统 |
| CN117691594A (zh) * | 2023-12-20 | 2024-03-12 | 四川盛鑫源电器设备制造有限公司 | 一种用于变压器的节能降耗判断方法及系统 |
-
2023
- 2023-07-19 CN CN202310886684.9A patent/CN116933010A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117691594A (zh) * | 2023-12-20 | 2024-03-12 | 四川盛鑫源电器设备制造有限公司 | 一种用于变压器的节能降耗判断方法及系统 |
| CN117557009A (zh) * | 2024-01-12 | 2024-02-13 | 东莞市华灏技术有限公司 | 一种电源效率监测方法及系统 |
| CN117557009B (zh) * | 2024-01-12 | 2024-05-07 | 东莞市华灏技术有限公司 | 一种电源效率监测方法及系统 |
| CN117573328A (zh) * | 2024-01-15 | 2024-02-20 | 西北工业大学 | 基于多模型驱动的并行任务快速处理方法及系统 |
| CN117573328B (zh) * | 2024-01-15 | 2024-03-29 | 西北工业大学 | 基于多模型驱动的并行任务快速处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
| CN115630839B (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
| CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
| CN101728868A (zh) | 遥测电力负荷特性的分类和预测方法 | |
| CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
| CN113408548A (zh) | 变压器异常数据检测方法、装置、计算机设备和存储介质 | |
| CN118133068B (zh) | 一种电网拓扑自动识别与构建方法及系统 | |
| CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN115033591B (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
| CN110826228A (zh) | 一种地区电网运行品质极限评估方法 | |
| CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
| CN116561519A (zh) | 基于电网大数据的电碳排放过程监测方法和系统 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
| CN115409120A (zh) | 一种基于数据驱动的用户窃电行为检测辅助方法 | |
| CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
| CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
| CN117787743A (zh) | 一种基于大数据的高炉炉况智能评价方法及系统 | |
| WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
| CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 |
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 |