CN117669656A - 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 - Google Patents
基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 Download PDFInfo
- Publication number
- CN117669656A CN117669656A CN202311471180.7A CN202311471180A CN117669656A CN 117669656 A CN117669656 A CN 117669656A CN 202311471180 A CN202311471180 A CN 202311471180A CN 117669656 A CN117669656 A CN 117669656A
- Authority
- CN
- China
- Prior art keywords
- data
- grid
- direct current
- tcn
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 230000001687 destabilization Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于TCN‑Semi PN的直流微电网稳定性实时监测方法,包括:基于时序采集直流母线电压数据,构建对应的数据集;构建基于TCN‑SemiPN的分类网络;采用数据集对所述分类网络进行迭代训练,以获得用于监测直流微电网运行状态的检测模型;将待检测的直流母线电压数据输入至检测模型中,输出直流微电网是否稳态的判断结果以及对应的发生时间。本发明还提供了一种直流微电网失稳实时监测装置。本发明提供的方法能实时监测直流微电网的运行状态,并快速判断电网是否失稳。
Description
技术领域
本发明属于电力系统与自动化技术领域,尤其涉及一种基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置。
背景技术
随着可再生能源(如太阳能和风能)的快速发展和广泛应用,电力系统中出现了大规模的分布式能源,和负载以直流形式集成在一起,实现了能量的高效分配和管理。直流微电网是一种典型的直流电力电子系统,它包含多种电源变换器接口的可再生能源。由于其供电可靠性高、控制灵活、高效、分布损耗低、线路损耗小,更容易集成可再生能源等优点,在电动汽车、全电动船舶/飞机、数据中心、低能耗建筑等领域中得到了广泛的应用。
然而在实际工作中,级联系统常常具有稳定性问题。当系统失稳时,可能会造成设备损坏、系统崩溃,甚至引起安全风险。因此提高系统运行的可靠性,保证系统的稳定性变得至关重要。现有的失稳检测方法主要是基于阻抗测量的方法,该方法具有侵入性,会对系统运行和电能质量造成不利影响,并且需要广泛部署的测量单元和高带宽的通信网络,这使得测量方法不易实现。目前,基于人工智能的方法由于具有非侵入性,不需要建立精确的电路模型,检测精度高等特点得到了广泛研究。其中深度学习算法,如卷积神经网络(CNN)、循环神经网络(RNN)具有较强的特征提取能力,但是神经网络的结构过于复杂,训练时内存消耗大,计算复杂度也大大增加。此外,基于监督学习的人工智能方法需要大量历史运行数据进行模型训练,而在实际工作中,带标签的失稳数据获取比较困难、成本高。因此,深度学习模型结构复杂、计算量大、对有标签数据的依赖性较大等问题还有待解决。
专利文献CN113128130A公开了一种判断直流配电系统稳定性的实时监测方法,包括:获得样本集;基于全连接神经网络构建训练系统,包括生成器网络模型,判别器和分类器网络模型;构建训练系统的损失函数;利用损失函数对训练系统进行训练,确定参数的生成器组成高置信度的伪标签直流电压数据模型;将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。该方法能够获得足够稳定/不稳定标签直流电压数据,以及合适的稳定/不稳定标签比例,从而能够实时判别电网系统真实观测数据稳定性。
专利文献CN110794243A公开了一种直流系统故障诊断方法,包括以下步骤:获取故障波形以及故障类型;建立所述故障波形和所述故障类型的对应表;将所述故障波形划分为训练集以及测试集;建立基于卷积神经网络的故障诊断模型,采用所述训练集对所述故障诊断模型进行训练,并采用所述测试集进行测试;将实时故障波形输入所述故障诊断模型中,所述故障诊断模型根据所述故障波形和所述故障类型的对应表输出所述故障波形的故障类别。
发明内容
本发明的目的在于提供一种基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置,该方法能实时监测直流微电网的运行状态,并快速判断电网是否失稳。
为了实现本发明的第一个目的,提供了一种基于TCN-Semi PN的直流微电网稳定性实时监测方法,包括以下步骤:
基于时序采集直流母线电压数据,并对采集获得的直流母线电压数据进行随机采样,以构建小样本数据集;
基于电网是否稳定对所述小样本数据集进行标签标注,将小样本数据集和标签组成第一数据集;
通过随机抽取方式,将第一数据集和无标签的直流母线电压数据进行混合以构建对应的数据集;
构建基于TCN-SemiPN的分类网络,所述分类网络包括特征提取模块和预测模块,所述特征提取模块用于提取输入的直流母线电压数据的时序特征,所述预测模块根据获取的时序特征进行分析,以输出分类结果,所述分类结果包括电网稳态情况;
采用数据集对所述分类网络进行迭代训练,以获得用于监测直流微电网运行状态的检测模型;
将待检测的直流母线电压数据输入至检测模型中,输出直流微电网是否稳态的判断结果以及对应的发生时间。
本发明在卷积神经网络和循环神经网络的基础上进行改进,采用时间卷积神经网络,有效地捕捉到输入时间序列中的长期依赖性,有更好的性能和更快的训练速度,同时结合残差网络结构,有效避免网络退化问题。利用半监督原型网络解决小样本、标签数量不足的问题,适用于直流微电网的失稳实时监测。
具体的,所述特征提取模块通过构建时间样本窗口实时采集直流母线电压数据,从而保证数据采集的实时性。
具体的,所述数据集包括支持集与查询集所述支持集数量为Ns,包括从第一数据集中随机抽取的Ns_label个样本和从无标签直流母线电压数据中随机抽取Ns_unlabel个样本;
所述查询集数量为Nq,包括第一数据集中随机抽取的Nq个样本,该样本与支持集抽取的Ns_label个样本不同。
具体的,所述特征提取模块采用预构建的时间卷积神经网络进行特征提取,以保证数据特征带有时序特征,该特征提取过程如下:
输入时间序列xT,长度为l,特征数量为1;
设定TCN初始参数,设置卷积核大小k=3,L=4层扩张因果卷积,q=2个残差网络结构,这两个残差网络结构中的扩张因子d分别为d1=2、d2=4,此时感受野长度为G=25,为了保证输入输出维度相同,每层还需加上padding,padding数量=(k-1)*d,并使用sigmoid函数作为激活函数;
将时间序列输入TCN,得到l×1维度的数据样本xT’=fφ(xT),xT’中每个时间点包含过去G个时间点的特征。
具体的,所述时间卷积神经网络采用残差网络结构,可以有效避免网络退化问题。
具体的,在训练过程中,在训练过程中,将数据集分为支持集和查询集;
所述支持集包含若干带有标签的第一数据和未带标签的第二数据,所述查询集包含若干带有标签的第三数据;
采用均值算法对支持集中的第一数据进行处理,构建对应标签的初始原型;
将支持集中第二数据与所述原型进行相似度计算,并将相似度最大的初始原型对应标签作为第二数据的参考标签;
将参考标签引入支持集,并对支持集的初始原型进行细化操作;
基于支持集和查询集构建对应的损失函数,并利用随机梯度下降法迭代更新分类网络的参数,每迭代一次更新分类网络的参数时,同步重新构建新的支持集和查询集。
具体的,所述初始原型的表达式如下:
其中,xi为属于类别c中带有标签的原始向量,fφ(xi)为原始xi经过TCN提取特征后的时序向量,Nsc_lable为属于类别c的初始带标签数据样本总数,Oc为类别c的数据原型,其中,c=1、2,1表示失稳,2表示稳定。
具体的,采用半监督式原型网络完成细化原型操作,其具体过程如下:
将带有参考标签的第二数据与第一数据进行结合并重新分类,并对分类后的数据进行原型计算,所述结合的表达式如下:
Nsc_label=Nsc_label+Nsc_unlabel
其中,右边Nsc_lable为属于类别c的初始带标签数据样本总数,Ns_unlabel为属于类别c的初始不带标签数据样本总数。
具体的,所述损失函数的表达式如下:
其中,fφ(xi)为原始xi经过TCN提取特征后的时序向量,Oc为类别c的数据原型,其中,c=1、2,1表示失稳,2表示稳定,Nq为查询集中的样本数量,J为损失值,Ns为支持集的样本数量。
为了实现本发明的第二个目的,提供了一种直流微电网稳定性实时监测装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时执行上述的检测模型;
其具体步骤如下:将直流微电网的直流母线电压信号输入至检测模型,以判断直流微电网的运行状态。
与现有技术相比,本发明的有益效果:
采用时间卷积神经网络,有效地捕捉到输入时间序列中的长期依赖性,有更好的性能和更快的训练速度;同时结合残差网络结构,有效避免网络退化问题;利用半监督原型网络解决小样本、标签数量不足的问题,适用于直流微电网的失稳实时监测。
附图说明
图1为本实施例提供的一种直流微电网稳定性实时监测方法的流程图;
图2为本实施例提供的TCN-Semi PN的结构框架;
图3为本实施例提供的时间卷积神经网络结构示意图;
图4为本实施例提供的基于半监督式原型网络原理说明图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本实施例提供了一种基于TCN-Semi PN的直流微电网稳定性实时监测方法,其过程如图1所示,具体操作如下:
构建时间样本窗口实时采集直流母线电压数据,作为后续特征提取、训练测试的数据集合。其中,数据为时序数据xT,包含带失稳标签数据、带稳定标签数据、不带标签数据三种类型。在样本数据中按照规则随机抽取Ns个样本作为支持集,随机抽取Nq个样本作为查询集;
更具体地,实时数据样本中,带标签样本数据为N个,其中带失稳标签数据为N1个,表现形式为:
{(x1,y1),(x2,y2)...,,(xN1,yN1)},yi='stable',i=1,2,...,N1;
带稳定标签数据为N2个,表现形式为:
{(x1,y1),(x2,y2)...,,(xN2,yN2)},yi='unstable',i=1,2,...,N2;
不带标签数据为M个,表现形式为:
{(x1),(x2)...,,(xM)};
抽取规则为:每一个训练步中,在N个带标签样本数据里随机抽取Ns_label个样本,在M个不带标签样本数据里随机抽取Ns_unlabel个样本,组合成支持集;在N个带标签样本数据里随机抽取Nq个样本,这些样本与抽取的Ns_label个样本不重复,作为查询集。
如图2所示,为本实例提供的TCN-Semi PN的结构框架,该框架下的网络包括特征提取模块和预测模块,所述特征提取模块用于提取输入的直流母线电压数据的时序特征,所述预测模块根据获取的时序特征进行分析,以输出分类结果,所述分类结果包括电网稳态情况。
采用上述构建的支持集和查询集对网络进行训练,以获得相应的检测模型。
在训练前要对数据进行特征提取,即将支持集与查询集在每一个训练步中输入到时间卷积神经网络(TCN)提取时序特征,得到xT’=fφ(xT)。
如图3所示,该时间卷积神经网络的卷积核大小k=3,q=2个残差网络结构,扩张因子d在第一个残差网络结构中统一设置为2,第二个残差网络结构中统一设置为4,共L=4层扩张因果卷积,此时感受野长度为G=25,为了保证输入输出维度相同,每层还需加上padding,padding数量=(k-1)*d,使用sigmoid函数作为激活函数。
扩张因果卷积部分:当输入为l×1的时序序列时,可以看到每一层t时刻的值只依赖于上一层t,t-1,…时刻的值。扩张因子d指的是每隔d个点采样作为一个输入点,采样输入点后进行因果卷积操作。
其中,fφ=(f1,f2,…,fK)为卷积核滤波器,xt为t时刻的时间点输出,只与上一层t时刻以前的输入有关联。
残差网络结构:将扩张因果卷积然后经过标准化与sigmoid激活函数得到残差网络的残差F(x),残差网络在训练过程中始终保留原始信息,还增加了网络获取的新知识。经过2个残差结构后得到l×1的同维度输出。
如图4所示,为训练的具体过程:
(1)求原型:首先将经过TCN提取时序特征后的时序序列输入到原型网络中,根据每个带标签样本,计算出支持集中失稳类别与稳定类别的原型,其表达式如下:
其中,xi为属于类别c中每一个带标签数据的原始向量,fφ(xi)为原始xi经过TCN提取特征后的时序向量,Nsc_lable为属于类别c的带标签数据样本总数,Oc为类别c的数据原型。
(2)打标签:将提取特征后支持集中Ns_unlabel个数据样本输入,根据欧拉距离函数先求得每个样本与原型之间的距离,根据距离远近将每个不带标签的数据打上标签。
其中,xi’为属于类别c中每一个不带标签数据的原始向量,d为距离函数,d(fφ(xi'),Oc)计算每个不带标签样本与类别原型之间的距离,距离越近说明属于该类的概率越大。根据上式计算的概率给不带标签的数据样本打上标签。
(3)细化原型网络:根据概率给未标签样本打上标签后,利用支持集中带标签的Ns_label个样本和打上标签的Ns_unlabel个样本,通过式(16)重新计算每个类别的原型。
其中,Nsc为支持集中所属于c类别的样本。
(4)得到损失,反馈调整参数:在查询集中,将Nq个样本与每个类别原型相比较,计算距离,根据下式计算每个样本属于类别c的概率,得到预测值。
根据每个样本的实际类别,通过下式计算查询集中每个样本的损失函数,并求和得到最终损失函数:
利用随机梯度下降法更新参数。
每个训练步中重新抽取支持集与查询集,重复以上步骤,得到最终训练好的TCN-Semi PN模型。
测试网络性能。将采集的直流母线电压数据输入到训练好的分类模型中,以判断直流微电网的运行状态。
本实施例还提供了一种直流微电网失稳实时监测装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时执行上述的检测模型;
其具体步骤如下:将直流微电网的直流母线电压信号输入至检测模型,以判断直流微电网的运行状态。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,包括以下步骤:
基于时序采集直流母线电压数据,并对采集获得的直流母线电压数据进行随机采样,以构建小样本数据集;
基于电网是否稳定对所述小样本数据集进行标签标注,将小样本数据集和标签组成第一数据集;
通过随机抽取方式,将第一数据集和无标签的直流母线电压数据进行混合以构建对应的数据集;
构建基于TCN-SemiPN的分类网络,所述分类网络包括特征提取模块和预测模块,所述特征提取模块用于提取输入的直流母线电压数据的时序特征,所述预测模块根据获取的时序特征进行分析,以输出分类结果,所述分类结果包括电网稳态情况;
采用数据集对所述分类网络进行迭代训练,以获得用于监测直流微电网运行状态的检测模型;
将待检测的直流母线电压数据输入至检测模型中,输出直流微电网是否稳态的判断结果以及对应的发生时间。
2.根据权利要求1所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,所述特征提取模块通过构建时间样本窗口实时采集直流母线电压数据。
3.根据权利要求1所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,所述数据集包括支持集与查询集;
所述支持集数量为Ns,包括从第一数据集中随机抽取的Ns_label个样本和从无标签直流母线电压数据中随机抽取Ns_unlabel个样本;
所述查询集数量为Nq,包括第一数据集中随机抽取的Nq个样本,该样本与支持集抽取的Ns_label个样本不同。
4.根据权利要求1所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,所述特征提取模块采用预构建的时间卷积神经网络进行特征提取,其具体过程如下:
输入时间序列xT,长度为l,特征数量为1;
设定TCN初始参数,设置卷积核大小k=3,L=4层扩张因果卷积,q=2个残差网络结构,这两个残差网络结构中的扩张因子d分别为d1=2、d2=4,此时感受野长度为G=25,为了保证输入输出维度相同,每层还需加上padding,padding数量=(k-1)*d,并使用sigmoid函数作为激活函数;
将时间序列输入TCN,得到l×1维度的数据样本xT’=fφ(xT),xT’中每个时间点包含过去G个时间点的特征。
5.根据权利要求4所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,所述时间卷积神经网络包含残差网络结构。
6.根据权利要求1所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,在训练过程中,将数据集分为支持集和查询集;
所述支持集包含若干带有标签的第一数据和未带标签的第二数据,所述查询集包含若干带有标签的第三数据;
采用均值算法对支持集中的第一数据进行处理,构建对应标签的初始原型;
将支持集中第二数据与所述原型进行相似度计算,并将相似度最大的初始原型对应标签作为第二数据的参考标签;
将参考标签引入支持集,并对支持集的初始原型进行细化操作;
基于支持集和查询集构建对应的损失函数,并利用随机梯度下降法迭代更新分类网络的参数,每迭代一次更新分类网络的参数时,同步重新构建新的支持集和查询集。
7.根据权利要求6所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,所述初始原型的表达式如下:
其中,xi为属于类别c中带有标签的原始向量,fφ(xi)为原始xi经过TCN提取特征后的时序向量,Nsc_lable为属于类别c的初始带标签数据样本总数,Oc为类别c的数据原型,其中,c=1、2,1表示失稳,2表示稳定。
8.根据权利要求6所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,采用半监督式原型网络完成细化原型操作,其具体过程如下:
将带有参考标签的第二数据与第一数据进行结合并重新分类,并对分类后的数据进行原型计算,所述结合的表达式如下:
Nsc_label=Nsc_label+Nsc_unlabel
其中,右边Nsc_lable为属于类别c的初始带标签数据样本总数,Ns_unlabel为属于类别c的初始不带标签数据样本总数。
9.根据权利要求6所述的基于TCN-Semi PN的直流微电网稳定性实时监测方法,其特征在于,所述损失函数的表达式如下:
其中,fφ(xi)为原始xi经过TCN提取特征后的时序向量,Oc为类别c的数据原型,其中,c=1、2,1表示失稳,2表示稳定,Nq为查询集中的样本数量,J为损失值,Ns为支持集的样本数量。
10.一种直流微电网稳定性实时监测装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时执行如权利要求1所述的检测模型;
其具体步骤如下:将直流微电网的直流母线电压信号输入至检测模型,以判断直流微电网的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311471180.7A CN117669656A (zh) | 2023-11-06 | 2023-11-06 | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311471180.7A CN117669656A (zh) | 2023-11-06 | 2023-11-06 | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669656A true CN117669656A (zh) | 2024-03-08 |
Family
ID=90072305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311471180.7A Pending CN117669656A (zh) | 2023-11-06 | 2023-11-06 | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
-
2023
- 2023-11-06 CN CN202311471180.7A patent/CN117669656A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
CN117872038B (zh) * | 2024-03-11 | 2024-05-17 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914644B (zh) | 一种基于双模态协同的弱监督时序动作定位方法及系统 | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
US20210293881A1 (en) | Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
Yuan et al. | Learning latent interactions for event classification via graph neural networks and PMU data | |
CN113989556B (zh) | 一种小样本医学影像分类方法和系统 | |
CN116933114B (zh) | 一种基于cnn-lstm的直流微电网检测方法及装置 | |
CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及系统 | |
CN113447759A (zh) | 一种多分类的rvm电网故障判别方法和系统 | |
Zhang et al. | Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation | |
CN114881077A (zh) | 一种基于时序轨迹特征的电压暂降源分类方法及系统 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
CN114329124A (zh) | 基于梯度重优化的半监督小样本分类方法 | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
CN117370568A (zh) | 一种基于预训练语言模型的电网主设备知识图谱补全方法 | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN112362292A (zh) | 对风洞试验数据进行异常检测的方法 | |
CN114357160B (zh) | 基于生成传播结构特征的早期谣言检测方法及装置 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN114814436A (zh) | 一种三电平逆变器故障诊断方法及装置 |
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 |